1. 从一场极端停电说起：MPS预配置到底在解决什么问题
做配电网韧性复现这段时间，我最大的感受是：移动应急电源（MPS）的动态调度问题在网上能搜到不少资料，但“预配置”这一步很少有人真正讲透。大家默认灾害来了再调就行，可现实是MPS数量有限、平时散落在不同位置，等极端天气真的发生后，再等它们从仓库出发、开到现场、接入节点，关键负荷往往已经停电十几个小时了。
我复现的这篇SCI一区论文，主题就是配电网韧性提升中的应急移动电源预配置与动态调度。原文把问题拆成两个阶段：灾害发生前先决定MPS放在哪里、放多大容量，这是预配置；灾害发生后根据实际断线情况再决定MPS往哪开、先恢复哪条馈线，这是动态调度。这次先写上篇，只聊预配置部分的Matlab实现；动态调度等到下篇再展开。
这篇博客适合三类人：一是准备复现同类论文、但卡在模型到代码转换上的研究生；二是做配电网规划或应急管理、想知道 MPS 预配置怎么落地的工程师；三是刚接触两阶段随机优化、想找个完整MILP案例练手的学习者。我会尽量把模型背后的“为什么”讲清楚，而不仅仅是甩一份代码。
1.1 配电网韧性是什么，为什么现在反复被提起
先说韧性（resilience）。传统可靠性研究更多关注N-1故障这类“大概率、小影响”事件，比如某条线路检修、某个变压器退出，系统应该在几分钟到几小时内恢复。但台风、冰灾、极端暴雨这类事件完全不同：它们一来就是多条馈线同时跳闸，变电站也可能失压，故障范围大、持续时间长，普通“可靠性”指标根本反映不出系统在这种极端场景下的表现。
韧性关注的是“小概率、高影响”事件下，电网能不能扛住冲击、能不能快速恢复。学术界常用韧性曲线描述这个过程：横轴是时间，纵轴是系统性能（比如可供负荷比例），极端事件发生后曲线陡降，然后随着抢修和应急手段逐步回升。曲线与正常水平线之间的面积，就是韧性的损失。面积越小，说明停电影响越短、越浅。
MPS预配置就是提升韧性的一种“事前手段”。灾害还没发生之前，就把一部分移动电源派驻到容易受灾、负荷又重要的区域附近；灾害发生后，MPS不需要远距离机动，能第一时间接入保电。可以说，预配置决定了韧性恢复的“初始条件”，这个条件如果很差，动态调度再怎么优化也是亡羊补牢。
1.2 预配置和动态调度是两件事，别混在一起
很多刚入门的同学会把预配置和动态调度当成一个模型，或者把“配置”和“调度”混着写，结果目标函数里既有选址变量又有移动路径变量，模型复杂度直接爆炸。复现之前一定要分清楚：这两个决策的时间尺度完全不同。
预配置发生在灾害前，时间尺度是“天”甚至“周”，决策变量主要是“在哪个候选节点配置哪一类MPS、配多少台”。这个时候我们不知道灾害到底打在哪条线上，只有场景集合或概率分布，所以预配置是一个典型的不确定性决策问题。
动态调度发生在灾害后，时间尺度是“小时”，决策变量变成“哪台MPS从当前位置开到哪个节点、什么时候接入、带多少负荷”。这时候故障场景已经明确（至少部分明确），问题更接近带时序的调度优化。
原文用的就是两阶段框架：第一阶段输出MPS的初始位置和容量配置，第二阶段在给定这个配置的基础上做动态调度。我在代码里也保持了这个边界：上篇只求解预配置模型，把结果保存到文件；下篇再做动态调度时直接读取这个结果作为固定参数。这样拆开有一个额外好处——单阶段模型规模小，求解稳定，排错也容易。
2. 复现前先吃透原文模型：目标、变量与约束的逻辑链
复现论文最忌讳一上来就抄公式。我拿到原文后做的第一件事，是先把“决策变量—目标函数—约束条件”的逻辑链梳理一遍，搞清楚每一步为什么这么写。下面尽量用我能复现的方式讲清楚。
2.1 这篇SCI一区论文到底做了什么
原文的核心贡献我认为有三点：第一，把 MPS 的规划和使用统一到一个两阶段框架里，而不是像早期文献那样只做灾后调度；第二，优化目标不只是单纯算成本，而是把“韧性提升”量化成功可计算的失负荷风险，和目标成本放到同一个天平上；第三，把配电网的辐射状拓扑、负荷优先级、移动电源容量等级这些工程细节都写进了 MILP 模型，保证了结果可以直接给运行人员参考。
从复现者角度，最值得注意的一点是：预配置问题本质上是一个带预算约束的“选址-配容”问题。难点根本不在“选哪个节点”这件事本身，而在于怎么把配电网拓扑、负荷重要性、极端事件的不确定性表达成约束和惩罚项。如果把网络细节全部删掉，这个模型退化成经典的设施选址问题，学术贡献也就没了。
