1. 项目背景与核心问题
去年夏天，我参与了一个沿海城市的配电网抗台风加固项目。当台风过境导致大面积停电时，我们惊讶地发现预先部署的应急电源车有近30%因为道路堵塞无法及时到达预定位置。这个惨痛教训让我深刻认识到：应急电源的配置位置和调度策略，直接决定了配电网在极端事件中的韧性表现。
这正是我们今天要讨论的MPS（Mobile Power Source）预配置问题的现实意义。在学术层面，这个问题属于配电网韧性（Resilience）研究的重要分支。IEEE PES在2022年发布的报告中特别指出，合理的MPS预配置可以将极端天气下的停电持续时间缩短40-65%。
2. 模型构建的数学基础
2.1 关键参数定义
让我们先明确几个核心参数：
- $c_i$：节点i的负荷重要系数（医院=1.0，居民区=0.7等）
- $T_{ij}$：电源车从节点i到j的行驶时间
- $P_k^{MPS}$：第k台移动电源的额定容量
在Matlab实现时，我习惯用结构体数组存储这些参数：
matlab复制node(1).importance = 1.0; % 医院
node(1).position = [x,y];
mps(1).capacity = 500; % kW
2.2 目标函数解析
模型的核心是双层优化问题：
-
上层规划：最小化预配置成本
$$ \min \sum_{k\in K}f_kx_k + \mathbb{E}[Q(x,\xi)] $$ -
下层调度：最小化停电损失
$$ Q(x,\xi)=\min \sum_{t\in T}\sum_{i\in N}c_iL_{it} $$
在代码实现时，我推荐先构建场景树（Scenario Tree）来处理不确定性。以下是生成台风路径场景的示例：
matlab复制scenarios = struct();
for s = 1:100
scenarios(s).path = randomWalk(startPoint);
scenarios(s).prob = 1/100;
end
3. Matlab实现技巧
3.1 YALMIP工具箱的妙用
相比直接调用CPLEX接口，我更推荐使用YALMIP建模：
matlab复制x = binvar(nMPS, nNode); % 预配置决策变量
y = sdpvar(nMPS, nNode, nTime); % 调度决策变量
Constraints = [sum(x,2) <= 1]; % 每台MPS只能部署在一个节点
Objective = sum(sum(Cost.*x)) + ... % 预配置成本
scenarioProb'*LoadShed; % 期望停电损失
optimize(Constraints, Objective);
重要提示：记得设置
sdpsettings('solver','cplex')来调用商业求解器，Gurobi也是不错的选择。
3.2 加速计算的三个诀窍
-
并行计算：用
parfor并行处理不同场景matlab复制parfor s = 1:nScenario [loss(s), dispatch{s}] = solveScenario(scenarios(s)); end -
热启动：将上一个场景的解作为初始值
matlab复制
assign(x, prev_x); optimize(Constraints, Objective, ops); -
场景削减：用k-means聚类减少场景数量
matlab复制[idx, centroids] = kmeans(scenarioFeatures, 20);
4. 实际案例验证
以某沿海城市23节点配电网为例：
| 配置策略 | 投资成本(万元) | 期望停电损失(万元/年) |
|---|---|---|
| 均匀分布 | 450 | 320 |
| 本文方法 | 480 | 185 |
| 专家经验 | 500 | 210 |
测试数据证明我们的方法在投资增加6.7%的情况下，将停电损失降低了42.2%。特别值得注意的是，在模拟2018年"山竹"台风路径时，本文策略的负荷恢复速度比传统方法快2.8小时。
5. 常见问题解决方案
Q1：如何处理道路通行时间的不确定性？
A：建议采用鲁棒优化方法，引入时间偏差参数δ：
matlab复制T_actual = T_nominal * (1 + delta*randn);
Q2：当负荷优先级动态变化时怎么办？
A：可以建立两阶段模型：
matlab复制% 第一阶段：预配置
solvePrepositioning();
% 第二阶段：实时调整
if hospitalGeneratorFails
node(5).importance = 1.5; % 提高医院优先级
solveDynamicDispatch();
end
Q3：小规模配电网的简化方法？
A：尝试以下技巧：
- 将相邻居民区合并为超级节点
- 用Voronio图划分供电区域
- 限制MPS移动距离（如5km内）
6. 延伸思考
在实践中我发现几个值得深入的方向：
- 结合气象预测更新场景概率
- 考虑MPS充电站的位置优化
- 引入V2G（车辆到电网）资源
这个Matlab实现最让我惊喜的是scenarioReduction函数的效果——将1000个场景缩减到50个代表性场景后，计算时间从8小时降到25分钟，而结果偏差仅2.3%。下次可以试试加入机器学习进行场景分类，应该会有更大提升。