前两天整理电力系统调度相关的代码库翻出一个挺有意思的交叉题目电动汽车、主动配电网与电力系统规划外加多智能体领域常用的Voronoi图围捕算法最后落到Matlab复现上。这四个词拆开看各有各的圈子但放在一起其实是一条很清晰的技术链条先理解电动汽车大规模接入后主动配电网面临的新挑战再用Voronoi图完成空间划分最后设计一套类“围捕”的动态调度策略去实时优化负荷分配。这篇文章就是完整复现这套思路的记录。适合两类人看一类是做配电网规划、充电桩选址、主动配电网调度的工程师另一类是研究多智能体协同控制、想找一个真实工程落地场景的研究生。不夸张地说这个组合能同时回答“充电站该建在哪”和“充电负荷该往哪引”两个问题——Voronoi图告诉你空间怎么切围捕算法告诉你每个区域内的需求怎么动态优化配置。我会把原理、代码框架、参数标定逻辑和调试中踩过的坑全部理一遍尽量做到照着走就能跑通。1. 项目核心思路拆解跨界题目如何拧成一股绳1.1 标题里四个关键词是怎么串联起来的这个题目把“电动汽车”“主动配电网”“电力系统规划”和“Voronoi图围捕算法”放在一起乍一看像硬凑概念。但如果你真的在配电网规划或负荷调度一线待过就会明白这四个词其实是同一条链条上的环节。电动汽车是最典型的高不确定性分布式负荷。大量电动车集中充电会让配电网的峰谷差进一步拉大尤其傍晚下班后的充电高峰和居民生活用电高峰叠在一起对变压器和馈线都是实实在在的压力。主动配电网和传统配电网的核心差异在于它不再被动地“等负荷来”而是主动去引导、调度、平衡分布式资源包括电动车充电、分布式光伏、储能装置等等。电力系统规划要回答的则是“充电站在哪里建、容量配多大”这类空间决策问题。而Voronoi图围捕算法正好提供了一个把空间划分和动态优化统一起来的数学框架。我自己的理解是Voronoi图负责处理“空间分配”——把规划区域按就近原则切割成若干个子区每个子区关联一个充电站或者配电网服务节点围捕算法负责处理“动态协同”——当电动汽车的充电需求在时间和空间上随机出现时调度策略要像猎手围捕猎物一样把这些分散的需求引导到最合适的服务节点同时避免某些站点负荷过载、另一些站点闲置。整个题目并不是四个独立概念的生硬拼接而是一条从问题建模到算法求解的完整链路。1.2 为什么这种方案能解决静态规划的痛点传统配电网规划的路径基本是“负荷预测 容量校核 选址定容”。在电动汽车保有量低的时候这条路没问题负荷曲线相对平稳按峰值留裕量就能满足要求。但电动车的渗透率一旦上来负荷的空间分布变化会非常剧烈同一个城市片区白天商业负荷高、居民区负荷低到了晚上通勤车辆集中回家充电居民区负荷瞬间飙升。如果沿用静态规划的思路结果必然是部分站点长期过载、部分站点长期空置既造成投资浪费也埋下安全隐患。围捕算法在这里的核心价值是可以把“规划”变成“动态响应”。每个服务节点相当于一个猎人充电需求相当于猎物算法在每一个控制周期根据当前的负荷分布重新计算最优引导策略Voronoi图的边界也会随站点状态变化自动调整。换句话说规划不再是一锤子买卖而是变成持续滚动的闭环优化。对于主动配电网来说这种动态调整能力正是“主动”二字的意义所在。提示动手写代码之前先界定你的场景偏静态还是偏动态。偏静态围捕可以当作离线优化循环来写偏动态就要按实时控制循环来设计代码结构完全不同。这个定位决定了后面很多参数的定义方式也决定了仿真的计算量。1.3 前置要求与阅读地图复现这个项目不需要太深的理论基础懂二维平面几何、会用MATLAB基本语法就够了。最关键的是理解两个概念Voronoi图“就近分配”的几何内涵以及围捕策略中“包围、收缩、捕获”三个环节的收敛逻辑。这两个概念我在下一节展开讲。从实操角度看这篇笔记的代码结构分成三层第一层是数据结构和基础参数定义第二层是Voronoi图生成与可视化第三层是围捕策略的核心循环。建议你先从第二节弄懂原理再对照第三节的代码逐步搭建最后用第四节的实验设计去验证和调参。2. Voronoi图与围捕算法的原理剖析2.1 Voronoi图的数学本质最近站点决定归属Voronoi图本质上是把平面按照“距离最近”法则划分成若干个区域。给定一组种子点也叫母点、站点S {s₁, s₂, …, sₙ}平面上任意一个点p计算它到所有站点的欧氏距离找到最小距离对应的那个站点这个站点就是p的“管辖者”。