多微电网电能交互调度：计及碳排放的ADMM分布式优化Matlab实现

做多微电网调度的项目也有三年了，最深的感受是：单微网运行优化是“自己管好自己的账”，多微电网电能交互却是“几本账之间还要来回对账”。最近我把一套计及碳排放的ADMM分布式运行策略完整在Matlab里跑通了，从模型搭建、算法推导到算例验证，前前后后踩了不少坑。这篇文章把完整的技术思路和实现细节都摊开讲清楚，适合正在研究多微电网优化调度、分布式优化，或者准备用Matlab做ADMM仿真的同学参考。

先说这套策略解决了什么问题。多微电网系统里，每个微网都有自己的光伏、风机、储能和负荷，靠联络线连在一起。每个微网的用电成本、发电成本、碳排放配额都不一样，如果只靠自己内部平衡，有的微网光伏大发用不完，有的微网夜间缺电只能靠高成本机组顶上。通过合理的电能交互，可以让富余电量在微网之间流动，整体削峰填谷、降本减排。但这里有一个关键前提：参与交互的每个微网往往是独立运营主体，不愿意把自己的负荷曲线、储能SOC、机组成本系数全部交给一个中央调度中心。这时候，分布式优化就比集中式优化更贴近实际，ADMM就是其中非常成熟的工具。

整个项目里，我把碳排放以碳配额加碳交易的方式纳入每个微网的目标函数，再用ADMM把联络线交互功率作为耦合变量拆开，让每个微网只交换交互功率信息，就能收敛到与集中式几乎一致的结果。下面按从模型到代码、再到算例结果和调试经验的顺序，完整讲一遍。

1. 项目要解决的问题与整体设计思路

1.1 多微电网电能交互为什么难做

多微电网和单微网优化最大的区别，就是多了一个“主体自治”的维度。单微网内部的所有设备归属同一个运营主体，想怎么调度都行，集中式求解很自然。但多微电网不一样，每个微网可以是独立的售电公司、园区、居民社区，它们之间是合作博弈关系，而不是上下级关系。

这种情况下，如果做集中式优化，需要把所有微网的内部信息汇总到同一个优化器里。问题很直接：谁来当这个中心？各微网凭什么把真实成本、负荷、储能状态交出去？就算是一个集团内部的微网群，跨部门的数据共享也可能遇到权限和合规问题。所以一个可以落地的方法，是把全局优化拆成多个本地子问题，每个微网自己解自己的优化，只通过联络线交互功率这个公共变量做协调。ADMM的价值正在于此：它只需要相邻微网交换少量边界信息，就能在数学上保证收敛到全局最优解。

1.2 为什么选ADMM而不是集中式求解

集中式求解其实也有优点：实现简单、结果稳定、没有收敛问题。如果多微网属于同一个主体，比如同一个园区的几个微网，我个人推荐直接做集中式，没必要为了分布式而分布式。但如果是独立的多个主体，ADMM是更合适的选择，主要原因是它有三个特性。

第一，ADMM对目标函数形式要求低。每个微网内部的优化问题不管是二次规划还是线性规划，只要子问题能解，外层迭代就能跑。第二，ADMM天然支持并行计算，每个微网的子问题在迭代中互不影响，可以各自在本地算，也可以在Matlab里用parfor并行加速。第三，ADMM收敛性理论上比一般对偶分解方法好，实际调试时只要惩罚参数选得合理，通常几十步迭代就能达到10^-4量级的残差。

当然，ADMM不是万能的。非凸问题、离散整数变量会让收敛性变得敏感。所以这套策略把微网内部机组建模为连续可调变量，储能、交互功率等也都是连续变量，整个问题保持凸性，ADMM的收敛性有保障。

1.3 碳排放怎么进入优化目标

碳排放进入优化模型，常见有三种思路：硬约束法、碳税法和碳交易法。

硬约束法最简单，直接把碳排放设成上限，但问题在于碳限额如果设置得太紧，可行域可能为空，模型跑不出来。碳税法是在目标函数中对每千瓦时碳排放加一个固定碳价，本质上是把碳成本内部化，但缺乏总量控制逻辑。碳交易法更符合当前主流的碳市场机制：每个微网获得一个碳排放配额，实际排放低于配额时有盈余，可以卖出获得收益；实际排放高于配额时需要购入配额，成本增加。

