去年下半年我在做配电网规划课题时重新思考了电动汽车充电站和分布式电源的联合配置问题。核心出发点是充电负荷和普通负荷不一样它有很强的空间调度潜力——同一批电动汽车可以选择在不同位置的充电站充电。这个“空间可调度特性”如果能在规划阶段被考虑到很多方案的成本和网损情况会完全不同。这篇文章就基于我实际跑的Matlab实现过程把建模思路、求解框架和代码组织方式完整梳理一遍希望能给做类似“分布式电源与电动汽车充电站联合配置”课题的同学一条可复现的路径。1. 充电负荷“空间可调度”到底在说什么——先把这个概念掰开1.1 传统规划模型里充电负荷为什么被“锁死”了大多数配电网规划文献在处理充电负荷时直接把它当成节点上的固定负荷每辆电动汽车归属于某个充电站充电功率曲线给定然后在这个基础上去优化分布式电源DG的位置和容量。这种处理方式在统计学上有一个隐含假设——所有车主的充电行为严格服从距离最近原则且充电站利用率均匀。但在实际运营中充电负荷是高度弹性的。一个车主去A站还是B站充电取决于排队时间、电价差、路径绕行距离甚至沿途能否顺便购物。最典型的例子同一栋写字楼里两位通勤车主一位习惯在单位楼下充电另一位会开到两公里外的商业区充电因为那边的价格便宜三毛钱。也就是说充电需求的总量是刚性的但落在哪个节点上是柔性的。1.2 可调度特性的数学含义从“点负荷”到“多对多分配”把这种柔性放进优化模型需要引入一个负荷分配矩阵。假设规划区域内有M个电动汽车集群通常按交通小区或地块划分有N个候选充电站节点那么每个集群的充电需求可以按比例分配到多个充电站而不是固定绑死在某一个。这个分配矩阵必须满足几个约束每个集群分配到所有充电站的负荷总和等于该集群的总充电需求落在某个充电站的负荷不能超过该站容量集群到充电站的距离或时间成本不能超过用户可接受上限。在数学形式上相当于把原来固定的一列负荷向量变成了一个可调整的二维矩阵。这个矩阵的可行域就是“空间可调度特性”的定量表达。规划模型的自由度因此变大——DG的选址定容可以和充电站的服务范围分配同时被优化。1.3 为什么这个特性会影响DG容量配置我在算例里发现一个很有意思的现象考虑空间可调度后DG的最优位置经常向某些负荷转移的方向偏移部分分布式光伏的配置容量也发生了变化。原因并不复杂——可调度性本质上是给系统增加了一条“虚拟的负荷传输通道”。原本需要在两个节点分别装DG供两块负荷现在可以通过引导负荷集中让一个大DG和一条重载馈线的高利用率配合比分散装两个小DG更经济。提示这里说的“空间可调度”和时序调度比如有序充电是不同维度的灵活性。时序调度管的是“什么时候充”空间可调度管的是“在哪里充”。两者可以叠加但建模复杂度差别很大。2. 联合配置问题的数学建模目标函数、决策变量与约束体系2.1 目标函数怎么设计才能服人所有电力系统规划模型的终点都是经济性但经济性的口径一定要定义清楚。我用的目标函数是系统年综合费用最小包含四项分布式电源的年投资折算成本和运维成本充电站的建设成本与年运行成本从上级电网购电的年费用配电网年网损费用。投资成本要做等年值折算。比如某类DG的单位投资是C_inv寿命是N年折现率是r那么等年值系数就是CRF (r * (1r)^N) / ((1r)^N - 1)每台DG折算到每年的投资成本就是CRF乘以初始投资额。这个细节很多初学者会漏掉直接把总投资拿来和目标函数里的年费用相加这是明显的量纲错误。要得到可比较的数字所有成本必须口径统一到“元/年”。2.2 决策变量分三层第一层是DG的选址定容变量。我的模型允许在每个候选节点装多台额定容量固定的分布式光伏机组用整数变量表示安装台数这样更贴近设备选型实际。第二层是充电站的配置变量。候选站点的容量等级有离散的几个档位每个档位对应一台变压器和若干充电桩同样用整数变量做选择。第三层就是上文说的负荷分配变量它是一个连续变量矩阵表示各集群的充电需求如何分配到各个充电站。这一层变量是“空间可调度特性”的直接体现也是模型区别于传统规划的核心。