企业官网建设流程全解析

1. 为什么“源-荷-储”协同会成为配电网调度的核心命题

1.1 主动配电网到底“主动”在哪

我最早接触主动配电网这个概念，是在做分布式光伏并网仿真的时候。当时拿到一个IEEE33节点的算例，最直观的感受是：传统的配电网调度思路——也就是被动地按负荷预测去调节变电站出口电压、按最大负荷去校核线路容量——在大量分布式电源接入以后，根本玩不转。

原因不复杂。传统配电网是单相辐射状、潮流单向流动的，调度员只需要盯着变电站母线，把电压调合格、把馈线电流控制在限额内就完事。但分布式光伏、风电、储能一上来，潮流方向不再恒定，某些时段线路末端电压可能被抬到接近上限，某些时段馈线重载甚至倒送。这个时候，配电网必须“主动”起来：主动调节分布式电源出力、主动管理储能充放电、主动引导负荷参与调节。这就是主动配电网（Active Distribution Network, ADN）和传统配电网的本质区别——不是被动适应，而是主动干预。

而“源-荷-储”协同互动，就是这种主动性的具体落地手段。源（分布式光伏、风电等）、荷（可调节负荷）、储（储能系统）三者不再是各自独立的并网单元，而是被纳入同一个优化框架里协同调度。光伏出力大的时候，储能充电、负荷侧可调部分增加用电；光伏出力小或者晚高峰的时候，储能放电、可调节负荷削减用电。通过这种时间维度上的平移和互补，最终实现配电网的安全、经济、高效运行。

1.2 分布式光伏和储能接入后，传统调度为什么玩不转

我拿一个最简单的场景说：一个33节点的馈线，末端节点接了1.5MW光伏。晴天中午，负荷低谷，光伏大发，馈线末端电压会明显抬升。传统调度方案里没有光伏出力调节手段，只能靠变电站有载调压和无功补偿硬扛——但馈线末端电压和变电站出口电压之间隔着线路阻抗压降，常常调不过来。如果光伏继续增加，电压越限就得弃光。

储能接入以后，情况好了一些，但如果储能只是“固定策略”运行——比如设定晚上充、白天放，或者干脆按定时充放——仍然救不了中午的电压抬升。因为中午恰恰是光伏大发、储能通常不该充电的时段（电价高），但电压问题偏偏就出现在这个时段。所以固定策略本质上是开了环的控制，它没有感知电网状态。只有把储能纳入优化调度，让它在电压越限风险高的时段主动充电、在其他时段放电，才能真正解决问题。

这就是为什么“源-荷-储”必须是协同的、互动的，而不是各自为政。协同的含义是三者共享同一个优化目标；互动的含义是储能和负荷侧的决策会随源侧出力、电网状态的变化而动态调整。用数学语言说，这就是一个动态优化问题——决策变量随时间变化，约束条件在不同时段之间还有耦合。

1.3 IEEE33节点系统为什么成了事实标准

IEEE33节点系统在配电网研究里的地位，差不多相当于MNIST在手写数字识别里的地位——人人都在用，拿来就能跑，结果可复现。它是一个33节点、32条支路的辐射状配电网，基准电压12.66kV，基准功率10MVA，总负荷大约3715kW加2300kvar，首端节点0接上级变电站，另有5条联络开关支路可以在重构研究中闭合。

这套系统之所以流行，除了数据公开、模型简单之外，还有一个很重要的原因：它保留了配电网潮流计算的关键特征——辐射状拓扑、R/X比值偏高（不像输电网那样R远小于X）、电压对无功功率比较敏感。这意味着在IEEE33节点上做出来的调度策略，迁移到实际馈线上是有一定参考价值的。

我用这个系统做源-荷-储协同调度，核心思路可以概括成四步：第一步，在IEEE33节点上接入指定容量的分布式光伏和储能；第二步，构建以运行成本最小（或者网损最小）为目标函数的优化模型；第三步，用二阶锥规划（SOCP）把非凸潮流方程松弛成凸问题；第四步，在Matlab里用Yalmip建模、调用商业求解器求解，得到未来24小时的调度计划。

