企业官网建设流程全解析

复现一篇分布鲁棒机会约束（DRCC）加 ADMM 分布式算法的电气综合能源系统论文，是很多刚入这个方向的同学共同的坎。我和不少同行聊过，大家普遍的感受是：公式能看懂个大概，一到代码就不知道 DRCC 的机会约束往哪个模块里塞，ADMM 的耦合变量算完该传给谁，程序报错也分不清是模型问题还是参数问题。我自己第一次做这个方向时折腾了将近三周，白天调代码晚上推公式，最后把问题拆成"确定性模型 → DRCC 转化 → 分布式求解"三层才彻底跑通。这篇博文就把我实际操作中的完整复现经验写出来，从数学原理到代码模块再到调试记录，希望能帮你把这条路上的坑提前避开。

1. 复现前的理论准备：DRCC 要解决什么问题

1.1 从随机规划和鲁棒优化说起

电气综合能源系统里，风电出力和负荷预测误差这类不确定性躲不掉，处理不确定性有三种经典思路。第一种是随机规划，它假设不确定参数服从一个精确已知的概率分布。这个假设在实际里很脆弱，你拿历史数据拟合出来的分布只是真实分布的一个近似，真实分布往往长什么样你根本不知道，一旦分布假设错了，最优解在真实环境下可能表现得很差。

第二种是传统鲁棒优化，它要求约束在最坏情况下也必须满足。这个做法的好处是只需要知道不确定参数的取值范围，数学上也好处理，但代价是解过于保守。你为了那 0.1% 可能出现的极限场景，把整个系统调度成本拉得很高，工程上常常不划算。

分布鲁棒优化走的是中间路线：不假设精确的分布，但也给定一个包含所有可能分布的集合——这个集合叫模糊集。优化目标是最小化在最坏分布下的期望成本，或者保证约束在最坏分布下以足够高的概率成立。换句话说，它比随机规划更能抵抗分布估计误差，比传统鲁棒优化更经济，这也是为什么近几年电-气综合能源系统调度方向的论文大量采用了这个方法。

1.2 机会约束的难点与两条主流处理路线

DRCC 里的核心是机会约束，数学形式长这样：

Pr[ g(x, ξ) ≤ 0 ] ≥ 1 - ε

意思是要求约束 g(x,ξ)≤0 成立的概率不低于 1-ε，ε 是允许的风险水平，通常取 0.05 或 0.1。x 是决策变量，ξ 是不确定参数，比如风电场实际出力、节点负荷偏差。

很多刚从确定性优化转过来的人会把机会约束直接写成 g(x, E[ξ]) ≤ 0，就是把 ξ 换成期望值再约束。这个做法在大多数场合是错的，因为 ξ 取期望时约束满足，不代表 ξ 取其他值时也满足，最终结果要么过于激进违反概率约束，要么过度保守，而且你根本没法量化误差。

处理机会约束有两条主流路线。一条是采样近似法，也就是用蒙特卡洛生成大量场景，把概率约束写成一组离散场景下的约束，同时引入 0-1 整数变量来放松，这是 Scenario Approach 的思路。另一条是解析近似法，通过条件风险值（CVaR）对机会约束做凸近似。CVaR 近似的好处是能保持问题凸性，且在 Wasserstein 模糊集下可以进一步转化为可计算的有限维优化问题。我复现时用的是后者，下面展开讲。

1.3 参数怎么选：风险水平、Wasserstein 半径与样本量

分布鲁棒机会约束的关键是模糊集的构造方式。目前最流行的是基于 Wasserstein 距离构造的模糊集：

D = { P ∈ P(Ξ) : d_W(P, P̂_N) ≤ θ }

其中 P̂_N 是基于 N 个历史样本构造的经验分布，d_W 是 Wasserstein 距离，θ 是模糊集半径。Wasserstein 距离可以通俗地理解成"把两个概率分布中的概率质量从一处搬到另一处所需的最小成本"，它度量的是分布之间的差异。