2.3 约束清单除了潮流约束还有什么必须抓住的完整的约束体系包括潮流平衡约束使用DistFlow支路潮流方程配电网的辐射状结构可以直接套用节点电压上下限约束通常要求在0.93~1.07 p.u.之间具体按项目要求支路电流/容量约束避免规划结果导致线路过载DG出力约束分布式电源的出力受光照或风速限制不能超过额定容量且功率因数有一定范围充电站容量约束分配到该站的负荷不超过配置容量的一定比例通常留10%左右的冗余负荷分配守恒约束每个集群的充电需求全部分配出去不能凭空消失可调度距离约束分配给某个充电站的负荷量与该集群到该站的距离相关距离越远可分配的比例越小。最后这条约束是工程意义的体现。如果模型允许一个集群把全部负荷分配给几十公里外的充电站数学上可行现实中根本没人会这么充电。这里可以设置一个阶梯函数距离在500米以内的集群可以全量分配500米到2公里递减超过2公里不允许分配。具体阈值要结合城市尺度设定。2.4 为什么不直接用网损最小的规划指标有的文献直接用网损最小做目标这样得出的方案可能让DG全部落在负荷中心附近但投资成本高得离谱。我在实际跑算例时发现网损费用在整个年综合费用里占比通常不到15%真正的大头是设备投资和购电费用。目标函数如果权重失衡优化出的方案就没有实用价值。建议先跑一遍纯投资最小和纯网损最小的极端场景摸清两个目标之间的Pareto关系再决定权重设置。3. Matlab实现的核心思路数据组织、潮流计算与模型构建3.1 用Matpower做潮流基准但要改造成可迭代调用提到配电网潮流计算大部分人第一反应是Matpower。Matpower确实提供了极方便的输电网潮流计算工具但用在配电网规划里有三个麻烦配电网的R/X比值高常规牛拉法容易不收敛规划算法需要反复调用潮流计算几百次到几千次不等Matpower的封装结构让每次都重新解析数据效率偏低Matpower的节点命名基于输电网习惯和配电网的馈线-支路-用户三层结构对不上。我的做法是把Matpower当数据基准工具用来校验自己的潮流代码。实际优化迭代中我改用DistFlow方程的前推回代法。前推回代对辐射状配电网收敛性极好编程量也不大核心代码只需要四五十行。3.2 数据组织的核心数据结构不管用什么实现方式数据结构的合理设计决定了后面代码的扩展性。我给节点的定义是这样的结构体数组node.id % 节点编号 node.type % 0普通负荷节点, 1DG候选节点, 2充电站候选节点, 3联络节点 node.p_load % 有功负荷 node.q_load % 无功负荷 node.v_min % 电压下限 node.v_max % 电压上限线路矩阵用起点、终点、电阻、电抗、容量五列表示。这种设计方便后面做编号映射比如“候选充电站节点集合”就是find([node.type] 2)一次索引全部得到。充电负荷和普通负荷要单独分开存。普通负荷是固定的充电负荷是可调度的两者在潮流计算中要合在一起但在优化模型里是不同意义的变量。3.3 Yalmip建模最小化踩坑的框架选择求解这个混合整数非线性规划如果直接从零开始写求解算法会非常痛苦。我强烈建议使用Yalmip作为建模层配合外部求解器Gurobi或Cplex来解。Yalmip最大的好处是把优化模型的数学形式几乎一比一翻译成代码可读性极高也方便后期调试。潮流约束的线性化处理是必须做的工作。DistFlow方程原本是非凸的直接扔给Gurobi解不了。解决办法是做二阶锥松弛把原本的二次项转换成一阶锥约束把问题变成混合整数二阶锥规划MISOCP。这个转化在数学上是严谨的配电网辐射状结构下一般不会引入松弛误差。用Yalmip写出二阶锥约束的格式大致是Constraints [Constraints, norm([2*P_ij; 2*Q_ij; v_i - (r_ij^2x_ij^2)*I_ij_mag2], 2) v_i (r_ij^2x_ij^2)*I_ij_mag2];这个式子的形式看着唬人其实就是二阶锥约束的标准表达。建议第一次写的时候对照原文推导一遍确认变量对应关系正确后再做整体替换。3.4 场景削减光伏出力曲线不能只用典型日分布式光伏的出力有季节性、日内波动性和随机性。