这篇文章就把这条技术链路完整拆开讲一遍，包括数学模型怎么建、代码怎么组织、参数怎么设、坑在哪里，以及Matlab实现时最容易出错的地方。

2. 三层联动：源-荷-储协同调度的数学模型拆解

2.1 目标函数：网损、成本还是电压偏差，先想清楚要什么

做优化调度，第一步不是写约束，而是想清楚目标。我见过不少同学一上来就写“综合成本最小”，但问他“综合”里包含什么，经常说不清。实际上，源-荷-储协同调度里，目标函数最常见的候选有三类：网损最小、运行成本最小、电压偏差最小（或者电压越限惩罚）。三者的区别很大。

网损最小适合纯技术分析，关注的是电网自身的经济性。运行成本最小则要考虑购电成本、分布式电源运行成本、储能充放电损耗成本、弃光惩罚等。电压偏差最小本质上是个电压质量控制问题，通常和其他目标加权组合。在工程实际里，我们通常用运行成本最小作为主目标，把网损成本、弃光惩罚都折算进成本项——这样不仅能得到调度方案，还能算出经济收益，文章和报告也更好讲。

我自己在仿真里用的是这样一个目标函数：

$$min \sum_{t=1}^{T} \left[ c_{buy,t}P_{buy,t} + \sum_{i \in \Omega_{DG}} c_{DG,i}P_{DG,i,t} + c_{loss}P_{loss,t} + c_{curt}P_{curt,t} \right]$$

其中，$c_{buy,t}$是t时段从上级电网购电的电价，$P_{buy,t}$是购电功率，$c_{DG,i}$是分布式电源的运行成本系数，$P_{DG,i,t}$是第i个分布式电源在t时段的出力，$c_{loss}$是网损折算成本，$c_{curt}$是弃光惩罚系数。T取24，对应未来一天的调度计划。

这里有个细节值得注意：购电电价是分时电价——峰时段高、谷时段低。储能协同调度的一个重要价值就是“谷充峰放”，在低电价时段充电，在高电价时段放电，在满足电网安全约束的前提下赚取峰谷价差。所以目标函数里的购电成本项，本质上是连接市场信号和物理调度的桥梁。

2.2 决策变量与约束条件的完整清单

优化模型的决策变量分三类：源侧变量（分布式光伏的有功出力、无功出力，如果有无功调节能力的线）、储侧变量（每个时段储能的充放电功率）、联络线变量（变电站出口的有功无功功率）。如果你连配电网重构一起做，还要加上联络开关状态变量——但那个问题复杂很多，这里先不谈。

约束条件可以归成五组：

第一组是潮流约束。配电网潮流用DistFlow方程描述。对于IEEE33节点这种辐射状网络，节点j的父节点是i，那么有：

$$P_{ij} - r_{ij}l_{ij} = \sum_{k \in C(j)} P_{jk} + P_{j,load} - P_{j,DG} - P_{j,dis} + P_{j,ch}$$

$$Q_{ij} - x_{ij}l_{ij} = \sum_{k \in C(j)} Q_{jk} + Q_{j,load} - Q_{j,DG}$$

$$v_j = v_i - 2(r_{ij}P_{ij} + x_{ij}Q_{ij}) + (r_{ij}^2 + x_{ij}^2)l_{ij}$$

其中$v_i$是节点电压的平方，$l_{ij}$是支路电流的平方。这个方程是非凸的——因为等式里藏着$P_{ij}^2 + Q_{ij}^2 = v_i l_{ij}$这样一个二次等式约束，直接求解很难。后面的二阶锥松弛就是针对这条路下手的。

第二组是电压和电流安全约束。节点电压要在标幺值的0.95~1.05范围内，支路电流不能超过容量上限。实际做的时候，电压约束容易被优化器“顶到极限”，所以很多人会在目标函数里加一个电压越限惩罚项——这也是个常见操作，目的就是让解更安全、更有工程意义。

第三组是分布式电源出力约束。光伏的出力上限由光照条件决定，每一时段都有对应的最大可发功率，实际出力不能超过这个上限。

第四组是储能约束。储能模型包括充放电功率上下限、SOC（荷电状态）递推方程、SOC上下限。这里最容易踩坑的是SOC的时序耦合——它把相邻时段连接起来了，不是每个时段独立的约束。