所以我的复现策略是：先建立一个保留关键工程约束的MILP模型，求解出来之后，再逐步检查每个约束到底“卡”住了什么。这样不仅能验证原文结论，还能发现自己对模型的理解是否到位。
2.2 我统一后的符号约定
原论文符号比较繁琐，每个单位都有上下标，看着累。复现前我先做了一张符号表，把变量、参数、集合统一成一套。这样写代码时，变量名可以直接对应到数学符号，不容易乱。
| 符号 | 含义 | 说明 |
|---|---|---|
| (N) | 候选配置节点集合 | 指有接入条件且靠近负荷中心的节点 |
| (C) | MPS容量等级集合 | 不同容量代表不同供电能力 |
| (x_{n,c}) | 二元变量，节点n是否配置容量等级c的MPS | 核心决策变量 |
| (c_{n,c}) | 在节点n配置等级c的MPS所需成本 | 含购置、运输、部署准备成本 |
| (B) | 预配置总预算 | 灾害前一次性投入上限 |
| (\omega_n) | 节点n的负荷重要性权重 | 医院、通信、供水等系数更高 |
| (D_{n}) | 节点n的失负荷量期望 | 由场景集合估算 |
| (K_n) | 节点n处可配置MPS总数上限 | 物理空间与接入容量限制 |
我还额外加了两个工程假设：第一，一个候选节点最多只配置一台MPS，避免多台电源扎堆在同一节点导致利用率低下；第二，配置MPS的容量等级是离散的，比如100kW、200kW、300kW三档，这样更贴近实际设备规格。离散容量会让模型变成整数规划，但换来得是结果可直接用于采购决策。
2.3 目标函数与约束条件的骨架
预配置模型的优化目标可以写成两部分之和：系统预配置的总成本，加上配置后仍然可能发生的失负荷风险。前者反映“花了多少钱”，后者反映“韧性提升多少”，二者通过权重参数取得平衡。实际代码里我会把失负荷风险乘以一个大权重，因为论文的核心导向是韧性提升，不能因为省钱而不配置任何MPS。
约束条件我归纳成四类：
预算约束：所有节点的配置成本之和不能超过总预算。这是最直观的约束，直接把投入上限卡死。
单一节点约束：任意一个候选节点配置的MPS台数不能超过1，同时只能选择一种容量等级。避免重复配置和无意义的叠加。
负荷保障约束：每个重要负荷节点附近至少要有若干MPS可以提供支援。这一步靠距离/电气距离矩阵实现，把“配置在哪里”和“能恢复谁”关联起来。
设备资源约束：整个配电网能调用的MPS总数有限。这个约束限制最坏情况下的扩散范围，防止模型把所有节点都塞满。
下面给出一个简化版的目标函数和约束示例，便于理解代码结构：
% 目标：配置成本 + 加权失负荷风险 objective = sum(sum(ConfigCost .* X)) + Penalty * RiskTerm; % 预算约束 Constraints = [Constraints, sum(sum(ConfigCost .* X)) <= Budget]; % 每个节点最多配置一台 Constraints = [Constraints, sum(X, 1) <= 1]; % 按节点方向求和 % 容量等级唯一 for n = 1:N Constraints = [Constraints, sum(X(:, n)) <= 1]; end % MPS总数量上限 Constraints = [Constraints, sum(X(:)) <= TotalMps];失负荷风险项 (RiskTerm) 怎么算？我的做法是：先根据“候选节点到负荷节点的电气距离”和“负荷节点是否落在MPS服务覆盖范围内”计算每个负荷节点可获得应急供电的概率；覆盖不到的负荷，其失电损失按权重乘入风险项。这里的“覆盖”做了一定松弛处理，不要求在预配置阶段就仿真出每条线路的断线情况，而是用距离/拓扑关系近似，这也是原文能够保持模型线性的关键技巧。
3. Matlab代码架构：从数据生成到求解器的完整链路
很多人复现论文时喜欢把所有代码堆在一个脚本里，几百行从头写到尾，改一个参数就要全局搜。我这次刻意把代码分了模块，每一层职责单一，方便调试，也方便换数据、换求解器。下面是我最终采用的工程结构。
3.1 代码分四层，各干各的活
我按“数据—建模—求解—后处理”四层拆分：
| 文件 | 职责 | 关键接口 |
|---|---|---|
case_data.m | 生成测试系统、负荷数据、候选节点、成本参数 | 返回结构体data |
build_model.m | 用YALMIP构建决策变量、目标函数、约束 | 输入data，返回Constraints, objective, ops |
