企业官网建设流程全解析

最近帮学生调一个微网群协调调度项目，模型不复杂，但第一次从集中式转到分布式时，问题一个接一个来。最后用目标级联法（ATC）把问题拆开，才把收敛曲线跑顺。这里整理一份从原理到Matlab实现的完整笔记，目标就是让正在琢磨“微网群多主体分布式优化调度”的同学少走弯路。这个方向不是冷门，做园区多微网、新能源小区、甚至区域综合能源系统的人都会碰到：多个微网各自有独立运营方，又需要在公共联络线上互相支援，谁也不想把内部数据全交出去。ATC正好解决这个矛盾，而且Matlab写起来比想象中简单。

下面我会按“场景拆解 -> 数学原理 -> 代码实现 -> 参数调优 -> 问题排查”的顺序讲，尽量说人话，不堆公式。适合刚接触分布式优化的研究生，也适合从集中式调度转过来的工程师。

1. 项目场景拆解：微网群调度为什么需要“分布式”

1.1 单微网调度和微网群调度的本质差别

单个微网调度时，事情很单纯：一个控制中心能拿到光伏、风电、储能、燃气轮机、负荷的全部数据，然后求一个最小成本或最小碳排放的24小时机组组合。这本质上是一个集中式优化问题，约束、目标都很清楚，直接调求解器就行。

但换成微网群，场景立刻复杂起来。假设园区里有4个微网，每个微网内部有光伏和储能，微网之间通过公共联络线连在一起，还能向大电网买电。表面上看，把4个微网的模型统统拼进一个超大优化问题里，理论上可以求出全局最优解。问题是现实里没人愿意这么干。

为什么？因为“微网群”里的每个微网往往是不同主体的资产，可能是不同企业、不同部门，甚至不同业主。你的光伏出力曲线、储能SOC、负载报价这些数据，属于商业隐私。集中式调度意味着某个中心必须拿到全部数据，还要替大家做统一决策，这在组织上很难推动。更麻烦的是，一旦这个中心出现故障，整个微网群调度就瘫了。

所以分布式优化的本质诉求不是“算得快”，而是“各自算自己的，只交换少量边界信息”。每个微网保留自治权，内部怎么调度自己说了算，只有联络线交换功率这种耦合信息需要跟邻居或上层协调。这样一来隐私保住了，单点故障的风险也降低了，扩展新微网只需加一个子问题，不用重写整个大模型。

1.2 为什么选目标级联法而不是集中式或ADMM

要做分布式优化，主流路线有三条：集中式、ADMM、目标级联法。先说结论：集中式适合做基准对比，ADMM适合两区块问题，而微网群这种“群调度中心-多个成员微网”的层级结构，用目标级联法（Analytical Target Cascading，ATC）最顺手。

集中式的缺点前面提过，这里不展开。ADMM在学界很火，尤其多智能体一致性优化，但它本质是为两区块问题设计的。微网群是典型的多区块：一个中心对N个微网。虽然可以把问题重新包装成ADMM能被的形式，但工程实现时要注意的细节不少，乘子更新和残差平衡都要小心，否则振荡起来调参成本很高。另外，ADMM更像一个扁平的、对等的协调框架，和微网群天然“上有群调度中心、下有各微网”的管理层级不那么贴合。

ATC就很匹配这种层级结构。它最早来自产品设计领域的多学科优化，专门解决“总体部门定目标、多个子系统并行执行并反馈”的问题。ATC的核心思路是把整体目标逐级向下传递，每个子系统先基于上级目标做本地优化，再把本地结果反馈给上级，上级根据反馈修正目标值，如此循环直到上下一致。微网群调度会议上，群调度中心先给每个微网下发电功率交换目标，微网自己调度完把实际功率需求报上来，中心再调整目标，这不就是同一个套路吗？

我把几个方案的适用情况整理成了表：

这个对比不是我随便写的，是实际跑代码之后的体感。ATC在每个微网子问题里只需要加一个二次惩罚项，剩下的事情照旧，非常适合快速出成果。

2. 目标级联法的数学原理，用工程的话讲清楚

2.1 先理解“上级定目标、下级自优化”

ATC的运行逻辑可以拿建筑项目来类比。总包方给每个分包方下达目标：你这周要完成多少工作量，成本控制在多少以内。分包方不关心其他分包方怎么做，只根据自己人、材料、机械的实际情况，把实现这个目标的代价报给总包方。总包方拿到反馈后发现有人报太高、有人报太低，于是调整下一轮目标，重新分下去。这样反复几轮，各分包方的目标趋于一致，总包方也得到了一版大家都可执行的计划。

