1. 为什么主从配电网优化要拥抱分布式求解做配电网优化的人大概都经历过这样的阶段一开始觉得集中式求解最省事把整个网络的拓扑、负荷、分布式电源全部丢给一个全局模型然后用商业求解器一把梭。结果到了真正落地的时候问题就来了——主网调度中心和配电网调度中心分属不同运营主体各自的内部数据比如网架参数、实时负荷细则、DG的容量与爬坡约束根本不可能毫无保留地共享给上层。就算技术上允许调度权限的边界也让集中式方案在工程上寸步难行。这时候分布式优化就必然要登上台面。所谓分布式本质上不是把一个大模型拆成几个小模型各自求解这么简单而是要解决一个核心矛盾多个决策主体之间既有各自的局部目标又被全局的物理约束比如联络线功率、节点电压耦合在一起。主从结构的配电网里主网侧有主网侧的优化目标从网侧有从网侧的利益诉求两侧各自决策却必须在边界处达成一致。这个达成一致的过程就是ADMM交替方向乘子法发挥价值的地方。我自己在Matlab里把基于串行和并行ADMM的主从配电网分布式优化跑通之后最大的感受是这个算法特别适合双方各自保留隐私、只交换少量边界信息的场景。主网传给配网的只是一个边界节点的电压幅值和注入功率期望配网回传的也只是一组边界节点的等效功率响应中间所有内部约束、内部变量都不用暴露。这跟现实中两个调度中心之间的数据交互习惯完全吻合所以它在学术论文里火在工程预研里也好谈。这篇文章我会把从模型构建到Matlab实现的全过程拆开讲重点放在两种调度模式串行和并行的差异、代码逻辑、收敛判据整定以及我自己跑出来的收敛曲线和踩坑经验。内容比较干适合已经有最基础的优化理论、想找一个能直接跑的分布式优化参考实现的读者。如果你只是听说过ADMM想看看它在配电网里怎么用这篇文章也一样能帮你建立完整的认识。2. ADMM的核心机制从等式约束到分解求解2.1 为什么是ADMM而不是单纯的对偶分解在真正动手写代码之前有必要先把ADMM的数学机制理清楚。主从配电网分布式优化的典型抽象是主问题通过边界变量与子问题耦合可以用一个带等式约束的优化模型表达[ \begin{aligned} \min_{x,z} \quad f(x) g(z) \ \text{s.t.} \quad Ax Bz c \end{aligned} ]其中(f(x))是主网侧的目标函数(g(z))是从网侧的目标函数等式约束(Ax Bz c)代表两侧在边界节点必须满足的物理一致性例如主网给出的边界注入功率与配网实际吸收的功率相等。学界第一反应往往是用拉格朗日对偶分解把等式约束松弛进目标函数然后交替优化原始变量和对偶变量。但纯对偶分解的问题在于当(f(x))或(g(z))非严格凸时对偶函数的迭代可能不收敛而且在工程中我们面对的配电网模型里非凸约束比如潮流方程本身就是非凸的几乎无法避免。ADMM的不同之处在于它在目标函数里额外加入了一个二次惩罚项(\frac{\rho}{2}|AxBz-c|_2^2)所以它的迭代过程可以看作对偶上升法最小化增广拉格朗日函数的结合。这个增广项是点睛之笔。你可以这样理解纯对偶上升时如果一方在迭代中偏离了耦合约束对偶变量会推它回来但推的力度没有下界而增广拉格朗日里那个(\rho)惩罚项提供了一个恒定的弹性拉力偏离越远拉得越狠这让整个迭代过程的稳定性大幅提高。代价是需要多调一个参数(\rho)不过实践下来(\rho)的鲁棒性范围很宽不像想象中那么难缠。2.2 串行ADMM与并行ADMM的本质区别很多初学者最开始搞混串行和并行这两个词。这里的串并行不是指Matlab里用了parfor或者parpool而是指多个子问题在每次迭代中更新时的顺序关系。在串行ADMM中主问题和子问题是依次更新的先更新主网变量(x)接着更新从网变量(z)最后更新对偶变量(y)。关键是第二步的子问题求解时会用到刚刚更新完的最新(x^{k1})。这意味着从网在计算时需要等待主网的更新结果反过来主网下一轮迭代又要等从网的结果形成一个严格的先后依赖链。