这套【多微电网】计及碳排放的基于交替方向乘子法ADMM的多微网电能交互分布式运行策略研究光看名字就知道是把三件事压在一起做多微电网之间的电能互济调度、碳排放约束下的经济性优化以及用ADMM把原本需要“集中求解”的大问题拆成“大家各算各的”分布式算法。我前阵子刚好按这个思路在Matlab里完整实现了一套可以跑通的框架把负荷、光伏、储能、微燃机、交互功率、碳配额这些要素全部组装到一起。这篇博文就把整个思路、数学模型、代码结构和调试经验一次说完给正在做多微网调度方向或者想用ADMM做分布式优化的朋友一份可以直接参考的实践笔记。1. 先拆解一下这套多微电网调度到底在解决什么问题1.1 多微网互联的现实需求从孤岛运行到电能互济单个微电网通常由光伏、储能、负荷以及可能的燃气发电设备组成可以并网运行也可以离网孤岛运行。但单一微电网的调节能力其实很有限光伏出力曲线跟着天气走午间可能大量富余晚间却瞬间缺口储能容量有限尖峰负荷一来就只能高价向配网购电。如果把相邻的若干微电网通过联络线连接起来让A站午间光伏富余的电量送到B站去消纳让B站的储能替A站分担一部分高峰压力整个微电网群的新能源消纳率和供电可靠性都会明显改善。这套项目标题里的“多微电网电能交互”核心就是围绕这种互联结构做运行调度。需要回答的问题很具体每个微电网每个时段应该从邻居那边买入多少功率、向邻居卖出多少功率、本地机组发多少电、储能充还是放才能让整个系统的总运行成本最低同时把碳排放控制在合理水平。这是一个典型的多时段、多主体、多约束优化问题。1.2 为什么放弃集中式数据隐私与计算负担的双重压力以前大家做微电网调度最自然的想法是“设一个中心调度层把每个微电网的负荷、光伏、储能状态全部收上来统一建一个模型求解”。这种集中式方案在单微电网内部完全没问题但一旦扩展到多微电网群痛点立刻显现。首先是数据隐私问题。各个微电网可能归属不同的业主或者不同的运行部门负荷曲线、储能容量、机组成本这些都是运营数据谁都不太愿意完完整整地交到中心节点手里。其次是通信和规模化压力集中式求解要求每个时段都汇集全量数据通信链路一旦出问题整个调度就瘫痪了。更重要的是微电网数量增长之后集中式模型的维度快速膨胀商用求解器也得算很久灵活性很差。分布式优化的思路完全不同每个微电网只维护自己的本地模型和本地数据对外只交换一组“边界变量”比如计划交互功率、边界电价或者拉格朗日乘子。ADMM就是这类算法里公认的实现难度和收敛性平衡得比较好的一种这也是标题里把ADMM单独拎出来的原因。1.3 碳排放约束不是附加题而是题目的一部分把“计及碳排放”放在标题第二层说明这不是事后加一个罚函数凑数而是在模型层面真正引入碳排放成本或配额约束。实际工程里常见的做法有两种第一种是把碳排放量折算成成本项加入目标函数本质上是给每一吨二氧化碳标一个价格第二种是给每个微电网设定碳排放配额允许在碳交易市场上买卖配额碳排放量超过配额的部分需要额外购买少于配额的部分可以出售获利。我这次实现选择的是更贴近当前碳交易机制的做法引入碳价让每个微电网的实际碳排放量与免费配额做差差额部分按统一碳价进入成本函数。这样优化器自然会权衡“多发一度火电会多产生多少碳排放成本”而不是简单粗暴地限死排放总量。后面第3节会把公式写清楚。提示分布式调度本身就比集中式调度多一层协调机制再叠加碳排放之后目标函数和约束都会变复杂。建议先跑通不考虑碳排放的版本确认ADMM迭代正常再逐步加入碳成本项否则出了问题很难定位。2. ADMM的核心原理三步迭代如何把全局问题拆成多个本地问题2.1 ADMM的数学形式与直观理解交替方向乘子法并不是一个特别新的算法但它是增广拉格朗日方法与高斯-赛德尔分解思想的结合体。