先抛个结论：把电动汽车单纯看成“充电负荷”来管理，是当前多数区域电网调度方案里最大的浪费。一台续航400公里以上的家用电动汽车，电池容量普遍在50kWh以上，实际可调度容量相当于一台小型工商业储能柜，而且它还能在区域之间移动——这意味着它同时具备“时间搬移”和“空间搬移”两种调节能力。这篇博文要讲的，就是如何把这种“移动储能特性”建模进多区域电网的功率波动平抑问题里，并给出一个改进优化算法和完整的Python代码实现。涉及的核心知识点包括：电动汽车SOC动态约束、区域间交通可达性建模、基于改进粒子群的多目标优化求解、以及96点日内调度场景下的算例验证。适合正在做电力系统优化调度、V2G策略研究、新能源并网方向课题的本硕博学生，也适合刚入门想找一个完整代码框架来二次开发的工程师。

1. 多区域电网功率波动：问题的真正难点不在“波动”

很多论文把功率波动平抑简单描述成“新能源出力不稳，所以要加储能”，但如果只是这个层面，直接配固定储能就完了，根本不需要把电动汽车拉进来。实际做过多区域调度的人都知道，真正的难点在三个地方。

1.1 区域间的不平衡是动态变化的

不同区域的负荷曲线、新能源装机比例、常规机组调节速率都不一样。比如A区域是工业负荷为主，白天峰值明显；B区域是居民负荷为主，晚高峰突出；C区域风电占比大，凌晨出力猛增。当三条曲线叠加到联络线上时，功率流动方向会反复变化，传统单一区域的调度模型根本管不了这种时空耦合问题。

很多文献用联络线功率方差作为平抑目标，但方差只能反映波动幅度，反映不了联络线的功率反向冲击。实际运行中，反复反向的功率流动对变压器寿命、保护整定都极不友好。所以在我这个代码框架里，同时统计了联络线功率方差、峰谷差、以及功率反向次数三个指标，后面算例分析会具体展示。

1.2 电动汽车的特性决定了它不能当普通储能用

固定储能的特性是“并网点固定、可调度容量固定、响应速度快”，你把它放在哪个节点，它就服务哪个节点。电动汽车完全不同：

• 时间上：它受出行行为约束，不是全天24小时都能参与调度。早上8点到9点、下午5点到7点这两个时段，大部分车在路上，充放电窗口是关闭的。
• 空间上：它会跨区域移动。一辆车早上在A区域充电，中午可能就开到B区域，下午停在C区域。如果模型里把一辆车固定绑定在某个区域，那这个“移动储能”的核心价值就完全丢掉了。
• 容量上：每辆车的SOC、最大充放电功率、电池容量都不相同，如果采用聚合模型，会掩盖单体差异对调度结果的影响。

所以我在这套代码里采用的是“个体建模+分组优化”的思路：每个区域内的电动汽车按充电桩接入节点聚合成分组，但组内每辆车的SOC状态单独跟踪，调度指令下发到分组层，再按SOC比例分配到单体。

1.3 为什么要用“优化调控”而不是“规则控制”

规则控制（比如“SOC低于30%不允许放电，高于90%不允许充电”）实现简单，工程上也有落地，但规则控制的问题是它不感知全局。某区域下午光伏大发，但区域内电动汽车SOC普遍偏高，规则控制下这部分车就不能充电消纳，只能弃光。

优化调控的核心思路是：把功率平抑问题变成一个带约束的数学优化问题，在满足电动汽车用户出行需求的前提下，求出每个时段、每个区域的最优充放电功率指令。由于问题规模大、约束复杂，常规求解器直接怼大规模混合整数规划问题会非常慢，所以我采用了改进粒子群算法作为求解器——这也是标题里“原创改进代码”的落点之一。

2. 移动储能特性的数学建模：一个都不能少

这个项目的模型核心在“移动储能特性”六个字上。我的做法是把电动汽车的时空行为拆成四个子模型：状态模型、时间窗模型、空间转移模型，以及区域电网模型。四个模型合在一起，才构成完整的目标函数与约束条件。

2.1 电池状态模型：SOC的迭代关系

电动汽车作为储能单元，其核心状态量是SOC（荷电状态）。第i辆车在第t个时段的SOC更新方程为：

python复制# SOC更新：充电为正，放电为负
soc[i, t+1] = soc[i, t] + (eta_c * P_ch[i, t] - P_dis[i, t] / eta_d) * dt / capacity[i]

其中：

• eta_c是充电效率，我取0.95；eta_d是放电效率，取0.9。
• P_ch和P_dis分别是充电、放电功率。
• dt是调度时间间隔，代码里取15分钟，即0.25小时。
• capacity是电池容量。

注意这里充放电效率不对称，这是锂离子电池的真实特性。很多简化模型把充放电效率统一设为0.95，短时段影响不大，但做96点全天调度时，SOC累计误差会被放大，最终影响放电可用容量判断。

SOC必须满足上下限约束。考虑到电池寿命保护，我设的区间是[0.2, 0.9]，也就是20%到90%，这个区间比电池本身的物理极限更保守，实际是给用户出行留安全垫：

python复制soc_min = 0.2
soc_max = 0.9
# 约束一：任意时刻SOC在安全区间内
assert np.all(soc >= soc_min - 1e-6) and np.all(soc <= soc_max + 1e-6)

2.2 时间窗模型：用户出行约束怎么转化为数学条件

这是很多初次接触V2G调度的人最容易忽略的点。电动汽车不是24小时可调的储能——它有“并网时间窗”。以典型的通勤场景为例：

• 早上7点出门，前一天晚上18点到次日7点停在居住区，这13个小时是可调度时段。
• 上午9点到下午5点停在办公区，这8个小时是可调度时段。
• 其余时间（通勤路上）车辆离网，不参与调度。

代码里用两个数组来刻画这个时间窗约束：

python复制# 每辆车的并网起始时段和结束时段
t_start[i] = 18  # 晚6点接入
t_end[i] = 31    # 次日上午7点，96点格式下折算为31
# t_start[i] 到 t_end[i] 之间，该车才允许进行充放电

那么数学模型里就有这样的约束：

python复制# 时间窗外的充放电功率必须为零
for t in range(T):
    if t < t_start[i] or t > t_end[i]:
        P_ch[i, t] = 0
        P_dis[i, t] = 0

这样做的好处是：用户在时间窗外完全不参与调度，不会出现“车在路上了还给它下发放电指令”这种荒谬情况。

2.3 空间转移模型：移动储能区别于固定储能的关键

空间转移是“移动”二字的直接体现。在这个模型里，电动汽车停车时所在的位置由它接入的充电桩决定。比如某辆车上午在A区写字楼充电站、下午在B区商业中心充电站，那么在模型里它的“所属区域”也随之变化。

定义区域归属矩阵region_map[i, t]，它在第t个时段中存储第i辆车所属的区域编号：

python复制# 假设有3个区域，编号0、1、2
# 车辆i在t1时刻属于区域1（办公区），在t2时刻属于区域2（商业区）
region_map[i, t1] = 1
region_map