微网群的每轮迭代就是这个过程。协调层的输入是每个微网的“期望联络线功率曲线”，微网把这个期望值作为外部指令，在内部求解自己的经济调度，然后告诉协调层“我实际最想要的交换功率是多少”。协调层把所有微网反馈综合起来，更新期望值。注意到一个关键点：微网内部数据全程不出域，协调层只看到边界上的功率和它对应的成本影子，这就是ATC的隐私保护机制。

与建筑分包不同的是，微网调度还需要一个“价格信号”来引导不同微网之间互相配合。如果只靠目标值硬压，微网会为了满足目标而牺牲自身经济性，而协调层完全不知道这种牺牲该不该发生。所以ATC引入了拉格朗日乘子，相当于给边界功率贴了一个“影子价格”。这个价格随着迭代自动调整，久而久之各个微网的边际成本会趋于一致，这正是经济调度的最优条件。

2.2 ATC的标准数学模型与代码对照

用数学语言写，微网 i 在第 k 轮要解决的子问题是：

min f_i(x_i) + λ_i^T (x_i^c - t_i) + ρ * || x_i^c - t_i ||_2^2
s.t. x_i ∈ Ω_i

这里的 x_i 是微网 i 的全部决策变量，比如机组出力、储能充放电功率；x_i^c 是其中与外部耦合的边界变量，也就是微网和公共联络线交换的功率曲线；t_i 是协调层本轮下发的期望交换功率；λ_i 是拉格朗日乘子，ρ 是惩罚系数；f_i(x_i) 是微网内部运行成本。Ω_i 表示本地约束集合，包括功率平衡、储能SOC、机组爬坡等。

协调层收到所有微网反馈的 x_i^c* 之后，更新下一轮目标值。理论上的协调层优化问题是：

min Σ_i [ λ_i^T (x_i^c* - t_i) + ρ * || x_i^c* - t_i ||_2^2 ]

但在工程代码里，很少有人直接求解这个上层优化，更常见的是用松弛更新：

t_i^{k+1} = α * t_i^k + (1 - α) * x_i^{c, k}

乘子更新则用：

λ_i^{k+1} = λ_i^k + 2ρ * (x_i^{c, k} - t_i^k)

第一眼看到这些公式可能觉得抽象，但放到代码里很好理解。我下面会给出可直接改的Matlab循环框架。

2.3 乘子更新与收敛判据怎么设

乘子更新为什么重要？因为只更新目标值不做乘子更新，相当于永远在“平均”各方意见，收敛慢而且最终解没有经济学含义。引入 λ 之后，每个微网的子问题里多了一个线性项，相当于给联络线功率一个动态调整的电价。这个电价会随着“上报值偏离目标值”自动升高或降低，逼着各微网在满足自身经济性的同时逐步对齐联络线功率。

收敛判据通常看两个偏差。第一个是耦合量残差，也就是当轮上报值与目标值之间的最大偏差：

gap1 = max | x_i^{c, k} - t_i^k |

第二个是相邻两轮目标值的变化量：

gap2 = max | t_i^k - t_i^{k-1} |

gap1 反映微网实际反馈和协调层目标之间的脱节程度，gap2 反映迭代是否还在“移动”。工程上我一般设 gap1 < 1e-3，gap2 < 1e-3，单位跟着功率走；如果数据是kW，1e-3 已经相当严格，实际中调到 1e-2 也可能完全够用。最大迭代次数我常设 200，如果跑到 200 还没收敛，说明参数有问题，不是迭代次数不够。

惩罚系数 ρ 可以固定，也可以每轮递增。固定值方便调试；递增策略是 ρ_{k+1} = min(ρ_max, β·ρ_k)，β 取 1.01~1.05。我个人偏好先固定 ρ 跑通，再看效果决定要不要递增。原因很简单：分布式算法本来变量就多，一上来就引入自适应策略，出了问题很难定位。