第五组是变电站出口功率约束。受变压器容量限制，出口有功无功功率都有上限。这一组约束直接决定了主动配电网和上级电网的交换功率，也是“源-荷-储”协同调度里源网协调的物理边界。

2.3 储能SOC的时序耦合：最容易被忽略的隐藏约束

很多同学第一次建储能模型，会把SOC当成每时段独立的变量来处理——每个时段写一个0.1~0.9的上下限就完了。这样模型当然能求解，但求出来的解在物理上根本不可能实现。因为储能本质上是一个能量容器，它在t时段的电量是在t-1时段电量基础上充入或放出一定能量得到的：

$$SOC_{t} = SOC_{t-1} + \eta_{ch}P_{ch,t}\Delta t - \frac{P_{dis,t}\Delta t}{\eta_{dis}}$$

其中$\eta_{ch}$和$\eta_{dis}$分别是充放电效率。SOC的初值$SOC_{0}$要么给定，要么作为待优化变量。末时段SOC通常还要约束到和初值相等（或者保持在一个水平），否则优化器会在最后一个时段把所有能量放光——这在运行上叫“储能末日效应”。

这个时序递推约束还带来一个连带问题：储能的充放电功率决策在全时间尺度上是耦合的。你不能只看一个时段决定充还是放，要把全天24小时的爬坡过程放进一个整体里优化。这正是为什么源-荷-储协同调度本质上是一个“日前调度计划”问题——在已知第二天光伏预测和负荷预测的前提下，一次性解出24小时的完整充放电计划。

我建模型的时候，习惯把SOC递推写成矩阵形式的等式约束，而不是循环里逐个写。原因有二：一是Yalmip支持向量化约束，写成矩阵形式代码更简洁；二是当T从24扩展到96（15分钟分辨率）时，矩阵形式不需要改模型结构，只是改变量维度。这个习惯对后续做滚动优化或者模型扩展非常有用。

3. Matlab实现架构：从DistFlow到二阶锥松弛

3.1 系统参数初始化与网络拓扑构建

Matlab实现的第一步是把IEEE33节点系统的网络参数导入工作区。系统本身包含33个节点、32条支路，每条支路有首端节点、末端节点、电阻（欧姆）和电抗（欧姆）参数。还有一个需要特别注意的细节：IEEE33节点系统的联络开关支路，在基础算例里是断开的，不参与潮流计算，但支路参数仍然要保留在数据文件里，方便后续做重构扩展。

我自己习惯的做法是建一个结构体数组保存所有支路数据，每一行对应一条支路，字段包括fbus、tbus、r、x，然后用稀疏矩阵把拓扑关系表达出来。判断每条支路的方向可以采用广度优先遍历：从节点0（变电站母线，配电网的根节点）开始，逐层向外扩展，每条支路的方向就是远离根节点的方向。这个步骤虽然简单，但直接关系到DistFlow方程里“父节点-子节点”的对应关系，必须确保方向一致，否则潮流约束会写错。

参数导入之后，建议先做一个连通性检查——用Matlab的graph函数构建网络，然后确认所有32个节点都从根节点可达。原因很现实：手抄IEEE33节点数据的时候很容易抄错一两个数字，导致某个节点和网络断开，而潮流方程在断开的节点上仍然“有解”（因为没有支路约束），最后算出来的调度方案看着正常，实际上那个节点的负荷全是凭空捏造出来的。

3.2 Yalmip建模：核心代码骨架

求解器选型和建模工具，我直接用的Yalmip加Cplex（或者Gurobi，两个都行，Gurobi这年头的许可证政策更宽松）。Yalmip是一个Matlab建模工具箱，好处是语法简洁、支持多种求解器切换，而且对二阶锥约束有原生支持——写约束就像写数学公式一样直观。

