从理论到代码：MATLAB实现配电网应急电源预部署的完整指南

在电力系统面临极端天气事件日益频繁的今天，如何提升配电网的韧性成为学术界和工业界共同关注的焦点。移动式应急电源（MPS）的预部署策略，作为提升配电网韧性的有效手段，正在获得越来越多的应用。本文将带领读者从零开始，完整实现一篇顶刊论文中提出的两阶段鲁棒优化模型，解决MPS预部署中的关键问题。

1. 环境准备与工具链配置

1.1 必备软件安装

实现这一复杂优化模型需要以下工具协同工作：

• MATLAB R2020b或更新版本：算法实现的核心平台
• YALMIP工具箱：用于数学优化建模的MATLAB接口
• Gurobi优化器：解决混合整数规划问题的高性能求解器
• MATPOWER：提供标准测试案例的电网数据

安装完成后，建议运行以下代码验证环境配置：

matlab复制% 验证YALMIP安装
if exist('yalmiptest','file')
    yalmiptest
else
    error('YALMIP未正确安装');
end

% 验证Gurobi安装
try
    gurobi('version');
catch
    error('Gurobi未正确配置');
end

1.2 测试案例数据准备

论文中使用了IEEE 33节点和123节点系统作为测试案例。这些数据可以直接从MATPOWER获取：

matlab复制% 加载IEEE 33节点系统数据
case33 = loadcase('case33bw');

% 加载IEEE 123节点系统数据
case123 = loadcase('case123');

对于MATPOWER未包含的额外参数（如负荷权重、MPS容量等），需要根据论文描述进行补充：

matlab复制% 补充负荷权重参数
case33.bus(:,11) = ones(33,1); % 默认权重为1
case33.bus([3,7,12],11) = [1.5, 2.0, 1.8]; % 关键节点权重增加

% MPS参数设置
case33.mps = struct(...
    'num_ev', 3, ...    % 电动汽车数量
    'num_mess', 2, ...  % 移动储能系统数量
    'num_meg', 1, ...   % 移动发电机数量
    'candidate_nodes', [5,12,18,22,25,29,33]... % 候选节点
);

2. 两阶段鲁棒优化模型构建

2.1 第一阶段模型：预部署决策

第一阶段决策变量包括MPS的预部署位置和网络重构方案。在YALMIP中定义这些变量：

matlab复制% 定义二进制决策变量
y_ev = binvar(length(candidate_nodes), 1, 'full'); % EV部署决策
y_mess = binvar(length(candidate_nodes), 1, 'full'); % MESS部署决策
y_meg = binvar(length(candidate_nodes), 1, 'full'); % MEG部署决策
u = binvar(nl, 1, 'full'); % 支路开关状态(1=闭合,0=断开)

% 定义约束条件
Constraints = [];
% 每个MPS只能部署在一个节点
Constraints = [Constraints, sum(y_ev) == num_ev];
Constraints = [Constraints, sum(y_mess) == num_mess];
Constraints = [Constraints, sum(y_meg) == num_meg];

% 网络径向性约束
Constraints = [Constraints, sum(u) == nb-ns]; % 闭合支路数=节点数-子站数

2.2 第二阶段模型：最坏场景下的运行优化

第二阶段需要考虑最坏故障场景下的系统运行状态。这需要引入对偶变量来处理max-min问题：

matlab复制% 定义第二阶段变量
z = sdpvar(nb,1); % 节点电压平方
p = sdpvar(nb,1); % 节点有功注入
q = sdpvar(nb,1); % 节点无功注入

% 对偶变量
pi = sdpvar(nb,1); % 有功平衡对偶变量
phi = sdpvar(nb,1); % 无功平衡对偶变量
mu = sdpvar(nl,1); % 支路容量对偶变量

3. C&CG算法实现

列与约束生成(C&CG)算法是解决两阶段鲁棒优化问题的有效方法。下面展示其MATLAB实现框架。

3.1 主问题构建

matlab复制function [MP, y, eta] = buildMasterProblem(case_data)
    % 初始化变量
    y_ev = binvar(length(case_data.mps.candidate_nodes), 1, 'full');
    y_mess = binvar(length(case_data.mps.candidate_nodes), 1, 'full');
    y_meg = binvar(length(case_data.mps.candidate_nodes), 1, 'full');
    u = binvar(case_data.nl, 1, 'full');
    eta = sdpvar(1,1);
    
    % 目标函数：最大化eta（最坏场景下的最小负荷削减）
    MP.Objective = -eta; % 转换为最小化问题
    
    % 第一阶段约束
    MP.Constraints = [];
    MP.Constraints = [MP.Constraints, sum(y_ev) == case_data.mps.num_ev];
    % 其他约束...
    
