1. 从集中式到主从分布式这个项目到底在解决什么问题1.1 集中式优化在配电网场景下的现实困境我最初接触这个题目时第一反应是配电网优化控制不是已经有很成熟的模型了吗支路潮流模型加最优潮流算法目标函数一写约束一堆交给求解器跑就行。但真正动手后才发现这里的核心矛盾根本不在数学而在信息在哪、谁来决策。传统集中式优化的前提是调度中心能拿到全网完整的网络参数和运行数据。但你实际面对一个真实的配电网时问题就复杂了。现在的配电网早就不是一个运营主体能完全掌控的主干网可能是电网公司管下面的工业园微网可能是第三方投资运营再往下的小区分布式光伏、充电桩集群、储能站各有各的调度策略和隐私边界。让一个集中式EMS采集所有数据不仅通信通道承受不住更重要的是没有运营主体愿意把内部数据全部交出来。说白了集中式优化在物理拓扑上可行在管理架构上经常走不通。这就是分布式优化的价值所在每个区域只需要和邻居交换边界上的少量信息比如联络线的功率、边界节点的电压通过反复协调逼近全局最优。而主从配电网这个结构指的就是上层主网和下层若干个从网之间的层级关系——主网负责边界调度和整体协调从网负责内部自治优化两者通过公共连接点耦合。这种架构非常适合用分布式算法来解。1.2 主从配电网的结构特征与协调难点我在自己的算例中搭了一个很典型的单主多从结构上层一个33节点配电网作为主网下面挂两个从网子区域每个子区域里有自己的分布式光伏、储能和负荷。主网和从网之间只有一条联络线边界变量就是交换功率和节点电压幅值。这个结构最大的特点是层级耦合、内部自治。主网不关心从网内部每个节点的状态它只关心我能给你送多少功率、你反馈的电压期望值是多少从网也不关心主网内部的潮流分布它只关心边界上能满足我多大力度的供电需求。两边各自做内部优化然后把边界量往一致的方向迭代。协调难点在哪主要在三个地方第一边界变量的定义要一致主网侧看的是我送出去的功率从网侧看的是我接收到的功率如果不做符号统一迭代必出错第二两个区域的优化目标可能冲突主网想降低网损、减少购电从网想最大化本地光伏消纳这些目标之间只有通过边界价格信号或者说对偶变量来折中第三分布式算法对边界信息的更新节奏非常敏感这就引出了串行和并行两种ADMM调度模式。1.3 项目目标与算例设计思路我给自己定的目标是写一套完整的Matlab代码能够对比串行ADMM和并行ADMM两种模式在主从配电网场景下的收敛行为和计算表现。具体来说分三步走第一步先把传统集中式最优潮流模型写出来跑通作为全局最优解的基准 第二步把网络在边界节点处撕开构造主网子问题和从网子问题用ADMM框架协调 第三步分别实现串行和并行两种更新顺序通过收敛曲线、迭代次数、边界费用三个指标做对比。整个代码全部基于Matlab实现子问题用二次规划求解。这样做的好处是所有数据自己可控不用依赖外部商业求解器方便复现和二次开发。如果你手头有更大规模的网络算例只需要把算例数据替换掉主从边界定义清楚算法框架可以直接平移。2. ADMM求解机制拆解为什么它是分布式优化的天然选择2.1 从增广拉格朗日乘子法到ADMM的两步跳跃ADMM的数学基础是增广拉格朗日乘子法ALM。传统拉格朗日乘子法通过拉格朗日乘子把约束罚进目标函数但要求函数具有强凸性质才收敛得稳。ALM在拉格朗日函数里加了一个关于约束违背量的二次惩罚项它的作用是让迭代点快速回到可行域附近同时保持对偶变量的更新律。但ALM有个致命弱点二次惩罚项破坏了原问题的可分解性。原本目标函数写成f(x)g(z)约束写成AxBzc两项可以拆开各自独立求解加入惩罚项(ρ/2)||AxBz-c||²之后x和z被交叉项耦合在一起没法并列求解。ADMM的解法是交替方向每一步先固定z和乘子对x做一次最小化再固定刚更新的x和乘子对z做一次最小化最后更新乘子。它保留了ALM的稳健收敛性质同时把耦合项拆成了两个子问题。这个过程不需要两个变量同时最优只要交替朝着鞍点方向前进最终就能收敛到原问题的最优解。我最初学到这里的时候感觉不太直观。后来我用一个生活类比理解两个人要在一张桌子两边同时调整一堆东西的位置目标是一个整体效果最优。ALM相当于一个人喊口号另一个人只负责执行喊口号的人清楚全局目标但执行的人完全被动ADMM相当于两个人轮流调整自己那边的桌面每次调整都参考对方上次调完的结果同时有一根橡皮筋惩罚项始终把两边的位置往一处拉。橡皮筋越紧两边越容易达成一致但太紧会导致每次动作幅度过大反过来引起震荡。2.2 迭代公式逐项解读与缩放形式标准的ADMM迭代公式是这样的。考虑问题min f(x) g(z)约束条件 Ax Bz c每一步迭代做三件事第一步更新x子问题 x^(k1) argmin_x { f(x) (ρ/2) * ||Ax Bz^k − c u^k||² }第二步更新z子问题 z^(k1) argmin_z { g(z) (ρ/2) * ||Ax^(k1) Bz − c u^k||² }第三步更新对偶变量 u^(k1) u^k ρ * (Ax^(k1) Bz^(k1) − c)这里的ρ是惩罚系数u是缩放后的对偶变量。如果不用缩放形式第三步写成λ^(k1) λ^k ρ(Ax^(k1) Bz^(k1) − c)两种写法数学上等价但缩放形式在实现时更简洁。我们在主从配电网里用ADMM时问题抽象成主网的目标函数是f(x)从网的目标函数是g(z)两个区域在边界处的耦合约束写成x z也就是说主网侧边界量等于从网侧边界量。