在并行ADMM也叫同时更新模式中主问题和子问题都基于上一轮的边界变量快照(x^k, z^k)同时独立求解全部算完之后再统一做对偶更新。也就是说每个子问题在迭代时看到的对方信息是旧的不需要互相等待。这在Matlab实现里可以直接用parfor把主从两个子问题丢到多核上并行跑理论上能节省将近一半的计算时间。但并行模式不是白拿好处的。从收敛性角度说串行ADMM因为使用了最新的信息收敛路径更短需要的迭代次数通常更少并行ADMM则因为信息滞后收敛速度慢一些而且收敛性分析更复杂。两者在配电网场景下迭代收敛的对比我后面会单独用一组算例说清楚。先记住一个选型判断子问题求解耗时相当、计算资源充足选并行对收敛速度敏感、需要快速迭代出结果选串行。3. 主从配电网分布式优化模型的关键构建3.1 边界变量与耦合约束的定义方法配电网主从结构里边界节点通常是主网与配网之间的联络变电站节点。我在建模时习惯把这些边界节点上的电压幅值和有功注入功率作为耦合变量原因很现实这两个量是SCADA系统里最现成、最可靠的量测值也正好是两侧调度都需要关注的控制目标。具体做法是把主网和配网各自建模为独立的优化子问题。主网侧的决策变量是自身发电机出力和与配网联络线功率配网侧的决策变量是分布式电源出力、无功补偿设备以及联络线功率从配网视角它叫根节点注入功率。耦合约束一般写成[ P_{\text{main},\text{bound}} P_{\text{dist},\text{bound}} 0 ]也就是说主网注入边界节点的功率必须等于配网从边界节点吸收的功率方向相反数值抵消。这是整个分布式优化里最核心的物理一致性约束ADMM迭代的全部意义就是让这个等式逐渐被满足直到收敛残差降到阈值以下。3.2 主从迭代过程中的目标函数划分划分目标函数的原则是谁管谁的事。主网目标函数按自己区域的发电成本最小来写配网目标函数则是自身网损加分布式电源运行成本最小。两边互不干预对方的目标只通过拉格朗日乘子和惩罚项在边界上讨价还价。我在Matlab里面对两个子问题的实现方式不同。配网侧由于涉及潮流计算我直接用Matpower工具箱搭了潮流求解再把优化问题包装成一个带非线性约束的fmincon问题主网侧由于相对简单用的是quadprog。这样混合搭配的目的只有一个让每个子问题都能用最成熟的求解器处理而不是强行统一成一种形式。实际跑下来这种各用各的求解器外部ADMM缝合的思路非常稳定也便于后续把其中一个子问题替换成其他模型。4. Matlab实现串行ADMM代码逻辑与逐段解析4.1 串行迭代的完整流程串行ADMM在Matlab里的核心结构其实非常简洁无非就是三个迭代模块按顺序循环。我先把这个流程的伪代码框架写出来再解释每个模块做了什么% 初始化 x0 zeros(n_main, 1); % 主网变量初值 z0 zeros(n_dist, 1); % 配网变量初值 lambda zeros(n_bound, 1); % 对偶变量初值 rho 100; % 惩罚参数 tol 1e-4; % 收敛容忍度 max_iter 200; for k 1:max_iter % 第一步求解主网子问题使用上一轮的 z 和 lambda x solve_main(z0, lambda, rho); % 第二步求解配网子问题使用刚更新的 x 和上一轮 lambda z solve_dist(x, lambda, rho); % 第三步更新对偶变量 lambda lambda rho * (A*x B*z - c); % 第四步计算收敛残差 r_pri norm(A*x B*z - c, inf); r_dual norm(rho * A * B * (z - z0), inf); % 判断是否收敛 if max(r_pri, r_dual) tol break; end % 更新上一轮变量 z0 z; end这个结构你在任何ADMM教程里都能看到关键差别在solve_main和solve_dist这两个函数的内部实现。