企业官网建设流程全解析

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}|Ax+Bz-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^{k+1})。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quadprog：

function 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); end

4.2 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^{k+1})。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^{k+1} = \lambda^{k} + \alpha \cdot \rho (Ax^{k+1} + Bz^{k+1} - 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：

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})MW，ADMM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。