电工杯数学建模竞赛：储能优化与5G组网解题框架与实战

1. 项目概述从“电工杯”到一份可复用的解题框架又到了一年一度的“电工杯”全国大学生电工数学建模竞赛季。对于很多电气、自动化、计算机乃至经管专业的同学来说这不仅仅是一次比赛更是一次将课堂理论转化为解决实际复杂工程问题的绝佳练兵场。2022年的A、B两题一道聚焦于“高比例风电电力系统储能运行优化”另一道则探讨“5G网络环境下超密集组网的站址规划和频谱分配”可以说精准地踩在了能源转型和通信技术发展的两大前沿脉搏上。我当年带队参赛从选题、建模到论文撰写每一步都踩过坑也积累了不少心得。今天我就以这两道赛题为例抛开那些泛泛而谈的“万能模板”深入拆解一套真正能打、能复现的解题思路与资料准备方法论。无论你是初次参赛的小白还是希望提升建模能力的老手这篇文章希望能帮你理清头绪构建起从问题分析到模型落地的完整认知框架和实操路径。2. 核心思路拆解如何“读懂”赛题并构建解题骨架很多同学拿到赛题第一反应是去找代码、找模型这其实是本末倒置。建模竞赛的核心是“解决问题”而非“套用模型”。第一步也是最重要的一步是深度理解题目背景并拆解出清晰的解题逻辑链。2.1 2022年A题高比例风电电力系统储能运行优化这道题本质上是一个含不确定性的多目标、多时段优化问题。背景是高比例风电接入后其出力的随机性和波动性给电网的功率平衡带来了巨大挑战需要通过配置和优化储能系统的运行来平抑波动、降低运行成本。核心需求解析平抑波动风电出力预测与实际出力存在偏差需要储能进行充放电来弥补这个功率缺额使电网净负荷曲线尽可能平滑。经济优化在满足平抑波动要求的前提下需要最小化系统的总运行成本这包括风电的弃风成本、储能设备的充放电损耗成本、以及可能从主网购电的成本等。储能约束储能系统有容量限制、充放电功率限制、充放电效率以及荷电状态SOC的上下限约束这些必须在模型中严格体现。解题骨架构建我们的思路是建立一个两阶段优化模型。第一阶段确定储能配置参数。这是一个规划层问题。我们需要决策储能的额定功率和额定容量。这通常需要结合全年或典型日的历史风电、负荷数据通过优化算法如遗传算法、粒子群算法来搜索一组使长期综合成本最低的配置。目标函数是包含储能投资成本折算到每日和运行成本的综合成本。第二阶段给定配置下的日内滚动优化。这是一个运行层问题。在已知储能参数后以更短的时间尺度如15分钟根据更新的超短期风电预测和负荷预测滚动优化未来数小时内储能的充放电策略。目标是在满足所有物理约束下最小化当前时间窗内的预期运行成本。这里常用模型预测控制MPC框架。注意很多队伍直接用一个单阶段优化模型去同时求配置和运行策略这在计算上非常复杂且容易陷入局部最优。两阶段分解是工程上更常见、也更清晰的思路。2.2 2022年B题5G网络环境下超密集组网的站址规划和频谱分配这道题是一个典型的组合优化与资源分配问题带有强烈的空间属性和干扰约束。超密集组网意味着在热点区域部署大量低功率、小覆盖范围的基站如微基站、皮基站这能极大提升网络容量但也带来了站址选择、频谱复用和干扰管理的难题。核心需求解析覆盖与容量需求给定的用户分布和业务需求数据速率要求是输入我们需要规划基站位置确保目标区域内的用户都能被至少一个基站覆盖并且所有用户的速率需求总和不能超过所分配频谱能提供的总容量。干扰管理由于频谱资源有限基站间需要复用相同的频段。距离过近且使用相同频段的基站会产生同频干扰严重降低用户速率。因此频谱分配方案必须将干扰控制在可接受水平以下。成本控制基站部署有成本租赁、功耗、回传频谱资源也可能有成本。目标是在满足覆盖和容量需求的前提下最小化总成本。解题骨架构建这个问题天然地分为两个强耦合的子问题站址规划和频谱分配。一个经典的求解思路是交替优化。初始站址规划可以基于用户密度采用聚类算法如K-means、层次聚类初步确定一批候选站址。聚类的中心点可作为初始基站位置聚类内的用户数可用于估算该基站所需的初始容量。给定站址下的频谱分配这是一个复杂的图着色问题。