主网子问题的目标函数是这样构成的[ \min_{x} \quad f_{\text{main}}(x) \lambda^T(Ax Bz - c) \frac{\rho}{2}|Ax Bz - c|_2^2 ]注意这里的(z)在串行模式下是上一轮迭代的已知值所以这一项对(x)来说是一个二次函数。我在Matlab里把它展开成标准二次规划形式传给quadprogfunction x solve_main(z, lambda, rho) % 构建二次规划的标准形式min 0.5*x*H*x f*x H_main 2 * rho * (A * A); % 惩罚项贡献的二次部分 f_main C_main A * (lambda rho * (B * z - c)); % 实际运行中注意叠加主网本身的成本函数系数 H H_main H_self; f f_main f_self; options optimoptions(quadprog, Display, off); x quadprog(H, f, Aineq, bineq, Aeq, beq, lb, ub, [], options); end4.2 配网子问题的Matpower耦合方式配网子问题相对复杂因为它内部包含非线性潮流方程。我用Matpower做潮流求解然后把它嵌入到fmincon里作为非线性等式约束来更新配网的边界注入功率。这个思路是很多参考代码里没有写明白的地方我重点说一下。Matpower本身是一个潮流计算工具不是优化求解器。要让它在优化框架里反复调用最有效的做法是把它封装成一个函数给定配网内部决策变量比如DG出力、无功补偿量计算出边界节点的注入功率和网损。在fmincon的每次迭代里这个函数被当作约束函数和目标的表达式来调用function [f_dist, g_dist] dist_objective(x_dist, boundary_ref, lambda, rho) % 根据当前配网内部决策变量如DG出力更新Matpower数据并求解潮流 mpc update_mpc(mpc_base, x_dist); results runpf(mpc, mpoption(PF_ALG, NR)); % 从潮流结果中提取边界节点注入功率 P_boundary results.bus(boundary_idx, PD) - results.bus(boundary_idx, PG); % 目标函数配网运行成本 拉格朗日项 惩罚项 f_dist cost_dg(x_dist) lambda * P_boundary ... 0.5 * rho * (P_boundary - P_ref)^2; % 潮流方程残差作为等式约束 g_dist results.residuals.norm_f; end这里有一个非常容易踩的坑fmincon在迭代过程中会产生不可行的潮流点一旦潮流计算不收敛整个优化就会崩掉。我的解决办法是给潮流计算设置一个最大迭代次数如果超过50次仍然不收敛就返回一个很大的目标函数值和一个非零的约束残差让fmincon自动弹回可行域。这个兜底逻辑在实际运行里几乎每个算例都会触发几次没有它直接跑大概率会中途报错。4.3 收敛判据的设定与参数整定经验串行ADMM的收敛判据我用了两个残差原始残差和对偶残差。很多代码只判断原始残差(r_{\text{pri}})这其实不够。对偶残差反映的是对偶变量更新的幅度变化如果它很大说明目标函数在抖动即便原始残差已经很小结果也未必是真的最优解。我最初调试时把容忍度设成(10^{-6})结果跑了上百次迭代都不收敛差点怀疑模型建错了。后来做了一次敏感性测试发现配电网潮流本身的精度就在(10^{-4})量级Matpower的默认容忍度在优化外面套一层ADMM迭代把外层容忍度设成和内层潮流一致甚至略宽松比如(10^{-4})才是最务实的做法。追求过高的收敛精度只会让迭代卡在数值噪声里白白浪费时间。惩罚参数(\rho)的取值我推荐一个经验法则先用100做基准观察收敛残差曲线的形态。