配电网韧性这个话题近几年在电力系统方向的热度一直居高不下。特别是台风、暴雨这些极端天气越来越频繁之后业内对“电网扛得住、恢复得快”这个能力维度的关注已经从学术圈扩散到了实际工程规划。我自己在前段时间复现了一套基于IEEE33节点系统的移动储能预布局与动态调度策略跑通了Matlab代码全流程今天把整个项目的思路、建模细节、代码结构和踩坑记录都整理出来给正在做相关方向或者准备入门韧性优化这个领域的读者一个完整参考。1. 项目概述与核心问题拆解1.1 配电网韧性是什么为什么现在大家都在研究它传统配电网规划更多关注可靠性——也就是应对N-1故障这类常规扰动。但韧性resilience这个概念针对的是小概率、高影响的极端事件台风刮倒杆塔、暴雨淹没配电房、冰雪压断导线。这类事件的特点是故障范围大、持续时间长、修复难度高传统可靠性指标在设计时就覆盖不到。我在实际项目里对韧性的理解是三个维度一是灾前能不能提前准备二是灾中能不能维持关键负荷供电三是灾后能不能快速恢复。移动储能Mobile Energy Storage简称MES恰恰在这三个维度都有用武之地。它的核心优势是位置灵活灾前可以预置到高风险区域附近灾中可以根据实际故障情况动态调整接入点优先保障医院、通信基站、应急指挥中心这些关键负荷。1.2 为什么选移动储能固定储能不行吗这是我在做方案比选时反复纠结过的问题。固定储能安装在节点上就动不了应对位置确定的负荷增长或者峰谷调节没问题但面对极端灾害时有一个致命短板你很难提前知道故障会发生在哪里。如果储能装在了没有受灾的区域它就帮不上忙了。移动储能交付周期短、投资门槛低而且具备跨区域支援的能力。在配电网韧性提升场景下它的价值可以拆成两块故障前预布局根据气象预报和灾害预测信息在灾害来临前把移动储能部署到高风险配电台区附近的关键节点形成“待命”状态。故障中动态调度灾害发生后配电网拓扑结构可能已经改变移动储能可以根据实时的故障隔离和负荷转供方案开到新的位置并接入实现动态支撑。这就像城市应急体系里的消防站固定消防站负责日常覆盖但大型灾害时会有临时救援点前移。移动储能做的事情本质上就是电力系统的“临时救援点”。1.3 IEEE33节点系统在这个项目里扮演的角色IEEE33节点系统是配电网研究领域的标准测试算例10kV辐射状网络33个节点、32条支路总负荷大约3.715MW 2.3Mvar基准电压12.66kV。它在文献里的地位基本上相当于自然语言处理里的IMDB数据集、图像识别里的CIFAR-10。选它做算例有几个现实考虑第一规模适中33个节点既不会因为规模太小缺乏说服力也不会像实际城市配电网那样动辄上千个节点导致计算时间失控第二它是一个真正的辐射状网络具备配电网的典型特征同时有5条联络开关可以构成环路方便模拟故障后的网络重构第三所有标准数据都是公开的支路参数、节点负荷都直接可用复现起来不用到处找数据。在这个项目里我会在IEEE33节点上模拟极端灾害场景——比如多个支路同时故障退出运行然后验证移动储能预布局和动态调度策略的效果评价指标是系统在故障期间的负荷削减量、关键负荷保障率和电压水平。2. 整体方案设计与两阶段优化逻辑2.1 两阶段框架灾前预布局灾中动态调度整个策略的核心是两阶段优化框架。为什么要拆成两阶段而不是一次性把所有决策都做了这里面的关键原因是信息结构的问题。极端灾害场景下决策者面对的信息是分阶段揭示的。灾前阶段你能拿到的是气象预报、灾害强度预测、可能的故障区域概率分布这些都是不确定信息。灾中阶段实际的故障线路、故障时间、修复时长会逐步明确。如果你在灾前就把所有事情都定死那必然无法应对实际情况的偏差如果你等故障全部清楚了再决策那移动储能从出发到接入是需要时间的应急响应会严重滞后。所以标准的做法是第一阶段预布局在灾害预报信息的基础上以最小化期望负荷削减为目标决策移动储能在哪些候选节点预先停靠、每个停靠点分配多大容量。这一阶段的约束包括移动储能总数量、总容量、单点最大接入容量以及预布局点的交通可达性约束。第二阶段动态调度以预布局位置为初始状态在故障场景实际发生后逐时段决策移动储能的移动路径、并网节点、充放电功率。目标是最小化整个故障周期内的总负荷削减和运行成本。两阶段之间通过“预布局位置”这个变量耦合在一起——第一阶段决定了第二阶段的初始条件和可用的移动储能分布第二阶段的运行结果反过来验证第一阶段的方案是否合理。