如果只用一个典型日的光照曲线会导致DG容量配置在某些季节严重失配。我的做法是收集全年逐小时光照数据聚类得到若干典型场景每个场景对应一个权重让所有典型场景下系统都满足运行约束。聚类方法用K-means即可处理一年的8760小时数据取5~8个聚类中心就够用。场景削减会显著增加约束数量假设有6个典型场景每个场景下都要满足潮流约束和电压约束总约束量就是单场景下的6倍。但换来的是方案的一整年可行性我认为值得。4. 求解策略的选择为什么我绕开了智能算法4.1 粒子群和遗传算法在这个问题上没那么好用看近年文献很多论文用粒子群算法或遗传算法解DG和充电站的联合配置。这类算法的确能处理任意形式的约束实现门槛不高跑出来的结果也“好看”但有几个绕不开的坑求解质量控制不了启发式算法是随机搜索每次运行结果不一样。同一个算例跑五次得到五个不同方案审稿人或项目评审会直接质疑方案的可靠性约束处理很尴尬配电网潮流约束不像简单不等式约束那样能直接罚函罚掉处理不当会产生大量不可行解。特别是空间可调度变量的引入让可行域更复杂随机搜索的效率更低无法证明最优性Gurobi求解MISOCP可以给出最优性间隙gap方案的好不好有定量指标。启发式算法只能输出“找到一个解”无法说明这个解和全局最优差多少。4.2 精确求解路线的条件与适用范围用Gurobi解MISOCP的前提是配电网规模不能太大支路数量在100条量级以内时求解效果很好。我测试过IEEE 33节点系统加上8个候选DG节点、6个候选充电站加6个光照场景模型总约束量约一万条Gurobi在一分钟内达到gap小于0.1%的精度。但如果你要做的区域有几百上千个节点MISOCP的规模会迅速膨胀精确求解器就会力不从心。这种情况下我建议先尝试Benders分解把问题拆成主问题和子问题主问题做配置决策子问题做运行校验与负荷分配优化。这种分解思路比直接上启发式算法保持的数学严谨性高得多。4.3 加速求解的几个实操技巧如果模型规模并不算特别大但求解时间仍然偏长可以按以下顺序排查优先检查约束是否重复在配电网建模中很容易通过不同表达方式重复添加同一条物理约束。Yalmip提供了didReact命令可以查看最终模型里约束的数量、变量数量和分类统计。设置合理的MIP参数Gurobi的MIPGap可以适当放宽到1e-3或5e-4。给整数变量提供初始可行解先用不考虑可调度性的简化模型解一遍得到一组配置再把这个配置作为完整模型的MIP start求解速度可以提升一倍以上。把负荷分配矩阵的上下界写紧不要设成0到无穷大根据站点容量和距离可达性预先算出一个紧上界这个变量的分支空间会小很多。5. 算例设计与结果解读怎么说服自己和别人这个方案有效5.1 对照场景必须设置两套判断“空间可调度特性”到底带来多少增益最简单有效的方法是做一套对照实验场景A充电负荷固定分配传统方法不引入分配变量充电负荷按最短距离原则固定到节点场景B引入空间可调度变量车辆可以在多个充电站之间按模型优化分配。两个场景采用完全相同的DG候选节点、充电站候选节点、光照数据和负荷数据。差异只在于负荷分配部分。这样对比出来的成本差、网损差、DG配置容量差就是“空间可调度特性”的净贡献。我在33节点算例中得到的数据是场景B的年综合费用比场景A低约4%~7%具体数值取决于可调度距离上限的设置。这个幅度在规划层面不算小因为规划方案的投资额往往是百万到千万级别。差距主要来自两个渠道一是充电负荷向重载线路附近引导后网损明显下降二是DG布置位置更集中单位千瓦投资成本下降。5.2 灵敏度分析可调度距离上限与充电站容量档位没有灵敏度分析的规划论文是不完整的因为实际参数总是不准的。务必做的两组灵敏度分析第一组是可调度距离上限。把上限从1公里逐步增加到3公里看年综合费用的变化率。我在实际分析中观察到上限从1公里增加到2公里时费用下降最明显说明大部分充电集群在2公里范围内有显著的优化空间超过3公里后费用几乎不再变化说明边际效益饱和。第二组是充电站容量档位。有些候选站点如果只能装两个档位解的空间很小优化意义有限档位划分越细模型自由度越大但整数变量增加会拖慢求解。