做插电式混合动力车辆PHEV能量管理研究的人应该都经历过这个阶段模型建好了MPC公式也推完了打开Matlab编辑器却不知道第一行代码该写什么。标题里ADMMCVX凸优化MPC这些词看着都眼熟真正落到代码层就是另一回事。这篇文章把我从建模、凸化到ADMM结合CVX跑通MPC的完整过程写出来包括CVX安装和许可证、参数整定、报错排查希望能帮有同样需求的人少走两三个月的弯路。内容适合正在做新能源车辆能量管理策略研究的学生或工程师也适合对凸优化在控制系统中落地感兴趣的读者。默认你有一点MPC基础但即便你只听说过MPC按下面的步骤走一遍也能在Matlab里跑出自己的第一版程序。1. 先把问题说清楚PHEV的能源管理到底优化什么1.1 从规则模式切换到MPC功率分配插电式混合动力车辆的整车控制最核心的问题就是发动机和电池谁来出力、各出多少力。传统工程做法是规则策略电量充足就优先用电车速高了或急加速就让发动机介入电池电量低了就强制发动机补电。这种规则策略的好处是直观、稳定、控制器容易实现缺点是极限工况下不够优秀因为规则的阈值标定依赖工程师的个人经验换一个整车构型又得重新调换一套工况也可能不是最优。MPC的思路完全不同。它把未来一段时间的行驶需求用预测模型表达出来在当前时刻解一个带约束的优化问题得到未来若干步的最优控制序列然后只执行第一步下一步再滚动求解。用在PHEV上就是每个控制周期重新做一次发动机和电机功率分配的决策。MPC天然能处理约束和前瞻这也是它在能量管理领域这几年热度持续走高的原因。1.2 MPC问题的数学形式把问题写出来是这样一个典型形式状态量选SOC电池荷电状态控制量选发动机功率和电机功率。目标函数里油耗和SOC偏离参考值的程度都要考虑。约束则包括功率平衡约束也就是整车需求功率等于发动机和电机功率之和发动机和电机各自的功率上下限电池SOC上下限某些情况下还要考虑发动机启停限制。公式长这样min ∑ [ fuel(P_eng_k) β (SOC_k - SOC_ref_k)^2 ]s.t. SOC_{k1} SOC_k - P_batt_k / Q_batt * Δt P_req_k P_eng_k P_mot_k P_eng_min ≤ P_eng_k ≤ P_eng_max P_mot_min ≤ P_mot_k ≤ P_mot_max SOC_min ≤ SOC_k ≤ SOC_max这个形式中SOC动态方程在工程上经常做线性化处理因为电池内部参数随SOC变化严格说是非线性函数但做MPC只需要近似误差由滚动优化来弥补。这也是后面能凸化的基础。需要注意的是P_batt在放电时取正值、充电时取负值符号约定一定要统一我早期在这里吃过亏代码里SOC在充放电切换时轨迹不平滑排查半天发现是符号写反了。1.3 原始问题为什么非凸以及怎么处理这里要重点提醒一个关键点实际发动机的油耗map油耗率随转速和扭矩变化的关系通常是严重非凸的中间有各种等油耗区直接用这个map做优化整个问题就变成非凸的常规非线性求解器既慢又不保证全局最优。所以工程和研究中都会做一个预处理把油耗map用分段线性函数或二次函数做凸逼近把非凸的NLP问题变成凸问题。我最早直接用原map丢给fmincon结果显示初始值稍微变一下解就跳来跳去完全不适合在线控制。凸化之后问题性质立刻变了全局最优有保证求解时间是稳定的这对MPC这种滚动在线执行的框架极其重要。如果你的模型里还有发动机启停的0-1变量也就是发还是不发的选择同样可以做一个凸松弛处理把整数变量放松成连续变量[0,1]代价是解可能带一点模糊性工程上再加后处理修正一般就能接受。2. 求解链路为什么是CVX、凸优化与ADMM的组合2.1 CVX工具箱Matlab里写凸优化的翻译器CVX是Matlab环境下的凸优化建模工具核心价值在于你不需要自己写求解器也不需要手动把模型化成特定求解器的输入格式而是用接近数学表达式的语言直接把优化问题写出来。CVX会自动检测问题的凸性、选择内部solver、返回结果。