将基站视为图的顶点如果两个基站在空间上距离小于某个干扰门限则在它们之间连一条边表示它们不能使用相同的频段或需要一定的频率间隔。然后利用图着色算法如贪婪算法、DSATUR算法、或采用整数规划求解器为每个基站分配频段目标是使用的总频段数最少频谱效率最高。基于频谱分配结果调整站址如果频谱分配结果不理想如所需频段太多或某些基站无法满足其覆盖用户的容量需求则需要回过头来调整站址。例如可以关闭一些用户少、但带来严重干扰的基站或者微调基站位置以改变干扰图的拓扑结构。然后在新的站址集合上重新进行频谱分配。迭代直至收敛重复上述“规划-分配-调整”的过程直到系统总成本基站数单站成本 使用频谱总量单位频谱成本不再显著下降或满足所有约束。3. 核心模型与算法选型深度解析思路骨架有了接下来需要为每个环节填充“血肉”即具体的数学模型和求解算法。这里的选择直接决定了论文的深度和求解的可行性。3.1 A题核心模型两阶段随机规划与模型预测控制第一阶段储能配置模型我们可以建立一个以典型日场景为基础的随机规划模型。假设我们有多个风电出力场景通过历史数据生成或场景削减得到每个场景有其发生概率。决策变量储能额定功率 (P_{ess}^{rate})额定容量 (E_{ess}^{rate})以及在各场景、各时段的充放电功率 (P_{ch}(t,s), P_{dis}(t,s)) 和SOC状态 (SOC(t,s))。目标函数最小化日综合成本 (储能投资成本 * 资本回收系数) / 365 ∑_s 概率(s) * [∑_t (弃风成本 购电成本)]。约束条件功率平衡约束风电出力 放电功率 - 充电功率 购电功率 负荷需求 - 弃风功率。储能动态约束(SOC(t1) SOC(t) (\eta_{ch} P_{ch}(t) - P_{dis}(t)/\eta_{dis}) \Delta t / E_{ess}^{rate})。储能运行约束(0 \le P_{ch}(t) \le P_{ess}^{rate}), (0 \le P_{dis}(t) \le P_{ess}^{rate}), (SOC_{min} \le SOC(t) \le SOC_{max})。同时充放电互斥约束通常引入0-1变量来确保同一时刻不能既充电又放电。求解算法这个模型是混合整数线性/非线性规划MILP/MINLP。对于参赛而言使用YALMIPMATLAB或PuLP/PyomoPython建模调用Gurobi或CPLEX商业求解器是最稳妥高效的选择。如果问题规模经过简化也可以尝试用遗传算法GA来求解配置变量在内层用线性规划求解运行变量这是学术论文中常见的处理方式。第二阶段滚动运行优化MPC在得到 (P_{ess}^{rate}, E_{ess}^{rate}) 后我们以一个固定时间窗如4小时16个15分钟时段进行滚动优化。在每一个滚动时刻我们基于最新的超短期风电预测对未来时间窗内的储能动作进行优化。优化模型与第一阶段类似但配置参数固定且通常只考虑一个确定性场景最新预测。执行当前时刻的决策充/放电功率然后系统状态实际风电、负荷、SOC更新时间窗向前滚动一步重复上述过程。关键技巧MPC的核心优势在于利用滚动优化来部分补偿预测误差。在论文中你需要设计一个仿真测试环节用一段包含预测误差的实际或模拟数据对比MPC策略与“开环”优化策略即一次性优化全天策略的效果展示MPC在应对不确定性方面的优越性。这个对比实验是论文的亮点之一。3.2 B题核心模型整数规划与图论模型站址规划模型可以形式化为一个带容量约束的设施选址问题。设用户集合为 (U)候选站址集合为 (S)。决策变量(x_j 1) 表示在候选站址 (j) 部署基站(y_{ij} 1) 表示用户 (i) 连接到基站 (j)。目标函数最小化总成本 ∑_j (基站固定成本 * x_j) ∑_j (频谱使用成本 * 为该基站分配的带宽)。约束条件覆盖约束每个用户至少被一个激活的基站覆盖即 ∑_j y_{ij} 1。连接约束用户只能连接到已激活的基站即 y_{ij} x_j。