这里有几个参数直接影响最终结果。风险水平 ε 越小，要求越高，解越保守，工程上常见取 0.05。样本量 N 越大，经验分布越接近真实分布，模糊集半径 θ 理论上就可以取得越小。Wasserstein 半径 θ 有一个基于大偏差理论的理论下界公式，但实际复现时很少有人直接用那个公式，因为算出来的值往往极其保守，我见过不少论文里 θ 是通过取不同值做灵敏度分析来定的：从小往大扫，观察目标函数值和概率约束满足率的变化，选一个兼顾经济性与鲁棒性的拐点。

提示：复现初期千万不要在参数选择上花太多时间。先固定 ε=0.05、N=200、θ 取一个中间量级，把整个链路跑通，再回头做参数扫描。

2. 电气综合能源系统的模型搭建

2.1 电力侧：直流潮流的取舍

电-气综合能源系统的电力侧通常用直流潮流模型，原因很现实：交流潮流的非线性约束会让 ADMM 子问题变成非凸问题，求解困难且迭代收敛性没有保证。直流潮流的线性形式足够捕捉电网功率平衡和线路过载特征，和天然气侧的模型耦合起来也干净。

电力侧的核心约束包括节点功率平衡、发电机组出力上下限、线路传输容量和节点相角约束。节点平衡方程可以写成：

Σ_g P_g(i) + Σ_w P_w(i) + P_P2G(i) - P_load(i) = Σ_j B_ij (θ_i - θ_j)

这里 P_g 是机组出力，P_w 是风电场出力，P_P2G 是电转气设备消耗的电功率（把电变成气再注入天然气网），P_load 是电负荷。直流潮流方程是在基态运行点附近做近似得到的，它的假设是线路电阻远小于电抗、节点相角差很小，这在高压输电网调度层面基本成立。

要注意的是，如果你复现的论文对网络安全有更细的要求，比如考虑了 N-1 预想故障或者线路网损，那直流潮流不够用，得上升为二阶锥或交流潮流模型。但那样的话，ADMM 子问题的求解难度会陡增。我做复现时的原则是：先尽可能贴合原论文的模型假设，不要自己对模型做"升级"，否则你是在同时复现论文和改论文，出了问题根本没法定位。

2.2 天然气侧：Weymouth 方程与线性化处理

天然气系统的建模比电网稍微麻烦一点，核心是管道气流方程。稳态下天然气在管道中的流量与管道两端气压的关系非常有名——Weymouth 方程：

f_mn = C_mn · sign(π_m - π_n) · sqrt(|π_m² - π_n²|)

其中 f_mn 是管道 m-n 的天然气流量，π_m 和 π_n 是节点气压，C_mn 是管道常数。这个方程天然带有平方根和符号函数，是非线性的，直接放进优化模型里会破坏凸性。

复现时处理 Weymouth 方程有几种常见做法。第一种是分段线性化，把非线性项划分成多段线性近似，精度可控但会增加变量数量。第二种是 SOC 松弛，把 |π_m² - π_n²| 通过辅助变量转化为二阶锥约束，前提是模型结构和目标函数允许这种变换。第三种是直流气网假设，直接在运行点附近做线性化处理，类似于电网中的直流潮流近似，建模简单，但只适用于压差变化小的场景。

我个人的建议是：除非原论文明确用了更精细的气网模型，否则优先采用 SOS 分段线性近似。天然气管网的运行约束还包括节点气压上下限、气源供气约束、储气罐和压缩机约束。压缩机节点在气体流动方向固定时可以通过变参数简化，但方向不确定时会引入整型变量，这又会让问题变成混合整数规划，ADMM 迭代时就需要处理整数变量，复杂度上升一个级别。如果原论文没有讨论压缩机方向，你也别自己额外加，先保持模型一致。

2.3 耦合元件、不确定性来源与建模方式

电气综合能源系统里最核心的耦合元件有两类：燃气轮机和电转气（P2G）。燃气轮机消耗天然气产生电能，将天然气网络与电网连接起来，属于气到电方向的耦合；P2G 利用电力将水电解产生氢气或甲烷，属于电到气方向。一个完整的电-气综合能源系统通常同时包含这两类耦合设备。