PHEV的MPC问题约束多、变量维度高手写解析求导或者把问题转成MPS格式都非常痛苦。用CVX能让模型可读性高很多后期改权重、加约束基本就是改一个表达式的功夫。安装和许可证方面直接从官网下载对应Matlab架构的版本解压后运行cvx_setup。学术许可证免费用学校邮箱填表申请CVX会把license文件发到邮箱下载后放到CVX目录下重新执行cvx_setup提示成功就是装好了。需要特别提醒一下许可证要走正规渠道不要用来路不明的文件一旦混进恶意代码Matlab脚本里能读出什么别的东西就不好说了科研环境里这个风险没必要冒。安装过程中常见的版本兼容问题我在第5部分会专门说。2.2 ADMM到底解决什么问题有了CVXMPC凸问题理论上一个cvx_begin就能直接解那为什么还要引入ADMM答案在实时性。MPC是每个采样周期都要在线求解一次优化问题的如果预测时域拉到20步变量维度几十个直接求解可能需要几秒钟才返回。仿真没问题但你想做硬件在环或实车验证这个时间就是致命的。ADMM交替方向乘子法的核心思路是把一个大问题拆成几个易于求解的子问题通过一个协作迭代机制把子问题的解协调到满足原问题的约束。用个生活化类比你规划一周的任务直接整体最优化很难一次算清楚但你可以把安排工作和安排休息两个子问题分开排来回调整几轮很快就平衡好了。ADMM就是这个来回调整的数学化版本。2.3 我的组合方式外层ADMM内层CVX实现时我用的结构是这样的外层是ADMM的迭代循环负责把原始MPC问题分解成两个子问题——一个是以动力总成约束为主的功率分配子问题一个是以SOC动态和状态边界为主的状态跟踪子问题。每次迭代中这两个子问题都分别交给CVX去建模求解然后更新对偶变量和辅助变量计算原残差和对偶残差判断是否收敛。这个组合的好处很明显每个子问题规模都很小CVX求解速度极快CVX自动处理约束和数值问题鲁棒性好ADMM的迭代层是纯Matlab代码逻辑清晰出了问题容易定位。这也是我强烈建议在Matlab里实现这套方法时采用的结构。3. 从公式到代码ADMM加CVX的MPC实现步骤3.1 整体流程与仿真主循环先看总流程。假设你手里已经有一个能跑固定工况的整车纵向模型或者简化的一阶SOC模型代码主循环大概是这样% 主仿真循环 Ts 1; % 采样周期 1s Np 15; % 预测时域 N_steps length(drive_cycle); % 工况总步数 SOC SOC_init; for k 1:N_steps % 1. 预测未来需求功率序列工况已知或由预测模块给出 P_req_pred drive_cycle(k : kNp-1) * P_base; % 2. 调用ADMMCVX求解MPC问题 [P_eng_opt, P_mot_opt, info] solve_mpc_admm(SOC, P_req_pred, Np); % 3. 只取第一步控制量作用到被控对象 P_eng P_eng_opt(1); P_mot P_mot_opt(1); % 4. 更新SOC和被控对象状态 SOC SOC - P_mot / (V_ocv * Q_batt) * Ts; end主循环就四个步骤预测、求解、执行、更新。跑起来不复杂复杂的是里面那个求解函数。实际仿真中我习惯把每一步的SOC、P_eng、P_mot、求解耗时都存下来最后统一画图分析而不是边跑边plot那样会严重拖慢仿真速度。3.2 ADMM核心迭代代码求解器函数solve_mpc_admm内部是ADMM的迭代循环。