所有被同一个站点管辖的点聚合在一起就构成该站点的Voronoi区域。用数学语言写就是V(sᵢ) {p ∈ R² | d(p,sᵢ) ≤ d(p,sⱼ)对于所有 j ≠ i}这里 d 表示欧氏距离。这个定义看起来简单但它有两条特别适合做空间决策的性质。第一区域之间无缝覆盖不会漏掉任何位置。这意味着任意一个充电需求点总能找到唯一一个距离最近的服务节点不会出现“不知道该找谁负责”的空白地带。第二区域边界是相邻两个站点连线的垂直平分线正好体现“到两边距离相等”的中立原则。在充电站规划里这个性质天然保证了公平性两个相邻充电站服务范围的分界线就是用户从两边过去代价相等的位置。在MATLAB里生成Voronoi图有两条路。一条是直接用内置函数 voronoi(x,y) 它负责画图底层基于Delaunay三角剖分与对偶关系另一条用 voronoin(coords) 它返回顶点矩阵V和顶点索引cell数组C方便做后续的面积计算、边界判断、自定义绘图。如果只是为了显示划分效果 voronoi 函数一行就够。但做围捕算法要不断动态更新站点位置、重新计算区域归属用 voronoin 配合 polyshape 做区域裁剪会更顺手。2.2 围捕策略的核心三环节包围、收缩、捕获围捕问题来源于多智能体协同控制领域典型设定是一组“猎人”智能体需要协同包围一个或多个“猎物”目标。完整的围捕策略通常包含三个环节。首先是包围。每个猎人根据当前的猎物位置和自己的相对方位计算一个包围点确保所有猎人站在猎物周围的不同角度上形成大致均匀的圆形封锁线。这里的关键是角度分配不能出现三四个猎人挤在同一侧、另一侧完全空着的情况。最简单的是均匀分配如果有n个猎人第k个猎人的期望方位角就是 2πk/n 再配合猎人当前实际方位做加权平滑就能自然地分散开。其次是收缩。猎人一边保持角度分布一边向猎物靠近逐步缩小包围圈。收缩的速度不是越快越好太快容易越过包围圈造成震荡太慢又会导致围捕时间过长。这块一般用带速度上限的比例控制就能处理不需要复杂的非线性控制。最后是捕获。当至少一个猎人进入捕获半径并且猎物无法脱离包围圈时判定围捕成功。捕获半径是一个关键阈值后面参数标定部分会单独讲。这里面最核心的设计点是包围点的分配。均匀角度分割是最简单的策略但一旦目标数量增多、猎人需要同时围捕多个猎物均匀分配就不够用了。更进阶的做法是把位置分配建模成最优传输问题或者用Voronoi图来做动态责任区划分——每个猎人负责自己Voronoi区域内的目标区域边界随猎人位置变化而变化。这样“Voronoi图”和“围捕策略”就天然结合起来了也正是这个题目真正值钱的地方。2.3 围捕逻辑如何映射到电网调度场景如果把围捕算法直接照搬到充电调度很多初学者会卡在“物理意义”上充电站是固定的猎人怎么移动这里需要做一个合理的类比抽象。物理上的“猎人移动”映射到电网里其实是“服务资源的控制重心移动”——充电站的物理位置不能动但每个站的容量配置、调度权重、动态电价信号可以变。这些控制手段的效果等效于改变了站点在规划空间中的“影响力范围”等价于猎人向猎物靠近。另一种更直观的映射是移动场景应急充电车、移动储能装置就是实打实的移动猎人它们可以直接向充电需求聚集区域移动。这种场景下围捕算法几乎不用做任何物理意义的转换直接套用多智能体协同控制框架即可。在Matlab复现时建议先在第二种场景里验证算法收敛性再切换到第一种场景做参数映射这样调试效率会高很多因为代码层面的“站点坐标更新”逻辑不需要改变的只是参数含义。3. Matlab复现完整流程与关键代码3.1 环境准备与数据结构设计我用的是MATLAB R2023b核心函数没有大的改动所以R2019b以上的版本应该都能直接跑。不需要额外工具箱 voronoi 、 voronoin 、 polyshape 都是基础函数。如果后续要做更复杂的路径规划或强化学习调度再考虑Mapping Toolbox或Optimization Toolbox。数据结构上建议用struct数组统一管理比一堆散装变量清晰很多。