    % 初始可行解约束
    MP.Constraints = [MP.Constraints, eta <= 1000]; % 初始上界
end

3.2 子问题求解

子问题需要找到给定预部署方案下的最坏故障场景：

matlab复制function [worst_case, obj] = solveSubProblem(case_data, y_ev, y_mess, y_meg, u)
    % 定义故障场景变量
    xi = binvar(case_data.nl,1); % 支路故障状态(1=故障)
    
    % 定义第二阶段变量和对偶变量...
    
    % 构建子问题
    SP = [];
    SP.Objective = ...; % 最小化生存负荷
    SP.Constraints = [...]; % 系统运行约束
    
    % 求解
    options = sdpsettings('solver','gurobi','verbose',0);
    optimize(SP.Constraints, SP.Objective, options);
    
    % 返回结果
    worst_case.xi = value(xi);
    obj = value(SP.Objective);
end

3.3 C&CG主循环

matlab复制function [y_opt, obj_hist] = solveCCG(case_data, max_iter, tol)
    % 初始化
    [MP, y, eta] = buildMasterProblem(case_data);
    obj_hist = [];
    LB = -inf;
    UB = inf;
    
    for k = 1:max_iter
        % 求解主问题
        optimize(MP.Constraints, MP.Objective);
        LB = -value(MP.Objective);
        y_current = value(y);
        
        % 求解子问题
        [worst_case, sub_obj] = solveSubProblem(case_data, y_current);
        UB = min(UB, sub_obj);
        
        % 记录目标值
        obj_hist = [obj_hist; [LB, UB]];
        
        % 收敛判断
        if (UB - LB) < tol
            break;
        end
        
        % 添加新约束到主问题
        MP.Constraints = [MP.Constraints, ...
            eta <= calculateNewConstraint(y, worst_case)];
    end
    
    y_opt = y_current;
end

4. 实战技巧与性能优化

4.1 模型线性化处理

原始模型中的非线性项需要进行适当处理：

matlab复制% 处理双线性项 λ_ij * u_ij
% 引入辅助变量和McCormick包络
for ij = 1:nl
    w = sdpvar(1,1);
    Constraints = [Constraints, w >= 0];
    Constraints = [Constraints, w <= M*u(ij)];
    Constraints = [Constraints, w <= lambda(ij)];
    Constraints = [Constraints, w >= lambda(ij) - M*(1-u(ij))];
    % 在原始约束中用w替换λ_ij*u_ij
end

4.2 并行计算加速

对于大规模系统，可以并行化C&CG的子问题求解：

matlab复制% 启用并行池
if isempty(gcp('nocreate'))
    parpool('local',4); % 使用4个工作进程
end

% 并行求解多个场景
parfor scenario = 1:num_scenarios
    [results(scenario)] = solveScenario(scenario_data{scenario});
end

4.3 结果可视化

清晰的展示有助于理解优化结果：

matlab复制function plotDeploymentResult(case_data, y_ev, y_mess, y_meg)
    figure;
    % 绘制网络拓扑
    plot_case(case_data);
    
    % 标记MPS部署位置
    hold on;
    ev_nodes = case_data.mps.candidate_nodes(logical(y_ev));
    mess_nodes = case_data.mps.candidate_nodes(logical(y_mess));
    meg_nodes = case_data.mps.candidate_nodes(logical(y_meg));
    
    scatter(case_data.bus(ev_nodes,1), case_data.bus(ev_nodes,2), 100, 'r', 'filled');
    scatter(case_data.bus(mess_nodes,1), case_data.bus(mess_nodes,2), 100, 'b', 'filled');
    scatter(case_data.bus(meg_nodes,1), case_data.bus(meg_nodes,2), 100, 'g', 'filled');
    
    legend('电网节点','EV部署','MESS部署','MEG部署');
    title('MPS预部署方案');
end

5. 典型问题与调试技巧

5.1 常见错误排查

5.2 性能调优建议

• 预处理：简化模型，消除冗余变量和约束
• 启发式初始化：提供良好的初始解加速收敛
• 参数调整：根据问题特点调整Gurobi参数：

matlab复制options = sdpsettings('solver','gurobi',...
    'gurobi.MIPGap',0.01,... % 设置MIP间隙容差
    'gurobi.TimeLimit',3600,... % 时间限制
    'gurobi.Presolve',2); % 积极预处理

5.3 扩展应用方向

• 多时段优化：考虑时间耦合的预部署策略
• 不确定性建模：更精细的故障概率分布
• 混合储能系统：结合固定式储能与移动式电源

在实现过程中，我发现最关键的环节是第二阶段子问题的对偶转换。正确的对偶化可以显著提高求解效率，而错误的转换则可能导致问题无法求解。经过多次试验，采用分段线性化技术处理非线性约束，可以在精度和效率之间取得良好平衡。