这里给出一个骨架代码去掉详细约束后用于展示迭代逻辑function [P_eng_seq, P_mot_seq, info] solve_mpc_admm(SOC0, P_req, Np) rho 1.0; % ADMM罚项 max_iter 50; % 最大迭代次数 tol 1e-4; % 收敛阈值 z zeros(Np, 1); % 辅助变量 lambda zeros(Np, 1); % 对偶乘子 for iter 1:max_iter % --- 子问题1功率分配用CVX求解 --- u1 solve_power_alloc(SOC0, P_req, z, rho, lambda); % --- 子问题2SOC轨迹跟踪用CVX求解 --- u2 solve_soc_track(SOC0, P_req, u1, rho, lambda); % --- 辅助变量z更新 --- z_new u2 lambda / rho; % --- 对偶变量lambda更新 --- lambda lambda rho * (u1 - z_new); % --- 残差判断 --- r_residual norm(u1 - z_new, inf); s_residual norm(z_new - z, inf); z z_new; if max(r_residual, s_residual) tol break; end end end重点在于理解ADMM逻辑u1和z交替优化lambda是协调者收敛时u1、z以及原问题约束都接近满足。残差要同时监控原残差和对偶残差只看一个容易误判。实际仿真中我一般会把每次迭代的残差存下来画出收敛曲线这对判断罚项ρ是否合适非常有帮助。3.3 CVX子问题建模示例子问题用CVX写出来非常直观。以功率分配子问题为例核心代码大致如下function P_eng solve_power_alloc(SOC0, P_req, z, rho, lambda) Np length(P_req); cvx_begin quiet variable P_eng(Np) variable P_mot(Np) P_batt P_mot; % 简化电机功率近似等于电池功率 minimize( sum(fuel_convex(P_eng)) ... beta * sum_square(SOC_seq(SOC0, P_batt) - SOC_ref) ... 0.5 * rho * sum_square(P_eng - z) ... lambda * (P_eng - z) ) subject to P_eng P_mot P_req; % 功率平衡 P_eng_min P_eng P_eng_max; P_mot_min P_mot P_mot_max; cvx_end end这段代码里fuel_convex是你把发动机油耗map凸化后的函数SOC_seq是根据SOC动态方程写的从SOC0开始递推的序列。CVX的sum_square、power这些函数对凸问题表达非常友好写出来跟论文公式几乎一一对应。这也是我坚持用CVX而不是直接用solver接口的原因——可读性在科研代码里太重要了半年前的代码连自己回头都要看半天更别说别人接手。3.4 关键参数怎么定跑通这套代码后最影响结果的参数大概是下面这几个参数符号常见范围说明预测时域Np10 ~ 30越大前瞻性越好但求解变慢ADMM子问题规模也增大采样周期Ts0.1 ~ 1 s能量管理一般不追求太高频1s足够SOC权重beta100 ~ 1000决定SOC跟踪的松紧程度越大越倾向于保电量ADMM罚项rho0.1 ~ 10太小收敛慢太大容易振荡从1附近开始调ADMM迭代上限max_iter30 ~ 100在线控制建议限制迭代数宁可次优也要按时输出燃油与电量权重alpha看构型反映油价和电价的相对关系也是经济性调优的核心调参顺序建议是先把beta调到一个SOC不掉底的值然后去调rho让ADMM尽快收敛最后再微调油耗与SOC的综合权重。不要一开始就三个参数同时改那样出了问题根本不知道是谁引起的。我见过不少同学上来就把rho改成100结果残差振荡到天上去还以为是算法写错了。4. 仿真验证怎么对比、怎么看结果4.1 工况选择与对比方案仿真想说明两件事第一ADMM加CVX的结果和直接CVX全局求解的结果偏差不大第二求解时间到底降了多少。工况我建议用WLTC或者市区工况这种有代表性的标准工况别用自己编的随机工况跑出来别人也没法复现。