这个时候A I, B -I, c 0迭代公式大大简化x^(k1) argmin_x { f(x) (ρ/2) * ||x − z^k u^k||² } z^(k1) argmin_z { g(z) (ρ/2) * ||x^(k1) − z u^k||² } u^(k1) u^k ρ * (x^(k1) − z^(k1))这个简化后的形式在我的Matlab代码里就是核心迭代循环所有物理量的含义都变得很清楚主网先看从网上次给我的边界量加上对偶修正项求解自己最优从网再看主网刚算好的边界量同样加上对偶修正项求解自己最优然后对偶变量根据两边边界量的偏差做更新。对偶变量在这里等价于边界节点上的有功电价信号——它越高说明两边对边界功率的分歧越大后续迭代会通过调整内部出力和负荷来减少分歧。2.3 ADMM在配电网边界协调中的物理解释在主从配电网里ADMM的每一步其实都有明确的物理意义。主网子问题的目标函数是运行成本最小化比如购电费用和网损费用。从网子问题的目标函数可以设置为运行成本加弃光惩罚目的是在自己内部尽量消纳分布式电源。两个子问题通过一个共享的边界功率变量来协调。迭代过程中你会发现一个很有意思的现象如果惩罚系数ρ取得较大边界功率在第几次迭代时就能达到基本一致但内部的决策变量会变得激进有些迭代步甚至会出现从网为了满足边界功率约束而大幅调整储能充放电功率的情况。这是因为惩罚项放大了边界偏差的影响子问题在求解时倾向于优先消减偏差而不是优化自身目标。反过来如果ρ太小两边在边界上长期谈不拢需要很多次迭代才能收敛因为对偶变量对偏差的响应太迟钝。直观上ADMM的收敛过程像两个团队在谈合作主网和从网各有各的账本边界功率是双方要签的合同数字对偶变量是合同价格。每一轮谈判双方根据上一轮对方开出的条件重新算一版自己的最优方案并报出新的合同意向价格根据意向差距调整。如果价格调整步伐合适几轮下来双方就能签下一份双方都认的合同。3. 串行与并行调度两种ADMM执行模式的实现差异3.1 串行ADMMGauss-Seidel式的信息传递节奏串行ADMM的更新顺序是先求解主网子问题得到全新x后立刻传给从网从网拿到最新x来求解z然后更新对偶变量。这一轮结束后新的乘子再用于下一轮主网子问题的求解。这个顺序在数学上叫Gauss-Seidel风格和求解线性方程组时的Gauss-Seidel迭代是一脉相承的——每个变量用最新的信息更新。好处是信息新鲜从网用的永远是主网刚算完的数据所以整体收敛速度通常在迭代次数上更优。代码上串行模式最直接就是依次调用两个子问题求解函数。我最初的实现就是这个版本逻辑很好理解调试也很方便。如果你也是刚开始接触ADMM代码我建议第一步先写串行版本把收敛性跑通了再考虑并行。串行的缺点在于通信次数。每轮迭代要完成主网→从网的边界量传递然后从网→主网的回传如果从网数量多主网还要逐个等待。实际部署时主网和从网之间每次通信都有延迟串行的等待时间会累积总耗时不一定理想。3.2 并行ADMMJacobi式的同时更新模式并行模式完全是另一种节奏。每一轮迭代中主网和所有从网同时基于上一轮的信息求解自己的子问题互相之间不用等待。这个模式对应数值代数里的Jacobi迭代——所有变量都用旧值更新谁也不用等谁。实现上最关键的区别在于子问题求解时用的对方变量必须是上一轮的值不能混用本轮已更新的值。我在代码里专门开了两个变量保存上轮结果否则一旦误用了新值算法的收敛性质就变了甚至可能不收敛但代码看起来还像那么回事这种bug排查起来非常费劲。并行ADMM在大规模多从网场景下很有吸引力因为所有从网子问题可以同时求解。Matlab里可以用parfor循环或者并行计算工具箱把多个从网子问题的求解并行化计算时间由最慢的那个子问题决定而不是全部子问题的耗时之和。在多主体各自独立运营的现实场景中并行模式也更贴合实际情况——各个从网本来就不需要互相等待各自算完上报结果即可。但并行模式的收敛性通常比串行差一些。原因也很直观每一轮用到的都是上一轮的旧信息信息滞后了半步。在某些边界耦合比较强的算例里并行ADMM可能出现锯齿状振荡即边界功率在目标值附近来回摆动久久不收敛。3.3 收敛性、通信量与执行模式的选择逻辑我们在这方面的认识是在对比实验中逐渐清晰的。对于固定ρ取值的串行和并行ADMM串行模式通常用更少的迭代次数达到相同的残差水平尤其在从网数目少、耦合程度高的算例中优势明显。并行模式的优势不在迭代次数而在每轮迭代的计算时间——当多个从网可以真正并行计算时总耗时反而可能更低。通信量方面两种模式每一轮的通信次数差不多都是各子问题完成计算后交换一次边界信息。但串行模式中主网和从网之间存在额外的等待时间。假设每个子问题求解需要0.5秒串行模式下两个从网要依次求解单轮耗时至少1.5秒并行模式下两个从网同时算完单轮可能只要1秒。也就是说虽然并行需要更多轮次但跑起来反而更快这是一种轮次换时间的权衡。选择哪种模式我的判断标准主要看三点。第一从网数量多不多如果只有一个从网串行并行没有本质区别第二通信条件好不好如果通信延迟大串行模式的信息传递优势会被抹平第三各从网的求解子问题是否真的能并行如果都是单机串行跑并行模式只是形式上并行实际耗时并不占优。4. Matlab实现架构模型搭建、边界提取与迭代循环4.1 算例设置与主从网络建模我的算例设置如下主网用标准33节点配电网拓扑在节点18和节点22通过联络线分别接入两个从网子区域。每个从网简化成一个小型辐射网内部有一个分布式光伏节点和一个储能节点负荷按典型日曲线给定。这样做的好处是整体规模适中主网子问题是一个约33节点的最优潮流从网子问题各是一个约10节点的小型优化Matlab的quadprog可以直接解。