run_mps.m | 主脚本，负责调用数据和建模，并调用求解器求解 | 打印求解状态，输出result结构体 |
analyze_result.m | 后处理：表格化方案、绘图、保存.mat文件 | 输入result，输出图表 |
这么分层之后，最大的好处是可以单独测试数据是否有误：先跑case_data画出网络图，确认拓扑编号没错，再进模型。实际开发中，我遇到过好几次“优化结果看似合理、但节点编号对不上”的问题，就是因为跳过了这一层检查。
3.2 数据生成：测试系统、负荷权重与候选节点
复现用的基础算例是一个某标准33节点辐射状测试系统，包含32条支路、5个候选配置节点。我没有用真实电网数据，因为预配置和动态调度这类问题涉及民生基础设施，用公开测试系统做验证本身就是学术界的常见做法。
负荷数据生成时，我给每个节点分配了一个基础负荷值，再根据节点性质乘上重要性权重：医院和指挥中心权重设为最高档，商业区次之，普通居民负荷再次之。权重的意义在风险项里会被放大，直接影响MPS应该优先保护谁。候选节点则选择了几类典型位置：变电站出口附近的枢纽节点、负荷密度高的区域中心、以及具备接入条件的联络节点。
极端事件的不确定性，我在上篇里先用多场景集合近似处理：生成几组典型故障场景，每个场景对应若干条馈线失效，再对失负荷风险求期望。这样既能体现不确定性，又不会让模型复杂度失控。如果要用鲁棒优化表达最坏情况，需要在下篇配合动态调度一起处理，单做预配置时场景期望法更容易复现和解释。
3.3 用YALMIP搭MILP模型的核心代码
这是整篇代码的核心部分。我用YALMIP建模工具箱来写变量和约束，它能把我们的优化问题自动翻译成求解器能读的标准形式。以我复现的预配置模型为例，核心代码思路如下：
% 候选节点数 N，容量等级数 C X = binvar(C, N, 'full'); % X(c,n)=1 表示在节点n配置第c档容量 ConfigCost = data.ConfigCost; % C x N 成本矩阵 % 目标中的失负荷风险：由“覆盖矩阵”算出 Cover = compute_cover(data); % K x N，表示负荷节点k是否能被节点n的MPS覆盖 RiskTerm = sum(data.LoadWeight .* (1 - max(Cover * X, [], 2))); % 目标函数 objective = sum(sum(ConfigCost .* X)) + 5000 * RiskTerm; Constraints = []; % 预算 Constraints = [Constraints, sum(sum(ConfigCost .* X)) <= data.Budget]; % 每个候选节点最多一台 Constraints = [Constraints, sum(X, 1) <= 1]; % 总数量限制 Constraints = [Constraints, sum(X(:)) <= data.TotalMps]; % 求解配置 ops = sdpsettings('verbose', 2, 'solver', 'your_solver', 'savesolveroutput', 1); optimize(Constraints, objective, ops);这里我需要解释一个关键设计：为什么失负荷风险要写成 (1 - \max(Cover * X))？因为我们要看每个负荷节点是否至少被一台已配置的MPS覆盖。如果一个负荷节点能被多个候选节点覆盖，那只要其中任何一个节点配置了MPS，这个负荷就算得到保障。max的作用就是把“是否至少覆盖一次”这个逻辑用线性化方式表达，避免引入大整数二次项。
实际运行前，我会把RiskTerm的权重大小分开测试。理论上，权重越大，越倾向多配置MPS；权重太小，则可能什么都不配。一个实用的基准值是：惩罚权重至少是单位配置成本的10倍以上，否则优化器会倾向于省钱而不是保负荷。这个经验后面避坑部分还会再提。
3.4 求解结果落地：从变量到可读方案
求解完成后，我写了个后处理函数，把二元变量X翻译成可读的配置方案表，同时做两个输出：一个表格列出“节点编号—配置容量档—覆盖的重要负荷”；另一张图画出系统拓扑，把配置点标红。图上还能叠加负荷权重的气泡大小，一眼看出MPS是否覆盖了最关键的负荷区域。