下面是核心建模代码骨架，包含了目标函数、DistFlow约束、电压约束和储能SOC递推：

% 定义决策变量（全部为标幺值） Pij = sdpvar(32, 24, 'full'); % 支路有功 Qij = sdpvar(32, 24, 'full'); % 支路无功 lij = sdpvar(32, 24, 'full'); % 支路电流平方 vi = sdpvar(33, 24, 'full'); % 节点电压平方 Pdg = sdpvar(33, 24, 'full'); % DG有功出力 Pch = sdpvar(33, 24, 'full'); % 储能充电功率 Pdis= sdpvar(33, 24, 'full'); % 储能放电功率 soc = sdpvar(33, 24, 'full'); % 储能SOC Pb = sdpvar(1, 24, 'full'); % 变电站出口有功 Qb = sdpvar(1, 24, 'full'); % 变电站出口无功 Constraints = []; % DistFlow约束（二阶锥松弛） for t = 1:24 for j = 2:33 i = parent(j); % 节点j的父节点 Constraints = [Constraints, ... vi(j,t) == vi(i,t) - 2*(r(i)*Pij(i,t) + x(i)*Qij(i,t)) ... + (r(i)^2 + x(i)^2)*lij(i,t)]; end for k = 1:32 i = branch(k,1); j = branch(k,2); Constraints = [Constraints, ... Pij(k,t)^2 + Qij(k,t)^2 <= vi(i,t)*lij(k,t)]; % 注意：这里的<=就是二阶锥松弛的关键，把等号放成不等号 end % 储能SOC递推 for j = 1:33 if hasStorage(j) Constraints = [Constraints, ... soc(j,t) == soc(j,t-1) + eta_ch*Pch(j,t) - Pdis(j,t)/eta_dis]; end end end

写代码的时候有几个关键点要特别留意：一是所有变量都用标幺值（pu）而非有名值——IEEE33节点系统基准电压12.66kV、基准功率10MVA，标幺值处理以后数值都在0.01到1.5这个量级，求解器数值稳定性好很多；二是DistFlow里的电压约束用的是电压平方的下限0.9025和上限1.1025（对应0.95和1.05的平方），别写错成0.95和1.05。

3.3 求解器选型：为什么我劝你直接用Cplex/Gurobi

我自己早期试过用Matlab自带的fmincon去解这个非线性规划，结果很痛苦——求解时间几分钟起步，而且经常收敛到坏的局部最优点。后来换了Yalmip+Cplex的SOCP（二阶锥规划）路线，同样是24时段调度，几秒钟就能出结果，而且全局最优有保证。

这里面的原理值得说清楚。DistFlow方程里的非凸项来自支路潮流约束$P_{ij}^2+Q_{ij}^2 = v_i l_{ij}$。这个等式是非凸的，但有一个著名的松弛技巧：把等号放宽成小于等于号，也就是$P_{ij}^2+Q_{ij}^2 \leq v_i l_{ij}$。这个不等式恰好构成一个二阶锥约束，而二阶锥规划是一个凸优化问题，可以用内点法高效求解。

核心问题是：松弛之后的解，和原问题的解一样吗？答案是：在大多数辐射状配电网场景下，松弛是紧的——也就是松弛解满足等号关系，从而能够还原出真实的电压、电流和功率分布。但“大多数”不是“所有”，所以求解完要检查松弛间隙：逐条支路、逐时段检查$v_i l_{ij}$和$P_{ij}^2+Q_{ij}^2$的相对差，如果小于1e-4，就可以放心认为松驰是紧的。如果发现松弛不紧，常见做法是添加惩罚项或者调整初值再试。这个话题我后面还会专门展开。

一句话总结选型逻辑：用Cplex/Gurobi的SOCP求解器，不是因为它“高级”，而是因为它能把一个非凸不可解的问题转成凸问题，在几秒内稳定求解24时段全系统优化调度——这就是工程上能用的意思。

4. IEEE33节点数据准备与场景设计：别在源头埋雷

4.1 负荷曲线与光伏出力的典型日生成

IEEE33节点系统给的是各节点的峰值负荷数据——比如节点8的峰值有功负荷是200kW，节点24是420kW等等。要做24小时调度仿真，需要把这些峰值负荷延展成时间序列曲线。最简单也最常用的办法是采用一个典型日负荷系数曲线，把峰值乘以对应时段的负荷系数，得到该节点的逐时负荷。