在建模时我用了支路潮流模型的线性化版本也就是DistFlow的线性形式。配电网电压在稳态运行下偏离额定值不远潮流方程中的二次项可以舍弃或线性化这个精度在分布式优化的协调层足够用。如果你更关注精确性可以把子问题模型换成二阶锥规划SOCP但求解器要求和代码复杂度都会上一个台阶。网络建模这部分我强烈建议单独写一个文件不要和其他代码混在一起。因为主从网络最重要的就是边界节点编号和联络线参数的清晰管理。我在代码里用结构体数组来存放每个从网的节点数据、支路数据和边界接口信息主网的边界信息单独存放。这样后面要换算例只需要改数据文件算法循环不用动。4.2 主网子问题与从网子问题的凸优化建模主网子问题的变量包括主网各节点电压幅值平方、支路功率、以及边界节点送出的功率。目标函数是最小化主网向上级电网的购电成本和网络损耗费用。约束条件包括DistFlow潮流方程、节点电压上下限、支路容量上限和边界功率变量与从网侧交换功率的一致性项。从网子问题稍微不一样。每个从网内部有自己的光伏出力和储能充放电功率目标函数我设置为两部分的加权和一部分是从网的运行成本另一部分是光伏弃电惩罚。弃电惩罚项的作用是让从网在边界条件允许的情况下优先消纳光伏不要随便切光伏出力。两个子问题的目标函数在ADMM框架里都要加上惩罚项。比如主网子问题的完整形式是min f(x) (ρ/2) * ||x_boundary − z_boundary_prev u_prev||²这里的x_boundary是主网决策变量中与从网交换的功率z_boundary_prev是上一轮从网传递过来的边界功率值u_prev是上一轮的对偶变量。从网子问题同理只是把x和z的位置对调。4.3 核心迭代循环与收敛判据代码实现下面这段是实际跑通的串行ADMM核心循环骨架去掉了网络数据读取部分保留了完整的算法逻辑%% ADMM参数 rho 100; % 惩罚系数 max_iter 200; % 最大迭代次数 eps_abs 1e-4; % 绝对容差 eps_rel 1e-3; % 相对容差 %% 初始化 x_b 0; % 主网侧边界功率 z_b 0; % 从网侧边界功率 u 0; % 对偶变量缩放形式 %% 主循环 for k 1:max_iter x_b_old x_b; z_b_old z_b; % 步骤1求解主网子问题 [x_b, x_inner] solve_master(z_b_old, u, rho); % 步骤2求解从网子问题串行使用最新x_b [z_b, z_inner] solve_slave(x_b, u, rho); % 步骤3更新对偶变量 u u rho * (x_b - z_b); % 计算原始残差和对偶残差 r_pri abs(x_b - z_b); r_dual rho * abs(z_b - z_b_old); % 计算自适应容差 eps_pri sqrt(1) * eps_abs eps_rel * max(abs(x_b), abs(z_b)); eps_dual sqrt(1) * eps_abs eps_rel * abs(u); % 收敛判断 if r_pri eps_pri r_dual eps_dual fprintf(ADMM收敛于第%d次迭代\n, k); break; end end这里solve_master和solve_slave是我单独封装的子问题求解函数内部用quadprog求解返回边界功率和内部状态变量。你要是用YALMIP建模也可以把这两个函数改成YALMIP的优化求解块外层逻辑完全不用改。并行模式的改动只在步骤2之前。需要把主网的边界值先存到一个临时变量里从网子问题求解时引用的是上一轮的x_b而不是本轮刚算出来的值%% 并行模式主网和从网都用上轮信息 x_b_prev x_b; z_b_prev z_b; [x_b, x_inner] solve_master(z_b_prev, u, rho); % 用上轮z [z_b, z_inner] solve_slave(x_b_prev, u, rho); % 用上轮x u u rho * (x_b - z_b);就这么一点顺序差异对应的数学性质完全不同。我在最开始写并行版本时就栽过这个跟头误用了本轮的x_b去求解从网子问题结果算法看起来在迭代实际上已经偏离了ADMM的标准形式最后的解和集中式最优解对不上。4.4 为什么每个H2段落要有这个层次写到这里核心代码已经能跑起来了。但距离能用到好用还有一段路剩下的篇幅集中讲我在调参和排错过程中积累的实战经验这些在课本和算法原论文里都不会系统写。5. 仿真调参实录惩罚系数、残差监控与常见收敛陷阱5.1 惩罚系数ρ的影响与整定方法惩罚系数ρ是整个ADMM算法里最需要手工干预的参数。你可能已经注意到收敛判据和迭代路径都受到ρ的直接影响。我一开始按文献惯例取ρ1跑默认算例结果迭代了七八十次才收敛而且中间很长一段区间残差下降得非常慢曲线像一条拖尾的尾巴。后来把ρ调到100同样的算例只要二十几次迭代就收敛了。但ρ不是越大越好。我在另一个算例里把ρ调到1000结果前几次迭代的残差确实猛降但后续出现了明显的锯齿振荡边界功率在主网期望值和从网期望值之间来回跳动就是不落在双方都能接受的点上。原因我在前面提过惩罚项权重过大后子问题会优先满足边界一致而牺牲自身的收益目标导致每次迭代的决策变量大幅摆动收敛性质恶化。一个实用的整定方法是做几次预扫描。固定其他条件不变把ρ按10倍梯度从1试到1000记录达到收敛判据所需的迭代次数和是否振荡。