这套策略采用碳交易法，因为它在工程上更好解释：配额多、排放少的微网，等于多了一笔收益；配额少、负荷重的微网，就要为超额排放支付成本。这个机制天然就能引导微网之间通过电能交互来降低整体碳排放，而不是各自闷头烧高价燃料发电。

2. 计及碳排放的多微电网运行模型搭建

2.1 微电网元件建模与变量定义

先定义微网编号为i = 1,2,...,N，每个微网内部的典型元件包括：光伏、风电、常规燃气机组、储能、负荷，以及与其他微网相连的联络线。为了便于用Matlab的quadprog求解，所有变量都定义为连续变量，并统一为一组向量x_i。

光伏出力和风力出力在短期调度中可以视为给定的预测值，所以不把它们设为决策变量，而是作为已知参数放入功率平衡约束。常规机组出力P_g是一个连续决策变量，发电成本采用二次函数C_g(P_g) = a * P_g^2 + b * P_g + c。储能方面，定义充放电功率P_ch和P_dis，以及SOC状态变量，SOC的递推关系是SOC(t+1) = SOC(t) + (eta_ch * P_ch - P_dis / eta_dis) * dt / Cap，其中eta_ch和eta_dis是充放电效率，Cap是储能容量，dt是调度步长。

联络线方面，假设微网i和微网j之间存在一条交互线路，定义从i流向j的功率为P_tie(i,j)，正方向从i到j，负方向反之。这样定义之后，两个微网之间同一个物理功率变量会出现两个视角，ADMM就是要让这两个视角的数值收敛一致。

2.2 目标函数：运行成本与碳交易成本

每个微网i的目标函数f_i由三部分组成：常规机组发电成本、储能退化成本、碳交易成本。

常规机组发电成本是二次函数，在目标函数里对应H矩阵中的二次项和f向量中的一次项。储能退化成本通常简化成与充放电功率成正比的线性项，也可以进一步拆成充、放电两个方向的系数，反映电池循环寿命损耗。碳交易成本的形式为lambda_carbon * (E_total - E_alloc)，其中E_alloc是碳配额，E_total = e_co2 * P_g * dt是常规机组发电产生的实际碳排放量，lambda_carbon是碳市场交易价格。

这个目标函数有几个值得注意的地方。第一，可再生能源自身的碳排放按零处理，所以在目标函数中没有直接体现光伏和风电的碳成本。第二，如果微网从外部买电，买电的碳排放按对方的边际排放来算比较复杂，这里简化为主网或相邻微网的电力互济不额外计算配额，只在物理功率平衡中体现。第三，碳价lambda_carbon一旦设定，整个系统会自然把碳排放转化成经济信号，碳价越高，燃气机组越倾向于减少出力，微网间交互功率越活跃。

2.3 约束条件：功率平衡、储能与交互线

每个微网内部需要满足功率平衡约束： P_pv + P_wt + P_g + P_dis - P_ch - P_L - P_tie_export = 0。 其中P_tie_export是微网i通过所有互联线路向外送出的净功率，如果为负就表示从其他微网购电。

储能约束包括上下限、充放电功率限值和SOC递推方程。特别要注意SOC的初值和末值约束，在实际算例中通常要求一个调度周期结束时SOC回到初始值，避免日积月累的偏心充放电。燃气机组有出力上下限和爬坡约束，爬坡约束对时间序列调度很重要，如果只做单时段优化可以忽略。联络线有传输容量约束，即|P_tie(i,j)| <= P_tie_max(i,j)，这个约束在分布式求解时需要放到子问题中，确保本地解不会超出线路物理极限。

在多时段场景下，约束会变得比较多。比如一天24个时段，每个微网就有24个功率平衡约束、24个SOC递推方程和若干不等式约束。好在这些约束都是线性约束，用Matlab的quadprog可以一次性把矩阵Aineq、Aeq、bineq、beq构造出来。