它要解决的问题长这样min Σ f_i(x_i)s.t. Σ A_i x_i c或者更常见的一致性约束形式min f_i(x_i)满足 x_i z。用生活里的场景类比一下几个合伙人要共同决定一笔资金分配方案大家各自有各自的营收压力和维护成本但又必须统一一个总账。ADMM的做法是各合伙人先根据自己手里的账本算出自己认为合理的贡献金额这是“交替”的前半步然后一个协调者把所有人的方案汇总取一个大家都认可的公共参考值这是“协调”最后协调者根据每个人的方案和公共参考值的差异调整一个“讨价还价筹码”——这个筹码在数学上就是拉格朗日乘子下一次分配时各合伙人会把这个筹码带进自己的计算里。三轮循环反复迭代直到大家的方案差异小到可以忽略。这种思路对应到多微电网系统里就是让每个微电网先独立做一次本地优化把自己希望与其他微电网的交互功率算出来然后协调层把这些交互功率汇总生成一个统一的交易参考值最后协调层根据“本地期望值”和“公共参考值”的偏差更新乘子再把乘子下发让每个微电网重新优化。如此循环直到每个微电网对外公布的交互功率与协调层的统一参考值趋于一致。2.2 三步迭代流程本地优化、变量协调、乘子更新ADMM的迭代框架可以写成标准的三步第一步本地优化。给定当前乘子λ^k和公共参考变量z^k每个微电网i求解自己的子问题x_i^{k1} argmin f_i(x_i) λ_i^T (x_i - z^k) (ρ/2) ||x_i - z^k||²这里ρ是惩罚参数它控制本地解偏离公共参考值的代价。对于微电网来说这个子问题就是一个带本地物理约束的二次或线性优化问题可以用quadprog、linprog甚至更通用的求解器处理。第二步变量协调。协调者收到所有微电网最新的x_i^{k1}之后更新公共参考值z。对于一致性约束版本z^{k1}通常取所有x_i^{k1}的加权平均比如z^{k1} (1/N) Σ x_i^{k1}具体到联络线交互功率会更复杂一些协调者需要把“微网A期望卖给B的功率”和“微网B期望从A买入的功率”统一成一个交易值通常是让A和B各自期望值的中点在迭代中逐渐对齐。第三步乘子更新。协调者把本地解与公共参考值的偏差反馈给乘子λ^{k1} λ^k ρ (x^{k1} - z^{k1})这一步相当于“调筹码”偏差大就加大下次的驱动力偏差小就稳定下来。三步反复循环直到原残差和对偶残差都小于设定阈值。2.3 收敛判据和参数选择的工程视角理论上ADMM要求目标函数是闭且凸的约束是非空闭集。多微电网经济调度如果机组成本是线性或二次函数、储能模型是线性动态整个问题就是凸的满足收敛条件。但工程上“能收敛”和“收敛得快”完全是两回事。经验上有几个参数直接决定迭代质量。第一个是惩罚参数ρ它太小会让乘子更新驱动力不足本地解长期偏离公共参考值太大会让本地优化过度保守收敛速度也受影响。我常用的起点是ρ1然后根据残差曲线做调整。第二个是最大迭代次数ADMM的特点是前期下降快后期慢我一般设置300次上限配合容差提前终止。第三个是残差阈值的归一化功率变量的量级可能是几兆瓦乘子量级则是价格量级直接用绝对阈值容易错判建议用相对残差。3. 计及碳排放的多微网调度模型怎么搭3.1 系统拓扑与变量定义我用一个三微网互联系统来搭建框架拓扑结构是环状或者辐射状都可以核心是每条联络线连接两个微网。每个微网内部包含光伏、储能、本地负荷以及一台微燃机作为可调发电单元。优化周期取典型的一天96个时段每个时段15分钟。系统的核心决策变量包括每台微燃机的出力P_MT储能充电功率P_ch、放电功率P_dis以及荷电状态SOC与上级配电网的购电功率P_grid与相邻微网之间的交互功率P_ij。