2.2 为什么用两阶段随机优化而不是确定性优化一开始可能有人会想既然最终目标是最小化负荷削减那直接把不确定性考虑进去一起优化不就行了理论上是可行的比如随机规划里常用的场景法生成几十上百个灾害场景一次性求解一个大规模混合整数规划问题。但实际做起来你会发现两个现实问题。第一个是计算复杂度。移动储能调度问题本身包含了储能荷电状态SOC的时间耦合约束、移动路径的整数变量、潮流方程的线性化约束如果再加上几十个场景变量规模和求解时间会呈现几何级数增长。在IEEE33节点上可能还能勉强跑下来但工程场景下网络规模更大、场景更复杂很难在可接受的时间内得到可行解。第二个是工程可解释性。电力调度运行人员在实践中更习惯“分阶段决策、逐步细化”的模式。极端天气来临前他们需要的是清晰的预布局指令——哪台移动储能车去哪里、什么时候出发灾情发生后他们需要根据实际故障清单做动态调整。两阶段框架和实际应急流程是对齐的。所以两阶段优化不是一个理论上的妥协而是工程实践的合理抽象。我在代码里实现了基于场景法的两阶段随机优化同时保留了一个确定性优化模式作为对照实验。2.3 目标函数的构成与建模思路目标函数的设计直接决定了策略的行为倾向。我在这个项目里把目标函数设置为主目标是故障期间所有节点、所有时段的负荷削减量最小化从目标是移动储能的运行调度成本包括充放电损耗成本、移动成本注意这里我把负荷削减量放在主导地位运行成本作为次要优化项。为什么因为这个场景下供电保障的社会效益远高于储能自身的运行成本。这个优先级关系要清晰否则算法可能在“节省储能损耗”和“多供一点电”之间做出错误的折中。关于负荷的优先级工程上一般会将负荷分为一级负荷医院、应急指挥、通信、二级负荷商业、重要工业、三级负荷普通居民、一般工业。我在代码里给每个节点的负荷配置了权重系数一级负荷的权重远高于普通负荷。这样优化结果会让移动储能优先保障关键负荷的用电需求也更贴合实际应急响应的逻辑。2.4 预布局与动态调度的约束条件体系约束条件是这个项目建模的核心难点。我按照物理逻辑把约束分成了四组潮流约束组。采用DistFlow支路潮流方程。对于辐射状配电网DistFlow方程比传统牛拉法潮流更适合嵌入优化模型因为它可以直接转化为线性化形式避免非线性求解的困难。标准形式是P_ij表示支路ij从节点i流向节点j的有功功率Q_ij对应无功V_i是节点i的电压幅值r_ij和x_ij是支路阻抗我在代码里做了进一步的简化处理忽略支路损耗的高阶项采用线性化DistFlow方程。这样整个问题变成了混合整数线性规划MILP求解稳定性大幅提升。储能运行约束组。包括SOC动态转移方程、充放电功率上下限约束、充放电状态互斥约束不能同时充和放。其中SOC方程是SOC(t1) SOC(t) P_ch(t)·η_ch·Δt - P_dis(t)/η_dis·Δtη_ch和η_dis分别是充放电效率一般在90%~95%之间。在移动储能场景下还有接入节点状态与充放电状态的一致性约束——储能只有到达并接入某个节点才能在该节点进行充放电操作。移动路径约束组。移动储能从一个预布局节点调度到另一个节点需要时间这个时间由移动速度和道路距离决定。我在简化模型里假设移动时间矩阵是预定义的即任意两个节点之间的移动时间已知。一个完整调度方案必须满足时间可行性如果储能车在t时刻从节点i出发到节点j它只能在t travel_time(i,j)之后的时段在节点j接入。网络运行安全约束组。包括节点电压上下限约束、支路电流/功率容量约束、故障线路状态约束。这部分约束保证了即使用了移动储能网络本身的运行安全也不能被突破。2.5 场景生成与不确定性建模极端灾害场景是建模的另一个重点。我把故障场景抽象为多个线路同时开断的组合。为了模拟灾害的不确定性在代码里提供了两种场景生成方式确定性场景人为指定哪些线路在哪些时段故障退出。这种方式适合复现论文里的具体算例方便对照。随机场景基于线路故障概率进行蒙特卡洛采样生成一组故障场景集合。每个场景包含故障线路、故障起始时间、修复时间等信息。在随机场景模式下目标函数是所有场景下负荷削减量的期望值最小化。这个处理方式直接对应了随机规划里的经典范式。代码里我允许用户通过参数控制场景数量建议在10~50个之间。场景太多计算时间会明显增加太少则无法体现随机性差异。3. Matlab代码实现与核心模块解析3.1 代码整体架构设计整个项目用Matlab编写核心建模基于Yalmip工具箱求解器使用Cplex或Gurobi。