容量约束连接到基站 (j) 的所有用户的需求速率之和 ≤ 该基站获得的频谱资源所能提供的总容量容量与分配的带宽成正比。距离约束用户只能连接到一定距离内的基站即当距离 覆盖半径时y_{ij} 强制为0。频谱分配模型本质上是一个图着色问题的变种。构建干扰图 (G(V, E))顶点是基站边表示存在干扰。决策变量(z_{jk} 1) 表示给基站 (j) 分配第 (k) 个频段假设频段离散化。目标函数最小化使用的最大频段索引相当于最小化频谱宽度。约束条件每个基站分配且仅分配一个频段∑_k z_{jk} 1。干扰约束对于干扰图中的每条边 ((j1, j2))如果两个基站分配的频段相同或相邻考虑邻频干扰则需要满足一定的保护间隔条件这可以表示为对 (z_{j1k}) 和 (z_{j2k}) 的线性约束。求解策略这是一个NP-Hard问题对于大规模实例精确求解器可能在比赛时间内无法求解。因此必须采用启发式或元启发式算法。经典启发式可以先固定站址用DSATUR饱和度优先图着色算法快速得到一个频谱分配方案评估成本。然后尝试通过移除低效基站或微调位置来改进。元启发式框架采用模拟退火SA或禁忌搜索TS作为主框架。其“邻域动作”可以设计为1) 增加/删除一个基站2) 移动一个基站的位置3) 随机调整一个基站的频段。在评估每个候选解时需要快速计算其覆盖率和干扰情况这里可能需要一个快速的贪婪算法作为评估函数的内核。分层优化另一种思路是使用遗传算法GA。染色体编码可以包含两部分一部分二进制串表示基站的开闭状态另一部分整数串表示每个激活基站的频段编号。适应度函数即为总成本的倒数。这种编码方式直接但需要精心设计交叉和变异算子以避免产生大量不可行解违反干扰约束。4. 数据准备、处理与仿真验证实操巧妇难为无米之炊。模型建立后需要数据来驱动和验证。比赛通常提供部分数据但更多时候需要我们自己构造或寻找合理的数据。4.1 A题数据实操要点风电/负荷数据来源与处理如果赛题未提供可使用公开数据集如美国国家可再生能源实验室NREL的集成数据集或中国某些风场的公开数据。关键处理步骤包括归一化将原始功率数据归一化到[0,1]区间便于不同场景间的比较和模型初始化。场景生成与削减为了体现风电不确定性可以用历史数据拟合其概率分布如韦布尔分布再用蒙特卡洛模拟生成大量场景。但直接用于优化计算量太大需要使用场景削减技术如Kantorovich距离法、快速前向选择法缩减到10-30个典型场景在计算复杂度和随机性表征之间取得平衡。构建预测误差对于MPC仿真你需要一个风电预测序列和一个对应的“实际”序列。可以用历史数据作为“实际值”然后对其添加一个符合特定分布如正态分布均值为0标准差随预测时长增大的噪声序列来生成“预测值”。参数设定储能参数充放电效率如0.95、SOC上下限如0.1, 0.9、最大充放电功率与容量的比值如0.5表示2小时储能。经济参数单位功率投资成本元/kW、单位容量投资成本元/kWh、单位弃风惩罚成本、单位购电成本。这些参数需要查阅文献或行业报告给出合理估值并在灵敏度分析中探讨其影响。仿真验证设计基准案例不配置储能计算系统的弃风率和总成本。对比案例配置储能分别运行“单阶段优化”和“两阶段MPC优化”对比各项指标总成本、弃风率、SOC曲线平滑度。灵敏度分析改变风电预测误差大小、改变储能投资成本观察最优配置和运行策略的变化趋势。用图表清晰展示并给出管理启示。4.2 B题数据实操要点用户与业务需求生成通常需要在一个给定的矩形区域内如1km x 1km随机生成用户点。用户分布可以是均匀分布也可以模拟热点区域如市中心采用聚类分布如高斯混合模型。每个用户关联一个随机的业务需求速率如服从截断正态分布。传播模型与干扰计算这是通信专业知识的体现。你需要选择一个合适的路径损耗模型例如简化的对数距离路径损耗模型(PL(d) PL_0 10n \log_{10}(d/d_0) X_\sigma)。其中 (d) 是距离(n) 是路径损耗指数(X_\sigma) 是阴影衰落。接收信号功率 发射功率 - PL(d)。