2.4 耦合关系与全局优化问题形式

整个多微网系统的问题是minimize Σ f_i(x_i)，其中不同微网之间唯一耦合的就是联络线功率P_tie(i,j)。为了让问题可分离，引入公共变量z(i,j)，表示微网i和微网j之间联络线的公共交互功率值。每个微网的本地变量中包含它自己视角的交互功率，两个视角需要满足一致性约束： x_tie(i,j) = z(i,j)，x_tie(j,i) = -z(i,j)。 这里的第二个条件本质上定义了方向，如果z(i,j)为正，表示从i流向j，那么从j视角看就是负值。

把这个耦合关系写成全局问题形式，就是一个带等式约束的优化问题。ADMM处理这种结构非常自然：本地子问题更新x_i，协调层更新公共变量z，再更新拉格朗日乘子lambda。后面这一整套迭代，就是把原问题完全拆开的关键。

3. 从ADMM公式推导到Matlab代码

3.1 把全局问题写成ADMM标准型

ADMM的标准形式是min f(x) + g(z)，约束条件是Ax + Bz = c。多微网问题天然满足这个形式：f(x)就是所有微网本地运行成本之和，g(z)可以设为零，因为公共变量z本身没有成本。当然，如果希望限制交互功率的偏好，也可以在g(z)中加惩罚项，但这套策略里不需要。

定义每个微网i的本地变量x_i，包括P_g、P_ch、P_dis、SOC以及它看到的各条交互线功率。公共变量z表示所有联络线的公共功率。约束条件就是x_i中记录的交互功率减去公共变量z等于零。这样增广拉格朗日函数写成L = Σ f_i(x_i) + Σ lambda_i_k * (x_{i,k} - z_k) + Σ (rho/2) * (x_{i,k} - z_k)^2。所有交互线k遍历一遍，rho是惩罚参数。

3.2 三步迭代更新与收敛判据

ADMM每一步迭代分三步执行。

第一步，固定公共变量z和乘子lambda，每个微网独立求解min_x L，也就是求解带增广项的本地优化问题。这一步完全是并行化的，不同微网之间没有信息交换。

第二步，更新公共变量z。因为g(z)=0，所以z_k的解析式是z_k_new = mean(x_{i,k})，这里mean是参与该条交互线的两个微网视角的平均值。更准确地说，如果两个微网分别上报x_{i,k}和x_{j,k}，则z_k_new = (x_{i,k} - x_{j,k}) / 2。有路线容量约束时，再做一次投影到容量区间内。这一步非常轻量，协调层只需要做一个平均操作。

第三步，更新拉格朗日乘子lambda。对每个微网和每条交互线，lambda = lambda + rho * (x_{i,k} - z_k_new)。这个更新式的含义很直观：如果微网i的交互功率角度大于当前公共值，说明它倾向于多送电，乘子就往正方向调整，在下一轮迭代中惩罚它偏离公共值。

收敛判据方面，原始残差r_prim = sqrt(sum((x_{i,k} - z_k)^2))，对偶残差s_dual = sqrt(sum((-rho * (z_k_new - z_k_old))^2))。当两个残差同时小于容差时，可以认为收敛。实际调试中，我习惯同时打印目标函数值和残差，如果目标函数稳定但残差还在小幅波动，说明收敛精度已经足够工程使用。

3.3 Matlab主程序框架

Matlab主程序流程比较固定：先设置参数，初始化变量，然后进入主迭代循环，最后输出结果。核心代码如下。

% 初始化 z_new = zeros(E, T); % 公共变量，E条交互线，T个时段 z_old = z_new; lambda = zeros(2*E, T); % 每个微网视角的乘子 x_all = cell(N, 1); % 每个微网的本地解 for iter = 1:MaxIter % 第一步：各微网独立求解本地问题 for i = 1:N x_all{i} = solve_subproblem(i, z_new, lambda, rho, SysParam); end z_old = z_new; % 第二步：更新公共变量 for e = 1:E z_new(e, :) = 0.5 * (x_all{from(e)}.tie(e, :) - x_all{to(e)}.tie(e, :)); z_new(e, :) = min(max(z_new(e, :), -TieMax(e)), TieMax(e)); end % 第三步：更新乘子 for e = 1:E i = from(e); j = to(e); lambda(2*i-1, e, :) = lambda(2*i-1, e, :) + rho * (x_all{i}.tie(e, :) - z_new(e, :)); lambda(2*j-1, e, :) = lambda(2*j-1, e, :) + rho * (x_all{j}.tie(e, :) + z_new(e, :)); end % 计算残差 r_prim = 0; for e = 1:E r_prim = r_prim + sum((x_all{from(e)}.tie(e, :) - z_new(e, :)).^2); r_prim = r_prim + sum((x_all{to(e)}.tie(e, :) + z_new(e, :)).^2); end r_prim = sqrt(r_prim); if r_prim < tol && iter > 5 break; end end