选择这个技术栈的原因很直接Yalmip的建模语言贴近数学表达式代码可读性好方便后续修改约束条件Cplex和Gurobi是目前MILP求解能力最强的商业求解器之一在配电网优化调度这个领域基本是标准配置。代码的文件结构如下├── main.m % 主程序入口 ├── case33.m % IEEE33节点系统数据 ├── load_forecast.m % 各节点负荷数据与时变曲线 ├── mes_config.m % 移动储能参数配置 ├── scenario_generator.m % 灾害场景生成模块 ├── optimize_two_stage.m % 两阶段优化主函数 ├── stage1_preposition.m % 第一阶段预布局优化 ├── stage2_dynamic_dispatch.m % 第二阶段动态调度优化 ├── solve_milp.m % MILP求解统一接口 └── plot_results.m % 结果可视化模块主程序main.m的运行流程是把整个测试过程的逻辑串起来%% 1. 加载系统数据 mpc case33(); [bus_data, branch_data] extract_network_data(mpc); %% 2. 生成故障场景确定性或随机 scenarios scenario_generator(branch_data, mode, deterministic, fault_lines, [12; 22; 25]); %% 3. 两阶段优化求解 [result_pre, result_dispatch] optimize_two_stage(bus_data, branch_data, scenarios, mes_config()); %% 4. 结果可视化与分析 plot_results(result_pre, result_dispatch, bus_data, branch_data);3.2 IEEE33节点数据加载与预处理IEEE33节点系统的数据在整个项目里是最基础、也是最不能出错的部分。我在case33.m里把标准数据整理成了结构化数组方便后续调用。标准参数包括基准值基准电压12.66kV基准功率10MVA基准阻抗约16Ω。支路数据每条支路的起点、终点、电阻RΩ、电抗XΩ共32条支路。负荷数据每个节点的有功功率kW和无功功率kVar总负荷约3715kW 2300kVar。联络开关5条常开联络开关支路编号8-21、9-15、12-22、18-33、25-29正常情况下不参与供电。在预处理环节我会把有名值转换为标幺值因为优化模型里的约束条件在标幺值体系下数值更平衡求解器收敛性更好。标幺转换的公式很简单Z_pu Z_actual / Z_base其中Z_base V_base² / S_base 12.66² / 10 16.03ΩI_pu I_actual / I_baseP_pu P_actual / S_base这里有个实操中容易忽略的点节点电压基准值一定要用线电压还是相电压保持一致。很多初学者在标幺转换时把基准功率和基准电压用混了导致潮流结果完全失真。我建议统一采用线电压和三相功率作为基准这样功率和电压的标幺值转换最直观。3.3 预布局阶段建模要点第一阶段预布局阶段的核心决策是移动储能车应该预先停靠在哪里。在这个模型里我假设共有M台移动储能每台储能车的额定容量和额定功率相同实际项目中也可以设置不同代码支持。第一阶段优化的代码核心是构建预布局决策变量% 预布局决策变量x_pre(m, n)表示第m台移动储能是否预布局在节点n x_pre binvar(M, N, full); % 每个候选节点最多接入一台移动储能 Constraints [Constraints, sum(x_pre, 1) 1]; % 所有移动储能都必须有预布局位置 Constraints [Constraints, sum(x_pre, 2) 1];这里需要注意节点集合N的选择。不是说每个节点都可以作为预布局位置在代码里我用一个候选节点集来控制比如选择中压线路的关键分段点、双电源供电的重要用户接入点、交通便利的区域。这样做有两个好处一是减少整数变量的数量降低求解难度二是让结果更贴近工程实际现实世界里移动储能车不可能停到每一根电杆下面。预布局阶段还要考虑一个关键约束预布局方案要能应对后续接入的电力需求。如果某个预布局节点在故障后本身处于失电状态移动储能依然可以接入该节点为下游负荷供电因为储能车本身就是电源。