企业官网建设流程全解析

这两年做配电网韧性方向，绕不开一个让人又爱又恨的话题：极端灾害下的应急移动电源（MPS）调度。爱是因为这是真真正正解决实际问题的方向，恨是因为它涉及两阶段建模、混合整数规划、网络重构、储能时序耦合，任何一个环节没想透，代码就跑不出合理结果。我复现的这篇SCI一区论文，原题拆成上下两篇——上篇解决灾前预配置（往哪儿放），下篇解决灾中动态调度（怎么走、怎么送电）。这篇博客写的就是下半部分：基于Matlab实现MPS动态调度模型，从数学模型、代码架构、算例设置到调试踩坑，一次性讲透。

如果你是刚入门韧性方向的研究生，或者准备复现同类两阶段优化模型的工程师，这篇文章能帮你少走大半年的弯路。我会把建模时的关键逻辑、"为什么这么建模"以及代码层面的实现细节都拆开讲，同时附带一套可直接参考的IEEE 33节点算例设定和调试经验。内容里出现的代码是基于常见实践补充的可运行示例，不是论文原码，但建模思路和论文一致，足够你改造出自己的版本。

1. 复现之前：两阶段框架里，动态调度到底在优化什么

1.1 上篇的"预配置"和下篇的"动态调度"怎么衔接

很多第一次接触这个题目的同学容易把预配置和动态调度当成两个独立问题，实际上它们是一个完整的决策链条。预配置阶段发生在灾害来临前（灾前，通常提前数小时到一天），决策的核心是：应急移动电源应该提前放在哪些位置。因为灾害发生后道路可能受损、交通时间有限，如果MPS放得太远，灾后根本赶不到关键负荷区域；放得太近，又可能浪费容量、覆盖不全。

动态调度阶段发生在灾害发生过程中（灾中，通常持续24到72小时），决策的核心是：在已知预配置结果的基础上，MPS在哪些时段移动到哪个节点，在哪个节点接入配电网，输出多少有功功率，什么时候充电、什么时候放电。这是整个韧性恢复过程真正"跑起来"的阶段。

在复现流程上，上篇的输出是下篇的输入。上篇求得的最优预配置位置集合，会作为下篇动态调度模型的MPS初始位置约束。有些论文把这两个阶段写成一个两阶段随机优化模型，第一阶段先定预配置方案，第二阶段在不确定性场景下做动态调度；有些论文则分步求解——先做预配置，再做动态调度。我复现的这篇采用的是分步求解方式，代码实现起来更直观，调试成本也更低，同样能反映论文的核心机理。

从生活角度打个比方：预配置是"买菜备料"，你得提前想好菜放在厨房哪个位置，做菜时才不会手忙脚乱；动态调度是"下锅炒菜"，火大火小、先放哪个菜、什么时候转小火，都得根据锅里实际情况实时调整。两件事连起来看，才是完整的应急响应流程。

1.2 动态调度模型的输入、决策变量和评价口径

明确一下动态调度模型的输入。最基本的四类输入是：配电网拓扑与负荷数据、MPS参数、灾害场景信息、预配置方案。

拓扑与负荷数据包括节点编号、线路连接关系、线路容量、各节点各时段的负荷曲线。灾害场景信息要刻画清楚哪些线路因故障断开、故障持续多长时间。MPS参数包括数量、额定充放电功率、储能容量、移动速度、移动单位距离的能耗。预配置方案给出每台MPS灾前停靠的初始节点。

决策变量方面，核心有三类：

第一类是位置变量，表示MPS在哪个时段位于哪个节点，通常用0-1变量描述；还要有移动状态变量，表示MPS是否处于道路行驶状态。

第二类是功率变量，包括MPS向配电网注入的有功功率（放电为正）、从电网吸收的功率（充电为负）、以及储能系统的荷电状态（SOC）。

第三类是网络状态变量，包括线路开关状态（0-1变量）、节点负荷是否恢复（0-1变量）、节点电压幅值等。

评价口径上，常用的是灾后整个时间窗内系统恢复的总加权负荷量。权重一般按负荷等级给定，一级负荷（医院、通信基站、供水系统）权重最高，二级次之，三级最低。模型的目标函数，本质上是最大化所有时段内加权恢复负荷的总和，等价于最小化加权失电损失。