交互功率的方向约定很重要我统一规定P_ij大于0表示微网i向微网j输出功率反之为负。物理上P_ij与P_ji必须互为相反数这正是ADMM需要协调的耦合约束。3.2 目标函数运行成本、购电成本与碳交易成本的统一表达整体目标函数是所有微电网在所有时段的总成本最小包括下面几个部分第一项是发电成本。微燃机的成本用常见二次函数近似C_MT a · P_MT² b · P_MT c其中a、b、c是成本系数按实际机组的燃料和效率标定爬坡约束也要加进去。第二项是购电成本。各微网可以根据自身与配电网的交易电价从上级电网买电也可以反向卖电这部分直接按分时电价计算。第三项是碳交易成本。每个微网设定一个免费碳排放配额D实际碳排放E按照排放因子计算包括从上级电网购电对应的间接排放和微燃机燃烧对应的直接排放。碳交易成本为C_carbon P_co2 · (E_total - D)如果实际排放低于配额这项为负也就是可以通过出售配额获利如果高于配额则产生额外成本。这个形式把碳排放约束直接变成了经济信号优化器会自动在发电、购电和交互功率之间做权衡。3.3 约束条件功率平衡、储能动态与交互功率耦合每个微网每个时段都要满足功率平衡约束。以微网i为例P_PV(t) P_MT(t) P_dis(t) P_grid(t) Σ P_ji(t) P_load(t) P_ch(t)式子左边是各电源出力、储能放电和从其他微网流入的功率右边是负荷与储能充电之和。这里需要看清符号约定P_ji表示从相邻微网j流向i的功率也就是i的输入。储能约束包括SOC递推关系、SOC上下限、充放电功率上下限以及避免同时充放电的约束。为了保持凸性工程上一般不要求显式地二次约束不同时充放电当目标函数中充电和放电成本都为正时优化结果自然不同时进行。交互功率约束包括联络线传输容量约束以及最重要的耦合约束P_ij P_ji 0。这个约束把两个独立微网的本地决策关联起来集中式模型可以统一处理分布式模型必须通过ADMM把它解耦。碳排放约束则表现为每个微网的碳排放总量与配额之间的关系在目标函数里体现可以不再单独加硬约束。3.4 从全局模型到分布式子问题的重构过程集中式模型是把所有微网的变量放进同一个优化问题里求解分布式重构的关键是把耦合约束从全局约束变成每个本地问题的罚项和协调变量。对微网i它的本地子问题可以写成min Σ_t [C_MT C_buy C_carbon] Σ_j [λ_ij(t)·(P_ij(t) - z_ij(t)) (ρ/2)·(P_ij(t) - z_ij(t))²]其中z_ij是协调层给这条联络线设定的公共交易参考值λ_ij是这条联络线对应的拉格朗日乘子。微网i只求解自己的变量P_ij是本地变量而z_ij由协调层统一更新。这样微网之间在计算上完全解耦只需要在每次迭代后交换边界变量。提示很多人第一次写ADMM会把子问题搞成“每个微网求解时把邻居变量当常数”但这其实更接近高斯-赛德尔或目标级联法的思路。ADMM的特点是通过公共参考变量z和乘子λ间接协调机制更干净对求解器要求也更低。建议严格按三步迭代来写。4. Matlab代码实现从数学模型到可运行的工程4.1 工程化代码架构与文件分工我在Matlab里的实现分成几个功能明确的文件方便后期改模型和调参数。main.m负责整体调度加载数据、设置ADMM参数、执行迭代循环、保存结果。data_config.m保存所有系统参数包括负荷曲线、光伏曲线、储能参数、机组参数、碳相关参数、联络线容量和拓扑连接关系。local_problem_i.m是第i个微网的本地子问题建模输入当前时段的乘子和参考变量输出当前微网的最优决策。