耦合关系的数学形式相对直观。燃气轮机的电出力与天然气消耗量之间是线性关系，近似写为：

P_gas_fired = η_gt · H_v · G_consume

其中 η_gt 是燃气轮机的发电效率，H_v 是天然气热值，G_consume 是天然气消耗量。P2G 那边则是天然气产量与耗电功率之间的线性关系，效率系数取 0.6 左右，具体值要看论文设定。

不确定性来源一般集中在风电场出力、光伏出力和电负荷预测误差上。建模时有两点要特别注意。第一点，不确定参数 ξ 的维数不能太大。DRCC 转化后的计算复杂度与不确定参数维度直接相关，如果你把每个节点的风电都单独作为一维不确定参数，求解时会非常吃力。常见做法是把总的风电预测误差或者几个主要风电场聚合后作为一个低维随机向量处理。第二点，样本数据与模糊集的匹配性。历史样本的数量和分布直接影响 Wasserstein 半径的合理取值，你构造样本时最好保留原始数据的时间相关性，而不是简单随机打乱。

3. ADMM 分布式算法：公式推导与代码落地

3.1 为什么要拆成两个子问题

很多刚接触 ADMM 的人会问：既然我已经能把整个电-气综合能源系统的模型写出来了，直接用求解器怼上去不就行了？集中式求解确实可以，但有几个现实问题。首先是求解规模的瓶颈，当系统节点数来到几百甚至上千，含 DRCC 变换后的约束加上天然气非线性近似，整个模型的变量和约束数量非常庞大，商业求解器也未必扛得住。其次是分布式计算的需求，电力系统和天然气系统往往分属不同运营主体，数据不共享、决策相互独立，集中式优化在信息隐私层面根本走不通。

ADMM 的核心思想是把一个大的优化问题分解成若干个较小的子问题，通过迭代协调得到全局最优解。对于电-气综合能源系统，很自然的一个分解思路是：把电网侧作为一个子问题，气网侧作为另一个子问题，两个子问题之间的耦合关系通过一致性约束来传递。这样电力系统的数据和模型不需要完全暴露给天然气运营商，各自只交换少量边界耦合变量即可。

ADMM 对凸问题保证收敛到全局最优。如果原问题是非凸的，比如天然气侧用了高度非线性的模型且没有做凸化，那 ADMM 不保证收敛，可能出现振荡。所以前面强调要对 Weymouth 方程做凸化处理，正是为了让 ADMM 的收敛性有理论保障。

3.2 增广拉格朗日与大循环迭代步骤

ADMM 求解的问题形式是：

min F_e(x_e) + F_g(x_g) s.t. A_e x_e + A_g x_g = c x_e ∈ X_e, x_g ∈ X_g

其中 x_e 是电力侧决策变量，x_g 是天然气侧决策变量，A_e x_e + A_g x_g = c 是耦合约束，比如燃气轮机的天然气消耗量与气网供气的平衡关系。构造增广拉格朗日函数：

L_ρ(x_e, x_g, λ) = F_e(x_e) + F_g(x_g) + λ^T(A_e x_e + A_g x_g - c) + (ρ/2) ||A_e x_e + A_g x_g - c||²

ADMM 的迭代包含三步。第一步，固定 x_g 和 λ，求解关于 x_e 的子问题，更新电力侧变量。第二步，固定刚更新的 x_e 和 λ，求解关于 x_g 的子问题，更新天然气侧变量。第三步，更新对偶变量 λ：

λ^{k+1} = λ^k + ρ(A_e x_e^{k+1} + A_g x_g^{k+1} - c)

这里的 ρ 是惩罚系数，它的作用是"推"着两个子问题的解向满足耦合约束的方向移动。每次迭代先并行或顺序求解两个子问题，再用耦合残差修正对偶变量，循环进行直到收敛。

在电-气综合能源系统的实际复现中，耦合约束往往不止一条。比如燃气轮机多条支路对应多条气网节点供气约束，P2G 也各有一条耦合关系。这时的 A_e 和 A_g 矩阵就不再是单行，而是一个耦合矩阵。代码实现可以直接用 numpy 数组来表示这个矩阵，每行对应一条耦合约束，ADMM 的对偶变量也就变成一个向量。