信干噪比SINR决定了用户的可达速率根据香农公式。干扰计算是关键一个用户受到的干扰是所有使用相同频段、且非其服务基站的信号功率之和。算法实现与加速技巧距离矩阵预计算在算法开始前计算所有用户-候选站址、站址-站址之间的距离矩阵避免在循环中重复计算距离这是最大的性能提升点。快速可行性检查在启发式算法的邻域移动中90%的新解可能是不可行的如覆盖不足或干扰过大。设计一个快速的、保守的可行性预判规则例如移动一个基站后粗略估计其覆盖用户数的变化可以在调用精确且耗时的评估函数之前就过滤掉大量坏解。并行评估如果使用遗传算法种群中个体的适应度评估是相互独立的可以利用MATLAB的并行计算工具箱或Python的multiprocessing库进行加速。结果可视化对于B题可视化至关重要。至少应提供站址与用户分布图用不同形状/颜色标记已部署基站、候选基站、用户点并用连线表示用户-基站的连接关系。频谱分配示意图用不同颜色表示不同频段直观展示基站间的频率复用情况。收敛曲线图展示启发式算法如SA、GA的迭代过程目标函数值随迭代次数的下降曲线体现算法的寻优能力。5. 论文写作与常见问题避坑指南模型和算法实现只是成功的一半将你的工作清晰、严谨、有说服力地展现在论文中是夺奖的关键。5.1 论文结构核心要素摘要这是评委最先看也可能只看的部分。必须用精炼的语言300-500字概括问题背景、你的总体思路、所用模型方法、关键算法、主要结果和结论。避免空洞描述要给出具体的量化指标例如“本文建立了两阶段随机规划模型采用模型预测控制进行滚动优化最终使系统日均运行成本降低了15.2%弃风率减少了8.7%”。问题重述与分析不要照抄题目。要用自己的话梳理问题的边界条件、核心目标、关键约束和难点。画出技术路线图让评委一眼看清你的解题逻辑。模型建立这是核心章节。符号说明集中列出所有变量、参数及其含义务必清晰完整。模型假设列出合理且必要的假设这是简化现实问题、建立数学模型的前提。例如“假设风电预测误差在相邻时段内相关”、“假设用户位置在规划周期内固定不变”。模型公式目标函数和约束条件要分点列出表述严谨。对于复杂模型可以先给出总体框架再分小节详细描述。模型求解详细说明你采用的算法。如果是标准算法如遗传算法说明你为什么选用它并详细描述你针对本题具体设计的编码方式、适应度函数、交叉变异算子、参数设置种群大小、迭代次数等。如果是调用求解器如Gurobi说明你使用的建模语言和求解器设置。结果分析与检验数据来源与预处理说明清楚。结果展示多用图表少用大段文字。图表要有编号和标题在正文中要有引用和解读。解读时要聚焦于“从图表中我们能看出什么规律或结论”。灵敏度分析改变1-2个关键参数如储能成本、干扰门限分析结果的变化趋势和稳定性这能极大提升论文的深度和可信度。模型检验与简单基准方法如规则策略、随机搜索对比或者通过改变初始值多次运行观察结果的稳定性验证算法的鲁棒性。模型评价与推广客观评价自己模型的优点如考虑全面、求解高效和缺点如某些简化假设、计算复杂度仍较高。提出可能的改进方向和模型在其他领域的应用前景。5.2 常见“坑点”与应对策略坑点一模型与求解“两张皮”。论文中描述了一个复杂的混合整数非线性规划模型但求解部分却轻描淡写地说“我们用遗传算法求解”中间缺失了如何将模型映射到算法编码、解码、约束处理的关键衔接。应对必须在“模型求解”部分用一小节专门说明“基于XX算法的模型求解设计”画出示意图解释编码如何对应决策变量约束条件如何在适应度函数中体现如罚函数法。坑点二结果分析空洞。只罗列“成本降低了”、“覆盖率提高了”但没有深入分析为什么会这样。应对结合图表进行归因分析。例如“从图5可以看到成本降低主要发生在风电反调峰时段储能通过在电价低谷充电、高峰放电实现了套利这是成本下降的主要原因。”坑点三忽略灵敏度分析。模型的结果严重依赖于参数如果不做灵敏度分析结论显得很脆弱。应对必须做。哪怕只分析一个最重要的参数画出一条变化曲线并给出管理建议例如“当储能单位成本高于XX元/kWh时配置储能将不再经济因此当前投资储能需密切关注市场价格走势”。