coordinator_update.m实现协调层的z更新和乘子λ更新。check_convergence.m负责计算原残差、对偶残差和判断迭代是否终止。plot_results.m负责任何人都需要的可视化环节。这种文件分工的好处非常明显换一个微网拓扑只需要改data_config里的连接矩阵换一种碳交易机制只需要改目标函数那一小段调试ADMM参数时根本不用碰业务模型。4.2 ADMM主循环与本地子问题求解实现主循环的Matlab伪代码如下% 初始化 lambda{nmg} zeros(T, nbr); % 乘子 z{nmg} zeros(T, nbr); % 公共参考变量 P_ex{nmg} zeros(T, nbr); % 本地交互功率结果 rho 1.0; max_iter 300; tol 1e-4; for k 1:max_iter % 第一步每个微网并行求解本地子问题 for i 1:nmg [P_ex{i}, x_local{i}] solve_local_problem(i, lambda{i}, z{i}, rho, data); end % 第二步协调者更新公共参考变量 z_new coordinator_update(P_ex, data); % 第三步更新乘子 for i 1:nmg lambda{i} lambda{i} rho * (P_ex{i} - z_new{i}); end % 计算残差并判断收敛 [r_pri, r_dual, converged] check_convergence(P_ex, z_new, z, lambda, rho); z z_new; if converged break; end end本地子问题我建议用YALMIP或者CVX先快速验证正确性因为用符号化建模不容易出现目标函数矩阵手写错的问题。等验证通过后再把核心子问题转换成quadprog的标准形式减少对第三方工具的依赖。如果是纯二次规划quadprog求解100个变量、400个约束量级的问题非常快。4.3 关键参数设置与收敛性调试初始化变量的作用容易被低估。我的做法是第一次迭代前把所有的交互功率初值设为0乘子设为0公共参考变量也设为0。这在大多数情况下都能避免初值导致的振荡。惩罚参数ρ的调整原则是用残差曲线反馈。如果原残差下降但对偶残差上升说明ρ偏小如果原残差趋于平稳但迟迟降到不了目标阈值说明ρ可能需要分阶段增大。很多实际代码里会做自适应更新每60次迭代比较前后残差在合理范围内调整ρ但每次调整幅度不要太大一般在0.5到2倍之间。收敛判据我使用归一化残差r_pri_norm ||P_ex - z|| / (1 ||z||)r_dual_norm ρ · ||z_new - z|| / (1 ||λ||)两个都小于1e-4时判定收敛。相比固定绝对阈值这种归一化方式对功率量级不同的系统更稳健。4.4 结果可视化与集中式方案对比调试完成之后至少要出四张图多微网96时段交互功率曲线、各微网储能SOC曲线、各微网购电与机组出力堆叠图、碳排放量对比柱状图。收敛性图也要单独画把原残差和对偶残差画在两条半对数坐标曲线里一眼就能看出迭代是否正常。我还会把ADMM的分布式优化总成本与同样模型下的集中式优化总成本做一个对比表一般两者差距在0.1%以内说明分布式实现是准确可靠的。如果差值超过1%大概率是解耦或乘子更新有逻辑错误不是算法本身的问题。5. 调试实录我在实际操作中踩过的坑和排查技巧5.1 方向约定不一致导致交互功率震荡我第一次跑通三个微网互联的算例时第一个发现就是A微网明明想卖电给BB却同时想卖电给A两者交互功率在迭代中始终无法对齐。