3. Matlab代码实现：从零搭起ATC优化框架

3.1 整体代码结构

按我的习惯，一个ATC调度项目至少拆成4个文件：主循环 main_atc.m、微网子问题函数 microgrid_opt.m、场景数据生成 create_scenario.m、结果绘图 plot_results.m。这样分工清楚，后面调参也方便。

main_atc.m 的骨架大概长这样：

%% 初始化 N = 4; % 微网数量 T = 24; % 调度周期，小时 rho = 0.01; % 惩罚系数 lambda = zeros(N, T); % 拉格朗日乘子 target = zeros(N, T); % 协调层下发的交换功率目标 P_ex = zeros(N, T); % 各微网上报的交换功率 maxIter = 200; tol = 1e-3; for iter = 1:maxIter % 各微网并行求解本地优化 for i = 1:N [x, cost] = microgrid_opt(i, target(i, :), lambda(i, :), rho); P_ex(i, :) = x.P_ex; end % 收敛判断：上报值与目标值的最大偏差 gap = max(abs(P_ex - target), [], 'all'); % 保存旧目标，用于乘子更新 target_old = target; % 更新目标值 target = 0.5 * (target_old + P_ex); % 更新拉格朗日乘子 lambda = lambda + 2 * rho * (P_ex - target_old); if gap < tol fprintf('迭代第%d轮收敛\n', iter); break; end end

这个框架特别像“先给目标，再听反馈，再调和”的分包循环。微网数量 N 想改多大都行，只要 microgrid_opt 函数能正确读取对应微网的参数，其他代码不用动。

3.2 单个微网内部优化怎么建模

microgrid_opt 是整套代码的灵魂。每个微网虽然参数不同，但模型结构基本一样。我以4个微网为例，里面含有光伏、风机、燃气轮机和储能，变量定义如下：

子问题的目标函数由三部分组成：本地供电成本、与大电网的交易成本、ATC惩罚项。本地成本里，燃气轮机常用二次函数 aP_g^2 + bP_g + c，储能用一个线性损耗成本近似，购电成本用分时电价乘以购电量。把这些都加起来：

min sum( a * P_g.^2 + b * P_g + c + c_buy * P_buy + c_bat * abs(P_b) ) + lambda * P_ex' + rho * sum((P_ex - target).^2)

约束部分需要注意几点。功率平衡约束是每个时段都成立的：

P_pv + P_wt + P_g + P_b + P_buy + P_ex = Load

储能约束包括SOC递推和容量上下限：

SOC(t+1) = SOC(t) + η_ch * P_ch(t) - (1/η_dis) * P_dis(t)

不要忘了燃气轮机爬坡约束、联络线容量约束：

• P_ex_max ≤ P_ex(t) ≤ P_ex_max

min - P_ex_max ≤ P_ex(t) ≤ P_ex_max。

严格讲，充电和放电不能同时进行，直观上看最优解也不会同时充放，因为你不会一边高价买电给储能充电，一边让储能放电卖给电网，除非分时电价倒挂。但为了稳妥，我建议把储能建模成一个净功率变量 P_b，正数表示放电，负数表示充电，再加一个约束：

• P_ch_max ≤ P_b(t) ≤ P_dis_max

这样就不需要二进制变量，也能避开同时充放的病态解。如果你的论文需要特别严格的模型，可以用 binvar 引入充放状态，但Matlab纯quadprog里就会麻烦很多，Yalmip会更方便。

3.3 协调层与microgrid_opt函数的关键代码

microgrid_opt 的输入是微网编号、目标值、乘子和惩罚系数，输出是优化结果。我这里用Yalmip写最直观，因为它组装约束和变量时不容易出错：

function [x, fval] = microgrid_opt(i, t, lambda, rho, data) T = data.T; P_pv = data.mg(i).P_pv; P_wt = data.mg(i).P_wt; Load = data.mg(i).Load; P_g = sdpvar(1, T); P_b = sdpvar(1, T); P_buy = sdpvar(1, T); P_ex = sdpvar(1, T); SOC = sdpvar(1, T + 1); % 目标函数 a = data.mg(i).a; b = data.mg(i).b; c = data.mg(i).c; c_buy = data.price; c_bat = data.mg(i).c_bat; Cost = sum(a * P_g.^2 + b * P_g + c + c_buy * P_buy + c_bat * abs(P_b)); ATC_cost = lambda * P_ex' + rho * sum((P_ex - t).^2); % 约束 Constraint = []; for k = 1:T Constraint = Constraint + [P_pv(k) + P_wt(k) + P_g(k) + P_b(k) + P_buy(k) + P_ex(k) == Load(k)]; Constraint = Constraint + [data.mg(i).P_g_min <= P_g(k) <= data.mg(i).P_g_max]; Constraint = Constraint + [-data.mg(i).P_ex_max <= P_ex(k) <= data.mg(i).P_ex_max]; Constraint = Constraint + [0 <= P_buy(k)]; end Constraint = Constraint + [SOC(1) == data.mg(i).SOC_init]; for k = 1:T Constraint = Constraint + [SOC(k+1) == SOC(k) + ...]; Constraint = Constraint + [data.mg(i).SOC_min <= SOC(k+1) <= data.mg(i).SOC_max]; end ops = sdpsettings('solver', 'quadprog', 'verbose', 0); optimize(Constraint, Cost + ATC_cost, ops); x.P_ex = value(P_ex); x.P_g = value(P_g); x.P_b = value(P_b); x.SOC = value(SOC); fval = value(Cost + ATC_cost); end