选一个迭代次数少且过程平稳的值。如果你想更精细可以在100到500之间按50的步长做二次扫描。这个过程脚本化很快几分钟就能出结果。如果不想手工调也可以用残差平衡法做自适应ρ每几轮迭代根据原始残差和对偶残差的比值调整ρ。但对于配电网优化这种问题我建议先用固定ρ把模型调通再考虑自适应。因为自适应ρ会让算法行为变得不那么可控一旦出现发散你很难定位是模型问题还是ρ策略问题。5.2 原始残差与对偶残差的联合判断很多初学者的代码只用边界功率差值作为收敛依据也就是只看原始残差r_pri ||x − z||。这在大多数情况下能工作但有时候你会遇到一种诡异的情况原始残差很小了比如10的负5次方对偶变量却还在明显变化。这说明乘子的更新还没稳定下来此时提前停止得到的解虽然在边界上达成了一致但未必是最优解。标准做法是同时监控原始残差和对偶残差。对偶残差的计算公式是r_dual ρ * ||z_new − z_old||它衡量的是对偶变量更新步长的大小。只有两个残差都低于各自容差才认为算法真正收敛。容差的设置也有讲究。不要用固定绝对值因为不同规模网络的变量量纲不一样。更通用的做法是采用绝对容差加相对容差的组合ε_pri sqrt(p) * ε_abs ε_rel * max(||x||, ||z||)ε_dual sqrt(n) * ε_abs ε_rel * ||u||。其中p是边界变量个数n是内部变量个数。我习惯设ε_abs1e-4ε_rel1e-3这是Boyd的ADMM论文里的推荐起始值实测下来适用于大多数配电网算例。5.3 发散、锯齿与死循环的排查思路我在整个仿真过程中遇到过三种典型故障每个都值得单独说。第一种是直接发散残差一路冲上去不回头。这个一般三个原因一是子问题约束写错导致每一次求解都是不可行的乘子更新把误差越放越大二是ρ取得过大惩罚项压过了原目标函数三是边界变量在传递时符号搞反了。排查顺序建议是先检查子问题的可行性把ADMM协调项先去掉单独跑一次集中式优化确认模型本身没问题然后检查边界变量符号主网送出的功率在从网侧必须看成接收功率差一个负号乘子就会往错误方向一直累积最后再查ρ。第二种是锯齿振荡。残差曲线呈现周期性的大幅波动但波动中心在逐步下移。这种情况常发生在并行ADMM、ρ偏大、或者边界耦合较强时。我的处理办法是把ρ调小给算法一点缓冲空间或者引入松弛系数——ADMM里的过松弛技术让乘子更新变成u u ρ * α * (x − z)通常α取1.5到1.8我实测用1.6对配电网场景比较稳。过松弛本质上是在乘子更新时加大一点步长加速收敛但注意α大于2时算法稳定性会显著恶化。第三种是死循环——残差曲线基本不动卡在一个恒定值附近。这个我在一个算例里遇到过后来定位到是从网储能容量约束过紧导致从网在任何边界功率下都满足不了最优性条件对偶变量怎么更新都推不动。解决办法是把储能容量约束适当放宽或者把从网子问题的目标函数加一个很小的线性项比如弃电成本给边界功率一个移动的驱动力。5.4 串行与并行在算例上的表现对比在同一套算例上我分别记录了串行和并行ADMM的收敛表现。串行模式大概24次迭代达到收敛并行模式需要31次独立迭代。但把每次迭代的耗时算进去并行模式反而更快因为两个从网子问题同时求解。这里有一个数据值得单独说串行模式在第18次迭代的时候边界功率差已经降到了1e-3以下但最后到1e-4级别的收敛判据又花了几次迭代。越接近收敛收敛速度越慢这是ADMM的典型行为——线性收敛越到后期越需要耐心。所以我建议不要盲目追求特别小的收敛容差在配电网优化里边界功率差在1e-2级别的精度实际上已经满足工程应用要求了再小只是让迭代次数白白增加。6. 从算例到工程几个我认为值得留意的落地问题6.1 边界信息交换内容与隐私保护ADMM分布式优化的卖点之一就是隐私保护。在迭代过程中主网和从网之间交换的只有边界变量和对偶变量不需要透露内部线路参数和负荷细节。但要说完全保护隐私也不严谨。对偶变量里面其实隐含了边际电价信息有心人从多轮迭代数据里可以反推出对方的部分成本结构。所以工程化部署时要对交换信息的加密和访问权限做出约定分布式优化只是把数据交互量降到最低不代表可以裸奔。6.2 通信失败与算法鲁棒性串行ADMM对通信依赖度更高因为每一步都需要上一步的结果一旦某个从网通信断了几轮整个迭代就卡死。并行ADMM在通信失败时至少可以让其他从网继续算但算法收敛性同样会受影响。在实际工程里我建议至少要做一个简单的超时保护和状态回退机制如果某个子网超过设定时间没有反馈就沿用上一次的边界值继续迭代并在后续轮次里逐步增大该从网的对偶修正项权重倒逼它恢复正常通信。这套机制虽然朴素但在算例模拟通信间断时效果很明显。6.3 后续扩展思路这个项目我后来还做过两个方向的扩展都很有价值。第一个是考虑三相不平衡的配电网模型把子问题从单相潮流改成三相模型边界变量增加相分量ADMM框架完全不用动。第二个是把ADMM和一致性理论结合处理环状网络多区域并行的场景这时候每个区域要和多个邻居交换边界信息耦合矩阵就不再是简单的单位阵了。如果你手头的项目涉及微网集群协调或者电动汽车有序充电这个ADMM框架同样是可以复用的——核心只在于把边界变量定义清楚把各个子问题的凸优化模型建对。最后分享一下我的个人感受这类分布式优化项目整体难度不在算法推导而在工程实现中的细节管理。边界变量定义、更新顺序、残差监控、参数整定每一个环节都可能在测试时给你挖坑。但只要把串行版本先跑通理解了ADMM每一步的物理含义后面无论是改并行还是换算例都是水到渠成的事。