这个方法虽然简单，却有充分的工程依据：配电网负荷虽然千变万化，但归一化以后的日负荷曲线形状高度相似——早晚高峰、中午低谷、夜间平段。我做仿真用的典型日负荷系数大致是这样：凌晨0点到6点系数在0.5~0.6之间浮动，中午12点到13点有个小高峰达到0.75，晚间19点到21点达到全天最高的0.95以上，其他时段在0.7~0.8之间。

光伏出力曲线的生成则需要考虑“反调峰”特性——光伏大发时段（10点到15点）恰好是负荷的午间低谷或平段。如果光伏渗透率高，这个时段就是电压抬升最危险的窗口。IEEE33节点接入光伏以后，考验的正是调度策略在这个窗口期的表现。

我建议把负荷曲线和光伏曲线都用矩阵生成——行对应节点、列对应时段，需求出力的节点把曲线填进去，没有分布式电源的节点对应行全零。这样后面在Yalmip里做约束时，矩阵运算效率高，不容易出维度不匹配的问题。

4.2 三种对比场景：不加储能、储能固定策略、协同优化

做仿真研究或者发论文，最怕的是只有一个场景——算出一个调度方案，没有对比，看不出协同控制的价值。常规做法是设置三种对照场景：

场景A是基础场景：只有光伏接入，没有储能，也不做任何优化调度（光伏满发、弃光允许但不优化）。这个场景是基准线，反映最原始的运行状态。

场景B是储能固定策略场景：储能按照“夜间低谷充电、白天高峰放电”的固定时间表运行，不感知电网状态。这个场景的储能也能削峰填谷，但调度效果取决于时间表定得好不好，模拟的是传统电池储能站的开环控制模式。

场景C是源-荷-储协同优化场景：储能充放电、光伏出力（允许弃光）、变电站出口功率全部纳入SOCP优化模型，在满足电压、电流、SOC耦合约束的前提下统一决策。

对比指标用三个：全天网损、全网最低电压（或者电压偏差积分）、全天购电成本。前两个反映电网安全与经济性，第三个反映市场运行效益。我在实际仿真中发现，场景C相对场景A，全天网损能降低15%~25%，最低电压从0.93左右抬升到0.97以上；相对场景B，网损还能再降5%~10%——这个差异值在不同接入位置和容量配置下会变，但趋势非常稳定。

4.3 结果分析：网损曲线和电压分布怎么看

拿到优化结果以后，很多人的习惯是直接拉一堆曲线出来贴进论文，但不太会“读”曲线。我个人认为，最有价值的三个视角是：网损的时间分布、电压的空间分布、储能SOC的时序走势。

网损时间分布能告诉你损耗集中在哪个时段、优化策略在哪个时段起了关键作用。以我常用的参数配置为例（光伏接在节点17和32，储能接在节点8），协同优化的网损曲线在午间光伏大发时段明显比基准场景低——原因是储能在这个时段充电，把原本要倒送或长距离传输的光伏电量就地吸收了一部分，减小了线路传输功率，损耗自然下降。

电压空间分布则是看优化后全网各节点电压的包络线。重点检查两个时段：午间光伏大发时段（电压最高点）和晚高峰负荷时段（电压最低点）。协同优化本质上是把午间富余的光伏能量“搬运”到晚高峰释放，所以这两个时段的表现都要看——只改善了午间电压却牺牲了晚高峰电压，调度方案是不合格的。

储能SOC的时序走势则直接印证了调度策略的“协同”属性：SOC在午间光伏大发时段快速上升（充电），在晚高峰时段快速下降（放电），在凌晨低谷时段平缓补电——SOC曲线像一根振荡的桥梁，把光伏出力高峰和负荷高峰连接起来。这个观察点往往是论文里最能体现“协同互动”机制的一张图。

5. 实测中踩过的坑与排错链路

5.1 二阶锥松弛不紧：怎么判断你的解可不可信

二阶锥松弛虽然好用，但它在某些配置下会失效——求出的解毫无物理意义，而你在结果里看不出来。我有一次做多时段调度，加了储能以后结果网损奇低，低到不合理的程度（比纯理论下界还低），一开始还以为是优化效果好，后来检查松弛间隙才发现，好多支路根本没满足等号关系。