这里要注意：每个微网在子循环里是依次求解的，如果微网数量特别多，比如几十个，可以考虑把 for 循环改成 parfor，但要确认 microgrid_opt 里没有共享变量。实际项目里4到10个微网用普通 for 循环完全够，没必要为了并行去折腾 worker 通信。

3.4 Matlab环境相关的小坑

结合最近几个学生反馈的问题，我补充一点环境相关的经验。Matlab 2023 版本在打开老脚本时容易遇到中文注释乱码，这个跟算法无关，纯粹是文件编码问题。系统默认编码是 GBK，而很多代码文件在保存时是 UTF-8，或者反过来。解决办法也很简单：用 VS Code 或记事本把文件重新保存为带 BOM 的 UTF-8，或者用 Matlab 编辑器里的“另存为”选择 UTF-8，基本能解决。

另一个高频问题是 Yalmip 报“solver not found”。原因通常是 Yalmip 找不到求解器路径，或者系统里压根没装相应的求解器。如果你只想用 Matlab 自带的 quadprog，只需要在 sdpsettings 里明确写成solver', 'quadprog'就行。不要用默认的，因为 Yalmip 默认可能尝试调 Gurobi/Cplex，没装就会报错。

如果不想装Yalmip，直接用 quadprog 构建 H、f、Aeq、beq 矩阵也可以，但储能SOC递推这种动态约束需要手动拼大矩阵，代码维护起来比较痛苦。所以我个人建议：优先装一个求解器，比如quadprog或Gurobi，然后用Yalmip写模型，既保证可读性，也不会因为工具箱版本差异处处踩坑。由于很多同学是教育版Matlab，可能没有全局优化工具箱，装Yalmip再加一个开源求解器（或者直接用自带的quadprog）都是能跑通的路线。

4. 仿真结果分析：收敛曲线与参数调优经验

4.1 结果应该长什么样

代码跑通后，第一件事不是看功率曲线，而是看收敛曲线。收敛曲线横坐标是迭代次数，纵坐标是 gap 值，也就是每轮上报值跟目标值的最大偏差。正常的ATC收敛曲线应该是前期快速下降，中后期平缓趋零。如果gap是一会儿大一会儿小的锯齿状，说明参数没调好；如果gap一直在一个水平线上不动，说明惩罚系数太小或者目标更新策略太保守。

具体到功率结果，有个判断对错的好方法：把4个微网的P_ex曲线横着加起来，再加上从大电网购入的功率，应该等于微网群与大电网的交换总功率。如果群内有微网的P_ex为正、有微网的P_ex为负，说明确实存在微网之间的互相支援，这是微网群调度的意义所在。

我通常还会跑一个集中式优化作为基准。集中式就是把4个微网的模型合并成一个优化问题，目标函数和约束完全相同，求解一次得到全局最优解。分布式ATC运行结束后，把总成本和集中式总成本对比。如果分布式结果和集中式结果偏差在1%以内，说明算法调得不错；如果偏差到5%以上，就要检查是不是收敛精度不够，或者联络线耦合变量设置错了。

4.2 惩罚系数ρ的调参心得

ρ是ATC里最敏感的参数，我的调参顺序永远是先固定ρ跑通，再考虑递增。

ρ太小的时候，子问题里惩罚项的权重很低，各微网几乎无视协调层下发的目标，反馈回来的交换功率跟目标差很远，gap迟迟降不下去，收敛极慢。ρ太大的时候，惩罚项几乎盖过了微网本地运行成本，微网会为了硬凑目标值而牺牲经济性，结果就是迭代过程中目标值来回大幅跳变，甚至不收敛。

我的经验是，如果数据单位是kW和元，ρ从0.01开始试。每个微网的目标函数是二次成本，量级可能在几十到上百元，联络线功率可能在几十到几百kW。ρ取0.01时，二次惩罚项在交换功率偏差50kW时大概是25元，这个量级刚好能影响但不淹没本地成本。如果发现gap下降太慢，把ρ乘以5，比如从0.01调到0.05，再跑一遍看趋势。这样试三轮基本能确定合适的量级。