注意：代码里最容易写错的地方是耦合约束的符号。A_e x_e + A_g x_g = c 和 A_e x_e - A_g x_g = c 在 ADMM 的迭代公式里对应的残差公式完全不同，符号错了直接导致迭代发散。我见过不少复现代码最终调不收敛，问题根源就在这个正负号上。

3.3 惩罚系数 ρ、收敛判据与加速技巧

ρ 是 ADMM 里调试成本最高的参数。ρ 取值太小，迭代向耦合约束靠拢的速度慢，需要跑很多轮才能收敛；ρ 取值太大，目标函数的主导地位被弱化，迭代过程容易振荡，甚至两个子问题交替把对方"推过头"。工程上最简单的策略是先固定 ρ=1 跑一轮，观察残差曲线，如果残差下降太慢就增大 ρ，如果残差振荡就减小 ρ。

判断收敛不能只看目标函数值变了没有，更可靠的是看原始残差和对偶残差。原始残差是耦合约束的违反量：

r^k = A_e x_e^k + A_g x_g^k - c

对偶残差是两次迭代之间对偶变量变化导致的残差：

s^k = ρ A_g^T (x_g^k - x_g^{k-1})

终止条件是两个残差都小于阈值。原始残差大说明还没满足耦合约束；对偶残差大说明对偶变量还在变化，解还没稳定。

加速技巧有几个我实测有效的。第一个是残差平衡法，根据原始残差和对偶残差的相对大小每个若干步动态调整 ρ，比如原始残差偏大就把 ρ 乘 1.5，对偶残差偏大就把 ρ 除以 1.5。第二个是适度松弛，在更新耦合约束的参量时加入一个松弛因子 α，取值在 0.9 到 1.8 之间，实测能有效减少振荡。第三个是热启动，把上一轮的 x_e 和 x_g 作为下一轮迭代的初值，这能显著减少总迭代次数。

4. 复现实操：从论文到可运行代码

4.1 环境与工具选型

工具选型直接影响复现效率。我推荐用 Python + CVXPY，这是目前最省心的组合。CVXPY 支持把 DRCC 转化后的二阶锥约束直接声明为约束对象，对凸问题的建模非常灵活，还有内置的 DCP 规则检查，能在求解前就帮你拦截掉很多不规范建模。求解器方面，凸问题用 ECOS / SCS，纯线性问题用 GUROBI 或 CPLEX，这两个商业求解器对学生有免费学术许可，装一个不亏。

如果你更习惯 MATLAB，YALMIP + CPLEX 的组合也可以，但 YALMIP 对复杂二阶锥约束的建模不如 CVXPY 直观，而且 ADMM 循环里要反复调用模型求解器时，Python 的编程灵活性明显更好。我不建议为了"复现论文里用了 MATLAB"而强迫自己必须用 MATLAB，一个方法能跑通就是好方法。

4.2 代码模块化结构

很多复现代码第一版写完就是一坨，最后 debug 到崩溃。我的建议是严格按照模块拆分布局，每个模块只负责一件事。

• data.py：读入网络拓扑、机组参数、气网参数、历史样本数据
• ambiguity.py：根据样本构造经验分布和 Wasserstein 模糊集，生成 DRCC 转化后的约束参数
• electricity.py：电力侧子问题，封装 CVXPY 模型，输入对偶变量和耦合变量初值，输出电力侧决策变量
• gas.py：天然气侧子问题，类似结构的另一个模型
• admm.py：主循环逻辑，负责交替调用两个子问题、更新对偶变量、记录残差和迭代历史
• main.py：组装全部模块、设定超参、输出结果

核心代码框架大致长这样，我用伪代码形式给出：

# admm.py 核心循环伪代码 for k in range(max_iter): # 电力侧子问题 x_e = solve_electricity(x_g_prev, lambda_vec, rho, data) # 天然气侧子问题 x_g = solve_gas(x_e, lambda_vec, rho, data) # 原始残差 r = coupling_matrix(x_e, x_g) - c_target # 对偶更新 lambda_vec = lambda_vec + rho * r # 对偶残差 s = rho * coupling_gradient(x_g - x_g_prev) # 残差记录 history.append((k, norm(r), norm(s), objective)) if norm(r) < tol_pri and norm(s) < tol_dual: break