基本字段如下stationsn×2矩阵存放n个服务节点的坐标targetsm×2矩阵存放m个充电需求点坐标vel当前节点速度向量n×2radius捕获半径标量也就是判定需求被“成功服务”的距离阈值bounds地图边界例如 [0 10; 0 10] 表示10km×10km的规划区域代码里多写一条注释说明每个字段的单位和含义后面调参时能省很多事。比如 stations 的单位是千米 radius 的单位也是千米两者必须一致否则围捕判定会完全乱掉。3.2 Voronoi图生成与区域边界处理直接调用 voronoi 函数画图很简单stations [3 7; 8 4; 5 8; 9 9; 2 3]; figure; voronoi(stations(:,1), stations(:,2)); hold on; plot(stations(:,1), stations(:,2), ro, MarkerSize, 8); axis equal; grid on; xlabel(x (km)); ylabel(y (km));这个函数能快速出图但它是“画出来”的不会直接给你每个区域的顶点坐标后续做面积统计、归属判断都得自己再提取。所以实际项目里我更推荐用 voronoin 加 polyshape 的组合stations [3 7; 8 4; 5 8; 9 9; 2 3]; [V, C] voronoin(stations); figure; hold on; for i 1:length(C) % 过滤掉包含 Inf 顶点的无限区域只画有限区域 if all(C{i} ~ 1) poly polyshape(V(C{i},1), V(C{i},2)); plot(poly, FaceColor, [0.85 0.85 0.85], EdgeColor, k); end end plot(stations(:,1), stations(:,2), ro, MarkerSize, 8); axis equal; grid on;注意 voronoin 返回的顶点矩阵 V 中通常第一行是 [Inf, Inf] 表示无穷远点 C{i} 里如果包含1说明该区域外扩到了无穷远直接绘制会产生很奇怪的形状所以要先过滤。如果你只关心某个固定范围内的划分强烈建议用 polyshape 的 intersect 函数把Voronoi区域和地图边界求交。这样每个区域都是闭合多边形后续计算面积、质心、负载均衡指标都非常方便。3.3 围捕策略的核心循环代码围捕算法的实时控制循环本质上是“判断归属 → 计算期望位置 → 更新站点状态”三步循环。下面给一段结构化示意代码读者可以根据自己的场景修改% 参数初始化 stations [3 7; 8 4; 5 8; 9 9; 2 3]; % 猎人/服务节点 targets [4 6; 7 5; 6 8; 2 6; 9 7; 3 9]; % 目标/充电需求 R_cap 0.8; % 捕获半径 v_max 0.5; % 站点移动速度上限等效控制速度 dt 0.1; % 仿真步长 t_total 20; % 总仿真时间 n size(stations, 1); m size(targets, 1); figure; hold on; axis equal; grid on; xlim([0 10]); ylim([0 10]); for t 0:dt:t_total cla; % 清空画面重绘便于观察动态 % 第1步画出当前Voronoi划分 [V, C] voronoin(stations); for i 1:n if all(C{i} ~ 1) poly polyshape(V(C{i},1), V(C{i},2)); plot(poly, FaceColor, [0.85 0.85 0.85], EdgeColor, k); end end % 第2步每个目标寻找最近的站点 assign zeros(m, 1); for j 1:m dist2 sum((stations - targets(j,:)).