但要保证该节点与主网的其他带电区域之间有物理上可操作的距离这是通过移动时间矩阵来约束的。3.4 动态调度阶段建模要点第二阶段第二阶段是整个项目中最复杂、也是最能体现策略水平的部分。动态调度不仅要决策每台移动储能每个时段在哪个节点还要决策它的充放电功率。核心决策变量包括% y(m, n, t)第m台移动储能在时刻t是否接入节点n y binvar(M, N, T, full); % p_discharge(m, n, t)第m台移动储能在时刻t在节点n的放电功率 p_discharge sdpvar(M, N, T, full); % p_charge(m, n, t)第m台移动储能在时刻t在节点n的充电功率 p_charge sdpvar(M, N, T, full); % soc(m, t)第m台移动储能在时刻t的荷电状态 soc sdpvar(M, T1, full);这里的核心约束有三个第一个是接入节点的唯一性约束。同一时刻一台移动储能只能接入一个节点。这个约束用一行Yalmip代码就能表达但它是保证模型物理可行性的前提。第二个是SOC的连续性和移动逻辑一致性约束。移动储能从节点i移动到节点j需要消耗旅行时间。这段时间内储能既不能充电也不能放电。代码中的处理方式是如果一台储能车在t时刻接入i节点在ttravel_time(i,j)时刻接入j节点那么在中间的时段它的接入状态为0充放电功率也为0。这个逻辑用约束条件表达时稍微绕一些但保证了调度方案的时间可行性。第三个是故障约束与拓扑约束的耦合。故障线路在故障时段内不能作为潮流通路。在代码里我会生成故障时段内的网络拓扑矩阵在求解潮流约束时将故障支路从关联矩阵中删掉。当故障被修复后拓扑矩阵恢复网络可以恢复原有供电路径。3.5 目标函数与求解器配置第二阶段的目标函数包括负荷削减惩罚和运行成本两部分。我用权重系数将负荷分层% 节点n在时段t的有功负荷削减量 load_shedding sdpvar(N, T, full); objective sum(w_load * load_shedding, all) 0.01 * sum(p_discharge p_charge, all);w_load是节点负荷权重向量一级负荷权重设为100二级负荷设为10三级负荷设为1。这样优化结果会自动优先保证关键负荷的供电。移动储能的充放电损耗按很小的权重系数计入目标函数避免了模型出现“无成本地随意充放电”的病态解。求解器配置上我统一封装在solve_milp.m里。使用Cplex时直接调用options sdpsettings(solver, cplex, verbose, 2, dualize, 0); sol optimize(Constraints, objective, options);如果系统里安装了Gurobi也可以把solver改成gurobi调用。两个求解器在工程应用里都是主流选择求解MILP的能力在伯仲之间。我个人习惯用Cplex多一些因为它的日志输出更直观便于排查问题。3.6 结果输出与可视化结果可视化是论文中必不可少的部分同时也是验证代码正确性的重要手段。我的plot_results.m模块会输出以下几组关键图表系统拓扑图在IEEE33节点拓扑图上标注预布局的移动储能位置和动态调度的移动轨迹故障线路用红色标记。负荷削减时序曲线分场景展示系统总负荷削减量随时间的变化曲线以及各个节点的削减情况。关键节点电压曲线展示故障期间关键节点的电压水平验证移动储能接入后的电压支撑效果。移动储能SOC时序曲线展示每台储能车的荷电状态变化过程验证充放电策略没有违反SOC上下限约束。对比柱状图对比无移动储能、仅预布局不动态调度、预布局动态调度三种模式下的总负荷削减量。这些图表在复现论文数据时基本可以直接作为仿真结果图使用。4. 实操过程与运行步骤4.1 运行环境与依赖工具箱我在本地跑通这套代码的环境是MATLAB R2023bYalmip工具箱R20230623版本Cplex 12.10或Gurobi 10.0任选其一关于Matlab版本我在R2020b到R2023b上都测试过没有发现兼容性问题。Yalmip的安装非常简单把解压后的文件夹添加到Matlab路径即可addpath(genpath(D:\yalmip)); savepath;Cplex或者Gurobi的安装相对繁琐一些。