坑点四论文像实验报告。通篇是“第一步、第二步”缺乏逻辑主线。应对以“问题-模型-方法-验证-结论”为主线组织内容在每一部分开头用一段话承上启下阐明本部分要解决什么问题与上下部分是什么关系。坑点五排版与细节失误。公式编号错乱、图表模糊、参考文献格式不一。应对使用LaTeX写作它能完美管理公式、图表编号和参考文献。如果使用Word务必利用“插入题注”和“交叉引用”功能。最后留出至少半天时间进行全文通读和格式检查。6. 工具链、资料获取与备赛建议工欲善其事必先利其器。一个高效的工具链能让你事半功倍。6.1 软件工具推荐编程与建模Python首选。生态丰富NumPy/Pandas处理数据Matplotlib/Seaborn/Plotly画图PuLP/Pyomo建模Scikit-learn可用于聚类等DEAP是强大的进化算法框架。Jupyter Notebook非常适合做探索性分析和呈现。MATLAB在控制系统、优化求解方面有传统优势特别是MPC工具箱、优化工具箱。YALMIP建模语言非常直观。对于习惯MATLAB的同学是不错的选择。Julia新兴的高性能科学计算语言在优化和仿真方面速度有优势但生态和资料相对较少适合有探索精神的队伍。论文写作LaTeX学术写作的事实标准排版精美尤其擅长处理公式和参考文献。Overleaf是在线协作平台无需本地安装。Word如果对LaTeX不熟用Word也可以。务必使用样式功能来管理标题并善用公式编辑器。绘图与可视化Matplotlib (Python)/Plotly (交互图)生成结果图表。Draw.io/Visio绘制技术路线图、算法流程图、系统框架图。Origin/SigmaPlot专业科研绘图软件适合生成用于出版的高质量图表。6.2 资料获取渠道官方资源首要关注“中国电机工程学会”官网和竞赛官方通知获取最权威的赛题、数据如果有和格式要求。学术数据库知网、IEEE Xplore、ScienceDirect。搜索关键词如“储能优化 随机规划 MPC”、“超密集组网 站址规划 频谱分配 启发式算法”阅读近年的高质量期刊论文中英文均可了解前沿模型和算法注意参考文献的规范性引用。开源代码库GitHub、Gitee。搜索相关关键词可以找到许多开源的项目代码但切忌直接抄袭。主要学习其算法实现框架、数据处理技巧和代码结构。往届优秀论文这是最直接的学习资料。分析其解题思路、模型构建、论文结构、图表表达。但要注意每年的赛题不同核心是学习其方法论而不是照搬模型。6.3 团队协作与时间管理角色定位理想的三人团队应有明确分工但又紧密协作。常见配置一人主攻模型与算法编程能力强一人主攻论文写作与可视化逻辑清晰、文笔好一人负责资料搜集、数据处理和模型检验细心严谨。每个人都需要对整体思路有清晰理解。时间规划以三天赛期为例第一天上午共同深入讨论题目确定选题并初步形成解题思路和技术路线。这个阶段多花时间讨论是值得的避免中途推翻重来。第一天下午至第二天全天模型建立与算法实现的关键期。负责编程的同学开始搭建框架和核心代码负责论文的同学开始撰写问题分析、模型假设、符号说明等前期部分负责资料的同学提供所需参数和数据。第三天上午基本完成模型求解得到初步结果。团队集中分析结果开始撰写结果分析部分。第三天下午至晚上论文撰写冲刺、完善图表、进行灵敏度分析和模型检验。务必留出至少3-4小时进行全文统稿、修改摘要、检查格式和错别字。最后时刻严格按照要求生成PDF检查文件名、页眉页脚等所有细节提前提交避免截止前网络拥堵。数学建模竞赛是一场智力和体力的马拉松更是团队协作的试金石。它考验的不仅仅是知识储备更是快速学习、问题拆解、算法实现和逻辑表达的综合能力。围绕2022年电工杯AB题的这套思路其内核——“理解问题、分解问题、建模求解、验证分析”——是通用的。希望这份超过五千字的详细拆解能为你点亮一盏灯让你在接下来的比赛中不仅能“找到思路”更能“走对路子”最终交出一份令自己满意的答卷。