^2, 2); [~, assign(j)] min(dist2); end % 第3步站点向分配给它的目标靠近简化围捕策略 for i 1:n belong find(assign i); if isempty(belong), continue; end goal mean(targets(belong, :), 1); % 组团质心作为期望位置 delta goal - stations(i, :); d norm(delta); if d 1e-6 d R_cap step min(d, v_max * dt); stations(i, :) stations(i, :) delta / d * step; end end % 绘图 plot(stations(:,1), stations(:,2), ro, MarkerSize, 10, LineWidth, 1.5); plot(targets(:,1), targets(:,2), b^, MarkerSize, 8); pause(0.05); end这段代码的逻辑很直白第1步画出当前Voronoi划分第2步通过距离最近原则把每个目标分配给一个站点第3步让站点向自己负责的目标群质心靠近移动距离不超过速度上限。这已经是一个最简版的“围捕—服务”闭环虽然没有做角度均匀包围但足够演示核心流程。真正要让围捕效果收敛好还需要加“角度分散”逻辑。一种简单的做法是给每个站点赋予一个目标偏移方向让它们不要全冲向同一个点。比如同一组内若有多个站点就按目标数量均分角度扇区把主方向和扇区方向的加权平均作为最终移动方向。这个升级建议在基础版本跑通之后再做不要一开始就上复杂策略否则出了bug很难定位。4. 关键参数标定与实验设计4.1 参数清单与选值逻辑围捕算法涉及的核心参数其实不多但有几个的取值严重决定结果。下表是我整理的一份常用参数直接拿去做参考参数含义参考范围设置依据n服务节点数量5~20对应实际充电站数量越多覆盖越好但成本高m充电需求数量10~100对应车辆充电需求点数越多计算量越大R_cap捕获半径0.5~2 km对应服务距离阈值太大失去调度意义v_max节点速度上限0.2~1 km/步对应控制响应快慢太大会振荡dt仿真步长0.05~0.2实时控制周期步长大误差大步长小计算量大bounds规划区域10km×10km视实际区域大小调整R_cap 这个参数最值得解释。它如果设得非常大站点几乎不需要移动就能“捕获”目标整个系统退化成纯静态归属围捕过程看不到设得太小站点要非常贴近目标才判成功仿真时间会拖得很长。经验上取地图短边的5%~10%比较合适。10km的地图取0.5~1km就是合理区间。v_max 和 dt 这对参数需要配合着看。它们决定了每个控制周期内节点能移动的最大距离也就是 v_max × dt 。如果一次移动距离远大于捕获半径站点会来回穿越目标点出现明显震荡如果远小于捕获半径系统收敛又太慢。我一般先定 dt 0.1 再让 v_max × dt 约为 R_cap 的五分之一左右。4.2 三个实验场景静态、动态、加权跑实验建议按三个递进场景来。第一个场景是静态目标围捕。所有充电需求点位置事先给定且不再变化观察站点能否在有限时间内走到合适位置并保持区域划分稳定。这个场景检验的是基础覆盖能力也是调参最快的一步。只要静态场景能收敛说明算法主循环没有结构性问题。第二个场景是动态目标围捕。让充电需求点以一定速度随机移动模拟真实道路上行驶的电动车。此时站点每时每刻都在根据目标位置重新计算归属、重新规划移动方向。这个场景考验的是算法的实时响应能力。如果站点速度上限跟不上目标移动速度围捕永远不会成功——这个结论在电力调度场景下是有实际对应的当需求变化太快而资源调度响应太慢时系统就会失衡。第三个场景建议做加权Voronoi围捕。不同充电站有不同的容量上限用权重 w 表示距离计算改成加权距离 d d / w 。权重大的站点吸引范围更大权重小的站点责任区缩小。这一步是向真实电网约束靠拢的关键因为现实里不可能所有充电站容量一样。4.3 结果分析三个评价指标仿真跑完不能只看动画漂亮要量化分析。我常用的评价指标有三个平均围捕时间所有目标从开始到被成功服务进入捕获半径的平均步数反映系统响应速度。总服务路程所有站点从起始位置到最终位置的总移动距离反映调度成本。负载均衡度最终每个站点负责的目标数量标准差方差越小越均衡。