这里有个容易混淆的细节：有的文献用"恢复负荷占比"评价，有的用"韧性曲线下面积"评价，还有的用"负荷损失期望"评价。它们其实是同一个逻辑的不同表述，复现时务必保持目标函数和评价指标一致，否则最后画出的对比图会缺乏说服力。

1.3 为什么这个模型要建成MILP而非启发式

动态调度问题包含两个层面的复杂性：时间维度上，MPS移动、充放电、负荷恢复都是跨时段耦合的；空间维度上，配电网重构和MPS接入点的选择是离散的。

这种"时-空离散耦合"特征决定了它天然是一个混合整数线性规划（MILP）问题。位置变量、开关状态变量、负荷恢复变量是整数变量（0-1），潮流功率、SOC、电压是连续变量。目标函数和约束经过线性化处理后，整个模型可以直接交给成熟的商业求解器（CPLEX或Gurobi）求解。

为什么不直接用启发式算法（遗传算法、粒子群、模拟退火）？我在复现初期也试过启发式思路，说实话，对于节点规模50以下的小算例，启发式算法调调参数也能出结果，但存在两个致命问题：一是没法保证解的最优性，复现论文时和原文结果对不上，你根本不知道是算法问题还是论文本身使用了更精细的模型；二是可解释性差，启发式难以给出严格的灵敏度分析依据。

反过来，MILP模型配合商业求解器，只要问题规模控制在合理范围（典型如IEEE 33节点系统、3到5台MPS、24到48个调度时段），求解器可以在几分钟到几十分钟内给出全局最优解或带最优性间隙的次优解，这对于复现学术论文来说非常关键。Matlab+YALMIP工具箱是目前最省事的建模组合，语法接近数学公式，调试方便，后处理绘图能力也足够。

1.4 动态调度模型的目标函数设计细节

具体到目标函数写法，最常用的是下面的形式：

[ \max \sum_{t=1}^{T} \sum_{n=1}^{N} w_n \cdot y_{n,t} \cdot P^{load}_{n,t} ]

其中，(T)是总时段数，(N)是节点数，(w_n)是节点负荷权重，(y_{n,t})是负荷恢复0-1变量（1表示时段t节点n负荷被恢复），(P^{load}_{n,t})是该节点在时段t的有功负荷。

我在复现时特别注意过这个目标函数的写法细节。如果直接用负荷功率乘以恢复状态，那么模型会优先恢复大功率节点，哪怕它是三级负荷。所以要引入权重(w_n)，通常设置为：

• 一级负荷：权重100
• 二级负荷：权重10
• 三级负荷：权重1

这样模型在取舍时就会首先保证重要负荷恢复。实际算例中，会出现"牺牲少量三级负荷以恢复更多一级负荷"的决策，这正是韧性调度的意义所在。另外，如果需要对比不同MPS配置方案，目标函数里也可以增加MPS调度成本项（移动距离成本、充放电损耗成本），但复现论文核心结论时，通常先只用负荷恢复量作目标，成本项放在敏感性分析阶段再引入。

2. 模型骨架：目标函数和约束里最容易被忽略的几处细节

2.1 功率平衡与配电网重构约束：DistFlow线性化和辐射状约束

配电网和输电网最大的区别在于，它正常运行时是辐射状网络——一条线路故障断开后，部分节点会形成孤岛，MPS接入后要尽量恢复这些孤岛内的负荷。因此，动态调度模型里必须同时包含配电网辐射状约束和潮流约束。

潮流约束我用的是DistFlow线性化形式（LinDistFlow），思路是忽略无功损耗和电压幅值平方项的高阶部分，把潮流方程降级为线性方程组。对于12.66kV中压配电网，这种近似引入的误差通常在1%以内，完全够用。线性化的好处是保证整个模型仍是MILP，求解器可以直接处理。

辐射状约束的实现要稍微复杂一些。最简单的做法是"虚拟潮流"约束：给每个节点定义一个单位虚拟需求，从根节点注入一个虚拟功率，每条线路的虚拟潮流不能超过一条，保证连通节点之间恰好构成一棵树。具体来说，添加辅助连续变量(f_{ij,t})表示时刻t线路ij上流过的虚拟潮流量，然后加下面的约束：