以Gurobi为例安装完成后需要在Matlab里运行addpath(C:\gurobi1001\win64\matlab); gurobi_setup();安装完成后在Matlab命令行输入yalmiptest能看到所有已检测到的求解器状态。如果显示Cplex或Gurobi为“found”状态就可以正常使用了。如果说找不到求解器大概率是环境变量或路径没配对。4.2 运行主程序的标准流程运行整个项目的操作非常简单因为所有逻辑都封装在了main.m里。在Matlab命令行直接执行 main第一次运行建议把scenario_generator的mode参数设置为deterministic并且指定一个比较简单的故障场景比如只有两条线路同时故障。这样求解很快方便先验证流程是否能跑通。跑通后再切换成多个场景的随机模式。执行过程会输出Yalmip的建模日志和求解器的求解日志。关注几个关键指标求解状态problem是否等于0非0表示存在不可行或数值问题。MIP Gap混合整数规划的相对间隙一般低于1%即可认为收敛。求解时间通常在几秒到几分钟之间如果超过10分钟不收敛建议增加MIP Gap的容忍度或者减少故障场景数。4.3 参数配置与场景调整移动储能的参数配置集中在mes_config.m中用户可以直接修改参数值来适配自己的研究场景。%% 移动储能参数设置 mes struct(); mes.num 3; % 移动储能台数 mes.capacity 500; % 单台容量 kWh mes.rated_power 100; % 额定功率 kW mes.initial_soc 0.5; % 初始SOC mes.soc_min 0.1; % SOC下限 mes.soc_max 0.9; % SOC上限 mes.charge_eff 0.95; % 充电效率 mes.discharge_eff 0.95; % 放电效率 mes.travel_time_matrix []; % 节点间移动时间矩阵留空则按欧式距离估算值得留意的是initial_soc的设置。在预布局阶段移动储能到达预布局位置时SOC应该保持在一个合理的水平不建议设置为满电状态因为储能电池的自放电率虽然低但不是零而且实际中从驻地出发前也不可能精确充到100%。我建议初始SOC设在0.8~0.9之间留出一定的浮充余量。故障场景的调整在scenario_generator.m中。确定性模式下的故障线路、故障时段、修复时长都是直接指定的。随机模式下则需要设置故障概率向量每条线路对应一个故障概率值。实际使用中这些概率值通常来自气象预警信息和线路历史故障数据的统计分析。4.4 灵敏度分析与对比实验设计一套完整的代码支撑不仅要有主程序能跑出结果还需要支持多种对比实验。我在项目代码里预留了几种对比方案对照实验1无移动储能基准场景。把mes.num设为0直接求解故障场景下的负荷削减量。这是衡量移动储能价值的基线。对照实验2固定储能场景。在预布局阶段把储能位置固定为某几个节点动态调度阶段不允许移动。这个对照可以反映“移动”这个属性具体带来了多少增益。对照实验3不同储能数量/容量场景。逐步增加移动储能的配置数量观察负荷削减量的边际变化。这个结果可以直接作为投资规划的决策参考。灵敏度分析故障概率变化对预布局结果的影响。把故障概率整体乘以不同系数观察第一阶段选择的预布局节点是否发生变化。如果系统对概率变化非常敏感说明预布局方案存在脆弱性需要结合鲁棒优化的思路加固。这些对照实验在代码里通过修改配置参数就能完成不需要改动模型主体效率很高。写论文时用这些对比结果画图表说服力也很足。5. 常见问题与排查技巧实录5.1 求解器提示“Infeasible problem”这是最常见的报错之一。模型不可行几乎都是约束条件之间存在冲突。我排查这类问题的顺序是第一步检查所有变量定义域是否合理。比如SOC设置的上下限过窄而充放电约束要求储能快速出力就会产生不可行。第二步检查故障场景的拓扑处理。有时候故障线路被删除后部分节点变成了孤岛而孤岛内没有接入移动储能导致该节点的负荷削减量等于供给量约束无法满足。第三步用Yalmip的optimize结果里的sol.info查看具体的错误信息。如果是“Infeasible problem”可以用check(Constraints)指令逐条验证约束的可行性找到具体是哪一组约束导致了冲突。我遇到过最典型的案例是移动储能的移动时间矩阵设置过大导致预布局的储能无法在故障时段内赶到目标节点。