这个框架里需要注意两点。第一，子问题求解函数solve_subproblem是整个程序最核心的部分，它内部要根据微网i的本地参数构建H、f、A、b等矩阵，并调用quadprog。第二，乘子lambda维度要和变量维度严格对齐，否则在更新时非常容易报维度不匹配的错。我一开始就在这个地方栽过跟头，后面在5.2里细说。

3.4 微网子问题的quadprog实现

每个微网的子问题其实就是一个带ADMM增广项的二次规划，形式是min 0.5 * x' * H * x + f' * x，满足线性等式和不等式约束。

在Matlab里，先定义变量顺序，比如[P_g; P_ch; P_dis; SOC; P_tie1; P_tie2; ...]，然后按顺序填充H矩阵和f向量。常规机组二次成本a * P_g^2对应H矩阵对角元素加2a，因为quadprog的形式是0.5 * x' * H * x；一次成本b * P_g对应f向量加b；碳交易成本e_co2 * lambda_carbon * P_g对应f向量再加lambda_carbon * e_co2。ADMM增广项0.5 * rho * (P_tie - z)^2 + lambda * (P_tie - z)展开后，H矩阵中对应P_tie的对角元素加rho，f向量对应位置加(-rho * z - lambda)。

关键代码如下。

H = sparse(nvar, nvar); f = zeros(nvar, 1); % 常规机组成本项：0.5 * a * P^2 + b * P idx_g = var_index.g; H(idx_g, idx_g) = H(idx_g, idx_g) + 2 * a_g; f(idx_g) = f(idx_g) + b_g; % 碳交易成本项 f(idx_g) = f(idx_g) + lambda_carbon * e_co2 * dt; % 储能退化成本 idx_ch = var_index.ch; idx_dis = var_index.dis; f(idx_ch) = f(idx_ch) + alpha_ch; f(idx_dis) = f(idx_dis) + alpha_dis; % ADMM增广项 idx_tie = var_index.tie; H(idx_tie, idx_tie) = H(idx_tie, idx_tie) + rho; f(idx_tie) = f(idx_tie) - rho * z_local - lambda_local; % 求解 options = optimoptions('quadprog', 'Display', 'off'); x_opt = quadprog(H, f, Aineq, bineq, Aeq, beq, lb, ub, x0, options);

这里最容易被忽略的是SOC递推方程要写成等式约束Aeq * x = beq，并且每一时段之间要耦合起来。比如一天96个时段，如果变量按时段堆叠，Aeq矩阵是一个大的块状矩阵，需要用循环逐时段填充。

4. 算例场景与结果分析

4.1 算例参数设置

我设计了一个三微网互联的算例，拓扑结构是微网1和微网2互联，微网2和微网3互联，微网1和微网3不直接相连。三个微网的风光负荷特性刻意设置成互补结构：微网1光伏充足但负荷较小，白天有明显的富余电力；微网2风电较多且夜间出力大；微网3负荷最重且自有风光少，是明显的“购电方”。

参数上，三个微网各带一台常规燃机，成本系数不同。微网1的燃机容量小但成本高，微网3燃机容量大但成本相对低。碳配额设置成微网1富余、微网2基本平衡、微网3紧缺的状态，这样碳交易机制才能真正发挥作用。碳价基准取80元/t，调度周期为24小时，步长1小时，储能容量统一为200 kWh，SOC范围0.1到0.9，初始SOC设为0.5。

在ADMM参数上，惩罚参数rho先取50，最大迭代次数设500，收敛容差tol设为1e-4。这个设置对大多数二次规划子问题都能在一个可接受的时间内收敛。

4.2 分布式迭代收敛过程

从实际运行结果看，前20次迭代原始残差下降得很快，从初始的10^2量级快速降到1以下，后面40到100次迭代进入缓慢下降阶段，最终在大约130次迭代后达到1e-4的收敛标准。