两个子问题里的模型要用 CVXPY 构建，比如电力侧子问题中核心约束和 DRCC 机会约束的转化后约束写在一起。关键一点是：两个子问题的目标函数里，除了本地的运行成本，还要加上增广拉格朗日中对偶项和二次惩罚项，这一步是初写代码时最容易漏掉的。

4.3 一个小型电-气耦合算例复现全过程

理论知识准备得再充足，不亲手跑一遍都是空中楼阁。我用一个小型测试系统来做完整复现，规模是电力侧 5 节点、天然气侧 4 节点，包含 1 个风电场、2 个常规火电机组、1 个燃气轮机和 1 套 P2G 设备。历史样本取 200 个风电出力场景点，风险水平 ε=0.05，Wasserstein 半径 θ 先取 0.01，后面再扫描。

Step 1，搭建确定性模型。先把风电出力固定到期望值，跑一遍没有不确定性的最优调度，确认模型能出结果、成本量级合理。这一步通常能暴露网络参数错误、节点功率不平衡等基础问题。

Step 2，加入 DRCC。把风电出力作为随机变量，构造 Wasserstein 模糊集，将机会约束转化为 CVXPY 可表示的近似约束。这一步我建议单独测试：固定一组决策变量，用大量随机样本模拟检验机会约束实际满足的概率，看是否接近 1-ε。如果偏差太大，说明转化过程有误。

Step 3，拆分 ADMM。把完整模型复制成两个子模型，分别配好耦合约束，写入 ADMM 主循环。重点是确认耦合约束的形式。在我的例子里，燃气轮机的天然气消耗量由电力侧子问题决定，同时气网子问题要把这部分天然气供给分配给对应气源，P2G 产生的天然气则注入气网作为负的负荷。

Step 4，调参。先用 ρ=1 跑 100 轮，打印残差曲线。如果残差下降缓慢，将 ρ 调整为 5；如果出现振荡，调整为 0.5。持续观察直到原始残差和对偶残差同时降到阈值以下。

Step 5，与集中式结果对比。把 DRCC 转化后的完整模型不拆分，直接用求解器集中求解，比较目标函数值与 ADMM 的收敛结果。两者应该非常接近，差距通常小于 0.5%。这个对比特别重要，因为如果你只跑 ADMM 不看集中式解，很可能收敛到一个错误的解还浑然不觉。

我在实际复现中，这几个步骤合计用时大约两天。其中最耗时的是 Step 2 和 Step 4，Step 2 需要理解论文里的转化引理，明确哪些中间变量在代码里对应什么，Step 4 则需要耐心，属于典型的瞎猫碰死耗子式调参。所以把调参日志记录下来非常重要，每一轮的 ρ、残差、成本都写清楚，快速找到规律。

5. 复现常见问题排查实录

5.1 问题速查表

我把复现过程中可能遇到的问题整理成一个速查表，每个问题都标注了典型原因和解决思路，方便你遇到报错时快速对照。

5.2 一次典型排查过程的完整记录

我在复现一款公开的电-气系统测试算例时，遇到过 ADMM 前几轮残差下降正常、到第 30 轮之后突然发散的怪问题。排查过程大致是这样。

第一反应怀疑 ρ 取值，调大调小都试过，问题依旧。然后去看原始耦合约束，发现电力侧子问题里的 P2G 变量在天然气侧子问题里作为注入项时，符号取反的位置在排程里写了两次。这两个负号看似抵消，但在 ADMM 迭代的对偶变量更新里产生了完全相反的方向修正，导致残差一会正一会负，最终发散。把重复的负号删掉之后，问题立即消失。

第二次遇到的是机会约束满足率偏差问题。模型收敛后，用 5000 个蒙特卡洛样本对风电出力模拟检验，发现约束实际满足率只有 0.82，远远低于要求的 0.95。检查代码后发现，我把 Wasserstein 半径 θ 的取值写到了另一个单位体系里，导致模糊集过小，真实分布被排除了。修正 θ 之后满足率回到正常范围。这个教训说明，参数的单位和量纲在数学公式里虽然不明显，但在落代码时极其致命，特别是涉及多个系统时，功率单位、热值单位、气压单位一定要统一。