配电网主从分布式优化：ADMM串行与并行调度的Matlab实现
1. 从集中式到主从分布式这个项目到底在解决什么问题1.1 集中式优化在配电网场景下的现实困境我最初接触这个题目时第一反应是配电网优化控制不是已经有很成熟的模型了吗支路潮流模型加最优潮流算法目标函数一写约束一堆交给求解器跑就行。但真正动手后才发现这里的核心矛盾根本不在数学而在信息在哪、谁来决策。传统集中式优化的前提是调度中心能拿到全网完整的网络参数和运行数据。但你实际面对一个真实的配电网时问题就复杂了。现在的配电网早就不是一个运营主体能完全掌控的主干网可能是电网公司管下面的工业园微网可能是第三方投资运营再往下的小区分布式光伏、充电桩集群、储能站各有各的调度策略和隐私边界。让一个集中式EMS采集所有数据不仅通信通道承受不住更重要的是没有运营主体愿意把内部数据全部交出来。说白了集中式优化在物理拓扑上可行在管理架构上经常走不通。这就是分布式优化的价值所在每个区域只需要和邻居交换边界上的少量信息比如联络线的功率、边界节点的电压通过反复协调逼近全局最优。而主从配电网这个结构指的就是上层主网和下层若干个从网之间的层级关系——主网负责边界调度和整体协调从网负责内部自治优化两者通过公共连接点耦合。这种架构非常适合用分布式算法来解。1.2 主从配电网的结构特征与协调难点我在自己的算例中搭了一个很典型的单主多从结构上层一个33节点配电网作为主网下面挂两个从网子区域每个子区域里有自己的分布式光伏、储能和负荷。主网和从网之间只有一条联络线边界变量就是交换功率和节点电压幅值。这个结构最大的特点是层级耦合、内部自治。主网不关心从网内部每个节点的状态它只关心我能给你送多少功率、你反馈的电压期望值是多少从网也不关心主网内部的潮流分布它只关心边界上能满足我多大力度的供电需求。两边各自做内部优化然后把边界量往一致的方向迭代。协调难点在哪主要在三个地方第一边界变量的定义要一致主网侧看的是我送出去的功率从网侧看的是我接收到的功率如果不做符号统一迭代必出错第二两个区域的优化目标可能冲突主网想降低网损、减少购电从网想最大化本地光伏消纳这些目标之间只有通过边界价格信号或者说对偶变量来折中第三分布式算法对边界信息的更新节奏非常敏感这就引出了串行和并行两种ADMM调度模式。1.3 项目目标与算例设计思路我给自己定的目标是写一套完整的Matlab代码能够对比串行ADMM和并行ADMM两种模式在主从配电网场景下的收敛行为和计算表现。具体来说分三步走第一步先把传统集中式最优潮流模型写出来跑通作为全局最优解的基准 第二步把网络在边界节点处撕开构造主网子问题和从网子问题用ADMM框架协调 第三步分别实现串行和并行两种更新顺序通过收敛曲线、迭代次数、边界费用三个指标做对比。整个代码全部基于Matlab实现子问题用二次规划求解。这样做的好处是所有数据自己可控不用依赖外部商业求解器方便复现和二次开发。如果你手头有更大规模的网络算例只需要把算例数据替换掉主从边界定义清楚算法框架可以直接平移。2. ADMM求解机制拆解为什么它是分布式优化的天然选择2.1 从增广拉格朗日乘子法到ADMM的两步跳跃ADMM的数学基础是增广拉格朗日乘子法ALM。传统拉格朗日乘子法通过拉格朗日乘子把约束罚进目标函数但要求函数具有强凸性质才收敛得稳。ALM在拉格朗日函数里加了一个关于约束违背量的二次惩罚项它的作用是让迭代点快速回到可行域附近同时保持对偶变量的更新律。但ALM有个致命弱点二次惩罚项破坏了原问题的可分解性。原本目标函数写成f(x)g(z)约束写成AxBzc两项可以拆开各自独立求解加入惩罚项(ρ/2)||AxBz-c||²之后x和z被交叉项耦合在一起没法并列求解。ADMM的解法是交替方向每一步先固定z和乘子对x做一次最小化再固定刚更新的x和乘子对z做一次最小化最后更新乘子。它保留了ALM的稳健收敛性质同时把耦合项拆成了两个子问题。这个过程不需要两个变量同时最优只要交替朝着鞍点方向前进最终就能收敛到原问题的最优解。我最初学到这里的时候感觉不太直观。后来我用一个生活类比理解两个人要在一张桌子两边同时调整一堆东西的位置目标是一个整体效果最优。ALM相当于一个人喊口号另一个人只负责执行喊口号的人清楚全局目标但执行的人完全被动ADMM相当于两个人轮流调整自己那边的桌面每次调整都参考对方上次调完的结果同时有一根橡皮筋惩罚项始终把两边的位置往一处拉。橡皮筋越紧两边越容易达成一致但太紧会导致每次动作幅度过大反过来引起震荡。2.2 迭代公式逐项解读与缩放形式标准的ADMM迭代公式是这样的。考虑问题min f(x) g(z)约束条件 Ax Bz c每一步迭代做三件事第一步更新x子问题 x^(k1) argmin_x { f(x) (ρ/2) * ||Ax Bz^k − c u^k||² }第二步更新z子问题 z^(k1) argmin_z { g(z) (ρ/2) * ||Ax^(k1) Bz − c u^k||² }第三步更新对偶变量 u^(k1) u^k ρ * (Ax^(k1) Bz^(k1) − c)这里的ρ是惩罚系数u是缩放后的对偶变量。如果不用缩放形式第三步写成λ^(k1) λ^k ρ(Ax^(k1) Bz^(k1) − c)两种写法数学上等价但缩放形式在实现时更简洁。我们在主从配电网里用ADMM时问题抽象成主网的目标函数是f(x)从网的目标函数是g(z)两个区域在边界处的耦合约束写成x z也就是说主网侧边界量等于从网侧边界量。