对比方案也很简单同一个MPC问题方案A用CVX一次求解也就是每个采样周期直接调用cvx_begin方案B用ADMM加CVX迭代求解。两个方案都跑完整个工况对比SOC曲线、累积油耗和平均求解时长。4.2 结果怎么解读我实际跑下来的结果大致是这样的趋势方案平均单步求解耗时油耗表现SOC终值与基准最优性偏差直接CVX求解约1.2秒基准约0.31基准ADMMCVX约0.08秒与基准接近差值在0.5%内约0.32约0.3%ADMM迭代30次以内最优解跟CVX直接求解的差值在0.5%以内SOC轨迹几乎重合而平均单步求解时间可以压缩到十分之一级别。这个差距决定了你后续能不能往快速控制原型或者嵌入式平台迁移。看结果时重点看SOC轨迹是否频繁触边。如果SOC经常触到上限或下限多半是beta权重给低了或者预测时域太短让MPC为了短期油耗把电量用过头。这个现象跑出来一眼就能看到不用等油耗结果出来再去判断。另外如果只看累积油耗而不看SOC终值对比是不公平的要保证两个方案结束时的SOC尽量接近才能说油耗差异是算法本身带来的。5. 实际踩过的坑、常见问题与排查技巧5.1 CVX报错Disciplined convex programming error这是最常遇到也最让新手头疼的错误。CVX建模时要做凸性检查如果表达式不满足规范——比如变量乘以变量、变量取绝对值的符号方向不对、目标函数里用了非凸函数它就会直接拒绝求解。解决办法是一行一行注释掉约束找出哪个表达式不满足规则如果模型本身就非凸那就回到第1.3节去做凸化处理而不是硬调代码。我踩过最蠢的坑是目标函数里写了P_eng乘P_mot这种变量交叉项CVX直接报错。节省时间的做法是从一开始把二次项写清楚只写平方项避免交叉项或者提前做变量替换。这样就没必要在报错后一条条注释排查。5.2 ADMM不收敛或收敛慢迭代次数用完仍然没达到残差阈值优先检查rho。rho太小每次z更新步子迈得小要磨很久才到最优rho太大又容易来回振荡残差下不去。我一般做法是跑几组rho0.1、1、10的对比实验画出迭代次数和残差曲线选在20次左右能收敛到1e-4以下的值。还有一个容易被忽略的因素两个子问题的目标函数量级差异太大。比如油耗项量级是10SOC惩罚项量级是10000ADMM很容易被大尺度的项主导而忽略另一项。给目标函数里的各项做归一化或者提前把权重调平衡收敛速度会有肉眼可见的进步。5.3 控制量输出高频抖动MPC滚动优化如果不加控制增量惩罚在工况突变的地方第一步控制量可能跳得很猛仿真曲线像锯齿一样。这个问题在实车上就是平顺性灾难。解决办法是在目标函数里加入控制增量的二次惩罚限制相邻两步控制量的变化幅度。加上之后SOC曲线和功率分配曲线会平滑很多代价是可能稍微牺牲一点最优性这个取舍在工程上是合理的。5.4 常见问题速查表把一些高频问题整理成表方便遇到问题时快速定位现象可能原因处理建议CVX报DCP error表达式不符合凸规则逐条注释排查对模型做凸化处理ADMM迭代上限用完rho不合适或两项尺度不匹配调rho对目标函数各项做归一化SOC频繁触边beta过小或Np过短调大beta适当加长预测时域控制输出锯齿缺少控制增量惩罚目标函数加Δu二次项cvx_setup报错CVX版本与Matlab版本不兼容去官网确认版本支持重新运行setuplicense提示错误许可证文件与主机不匹配检查hostid重新申请匹配的许可证文件排查这类环境问题有个基本思路先确认CVX版本是否支持你的Matlab版本再重新执行cvx_setup看详细日志许可证问题就去找官网文档检查hostid和许可证文件是否对应别在网络环境上瞎猜。最后再分享一个个人习惯我在所有MPC求解函数里都会加一个可开关的调试模式打印每个采样周期的迭代次数、残差和求解耗时。这个习惯在调参数时帮了大忙。如果正准备开始实现这套方法我建议先从确定性工况跑通不要上来就用真实采集数据或复杂整车模型先把算法链路走通再逐步加复杂度。这样不管代码出什么问题你都能清楚问题出在哪一层。