需要在这两者之间找到平衡我在代码里设计了档位数量可调的参数方便读者自行实验。5.3 结果图怎么画才有效规划结果的展示建议至少有四张图配电网络拓扑图标注DG位置和容量、充电站位置和容量各典型场景下的节点电压剖面图对比两种方案充电负荷分配矩阵热力图横向是充电站纵向是负荷集群年综合费用构成堆叠柱状图把投资、运行、购电、网损四项分别显示。尤其第三张热力图特别有用它能直观看出“哪些集群的负荷被调度到哪里”这是空间可调度特性的核心证据。我都是用Matlab的heatmap函数生成加一个colormap(parula)就足够清晰。6. 从仿真到落地参数获取、边界条件与实际应用的注意事项6.1 充电负荷预测数据从哪里来做规划需要知道各个负荷集群的充电需求但国内很多城市的充电桩运营数据并不公开。我常用的替代方案是用城市交通OD数据估算小区通勤车辆的充电需求结合问卷调查的充电行为特征充电频率、单次充电量、停车时长做蒙特卡洛模拟。具体做法是把研究区域划分成网格假设每个网格内的电动汽车数量与人口密度或职住比相关每辆车每日充电需求约在8~15 kWh之间取决于车型和日均行驶里程再乘上一个充电同时率系数。这个系数取值很有讲究住宅区通常取0.3办公区取0.5商业区取0.4。不同取值对充电站容量配置影响非常大建议做敏感性分析。6.2 候选节点怎么筛选才能避免“死节点”模型的候选节点不是随便选的直接在原始节点矩阵里把每个节点都设为候选点会带来两个问题一是整数变量爆炸求解时间不可接受二是结果会出现DG装在负荷几乎为零的末端节点上的荒唐方案纯粹因为那里电压偏低需要支撑。筛选原则建议如下DG候选节点优先选光照条件好、无遮蔽效应、有接入余量的节点充电站候选节点选在交通流量大、停车方便、临近配电变压器有剩余容量或可扩展余地的位置排除线路末端空载节点和变压器已满载的节点。6.3 Yalmip和求解器的安装配置要点Matlab环境下用Yalmip建模需要额外安装一个求解器。Gurobi对学术用户免费安装步骤是到Gurobi官网下载对应系统的安装包申请学术License在Matlab中运行addpath(genpath(你的Gurobi目录))运行gurobi_setup完成环境配置在Yalmip中通过optimize(Constraints, Objective, sdpsettings(solver,gurobi))调用。如果安装过程中遇到Undefined function gurobi报错说明环境路径没有配好检查Gurobi的Matlab接口文件夹是否已经在Matlab路径中。提示Gurobi的求解速度依赖License类型如果用的学术License还需要每年续期一次。建议在项目开始前就确认License有效期避免做到一半求解器突然罢工。6.4 我踩过的一个坑松弛精度的隐形代价最后分享一个实际踩坑经历。使用二阶锥松弛求解潮流约束时松弛的精度由求解器的容差控制。Gurobi默认的容差是1e-6理论上看很严格。但我有一次在跑大算例时发现某些极端场景DG出力最大同时充电负荷最大下松弛出来的电压值比实际潮流结果略偏大导致约束在数学上“满足”了工程上却可能越限。排查后发现问题出在配电网的DistFlow方程在重载条件下二阶锥松弛的紧性会变差。解决办法是对求解结果做一次完整的前推回代校验逐点复核电压和潮流值。这个校验步骤增加了少量计算量但能避免方案在实际运行时出问题。建议所有读者在出最终方案前都跑一遍这个校验不要在松弛上省这一步。对于已经安装配置好Yalmip和Gurobi环境的读者可以直接用这个框架跑自己的算例。如果是从头开始搭的同学我建议先花一周时间把DistFlow方程和二阶锥松弛的推导搞清楚再上手写代码——这一步省不掉因为后面所有调试工作都依赖你对模型数学本质的理解。我的整体体会是考虑空间可调度特性后联合配置问题比传统方法复杂一档但换来的是更真实的负荷分布假设和更经济的规划结果。最近我在尝试把时序调度有序充电叠加到这个空间调度框架里两者的协同还值得继续深挖。