[ \sum_{j:(i,j)\in E} f_{ij,t} - \sum_{j:(j,i)\in E} f_{ji,t} = 1, \quad \forall i \neq root ]

[ 0 \le f_{ij,t} \le M \cdot z_{ij,t} ]

这里的(z_{ij,t})是线路的连通状态0-1变量。如果线路断开，(z=0)，虚拟潮流被钳在0；如果线路连通，虚拟潮流在0到M之间。根节点不需要满足方程。这种约束能有效阻止环网的出现，同时允许多个孤岛（每个孤岛必须有且仅有一个"虚拟电源"即根节点或MPS节点）。

有个细节要提醒：辐射状约束的根节点选取要和实际模型匹配。如果配电网连向主网，根节点是变电站节点；如果某个孤岛由MPS供电，那么该孤岛的连通组件内应该有一个节点被设置为虚拟根节点或者由MPS节点作为等效平衡节点，否则辐射状约束会产生不可行解。

2.2 MPS移动与接入约束：时间耦合才是动态调度的灵魂

MPS动态调度区别于普通储能调度的地方，是它可以"移动"。而移动这个动作引入了两个关键约束：位置唯一性约束和移动时间耦合约束。

位置唯一性约束指每个时段，每台MPS要么停靠在某个节点，要么正处于移动状态，二选一：

[ \sum_{n=1}^{N} x_{m,t,n} + \text{move}_{m,t} = 1, \quad \forall m, t ]

其中(x_{m,t,n})表示MPS m在时段t是否接入节点n，(\text{move}_{m,t})表示MPS m在时段t是否处于移动中。

移动时间耦合约束，指MPS从一个节点移到另一个节点需要时间。如果从节点i到节点j的最短旅行时间为(d_{ij}/v)（距离除以速度），那么在时段t在i节点接入、时段t+1想要在j节点接入，中间至少要留足旅行时间。这个约束如果简化处理，可以写成：

[ x_{m,t,i} + x_{m,t+k,j} \le 1 ]

其中k是往返于i、j之间所需的时段数。用"硬编码"方式枚举所有可行转移组合，再加约束，虽然约束数量大一些，但逻辑清晰，调试时容易追踪。

这里我踩过一个坑：如果简化成"两个不同节点不能同时接入"，即(x_{m,t,i}+x_{m,t,j} \le 1)，那么模型会允许MPS在同一时段内从一个节点"瞬移"到另一个节点，完全忽略了移动时间。最终结果会高估MPS的恢复能力，与论文结果对不上。所以要特别留意。较为严谨的做法是：建立"每个时段开始时的位置决定该时段可接入的节点集"，并把移动时间按时段粒度取整。如果时段是1小时，移动耗时30分钟，那么MPS可以在两个连续时段分别接入距离适中的两个节点；如果移动耗时90分钟，则必须空出2个时段。

储能电量约束是第三处容易出错的地方。MPS本质是移动储能车，它的SOC按下面的递推方程更新：

[ \text{soc}{m,t+1} = \text{soc}{m,t} - p_{m,t} \cdot \Delta t + \eta_c \cdot p^{c}{m,t} \cdot \Delta t - e^{move}{m,t} ]

其中(p_{m,t})是放电功率，(p^{c}{m,t})是充电功率，(\eta_c)是充电效率，(e^{move}{m,t})是移动消耗的能量。还要加上SOC上下限约束、充放电功率上下限约束以及充放电状态互斥约束。很多同学初次建模时会忘记"移动也消耗电能"这一项，导致MPS在移动后SOC不降反升，算出的结果非常离谱。

2.3 负荷恢复约束与孤岛供电约束

负荷能否恢复，一方面取决于上级电源（主网或MPS）是否有剩余容量，另一方面取决于配电网拓扑是否连通到电源节点。因此要加两类约束。

第一类是"连通性约束"：如果某个时段节点n的负荷恢复变量(y_{n,t}=1)，那么节点n必须和某个电源节点（主网根节点或接入的MPS节点）在同一个连通组件内。这个约束无法直接用简单的线性表达式描述，常见做法是借助"网络流"模型，用一个辅助路径变量表达连通关系。在复现时，我更常用的简化方法是：只在已经形成的辐射状孤岛基础上，把有MPS接入的节点视为"电源节点"，然后直接把负荷恢复限制在孤岛内部的节点上——也就是说，一个节点是否恢复，必须满足该节点与MPS接入点之间所有线路均处于连通状态。利用前面定义的虚拟潮流变量(f_{ij,t})，可以间接实现这种限制。