第三次问题比较隐蔽，开发中用 ECOS 求解器跑得很顺利，但切到 SCS 之后结果不稳定，目标值变化大。后来发现是 SCS 求解精度默认值太低，二阶锥约束的求解精度不够，导致 ADMM 残差在细节上波动。解决方案是把 SCS 的 tolerance 调低到 1e-6，问题解决。这也提醒我，复现时用的求解器最好和最终验证阶段保持一致，别中途换。

5.3 几条实测的独家心得

第一，分步验证比整体 debug 快十倍。先把确定性模型跑对，再把 DRCC 加上去，最后拆 ADMM。每一步都用数理逻辑验证一遍结果合理性，整体出问题时就能快速缩小包围圈。我见过很多同学直接一步到位把三个难点捆在一起，最后出错根本不知道是哪里起的头。

第二，日志要详细到可以回放。ADMM 每次迭代的原始残差、对偶残差、目标函数值、ρ 当前值全部记录。调参时就能画曲线直观判断趋势。对偶变量变化很小但目标值变化大，说明子问题内部有异常；目标值稳定但原始残差大，说明耦合约束没守住。这两种情况处理方式完全不同。

第三，先跑集中式再拆分布式。把 DRCC 转化后的完整模型集中式求解一次，记录解和最优成本。ADMM 跑完后与它对比。若两者差异超过 1%，大概率不是参数问题而是你的 ADMM 分解本身有误，比如遗漏了某条耦合约束。这个"标准答案"在调试时是非常可靠的参照物。

第四，不确定参数的维度尽量压缩。我吃过亏，把每个风电场单独作为随机变量，结果 DRCC 转化的约束规模剧增，一跑就是十几分钟。后来把多个风电场聚合为一个随机向量，计算时间大幅下降，结果差异却非常小。如果你的论文没有明确要求逐场建模，聚合是个高性价比选择。

第五，复核热值效率系数时多留一个心眼。电-气综合能源系统里燃气轮机的耗气量计算非常依赖效率和热值取值。不同论文对天然气热值的定义可能差一个数量级，这会直接导致燃气轮机气耗和 P2G 产气量失真，进而让耦合约束失衡。我在复现时就吃过这个亏，后来养成习惯，每次拿到新算例先算一遍单台机组满发需要多少气，跟系统的整体用气量对一对量级，不合理就先停。

6. 个人体会与几个扩展方向

我个人在实际操作中最大的感受是：复现 DRCC + ADMM 这类工作，最大的技术瓶颈其实不在数学推导，而在工程化拆解的能力。你需要把论文里一个连续整体的算法流程，拆成若干个能独立验证、独立调试的功能模块，再通过清晰的接口把它们串起来。很多时候论文不会告诉你某个变量在代码里应该放在哪个子问题、初始化值怎么给，这些都要靠自己对问题结构有足够清晰的理解才能定下来。

还有一个容易忽略的扩展点是模型尺度。小型测试系统跑通之后，要往更大系统扩展时，ADMM 的收敛速度可能会有明显变化，这时可以尝试引入自适应惩罚系数和加速策略，比如在一开始用固定 ρ 快速启动，进入迭代中段后改为动态调整。如果你还要处理多个时段的多步调度问题，建议把每个时段也纳入 ADMM 分解的维度考虑，时段时间耦合会让你的子问题变成序列决策问题，此时单纯的空间分解不够，需要时-空混合分解的思路。

最后再分享一个小技巧：每次复现完一个算例，把关键参数和结果整理成一张表格，连同调参日志一起存档。后续如果换数据、改模型结构、或者换不确定性分布，你只需要改数据模块和边界条件，主流程完全复用。这套工作流能让你在性能优化和模型扩展时省下大量重复劳动。希望这篇记录能帮你降低起步门槛，如果你也在跑电-气综合能源系统的相关算例，欢迎多聊聊你在 DRCC 转化和 ADMM 收敛上遇到的实际情况。