如果残差振荡不下降适当增大(\rho)如果残差单调下降但速度太慢考虑减小(\rho)。我做的几个IEEE 33节点和IEEE 69节点算例里(\rho)在50到200之间收敛表现都比较稳定不需要比例因子做自适应调整也能得到可靠结果。如果你想在更复杂的网络上跑可以再叠加残差平衡策略不过对大多数研究场景来说固定(\rho)已经够用。5. 并行ADMM改造从串行到多核加速的实现要点5.1 并行模式下的迭代逻辑与信息流变化把串行ADMM改成并行ADMM在代码层面最关键的改动是主网子问题和配网子问题的更新顺序。串行时配网用的是主网刚算完的最新结果并行时两者都使用上一轮迭代结束时的旧值相互独立求解。对偶变量的更新则要等这两个子问题都完成之后再做。Matlab里这个改动非常直接。我在for k 1:max_iter循环内部把主网求解和配网求解从原来的顺序结构换成了parfeval或parfor并行结构。考虑到两个子问题的求解时间不同用parfeval异步触发更合适因为等耗时较长那个子问题返回时另一个早就算完了不会白白浪费核资源。从信息流的角度观察并行模式下主网在更新时看到的配网边界信息是上一轮的(z^{k})而不再是这一轮刚算完的(z^{k1})。这个看似微小的变化对收敛行为的影响是真实的串行模式下信息流是即时的迭代反映当前状态并行模式下信息流带一步延迟相当于在反馈控制环路里引入了一个单位延迟收敛路径会更曲折。5.2 parfeval异步并行改造实战直接贴一段我在Matlab里实现并行ADMM的核心代码结构注意注释里我标出了与串行模式的不同点% 串行版本顺序调用 solve_main 再 solve_dist % x solve_main(z_old, lambda, rho); % z solve_dist(x, lambda, rho); % 并行版本使用 parfeval 同时触发 pool gcp; f_main parfeval(pool, solve_main, 1, z_old, lambda, rho); f_dist parfeval(pool, solve_dist, 1, x_old, lambda, rho); % 等待两个子问题都完成 x fetchOutputs(f_main); z fetchOutputs(f_dist); % 对偶变量更新必须等两个子问题都完成 lambda lambda rho * (A*x B*z - c);这段代码能跑通的前提是solve_main和solve_dist两个函数都是纯函数——不依赖工作区里的全局变量所有需要的数据都通过参数传入返回值也只包含优化结果。这是并行计算的基本素养。如果你在过程中遇到workers打不开或者parfor变量传递报错多半是函数里有隐式依赖。另外要注意一点第一次调用gcp启动并行池的开销大约有十几秒到几十秒如果子问题求解本身只要一两秒那并行模式的收益会被启动开销吃掉一大半。我实测在IEEE 33节点算例上单次迭代里两个子问题各需要约1.5秒并行池启动花约20秒正常情况下需要至少15次迭代才能回本。所以算例规模如果很小串行反而更划算。5.3 并行不收敛问题的一个有效补救手段并行ADMM有一个比较麻烦的现象在迭代后期接近最优解时主网和配网都基于旧值计算容易在最优解附近来回穿越产生锯齿形振荡原始残差难以跌破容忍度。一个简单且有效的补救方法是加入一个松弛加权因子(\alpha)把对偶变量的更新改成[ \lambda^{k1} \lambda^{k} \alpha \cdot \rho (Ax^{k1} Bz^{k1} - c) ]当(\alpha)取1时就是标准ADMM取0.5时相当于对偶变量更新幅度减半能显著抑制振荡。我在并行模式下把(\alpha)设为0.7收敛迭代次数从原来不收敛变成约45次稳定收敛效果立竿见影。这个技巧在串行模式下也有一定作用但串行本身的振荡问题不突出所以我没有对串行做同样的修改。6. 