第二类是"供电能力约束"：每个孤岛内，恢复的总负荷不能超过该孤岛的电源可用容量。这一条看似简单，实际非常关键，它把负荷恢复量和MPS放电功率耦合了起来。在连续时间内，还要防止恢复负荷的剧烈波动，通常加一个负荷爬坡限制或者恢复状态单调性约束（已经恢复的负荷在后续时段允许因为MPS容量不足再次卸载，但一般论文采用"不可卸载"模型更符合实际）。

2.4 目标函数与约束的交叉影响

把目标函数和这些约束放到一起看，会发现动态调度问题本质上是"多移动储能车-多孤岛-多时段"的资源分配问题。我自己复现时最大的感悟是：所有复杂性都来自"时-空耦合"这4个字。每个约束单独看都不复杂，但它们之间相互嵌套，任何一处建模失误都会导致求解器给出荒谬的结果。

以位置变量和功率变量的耦合为例：如果(x_{m,t,n}=0)，节点n在时段t没有MPS接入，那么(p_{m,t})必须为0。这个逻辑需要额外的约束：

[ p_{m,t} \le P_{\max} \cdot \sum_{n=1}^{N} x_{m,t,n} ]

同理，充电功率也要加类似的关联约束。如果不加这些约束，变量之间会"松散耦合"，求解器利用这种漏洞可以把功率值设得很高而不受位置限制，导致里程严重失真的调度方案。

3. Matlab实现：从论文公式到YALMIP模型的完整拆解

3.1 整体代码结构

Matlab代码实现建议严格按照下面的模块划分来组织，调试时会非常省心：

• main_dynamic_dispatch.m：主程序，负责加载数据、构建模型、求解、输出结果。
• data_case33.m：配置IEEE 33节点系统的基础数据（负荷、线路、拓扑）。
• data_MPS.m：配置MPS参数（数量、容量、额定功率、初始位置、移动速度）。
• data_disaster.m：配置灾害场景（断线位置、持续时段）。
• build_model.m：用YALMIP构建优化模型，返回目标函数和约束集。
• plot_results.m：绘制结果（负荷恢复曲线、MPS位置轨迹、系统韧性曲线）。

这种模块化组织方式的好处是：换算例时只改数据文件，换灾害场景时只改data_disaster.m，调试模型时只需要盯住build_model.m。我一开始把所有代码堆在一个脚本里，结果改一个参数就要全局Ctrl+F，效率太低，后来彻底重构才解脱出来。

3.2 变量定义与约束实现的关键代码

假设使用YALMIP和CPLEX/Gurobi求解器，核心变量定义如下：

% 基本参数 T = 24; % 调度时段数（24小时） N = 33; % 节点数量 M = 3; % MPS数量 % 决策变量 x = binvar(M, T, N, 'full'); % 位置：MPS m在时段t是否在节点n接入 move = binvar(M, T, 'full'); % 移动：MPS m在时段t是否处于移动状态 p = sdpvar(M, T, 'full'); % 放电功率（正为放电，负为充电） soc = sdpvar(M, T, 'full'); % 储能荷电状态 y = binvar(N, T, 'full'); % 负荷恢复状态：节点n时段t是否恢复 z = binvar(B, T, 'full'); % 线路状态：线路b时段t是否连通

定义好变量后，关键约束的实现逻辑如下。

位置唯一性约束：

constr = []; for m = 1:M for t = 1:T constr = [constr, sum(squeeze(x(m,t,:))) + move(m,t) == 1]; end end

移动时间约束以最简单的一步移动为例（假设相邻节点移动耗时为1个时段）：

% 若MPS在t时段在节点i，则t+1时段不能在距离超过1的节点j接入 for m = 1:M for t = 1:T-1 for i = 1:N for j = 1:N if travel_time(i,j) > 1 constr = [constr, x(m,t,i) + x(m,t+1,j) <= 1]; end end end end end