如果你希望更精细一点，可以采用递增策略。每迭代一轮让ρ乘1.02或1.03，但设一个上限，防止后面爆炸。递增策略的好处是前期让各微网自由探索，后期让边界功率快速收敛。缺点是参数多了，出了问题不好定位。所以我的默认选择还是固定ρ，只有在固定ρ效果不理想时才考虑递增。

4.3 初始目标和乘子的设置技巧

初始目标不能随便设成零。如果一开始就告诉所有微网“你们跟外部的交换功率目标是0”，微网只能靠内部机组和购电竞价来平衡，第一轮反馈上来的P_ex可能和0差得很远，后面迭代要花很多轮才能把目标值拉回来。更聪明的做法是先用单独优化每个微网，不管ATC耦合，求出各自最优的交换功率，作为协调层的初始目标值。这样第一轮gap就不大，相当于热启动。

乘子初值一般设成0就可以。如果觉得初始迭代太慢，可以用上一轮运行结果中的乘子作为下一轮初值，这种热启动在重复运行长时间尺度调度时尤其有效。比如做全年365天调度，每天都是24小时问题，直接沿用前一天收敛后的乘子作为初始值，往往能把迭代次数从几十次压缩到十几次。

还有一个容易被忽略的细节：不同微网的规模差异很大时，需要做归一化处理。比如微网1最大负荷500kW，微网2最大负荷只有80kW，两个微网的P_ex量级差6倍。如果统一用同一个ρ和同一个收敛阈值，小微网可能早早收敛，但小微网的反馈在大微网眼里只是噪声。这时候把功率统一换算成标幺值，或者每个微网单独设置阈值，都比强行改ρ要有效。

5. 常见问题与排查技巧实录

5.1 不收敛、振荡、求解器报错

先说不收敛。我遇到的不收敛案例里，一半以上不是ATC算法的问题，而是某个微网子问题在给定目标下压根无解。怎么验证？单独掉出那个微网，跑microgrid_opt函数，看是否报infeasible。如果确实无解，就要检查联络线容量约束、储能SOC上下限、以及负荷功率平衡是否一致。尤其是储能SOC初值和光伏出力曲线，如果某一个时段负荷特别高而机组容量和联络线容量都不够，子问题无解，协调层目标再怎么发也没用。

振荡的问题更常见。典型场景是迭代到十几次时gap不降反升，画出来像一条锯齿状曲线。排除ρ之后，最常见的原因是目标值更新太激进。如果你使用的更新公式是 t = P_ex，也就是完全用微网反馈替换目标，那么下一轮微网又要调整自己的解去追这个新目标，很容易来回摆动。改成 t = 0.5t + 0.5P_ex 这种加权平均后，相当于给目标更新加了“惯性”，多数振荡能压下去。

求解器报错就五花八门了。Yalmip报维度不匹配时，检查每个变量的维数是不是1×T，尤其是SOC是1×(T+1)，差分约束里别写错索引。quadprog报H矩阵不是半正定，通常是把二次项写成了向量乘向量的形式，要用二次型或者Yalmip自动处理。还有一种是迭代过程里出现NaN，很可能某轮子问题无解或惩罚项太大造成数值溢出，优先检查ρ是否过大。

5.2 问题速查表

5.3 一条独家调试经验

最后分享一个我自己的调试习惯：先搭一个2微网的小案例，跑通后再扩展到N微网。2微网时物理直觉很清晰，微网1多送的功率一定等于微网2少买的功率，任何一个gap变化都能从联络线功率曲线上直接看出来。很多在4微网情况下说不清的问题，缩到2微网就非常明显。我在实际项目里几乎都是用2微网把ATC从0调到收敛，再改参数表中的N为4或10，后面的问题基本都是参数问题而不是算法问题。

另外提醒一下，不要指望分布式结果比集中式更优。分布式优化的意义是隐私保护和自治权，代价是理论上可能得到次优解。如果某个案例分布式结果明显差于集中式，先检查收敛精度是不是没到位，而不是怀疑算法选错了。

我在实际调试中最深的体会是：ATC这类方法，算法本身其实不复杂，真正花时间的是子问题建模和参数标定。代码写错了，收敛曲线会直接告诉你；模型参数不合理，迭代调一年也没用。如果你也正准备做微网群分布式优化，建议先把单个微网的物理约束和成本算清楚，再上ATC耦合层。从两微网开始，跑通一次，你就能摸到这套方法的脾气了。