排查链路是这样走的：

• 第一步，写一个后处理脚本，对每条支路每个时段计算$gap = |v_i l_{ij} - (P_{ij}^2+Q_{ij}^2)|$；
• 第二步，打印所有$gap > 1e-4$的支路和时段，观察它们的分布——是集中在某一时段？还是集中在某些支路？还是全网普遍不紧？
• 第三步，针对具体场景调整模型：最常见的原因是节点电压约束过紧（比如下限设得很高），导致松弛变量被“挤出”了合理范围。把电压下限从0.97放宽到0.95，问题通常就消失了。

这个坑的教训是：SOCP的求解器只保证松弛问题的全局最优，不保证松弛紧性。算完以后不检查紧性，相当于默认假设了一个没验证的前提。后处理脚本要多写一步，这不是可选项，是必选项。

5.2 辐射状拓扑约束：重构里最经典的坑

如果你想在源-荷-储协同之外再加配电网重构（通过联络开关调整网络拓扑），辐射状约束就是绕不开的难点。32条常闭支路加5条联络支路，随便闭合几个开关，很容易出现环网或孤岛。而IEEE33节点有环网时潮流方程不再只有DistFlow一种表达，所有基于DistFlow的SOCP模型都需要调整。

经典做法是用生成树约束（单商品流或网络流约束）保证辐射状结构，但要注意一个坑：单商品流约束如果只约束“每个节点有且仅有一个父节点”加上“根节点到各节点都有路径”，写起来简单，求解效率也不错，但严格来说需要把N节点、N-1条边满足连通性两种条件合在一起才能完全等价于辐射状。很多论文里只写了一半，导致解出来虽然没环但存在孤岛。

我自己在扩展重构模块时的做法是两步验证：第一步检查解的稀疏矩阵是否满足边数等于节点数减一；第二步从根节点做深度优先搜索，确认所有节点都被访问到。两步都通过，才认为拓扑约束是完整的。

5.3 SOC初值乱设导致的无解问题

储能SOC递推约束有个容易踩的坑：如果SOC初值设置不合理，模型会直接无解。比如你设置SOC初值为0.9，而储能容量小、负荷低谷期的充电功率又受限，约束可能要求晚间高峰放电后SOC回到0.9——但中间几个时段根本充不满那么多电，于是约束互相矛盾，Cplex报infeasible。

排查方法是：单独跑一个“仅储能调度且固定其他运行点”的线性规划，把SOC各时段可行域画出来。如果发现可行域是空的，要么降低初值要求（比如允许末SOC和初SOC不同），要么加大储能容量。还有一个小技巧：把SOC的上下限设置成初值附近的可行区间，再逐步放宽，这样既能保证初始可行点存在，又不至于把优化空间缩小得太厉害。

另外提醒一点，SOC递推里充放电效率的处理方式会影响结果。如果充放电效率不对称（充0.95、放0.95），决策变量里的虚拟“充”“放”功率和实际SOC变化之间会存在数值差。建模的时候我建议把充放电功率直接定义成“交流侧功率”，SOC递推里再乘效率系数——这样变量物理含义清晰，目标函数里的损耗项也好归因。

5.4 用24时段结果做日内滚动的一点扩展思路

最后再分享一个扩展方向。日前调度计划做完以后，很多人会问下一步做什么——答案往往是滚动优化（model predictive control, MPC）。思路很简单：把优化窗口从24小时缩短到4~6小时，每15分钟滚动一次，用最新的光伏和负荷预测更新模型，重新求解，只执行第一个时段的指令。

这个扩展在代码层面几乎不需要改模型——Yalmip的约束构建部分完全复用，只需要在外部包一层循环，每个时刻更新预测曲线、修改时钟索引。我自己实测下来的经验是：滚动窗口4小时、控制间隔15分钟，调度效果相比于日前计划在应对光伏突变时有明显改善，网损大概再降3%~5%。而且随着配电网里“云-边-端”协同架构逐步落地，这种在线滚动调度的模式，正在从论文仿真走向实际工程部署。

如果看完这篇，你能把SOCP松弛、储能时序建模、IEEE33节点数据准备这三块完整跑通，那源-荷-储协同调度的主干就算真正掌握了。剩下的，就是在接入位置、容量配置、目标函数权重上做各种变化实验——路已经铺平了。