这里travel_time(i,j)需要根据道路距离和MPS速度提前算好。

功率与位置耦合约束、SOC递推约束：

for m = 1:M for t = 1:T % 功率上下限，只有接入时才允许输出 constr = [constr, -Pch_max * sum(squeeze(x(m,t,:))) <= p(m,t) <= Pdis_max * sum(squeeze(x(m,t,:)))]; % SOC上下限 constr = [constr, SOC_min <= soc(m,t) <= SOC_max]; end for t = 1:T-1 % SOC递推：放电消耗电量，移动消耗电量 constr = [constr, soc(m,t+1) == soc(m,t) - p(m,t) * dt - move(m,t) * e_move]; end end

3.3 求解设置与结果输出

YALMIP求解设置上，我推荐这样配置Gurobi/CPLEX：

ops = sdpsettings('solver','gurobi', ... 'verbose',2, ... 'gurobi.TimeLimit', 7200, ... 'gurobi.MIPGap', 0.01, ... 'gurobi.Threads', 8, ... 'gurobi.MIPFocus', 2);

这里MIPGap=0.01表示允许1%的最优性间隙，MIPFocus=2让求解器更注意下界收敛（而不是频繁去寻找可行解），对于这种大规模MILP很管用。如果问题规模偏大、算例复杂，可以把时间限制适当放宽到4小时。

求解完成后，建议立刻做这四件事：

• 检查optimize的返回状态，区分成功/不可行/数值问题。
• 检查yalmip的check函数报告的各约束残差，是否在合理阈值。
• 提取位置、功率、SOC变量，画出时序堆叠图。
• 计算总恢复负荷量和韧性曲线面积，作为后续对比分析的基准。

3.4 一个小规模的验证模型：跑通逻辑再上完整算例

这类模型很容易写完几百行约束就出现不可行，而且很难定位。我的建议是，先做一个超小规模验证：3个节点、1台MPS、2个时段，手工写出所有约束，确认模型行为符合预期，再扩展到完整算例。

比如3节点模型，MPS初始在节点1，节点3有一级负荷，线路12在故障中断开。模型应该给出"节点2接入MPS、恢复节点3负荷"的决策。如果这样的直觉都不满足，那一定是约束写错了，先用这个最小模型把代码逻辑捋顺，再谈IEEE 33节点的大算例。这个习惯帮我避免过无数次的无效调试，强烈建议照做。

4. 算例复现：IEEE 33节点系统上的结果与敏感性分析

4.1 算例参数设定

我复现用的算例是经典IEEE 33节点配电系统，额定电压12.66kV，总负荷约3.715MW + j2.3Mvar。这个系统节点数适中、拓扑清晰，几乎所有韧性论文都用它做基准算例，非常适合复现对比。

MPS参数设定为：3台移动储能车，单台容量500kWh，额定放电功率200kW，额定充电功率100kW，SOC范围0.1到0.9，初始SOC 0.8，移动速度35km/h，移动1小时耗能约15kWh（含辅助设备损耗）。每台MPS灾前停靠节点通过上篇的预配置优化求得，这里直接作为初始位置输入。

灾害场景设定为台风导致6条线路同时故障，持续时间从第2小时到第20小时，故障期间这些线路始终处于断开状态。负荷曲线采用典型日曲线，峰荷出现在第10到第15时段，一级负荷设置在节点8、节点18和节点25（医院、应急指挥中心、通信基站）。

调度优化时段数取24（对应24小时），求解器为Gurobi，设置1%最优性间隙。

4.2 动态调度与静态接入的对比结果

我复现的核心结论非常清晰：动态调度显著优于静态接入。静态接入指MPS灾前就固定在预配置节点，灾中不再移动；动态调度则允许灾中按需移动到新节点。

以总加权恢复负荷为指标，动态调度的结果为静态接入的1.35到1.5倍。原因不复杂：静态方案只能在预配置位置就地供电，如果某个孤岛的负荷高峰期不在MPS附近，MPS容量只能闲置；动态方案则能够"潮汐式"移动——白天去商业区支撑高峰负荷，晚上挪到居民区保障照明和供暖，让有限容量在时间和空间上都得到充分利用。