约束层没有解耦“接入一致性”最终出现了不可行。解决的办法是把移动时间以参数形式定义并在动态调度模型中加入“移动时间窗口”约束确保储能车有足够的时间完成转场。5.2 求解时间过长甚至不收敛移动储能的动态调度是一个MILP问题随着储能台数、节点数、时段数的增加整数变量数量会显著上升。比如3台储能、33个节点、24个时段光是接入节点状态的整数变量就有3 × 33 × 24 2376个如果故障场景从1个增加到20个变量数量还要乘以场景数求解难度急剧上升。在实际测试中20个场景的完整模型Cplex求解需要约10~30分钟Gurobi通常快一些。如果求解时间超过预期可以采用以下几种降维手段限制候选接入节点集不要让储能车在所有33个节点中随意选择接入而是预先定义8~10个关键候选接入节点。降低MIP Gap容忍度从默认的1e-4放宽到1e-2工程应用中1%的间隙完全可以接受。如果允许交流潮流的精度降低可以对所有储能车的接入节点做一个时间聚合把连续24个时段聚合成48个半时段减少时间变量粒度。5.3 结果不符合预期移动储能完全没有被调度有时候模型求出来的最优方案是所有储能车都停在预布局位置一动也不动。这个结果本身不一定错因为在某些故障场景下预布局位置本身就能满足供电需求额外的移动反而消耗时间。但也存在一种模型设定导致的“伪最优”如果预布局阶段和动态调度阶段之间缺少信息传递动态阶段的优化会默认所有储能车初始位置是最优的从而忽略了动态移动的价值。排查方法是检查结果里储能车的SOC曲线是否出现长时间无变化的情况。如果确实是模型问题需要在两阶段之间增加信息耦合约束比如要求第一阶段为第二阶段提供“初始接入点”变量而不是让第二阶段重新决策。5.4 潮流越限电压越界在IEEE33节点上故障后电压跌落是一个典型现象特别是线路末端节点。移动储能接入后会提供有功和无功支撑但如果接入位置不当或功率配置过大也可能导致节点电压越上限或支路过载。排查这类问题时我会在结果中重点检查支路功率曲线看是否有支路功率超过容量上限。如果有需要检查是该支路本身容量设定过小还是储能放电功率叠加到了同一线路上。可以通过调整储能接入节点来消除越限也可以给支路容量约束增加一个较小的安全系数。5.5 代码数据输入错误节点编号和支路编号对不上IEEE33节点的标准数据里支路编号和节点编号不完全是一一对应的关系。有些支路的起点终点方向可能与预想的不一致如果清理数据时直接按数组索引取值很容易出错。我的建议是在数据加载后先做一个校验程序打印所有支路的起始节点和终止节点逐一核对是否与标准数据一致。这个动作看起来简单但能省下后续排查的大量时间。6. 项目扩展方向与个人经验总结这套代码跑通之后我在后续工作中验证过几个扩展方向给同样做这个方向的朋友一些参考。扩展一考虑路网约束的移动储能调度。目前代码中移动时间矩阵是预先给定的常数实际上移动储能的调度要受制于城市路网的通行状态。灾害天气下有些道路可能积水或被障碍物阻断移动时间不可能保持不变。更精细的做法是把路网模型嵌入优化模型让移动时间和路径成为决策变量。这会显著增加模型复杂度但结果的工程可信度会大幅提高。扩展二移动储能与网络重构的协同优化。IEEE33节点系统本身有5条联络开关故障时可以通过开关操作重构网络。移动储能调度和网络重构本质上是耦合的——重构可以改变供电路径从而影响移动储能的最优接入节点。两者协同优化比分开优化效果更好这也是目前该研究方向的其中一个热点分支。扩展三从IEEE33扩展到更大规模系统。IEEE33的好处是简单直观但工程实际中配电网规模远大于此。我试过把模型直接套到IEEE123节点系统上完整模型求解时间从分钟级涨到小时级。如果要做大规模系统必须先做降维处理节点聚合、候选集精简、时段聚合这些手段可以大幅减少计算负担。最后再分享一个我实际做仿真时的心得移动储能优化调度这个方向代码本身不是最难的最难的是让模型结果具备工程可用性。很多论文仿真结果非常漂亮负荷削减率降低90%但实际应用中移动储能车的调度优先级、道路可达性、现场接入条件这些细节往往被忽略。做复现和扩展的时候尽量多往工程约束上靠哪怕模型复杂度高一些计算时间长一些也比脱离实际的漂亮数字更有价值。如果你也在做配电网韧性相关的方向拿到这套代码建议先跑通默认参数下的完整流程再逐步修改故障场景、储能参数和对比方案。代码里的注释和模块划分都比较清晰适合作为后续科研工作的基础版本。遇到具体问题欢迎交流探讨。