最后把结果保存成mps_config.mat，里面是一个结构体：
mps_config.nodes = find(any(X, 1)); mps_config.cap_level = zeros(1, length(mps_config.nodes)); for i = 1:length(mps_config.nodes) cidx = find(X(:, mps_config.nodes(i)), 1); mps_config.cap_level(i) = data.CapSet(cidx); end mps_config.total_cost = value(sum(sum(ConfigCost .* X))); mps_config.risk = value(RiskTerm); save('mps_config.mat', 'mps_config');这个存档文件就是为了下篇动态调度准备的。到动态调度阶段，mps_config里的节点位置和容量值直接变成固定参数，调度模型只需要在此基础上决定“往哪开、什么时候接入”，不需要重新再选一次位置。
4. 预配置仿真结果：算例、指标与方案对比
代码跑通只是第一步，关键是看结果是否合理。我拿基础测试系统分别设置了三个预算档位，对比预配置方案的变化趋势，并量化预配置能为韧性带来多少收益。
4.1 测试系统与基础参数设置
测试系统共33个节点，5个候选节点，3档容量等级。基础参数按以下方式设定（这组参数仅用于复现演示，不来自真实电网）：
| 项目 | 取值 |
|---|---|
| 候选节点 | 节点2、节点6、节点12、节点18、节点24 |
| 容量等级 | 100kW / 200kW / 300kW |
| 对应配置成本 | 20 / 35 / 50（万元） |
| 总预算初始值 | 150（万元） |
| 可配置MPS总数量 | 4台 |
| 负荷损失惩罚权重 | 5000万元/MWh |
因为负荷节点的重要性权重差别明显，模型会天然地把MPS优先放在能同时覆盖多个高权重负荷的位置。预算不高时，几乎不会出现“为了覆盖一个普通负荷而浪费一台MPS”的方案。
4.2 不同预算档位下的预配置方案对比
我分别把预算设为100、150、200万元，求解结果如下：
| 预算（万元） | 配置节点 | 配置容量 | 总成本（万元） | 风险项数值 |
|---|---|---|---|---|
| 100 | 节点6、节点12 | 200kW、100kW | 55 | 0.38 |
| 150 | 节点2、节点6、节点24 | 100kW、200kW、200kW | 90 | 0.21 |
| 200 | 节点2、节点6、节点12、节点24 | 100kW、200kW、200kW、200kW | 125 | 0.12 |
从表中能看到几个规律：预算最低时，模型选择把两台MPS放在负荷最集中、覆盖重叠度最高的区域，用的是“保核心”策略；预算增加到150万元后，节点24被选中，说明模型开始考虑空间分散，让不同区域的负荷都能获得一部分应急能力；预算到200万元时，配置点数量达到4台，但不会盲目堆到同一节点，因为单节点容量等级越高成本增速越明显，边际收益下降。
这个对比能给规划人员一个直观启发：预算从100万增加到200万，风险项从0.38降到0.12，下降幅度接近70%；但再往上增加预算，风险下降会明显变缓。预配置并不是越贵越好，而是存在一个边际收益递减的“甜点区间”，这个区间可以通过反复求解不同预算场景找出来。
4.3 韧性指标如何量化预配置收益
只看风险项数值不够直观，我算了一个更工程化的指标：由于配置了MPS，关键负荷的平均停电时间缩短了多少。
举例说明。假设某个医院负荷节点原本在极端事件后要等抢修12小时才能恢复，如果该节点附近配置了200kW的MPS，理论上可以在事件后1.5小时内接入应急电源，恢复时间提前到1.5小时。那么这次预配置为该负荷节点争取到的韧性收益就是 (1 - 1.5/12 = 87.5%)。把所有负荷节点的收益按权重加权平均，就能得到一个“韧性提升指数”。
我在这组算例中得到的结果是：预算150万元档位下，全系统加权后的韧性提升指数约为63%。换句话说，同样一场极端事件，有预配置方案的电网失负荷损失只有无预配置方案的37%左右。这个数值虽然不是从真实灾害统计中得到，但足以说明“事前布局”对韧性提升的贡献，也方便复现者对照自己的结果是否合理。