韧性曲线对比更直观：把横轴设为时间，纵轴设为恢复负荷占比，动态调度方案的曲线在故障阶段下降得比静态接入方案浅，恢复阶段上升得更快，曲线下面积更大，对应系统韧性指标更高。这个结论和SCI原论文的趋势一致，代码能够定性地复现出这个核心结果，说明模型方向基本是对的。

4.3 敏感性分析：MPS数量、容量、移动速度的影响

敏感性分析是复现工作中最有"研究感"的环节。我做了三组主要实验。

MPS数量从2台增加到4台，总恢复负荷量先显著提升，再趋缓。这是因为当MPS数量多于可以形成的有效孤岛数量后，新增MPS开始出现"边际效应"——它的容量不再是被瓶颈限制，而是由于网络连通性限制无法完全发挥。

MPS单台容量从300kWh增加到700kWh，恢复量增长明显，但增长幅度逐步放缓。容量增大意味着单次接入可以支撑更长时间，但受限于MPS额定放电功率和配电网线路容量，超大容量并不能带来等比例的恢复量提升。

移动速度从20km/h增加到50km/h，对早期时段（前6小时）的负荷恢复提升显著，但对总恢复量的影响相对有限。原因是，移动速度提升主要影响MPS到达新孤岛的时间，一旦所有关键孤岛都被服务过之后，速度的边际价值下降。这个结论给实际运营带来的启示是：提升MPS移动速度很重要，但不如增加数量和容量来得实在。

5. 踩坑记录：求解不可行、算不动、结果不对怎么办

5.1 模型求解不可行的排查思路

动态调度模型最常见的报错是"infeasible problem"。但要注意，不可行不代表模型写错了，很多时候是约束之间逻辑冲突。我的排查套路分为五步：

第一步，检查MPS是否"太远"。如果MPS初始位置到任何可恢复孤岛的旅行时间超过总调度时间，那么该MPS永远无法接入任何节点，位置唯一性约束中的sum(x)+move=1就无法实现。解决方法是允许该MPS一直保持移动状态或者忽略这台MPS的接入要求。

第二步，检查功率容量和负荷的匹配。某个孤岛内总负荷超过所有接入MPS的额定功率之和时，负荷恢复变量就会被同步拉高，但供电能力约束会拒绝它。解决办法是给负荷恢复变量加一个"可卸载比例"，或者允许部分恢复（比如负荷变量变为连续变量表示恢复比例）。

第三步，检查SOC递推约束的边界。如果初始SOC放完电都撑不到某个时段，或者移动耗能导致SOC跌到下限以下，都会产生不可行。通常需要放松SOC下限或调大容量。

第四步，检查辐射状约束和孤岛约束的兼容性。这个问题最难查，特别是当根节点选取不当时，辐射状约束会阻止MPS接入节点形成有效孤岛。

第五步，用"松弛法"定位冲突。做法是把约束分成几组，逐组加回模型，直到发现哪一组约束加入后模型变为不可行。这个思路类似于二分查找，非常高效。

5.2 求解时间爆炸怎么办

IEEE 33节点、24时段、3台MPS的算例，直接跑Gurobi，我遇到过2小时算不出最优解的情况。后来做了几个关键改进：

第一个改进是加入对称性破缺约束。如果多台MPS参数完全一致，求解器会不断地在"MPS1去节点A、MPS2去节点B"和"MPS1去节点B、MPS2去节点A"之间切换。可以强制给MPS按容量排序，比如让编号小的MPS初始接在节点编号较小的位置，或者对相同MPS增加类似的排序约束。这一招能让求解时间降低30%以上。

第二个改进是设置一个合理的初始可行解。先用贪婪算法或者让所有MPS"原地不动静态供电"算出一个可行解，作为求解器的MIP start。有可行解引导的MILP求解，分支剪枝效率会高很多，尤其是对目标函数值的上界收敛有很大帮助。

第三个改进是削减约束规模。位置转移约束如果对所有节点对都加，会产生N乘N乘T的约束量级，实际上很多节点对之间距离远、旅行时间超过调度时窗，根本不可能转移，直接把这些组合排除掉，约束数量能减少一半甚至更多。