问题根源不是ADMM迭代逻辑而是两条联络线在各自数据文件里定义的方向不一致A侧的P_AB正方向是A到BB侧的P_BA正方向却也被定义成了A到B导致P_AB和P_BA的物理含义其实相同。排查方案是打印每次迭代后的交互功率矩阵检查同一联络线两端符号关系。随后我在数据配置里增加了方向检查函数启动时自动验证所有联络线的正方向是否满足P_ij -P_ji的约定这个问题就彻底消失了。5.2 ADMM收敛缓慢或周期性震荡怎么办震荡的常见表现是原残差先下降然后反弹像波浪一样。遇到这种情况我第一个调整的是rho通常把rho从1调到3之后震荡就消失了。如果还不收敛再检查本地子问题是否真的严格求解到最优有些情况下quadprog因为精度设置原因返回了次优解ADMM对本地子问题的求解精度非常敏感需要用optimality tolerance控制到1e-6级别。还有一种容易被忽视的情况是本地子问题里有离散变量比如机组启停0/1变量。只要一个微网内部出现整数变量整个问题就非凸了ADMM可能收敛到一个没有意义的解。解决方法是先用连续松弛跑通确认算法没问题再考虑用罚函数或启发式规则处理启停。5.3 碳排放约束不活跃时的影子价格检查如果碳价设得太低碳排放约束可能完全不约束优化器体现为碳配额始终不稀缺碳排放量远小于配额目标函数中的碳成本项几乎没有影响。这种情况不是代码错误但会让“计及碳排放”失去意义。我会做一个敏感性分析把碳价从低到高扫描一遍观察系统总碳排放量怎么变化。如果碳价从20涨到200碳排放总量纹丝不动说明模型里碳排放来源需要检查很可能购电间接排放因子没写进去或者碳配额设置过大。也可以观察优化结果中碳约束的影子价格如果影子价格接近碳价说明碳成本已经正确传导到决策中。5.4 常见问题排查速查表现象常见原因排查方法交互功率符号反复横跳方向约定不一致检查P_ij与P_ji物理方向定义残差下降慢且不收敛rho偏小增大rho或自适应调整迭代初期残差大但后期停滞初值问题或本地子问题精度不足用零初值并提高求解器精度总成本与集中式差距大于1%乘子更新或z更新公式错误对照ADMM标准三步推导逐项检查碳排放约束完全无效配额过大或碳价过低扫描碳价做敏感性分析储能SOC越界时间步长和充放电功率单位不一致检查Δt、功率与能量单位换算6. 最后分享一点实践经验6.1 从确定性到不确定性场景这套代码是基于确定性的负荷和光伏预测曲线做调度的但实际运行里预测误差无法避免。如果想把项目做得更扎实下一步自然的方向是引入场景法或鲁棒优化把光伏出力的预测区间离散成若干场景用两阶段ADMM或者分布式鲁棒优化来处理。ADMM本身对场景子问题的结构同样适用只是本地子问题的规模会变大迭代逻辑基本可以复用。6.2 几个我建议优先做的扩展如果继续沿用这套框架我会优先做三个方向的扩展。第一是碳配额动态分配不同微网的配额不能一刀切可以按历史用电量或新能源渗透率设置差异化配额。第二是多时间尺度协调把日前调度和日内滚动优化串起来ADMM的结果作为日内修正的初值。第三是通信中断或丢包情况下的鲁棒性测试因为实际工程中分布式控制依赖通信网络ADMM的迭代机制对信息延迟比集中式更敏感值得专门花时间验证。6.3 我的实操心得整个项目做下来我最深的体会是分布式优化的项目80%的精力其实都花在“让各个微网的边界变量严格一致”这件事上而不是花在算法公式上。方向约定、单位换算、收敛判据的归一化这些看着不起眼的细节才真正决定项目能不能落地。如果你也在实现类似框架记得先用小规模算例跑通全流程再做复杂拓扑扩展每一步都对照集中式结果验证这样即使出问题也知道该往哪个方向找原因。