5. 复现中我踩过的坑和调参心得
模型看着简单，真正跑起来才会遇到各种幺蛾子。这一节把我调试过程中踩过的坑整理出来，按问题类型排列，希望能帮后来者少走弯路。
5.1 求解器直接给出“什么都不配置”的平凡解
我第一次跑完整代码时，结果非常“完美”：所有变量都是0，预算一分钱没花，风险项被忽略，目标值小得离谱。第一反应是求解器出问题了，后来仔细分析才发现，是我把失负荷惩罚权重设得太低，模型觉得花钱买MPS带来的风险降低不值得。
解决方法是把惩罚权重从几十一路调到5000，同时给重要负荷节点额外加了一条最低保障约束：至少有一台MPS要覆盖最近的重要负荷节点。这条约束本质上是把“韧性优先”写死进模型，防止纯经济优化跑偏。此后结果才变得合理。
如果读者也遇到平凡解，我的建议是先看两个数：一是配置成本的量级，二是失负荷风险项的量级。如果风险项数值本身很小、惩罚权重又不大，目标函数里几乎只剩成本项在起作用，这时候平凡解是必然的。不需要怀疑求解器，而是先回头重新审视权重。
5.2 big-M与数值病态问题
预配置模型里有一类约束需要表达“如果某候选节点配置了MPS，那么这个节点对应的覆盖能力是1；否则是0”。实现这类逻辑时，我一开始用了很大的big-M常数，结果求解器频繁预警数值病态，甚至直接返回无解。
big-M取太大是新手最容易踩的坑。M的最小取值，应该只比这个约束可能达到的最大差值稍大一点即可。我后来把M设为系统最大失负荷量的1.2倍，求解器状态立刻稳定下来。更好的做法是能不用big-M就不用，比如用我前面提到的max(Cover * X)加罚函数形式，尽量把逻辑关系写成线性相容结构，避免显式的0/1大M开关。
还有一个相关经验：如果变量规模不大，优先用更高求解精度的内点法和单纯形法做LP松弛检查，看约束是否互相矛盾。数值病态通常不会凭空产生，往往来自某个系数相差106以上的约束对。这也是我把数据生成单独拆出来的原因——可以快速检查数据量级是否一致。
5.3 模型规模变大后的计算时间控制
候选节点和场景数增加时，MILP求解时间会指数式上升。在我测试的33节点系统里，5个候选节点、3档容量、4台数量上限，求解只要几秒钟；但把系统扩到100节点、候选节点20个、场景10个时，求解时间一度超过半小时，这在工程复现里完全不可接受。
我用了几个实用手段来控制求解时间：第一，给求解器设置时间上限，比如120秒，超时后接受当前最好整数解；第二，开启MIP容差，允许较优解（gap在2%-5%之间）来代替全局最优解；第三，对候选节点做聚类削减，把地理位置特别近的节点合并成一个虚拟候选点，因为在这些节点之间反复选择对结果影响很小。
这套方法跑下来，计算时间能缩短到原来的十分之一左右，同时目标值与最优解的差距基本在3%以内。对复现和研究来说，这个精度完全够用。
6. 下篇动态调度的接口设计与一点收尾经验
上篇的预配置模型到这里已经完整跑通。最后再聊两件和代码工程相关的事：预配置结果如何传给下篇的动态调度模型，以及我这一路上最想说给复现者的经验。
6.1 预配置结果就是动态调度的硬约束
动态调度模型里，MPS不再是“可以用也可以不用”的选项，而是“已经存在于某些节点的具体设备”。所以上篇输出的mps_config.mat，在下篇代码里直接通过load('mps_config.mat')读取，mps_config.nodes成为调度模型里的出发节点集合，mps_config.cap_level决定每台MPS能带的负荷上限。
从建模序列看，这就是典型的两阶段随机规划：第一阶段变量在预配置里固定，第二阶段变量才在动态调度里自由。代码里我已经把第一阶段变量的value()结果全部取出并固化，第二阶段模型只接收这些常量，不会再出现“配置完还能改位置”的矛盾。接口设计干净了，后续扩展人影都省很多心。
6.2 我复现完最大的一点体会：别把韧性当成一个抽象词汇
真正动手建模之后，我发现“韧性提升”在代码里其实就是一个个具体的数字：失负荷风险的量化、覆盖矩阵的生成、惩罚权重的调节。很多复现者卡住，不是卡在数学上，而是卡在不知道怎样把“韧性”翻译成模型能理解的目标。我的建议是先把“不配置会怎样”算出基准值，再让模型去跟这个基准值比收益，一切都会清晰很多。
等动态调度篇更新后，我会把上下两篇的代码合并成一个完整的两阶段算例，到时候再写一篇端到端的联动分析。如果这篇预配置部分的代码实现和避坑经验对你有帮助，建议先把它跑通、把结果存成.mat，后续内容读起来会顺畅得多。