第四个改进是使用更强的割平面。YALMIP本身会通过export模块输出部分预设的割，但自定义的用户割（比如根据MPS容量上限导出的负荷恢复累加上限）也能显著收紧松弛界。不过割平面的写法对新手不太友好，可以先从前三个改进做起，效果已经足够明显。

5.3 数值尺度问题的处理

这类优化模型经常因为量纲不统一而出现数值问题。典型的表现是：约束残差很大，求解器报"numerical issues"，或者解出的SOC在小数点后飘移。

我的处理经验是统一单位。功率统一用MW表示，能量统一用MWh表示，时间统一用小时表示，距离统一用km表示。如果负荷是kW的，必须先除以1000再进入模型。SOC保持在0到1之间。这样就避免了几个数量级差距带来的数值病态。

大M常数也需要谨慎选取。辐射状约束里的辅助流约束，M取总负荷的2倍即可，不要取一个"很大的数"（比如1e8），那会让线性松弛极度松散，求解器要消耗大量节点才能证明最优性，求解时间会显著变长。

YALMIP求解后建议用check命令检查最大约束残差，如果大于1e-6，优先怀疑是数值尺度问题而不是模型逻辑问题。这个经验帮我节省过大量排查时间。

5.4 Matlab环境与求解器配置的版本坑

Matlab+YALMIP+Gurobi（或CPLEX）的组合，环境配置常常让新手卡住。常见问题包括：YALMIP版本和Matlab版本不兼容、求解器许可文件放置不对、Matlab路径没有添加YALMIP文件夹、Gurobi的Matlab接口需要手动把gurobi的matlab目录添加到路径。

我复现时用的Matlab版本和YALMIP版本相对较新，整体兼容性尚可，如果遇到Undefined function 'optimize'这类报错，99%是YALMIP路径没有配置正确。另外，Gurobi安装后需要手动在Matlab中运行gurobi_setup来完成环境配置，CPLEX则通常需要在安装时勾选Matlab接口选项。

还有个容易被忽视的坑：求解器接口版本必须和YALMIP兼容。比如老版本YALMIP对接新版Gurobi时，可能会出现参数传递类型错误。这类问题在学术交流群非常普遍，排查时先看出错信息里的函数名是否涉及gurobi_mex，如果是，基本就是接口版本不匹配，重新安装对应版本的求解器再试。

5.5 结果合理性自检清单

即使模型求解成功，结果也可能不符合物理直觉。我每次跑完大算例，都会做一轮"合理性自检"，把自己当成审稿人审自己的结果：

• 任意时刻，所有接入的MPS输出功率总和是否不超过各自额定功率之和？
• SOC曲线是否始终在上下限之间？移动时段SOC是否有额外下降？
• 位置变量是否满足唯一性？是否存在同一时段"分身"在多个节点的现象？
• 恢复负荷总量是否超过配电网可承受的最大供电能力？
• 韧性曲线在故障时段是否出现负荷下跌？在恢复阶段是否平滑上升？

如果任何一项检查不通过，先不要急着分析结果，回到模型和代码层面找原因。实际经验告诉我，90%的"结果分析"错误都源于建模或数据设定问题，而不是求解器的问题。

论文复现最终建议与扩展方向

复现SCI论文最忌一上来就埋头抄代码，先把模型逻辑的每一环吃透，再动手，效果会好得多。

我自己的感受是，配电网韧性调度这个方向，MPS动态调度模型确实能跑出很多有意思的结论，但复现论文的真正价值不在于还原某张图，而在于理解"为什么这样建模""为什么得到这样的结论"。

后续扩展可以考虑这几个方向：不确定性场景（故障持续时间和线路断线位置未知）下的鲁棒优化或随机优化；多种移动电源类型（移动储能车、移动柴油发电机、应急充电方舱）的联合调度；交通网络和配电网耦合约束下的联合建模；以及需求响应与MPS调度的协同优化。每一个方向在原论文框架上改起来都比较自然，代码复用率也高，适合作为后续研究课题。

如果你准备做这个方向，建议先从这次复现中顺手整理一个自己顺手的Matlab模板，把模型模块化做得更干净，后面不管换算例、换参数还是扩展模型，都能省下大量时间。等你把这套模板跑熟了，配电网韧性的其他论文复现也会轻松很多。