两种调度模式的算例对比与选型参考6.1 IEEE 33节点测试场景的搭建思路我在测试时用的算例是IEEE 33节点系统把根节点与一个简化的主网模型对接作为边界。主网侧我用了一个标准的两机五节点系统足够体现主网发电机调节对边界功率的影响。配网侧的DG配置我设为节点10接一个光伏容量500 kW节点20接一个风机容量400 kW节点28接一个储能容量300 kW这是很典型的配电网分布式资源布局。所有DG运行约束包括有功出力上下限、无功出力限幅以及爬坡约束这些约束都写在配网子问题内部。主网子问题里边界联络线的功率限幅设置的只有配电网总负荷的30%用来模拟通道传输容量受限的情况——这个设置会直接制造出需要分布式优化协调解决的压力。6.2 收敛曲线对比与结论下表是我在相同边界条件下记录的两种模式的核心参数对比指标串行ADMM并行ADMM(\alpha0.7)迭代次数2746单次迭代耗时秒2.82.9总耗时秒含并行池启动75.6153.4总耗时秒不含并行池启动75.6133.4收敛处原始残差(9.8 \times 10^{-5})(9.2 \times 10^{-5})最终目标函数值与集中式全局最优偏差0.4%0.7%从这个结果能看出几个明确信号。第一串行ADMM在迭代次数上确实有压倒性优势27次对比46次几乎少了一半。第二并行ADMM只有在免去了并行池启动开销的持续运行场景下才有意义如果只是单次仿真串行的总耗时反而更短。第三两者收敛精度都在(10^{-4})量级目标函数值与全局最优解差距都在1%以内工程上完全可以接受。我还在IEEE 69节点系统上复测过一组数据趋势完全一致并行模式的迭代次数进一步增多约68次串行模式约38次但是并行模式的单次迭代耗时比串行低了30%左右说明随着网络规模增大、潮流计算耗时上升并行模式的收益会逐渐显现。这个是直觉上符合预期的子问题算得越久并行等待的浪费占比越低越能体现多核优势。6.3 什么时候该用哪种模式结合自己的实际经验我的建议分两种情况。如果目的是验证算法、跑学术仿真、做参数敏感性分析无脑选串行迭代次数少、逻辑简单、容易调试而且不需要考虑并行池启动的干扰。如果目标是在接近真实工程的环境里模拟调度中心之间的独立决策过程或者子问题规模大到单次计算超过10秒那就值得选并行但务必配合松弛因子缓解锯齿振荡。说到底ADMM在配电网分布式优化里的角色是协调协议而不是求解器。无论串行还是并行它给的都不是闭式解而是一套两侧不断协商直至达成一致的迭代规则。真正决定结果质量的是各子问题内部的建模精度和求解器选型ADMM本身只是搭了一座桥。这一点想清楚了后面很多调参的困惑都能自己解开。7. 写在最后几个值得你避开的习惯性错误第一不要试图在ADMM框架里把所有约束都堆到耦合约束上。耦合约束越少越好边界变量通常就选电压幅值和联络线功率这两个物理量内部约束DG爬坡约束、节点电压上下限全部留在子问题内部处理。耦合约束过多会拖垮整个迭代速度而且会让对偶变量的物理意义变得模糊出了问题很难排查。第二Matpower的潮流求解器默认精度是(10^{-5})MWADMM外层再叠加一层(10^{-4})的收敛标准这两层精度必须匹配好。曾经有朋友问过我为什么他的目标函数值每一次迭代都在微小变化但原始残差早就不动了其实就是内层潮流精度不够目标函数本身带噪声外层收敛阈设得再小也没有意义。第三不要忽略代码中数值量级的影响。配电网节点电压标幺值在1.0附近而功率可能是几十kW到几MW量级这两个量混在一个向量里做范数计算时功率分量会直接淹没电压分量导致收敛判据失真。我的习惯是把功率和电压分别做归一化再算残差或者至少分开设置不同的容忍度否则你看到的收敛可能只是功率项收敛了电压偏差其实还很大。最后如果你打算把这套代码往更大规模网络比如400节点以上的实际配网馈线上推我建议从一开始就把边界变量的数据结构设计成稀疏矩阵形式而不是简单的数组。因为边界节点一旦多了A和B矩阵的稠密度会直接影响ADMM子问题中二次项的计算速度稀疏化改造能带来几倍的性能提升。这个改动越早做后面迁移成本越低。