这个时候A I, B -I, c 0迭代公式大大简化x^(k1) argmin_x { f(x) (ρ/2) * ||x − z^k u^k||² } z^(k1) argmin_z { g(z) (ρ/2) * ||x^(k1) − z u^k||² } u^(k1) u^k ρ * (x^(k1) − z^(k1))这个简化后的形式在我的Matlab代码里就是核心迭代循环所有物理量的含义都变得很清楚主网先看从网上次给我的边界量加上对偶修正项求解自己最优从网再看主网刚算好的边界量同样加上对偶修正项求解自己最优然后对偶变量根据两边边界量的偏差做更新。对偶变量在这里等价于边界节点上的有功电价信号——它越高说明两边对边界功率的分歧越大后续迭代会通过调整内部出力和负荷来减少分歧。2.3 ADMM在配电网边界协调中的物理解释在主从配电网里ADMM的每一步其实都有明确的物理意义。主网子问题的目标函数是运行成本最小化比如购电费用和网损费用。从网子问题的目标函数可以设置为运行成本加弃光惩罚目的是在自己内部尽量消纳分布式电源。两个子问题通过一个共享的边界功率变量来协调。迭代过程中你会发现一个很有意思的现象如果惩罚系数ρ取得较大边界功率在第几次迭代时就能达到基本一致但内部的决策变量会变得激进有些迭代步甚至会出现从网为了满足边界功率约束而大幅调整储能充放电功率的情况。这是因为惩罚项放大了边界偏差的影响子问题在求解时倾向于优先消减偏差而不是优化自身目标。反过来如果ρ太小两边在边界上长期谈不拢需要很多次迭代才能收敛因为对偶变量对偏差的响应太迟钝。直观上ADMM的收敛过程像两个团队在谈合作主网和从网各有各的账本边界功率是双方要签的合同数字对偶变量是合同价格。每一轮谈判双方根据上一轮对方开出的条件重新算一版自己的最优方案并报出新的合同意向价格根据意向差距调整。如果价格调整步伐合适几轮下来双方就能签下一份双方都认的合同。3. 串行与并行调度两种ADMM执行模式的实现差异3.1 串行ADMMGauss-Seidel式的信息传递节奏串行ADMM的更新顺序是先求解主网子问题得到全新x后立刻传给从网从网拿到最新x来求解z然后更新对偶变量。这一轮结束后新的乘子再用于下一轮主网子问题的求解。这个顺序在数学上叫Gauss-Seidel风格和求解线性方程组时的Gauss-Seidel迭代是一脉相承的——每个变量用最新的信息更新。好处是信息新鲜从网用的永远是主网刚算完的数据所以整体收敛速度通常在迭代次数上更优。代码上串行模式最直接就是依次调用两个子问题求解函数。我最初的实现就是这个版本逻辑很好理解调试也很方便。如果你也是刚开始接触ADMM代码我建议第一步先写串行版本把收敛性跑通了再考虑并行。串行的缺点在于通信次数。每轮迭代要完成主网→从网的边界量传递然后从网→主网的回传如果从网数量多主网还要逐个等待。实际部署时主网和从网之间每次通信都有延迟串行的等待时间会累积总耗时不一定理想。3.2 并行ADMMJacobi式的同时更新模式并行模式完全是另一种节奏。每一轮迭代中主网和所有从网同时基于上一轮的信息求解自己的子问题互相之间不用等待。这个模式对应数值代数里的Jacobi迭代——所有变量都用旧值更新谁也不用等谁。实现上最关键的区别在于子问题求解时用的对方变量必须是上一轮的值不能混用本轮已更新的值。我在代码里专门开了两个变量保存上轮结果否则一旦误用了新值算法的收敛性质就变了甚至可能不收敛但代码看起来还像那么回事这种bug排查起来非常费劲。并行ADMM在大规模多从网场景下很有吸引力因为所有从网子问题可以同时求解。Matlab里可以用parfor循环或者并行计算工具箱把多个从网子问题的求解并行化计算时间由最慢的那个子问题决定而不是全部子问题的耗时之和。在多主体各自独立运营的现实场景中并行模式也更贴合实际情况——各个从网本来就不需要互相等待各自算完上报结果即可。但并行模式的收敛性通常比串行差一些。原因也很直观每一轮用到的都是上一轮的旧信息信息滞后了半步。在某些边界耦合比较强的算例里并行ADMM可能出现锯齿状振荡即边界功率在目标值附近来回摆动久久不收敛。3.3 收敛性、通信量与执行模式的选择逻辑我们在这方面的认识是在对比实验中逐渐清晰的。对于固定ρ取值的串行和并行ADMM串行模式通常用更少的迭代次数达到相同的残差水平尤其在从网数目少、耦合程度高的算例中优势明显。并行模式的优势不在迭代次数而在每轮迭代的计算时间——当多个从网可以真正并行计算时总耗时反而可能更低。通信量方面两种模式每一轮的通信次数差不多都是各子问题完成计算后交换一次边界信息。但串行模式中主网和从网之间存在额外的等待时间。假设每个子问题求解需要0.5秒串行模式下两个从网要依次求解单轮耗时至少1.5秒并行模式下两个从网同时算完单轮可能只要1秒。也就是说虽然并行需要更多轮次但跑起来反而更快这是一种轮次换时间的权衡。选择哪种模式我的判断标准主要看三点。第一从网数量多不多如果只有一个从网串行并行没有本质区别第二通信条件好不好如果通信延迟大串行模式的信息传递优势会被抹平第三各从网的求解子问题是否真的能并行如果都是单机串行跑并行模式只是形式上并行实际耗时并不占优。4. Matlab实现架构模型搭建、边界提取与迭代循环4.1 算例设置与主从网络建模我的算例设置如下主网用标准33节点配电网拓扑在节点18和节点22通过联络线分别接入两个从网子区域。每个从网简化成一个小型辐射网内部有一个分布式光伏节点和一个储能节点负荷按典型日曲线给定。这样做的好处是整体规模适中主网子问题是一个约33节点的最优潮流从网子问题各是一个约10节点的小型优化Matlab的quadprog可以直接解。