代码里只需要在循环内多记录几行数据比如每次成功服务后记录时间每步累加移动距离最后统计分配数量。这三个指标画成图既能验证算法有效性也能支撑后续与静态规划方案的对比——当你发现动态围捕策略能把负载均衡度提升多少时方案的价值自然就凸显了。另外建议保存每次仿真的配置和结果参数方便复现和横向对比。多组实验的参数与指标汇总成一张结果表比口头描述直观得多。4.4 实例跑分10km区域里的8站35点为了有一个具体感知我用下面这组配置跑了一个实例地图10km×10km8个充电站初始位置随机生成35个充电需求点按照三个区域聚簇分布模拟居民区、商圈、高速服务区 R_cap 0.8 v_max 0.5 dt 0.1 最大仿真时长50s。实测的收敛过程大致是这样前5s站点开始向聚簇区域移动Voronoi区域边界持续变化到第15s左右大部分站点进入稳定位置此时负载均衡度每个站点负责目标数量的标准差从初始的5.2降到1.8左右第30s左右所有目标均进入捕获半径平均围捕时间约为18.5s。如果把同样的需求点交给不做动态响应的静态方案标准差大概维持在4.5左右。这组数字直观说明了动态围捕策略对负荷均衡度的改善效果。5. 常见问题与排查技巧实录5.1 Voronoi生成阶段的两个经典坑第一个坑是无限边界区域。前面代码里提到过Inf顶点如果不做处理直接画 polyshape MATLAB会报错或者画出畸形多边形。解决方法是过滤 C{i} 中包含1的索引或者用地图边界对每个区域做 intersect 裁剪。我实测下来裁剪方案更实用因为最终计算面积时边界外的无限区域没有意义。第二个坑是种子点共线或者坐标重合。当多个站点排在一条直线上Delaunay三角剖分会出现退化三角形 voronoin 输出异常。排查时先检查站点坐标是否有重复再检查是否共线。如果站点数量较多且分布极不均匀建议强制加入一个很小的随机扰动能有效规避数值退化问题。5.2 围捕过程不收敛或震荡围捕不收敛最常见的原因是站点速度上限太低或者目标移动速度太快。一个简单的判别式是站点的最大步进 v_max × dt 必须大于目标单位时间位移的两倍。如果达不到目标永远在站点追到它之前就溜走了。这类问题不需要改算法调参数就能解决。震荡则多半是增益太高或者步长太大。站点一步跨过目标位置然后在目标两侧来回摆动。解决方法是降低 v_max 或者让站点在距离目标小于阈值时减速而不是继续保持最大速度。前面建议的“ v_max × dt 取 R_cap 的五分之一”就是为了避免这种震荡。还有一种情况是多个站点同时追赶同一个目标导致目标附近出现“抢位”现象这种情况加角度分散逻辑就能解决。5.3 性能与可视化调试如果目标数量很多比如100个每步循环对每个目标计算到所有站点的距离时间复杂度是O(n×m)在MATLAB里很容易成为瓶颈。优化方向是向量化用矩阵减法把目标到所有站点的距离一次性算完而不是用for循环逐个目标算。还可以把赋值判断用 min 函数一步完成减少临时变量。可视化调试的另一个技巧是把Voronoi边界透明度调高目标点用三角形、服务节点用圆形并且用不同颜色标注捕获状态比如捕获成功的目标用绿色标记。这样在高密度场景下也能快速看清站点是否遗漏了某些目标。如果仿真时间很长还可以加一个进度条避免干等。6. 复现过程中的其他体会做这个复现的过程中我最深的体会是交叉领域题目的难点往往不在算法本身而在概念映射。Voronoi图和围捕算法各自都有成熟的数学基础难的是把它们从“二维平面上的物理包围”翻译成“电网调度里的资源优化”。一旦你完成了这层抽象后面无论是换约束、加权重、改成多目标优化都只是在同一个框架上做修修补补。最后再分享一个小技巧仿真代码不要一开始就追求功能完整。先把“生成站点→画Voronoi图→目标归属→站点移动→判定捕获”这条最小链路跑通每一步用绘图或命令行输出做可视化验证确认无误后再逐步增加参数约束、动态场景、统计指标。这样调试过程会舒服很多也不会被一堆参数之间的耦合关系绕晕。如果后续要在实际项目里用这套思路可以考虑扩展成Python版本用scipy的Voronoi生成和numpy的向量化计算跑大规模场景的速度会比MATLAB好不少。但作为原理验证和课程展示MATLAB版本完全够用而且绘图交互性更强更适合把算法机理讲清楚。