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 CascadingATC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维度集中式ATCADMM协调结构全局单中心上层协调层 下层子问题对等多智能体或中心化对偶信息交互需要全部数据只交换联络线目标值和反馈值只交换边界变量和乘子隐私保护无较好较好算法理解难度简单直观中等偏难多区块扩展性一般好需要注意构造工程案例广泛多学科优化、电力调度统计、信号、电力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 ||_2^2s.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^{k1} α * t_i^k (1 - α) * x_i^{c, k}乘子更新则用λ_i^{k1} 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-3gap2 1e-3单位跟着功率走如果数据是kW1e-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_{k1} 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变量含义维度单位P_g燃气轮机出力1×TkWP_b储能净放电功率1×TkWP_buy从大电网购电功率1×TkWP_ex与微网群其他微网交换功率1×TkWSOC储能荷电状态1×(T1)%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(t1) 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_maxmin - 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(k1) SOC(k) ...]; Constraint Constraint [data.mg(i).SOC_min SOC(k1) 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×(T1)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 问题速查表现象可能原因处理方式gap一直不降ρ过小惩罚项影响太弱增大ρ比如从0.01调到0.05迭代十几代后发散ρ过大或乘子更新步长过大减小ρ或把乘子更新系数从2改成0.5曲线锯齿振荡目标值更新太激进改成加权平均 t 0.5t 0.5P_ex某个微网报infeasible本地约束过强或负荷不平衡单独验证该微网无ATC项时是否有解结果与集中式差距大收敛精度不够或初始目标不合理提高迭代上限或热启动初始目标Yalmip报solver not found求解器路径或名称配置不对指定 solve(solver,quadprog)中文注释乱码文件编码不统一另存为UTF-8或改系统编辑器编码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。