在建模时我用了支路潮流模型的线性化版本也就是DistFlow的线性形式。配电网电压在稳态运行下偏离额定值不远潮流方程中的二次项可以舍弃或线性化这个精度在分布式优化的协调层足够用。如果你更关注精确性可以把子问题模型换成二阶锥规划SOCP但求解器要求和代码复杂度都会上一个台阶。网络建模这部分我强烈建议单独写一个文件不要和其他代码混在一起。因为主从网络最重要的就是边界节点编号和联络线参数的清晰管理。我在代码里用结构体数组来存放每个从网的节点数据、支路数据和边界接口信息主网的边界信息单独存放。这样后面要换算例只需要改数据文件算法循环不用动。4.2 主网子问题与从网子问题的凸优化建模主网子问题的变量包括主网各节点电压幅值平方、支路功率、以及边界节点送出的功率。目标函数是最小化主网向上级电网的购电成本和网络损耗费用。约束条件包括DistFlow潮流方程、节点电压上下限、支路容量上限和边界功率变量与从网侧交换功率的一致性项。从网子问题稍微不一样。每个从网内部有自己的光伏出力和储能充放电功率目标函数我设置为两部分的加权和一部分是从网的运行成本另一部分是光伏弃电惩罚。弃电惩罚项的作用是让从网在边界条件允许的情况下优先消纳光伏不要随便切光伏出力。两个子问题的目标函数在ADMM框架里都要加上惩罚项。比如主网子问题的完整形式是min f(x) (ρ/2) * ||x_boundary − z_boundary_prev u_prev||²这里的x_boundary是主网决策变量中与从网交换的功率z_boundary_prev是上一轮从网传递过来的边界功率值u_prev是上一轮的对偶变量。从网子问题同理只是把x和z的位置对调。4.3 核心迭代循环与收敛判据代码实现下面这段是实际跑通的串行ADMM核心循环骨架去掉了网络数据读取部分保留了完整的算法逻辑%% ADMM参数 rho 100; % 惩罚系数 max_iter 200; % 最大迭代次数 eps_abs 1e-4; % 绝对容差 eps_rel 1e-3; % 相对容差 %% 初始化 x_b 0; % 主网侧边界功率 z_b 0; % 从网侧边界功率 u 0; % 对偶变量缩放形式 %% 主循环 for k 1:max_iter x_b_old x_b; z_b_old z_b; % 步骤1求解主网子问题 [x_b, x_inner] solve_master(z_b_old, u, rho); % 步骤2求解从网子问题串行使用最新x_b [z_b, z_inner] solve_slave(x_b, u, rho); % 步骤3更新对偶变量 u u rho * (x_b - z_b); % 计算原始残差和对偶残差 r_pri abs(x_b - z_b); r_dual rho * abs(z_b - z_b_old); % 计算自适应容差 eps_pri sqrt(1) * eps_abs eps_rel * max(abs(x_b), abs(z_b)); eps_dual sqrt(1) * eps_abs eps_rel * abs(u); % 收敛判断 if r_pri eps_pri r_dual eps_dual fprintf(ADMM收敛于第%d次迭代\n, k); break; end end这里solve_master和solve_slave是我单独封装的子问题求解函数内部用quadprog求解返回边界功率和内部状态变量。你要是用YALMIP建模也可以把这两个函数改成YALMIP的优化求解块外层逻辑完全不用改。并行模式的改动只在步骤2之前。需要把主网的边界值先存到一个临时变量里从网子问题求解时引用的是上一轮的x_b而不是本轮刚算出来的值%% 并行模式主网和从网都用上轮信息 x_b_prev x_b; z_b_prev z_b; [x_b, x_inner] solve_master(z_b_prev, u, rho); % 用上轮z [z_b, z_inner] solve_slave(x_b_prev, u, rho); % 用上轮x u u rho * (x_b - z_b);就这么一点顺序差异对应的数学性质完全不同。我在最开始写并行版本时就栽过这个跟头误用了本轮的x_b去求解从网子问题结果算法看起来在迭代实际上已经偏离了ADMM的标准形式最后的解和集中式最优解对不上。4.4 为什么每个H2段落要有这个层次写到这里核心代码已经能跑起来了。但距离能用到好用还有一段路剩下的篇幅集中讲我在调参和排错过程中积累的实战经验这些在课本和算法原论文里都不会系统写。5. 仿真调参实录惩罚系数、残差监控与常见收敛陷阱5.1 惩罚系数ρ的影响与整定方法惩罚系数ρ是整个ADMM算法里最需要手工干预的参数。你可能已经注意到收敛判据和迭代路径都受到ρ的直接影响。我一开始按文献惯例取ρ1跑默认算例结果迭代了七八十次才收敛而且中间很长一段区间残差下降得非常慢曲线像一条拖尾的尾巴。后来把ρ调到100同样的算例只要二十几次迭代就收敛了。但ρ不是越大越好。我在另一个算例里把ρ调到1000结果前几次迭代的残差确实猛降但后续出现了明显的锯齿振荡边界功率在主网期望值和从网期望值之间来回跳动就是不落在双方都能接受的点上。原因我在前面提过惩罚项权重过大后子问题会优先满足边界一致而牺牲自身的收益目标导致每次迭代的决策变量大幅摆动收敛性质恶化。一个实用的整定方法是做几次预扫描。固定其他条件不变把ρ按10倍梯度从1试到1000记录达到收敛判据所需的迭代次数和是否振荡。选一个迭代次数少且过程平稳的值。如果你想更精细可以在100到500之间按50的步长做二次扫描。这个过程脚本化很快几分钟就能出结果。如果不想手工调也可以用残差平衡法做自适应ρ每几轮迭代根据原始残差和对偶残差的比值调整ρ。但对于配电网优化这种问题我建议先用固定ρ把模型调通再考虑自适应。因为自适应ρ会让算法行为变得不那么可控一旦出现发散你很难定位是模型问题还是ρ策略问题。5.2 原始残差与对偶残差的联合判断很多初学者的代码只用边界功率差值作为收敛依据也就是只看原始残差r_pri ||x − z||。这在大多数情况下能工作但有时候你会遇到一种诡异的情况原始残差很小了比如10的负5次方对偶变量却还在明显变化。这说明乘子的更新还没稳定下来此时提前停止得到的解虽然在边界上达成了一致但未必是最优解。标准做法是同时监控原始残差和对偶残差。对偶残差的计算公式是r_dual ρ * ||z_new − z_old||它衡量的是对偶变量更新步长的大小。只有两个残差都低于各自容差才认为算法真正收敛。容差的设置也有讲究。不要用固定绝对值因为不同规模网络的变量量纲不一样。更通用的做法是采用绝对容差加相对容差的组合ε_pri sqrt(p) * ε_abs ε_rel * max(||x||, ||z||)ε_dual sqrt(n) * ε_abs ε_rel * ||u||。其中p是边界变量个数n是内部变量个数。我习惯设ε_abs1e-4ε_rel1e-3这是Boyd的ADMM论文里的推荐起始值实测下来适用于大多数配电网算例。5.3 发散、锯齿与死循环的排查思路我在整个仿真过程中遇到过三种典型故障每个都值得单独说。第一种是直接发散残差一路冲上去不回头。这个一般三个原因一是子问题约束写错导致每一次求解都是不可行的乘子更新把误差越放越大二是ρ取得过大惩罚项压过了原目标函数三是边界变量在传递时符号搞反了。排查顺序建议是先检查子问题的可行性把ADMM协调项先去掉单独跑一次集中式优化确认模型本身没问题然后检查边界变量符号主网送出的功率在从网侧必须看成接收功率差一个负号乘子就会往错误方向一直累积最后再查ρ。第二种是锯齿振荡。残差曲线呈现周期性的大幅波动但波动中心在逐步下移。这种情况常发生在并行ADMM、ρ偏大、或者边界耦合较强时。我的处理办法是把ρ调小给算法一点缓冲空间或者引入松弛系数——ADMM里的过松弛技术让乘子更新变成u u ρ * α * (x − z)通常α取1.5到1.8我实测用1.6对配电网场景比较稳。过松弛本质上是在乘子更新时加大一点步长加速收敛但注意α大于2时算法稳定性会显著恶化。第三种是死循环——残差曲线基本不动卡在一个恒定值附近。这个我在一个算例里遇到过后来定位到是从网储能容量约束过紧导致从网在任何边界功率下都满足不了最优性条件对偶变量怎么更新都推不动。解决办法是把储能容量约束适当放宽或者把从网子问题的目标函数加一个很小的线性项比如弃电成本给边界功率一个移动的驱动力。5.4 串行与并行在算例上的表现对比在同一套算例上我分别记录了串行和并行ADMM的收敛表现。串行模式大概24次迭代达到收敛并行模式需要31次独立迭代。但把每次迭代的耗时算进去并行模式反而更快因为两个从网子问题同时求解。这里有一个数据值得单独说串行模式在第18次迭代的时候边界功率差已经降到了1e-3以下但最后到1e-4级别的收敛判据又花了几次迭代。越接近收敛收敛速度越慢这是ADMM的典型行为——线性收敛越到后期越需要耐心。所以我建议不要盲目追求特别小的收敛容差在配电网优化里边界功率差在1e-2级别的精度实际上已经满足工程应用要求了再小只是让迭代次数白白增加。6. 从算例到工程几个我认为值得留意的落地问题6.1 边界信息交换内容与隐私保护ADMM分布式优化的卖点之一就是隐私保护。在迭代过程中主网和从网之间交换的只有边界变量和对偶变量不需要透露内部线路参数和负荷细节。但要说完全保护隐私也不严谨。对偶变量里面其实隐含了边际电价信息有心人从多轮迭代数据里可以反推出对方的部分成本结构。所以工程化部署时要对交换信息的加密和访问权限做出约定分布式优化只是把数据交互量降到最低不代表可以裸奔。6.2 通信失败与算法鲁棒性串行ADMM对通信依赖度更高因为每一步都需要上一步的结果一旦某个从网通信断了几轮整个迭代就卡死。并行ADMM在通信失败时至少可以让其他从网继续算但算法收敛性同样会受影响。在实际工程里我建议至少要做一个简单的超时保护和状态回退机制如果某个子网超过设定时间没有反馈就沿用上一次的边界值继续迭代并在后续轮次里逐步增大该从网的对偶修正项权重倒逼它恢复正常通信。这套机制虽然朴素但在算例模拟通信间断时效果很明显。6.3 后续扩展思路这个项目我后来还做过两个方向的扩展都很有价值。第一个是考虑三相不平衡的配电网模型把子问题从单相潮流改成三相模型边界变量增加相分量ADMM框架完全不用动。第二个是把ADMM和一致性理论结合处理环状网络多区域并行的场景这时候每个区域要和多个邻居交换边界信息耦合矩阵就不再是简单的单位阵了。如果你手头的项目涉及微网集群协调或者电动汽车有序充电这个ADMM框架同样是可以复用的——核心只在于把边界变量定义清楚把各个子问题的凸优化模型建对。最后分享一下我的个人感受这类分布式优化项目整体难度不在算法推导而在工程实现中的细节管理。边界变量定义、更新顺序、残差监控、参数整定每一个环节都可能在测试时给你挖坑。但只要把串行版本先跑通理解了ADMM每一步的物理含义后面无论是改并行还是换算例都是水到渠成的事。