这里有一个现象值得注意：目标函数值在第10次迭代左右就已经基本稳定，但交互功率的一致性残差还没有收敛。如果只看目标函数判断收敛，很容易过早终止迭代，导致最终微网间上报的交互功率对不上账。所以看收敛一定要同时看原始残差和对偶残差，这条经验在调试中非常管用。

rho对收敛速度的影响也很明显。rho取20时，迭代次数增加到300次以上；rho取200时，前30次迭代残差下降更快，但后期出现轻微震荡，最终收敛到同样精度所需的总体迭代次数反而增加了。这符合ADMM的经典规律：rho过小收敛慢，rho过大惩罚过重导致来回波动。

4.3 电能交互与碳排放结果

收敛后，微网1在白天光伏大发时段通过联络线向微网2送电，微网2再向微网3转送一部分，同时微网2在夜间风电大发时向微网1反向送电。全天下来，微网3的净购电量为约420 kWh，这相当于它减少了自己高成本燃机约420 kWh的发电量，按微网3燃机的单位碳排放水平折算，大约减少碳排放90 kg左右。

碳排放配额的分配结果更贴近实际市场逻辑。微网1由于光伏出力大、燃机出力小，实际排放低于配额，产生了盈余；微网3排放超额，需要从碳市场购买配额。碳交易成本对三个微网的净收益都有影响，微网1因为售出配额获得额外收入，微网3因为购买配额增加了运行成本。这个结果说明，碳交易机制确实会在经济信号层面引导电能交互，而不是单纯靠调度指令。

4.4 碳价对运行策略的影响

我还专门做了碳价敏感性分析，把lambda_carbon从0逐步升到200元/t，观察系统整体运行策略的变化。碳价为0时，所有微网只按经济成本优化，微网3会倾向多用自己的燃机发电，因为它的燃机成本比从微网1购电总成本更低。碳价上升到80元/t时，微网3减少燃机出力，增加从微网1和微网2的购电量，因为购电对应的碳排放算在卖方配额里，对买方的直接碳成本不敏感。碳价到150元/t以上时，系统总碳排放量明显下降，但总运行成本也上升了约8%到12%。

这个结果揭示了一个重要权衡：高碳价能推动减排，但会增加用能成本。如果项目目标是研究碳市场机制对多微电网协同运行的影响，这种敏感性曲线正是最有说服力的输出结果。在Matlab里只需要在主程序外加一层for循环，逐个碳价运行整个ADMM迭代，再把结果汇总成曲线即可。

4.5 与集中式优化对比

为了验证ADMM分布式求解的正确性，我把同一算例的全局信息汇总起来，用集中式quadprog直接求解，然后把两种方式得到的系统总成本、各微网出力、交互功率做对比。

结果显示，ADMM收敛后的目标函数值与集中式最优值的相对偏差小于0.5%，交互功率曲线也几乎重合。这个偏差主要来自收敛容差的数值精度，如果进一步收紧容差到1e-6，两者差异会进一步缩小。实际工程中0.5%以内的偏差完全可以接受，何况集中式方案在现实中还面临信息隐私和主体自治的障碍。

从工程效率上看，集中式求解一个24时段的三微网问题大概需要几秒，ADMM则需要迭代一百多次，每次求解三个子问题，总耗时约20到30秒。在算例规模较小时，ADMM没有速度优势，但扩展到几十个微网时，ADMM的并行特性就能体现出来。我在Matlab里用parfor包住子问题求解循环后，三微网算例在4核机器上明显变快，微网数量越多收益越明显。

5. 实际调试中的常见问题与避坑经验

5.1 ADMM不收敛：惩罚参数与自适应调整

最常见的ADMM调试问题就是不收敛或收敛极慢。如果你发现残差曲线长时间走平，先别急着怀疑算法，优先检查rho的取值。

rho太小，原始残差下降慢，需要几十上百次迭代才能进入收敛区间。rho太大，局部看增广项主导目标函数，残差下降快但后期振荡明显，收敛精度反而难保证。一个实用的经验是：先固定其他参数，把rho从很小到很大做一遍扫描，观察迭代次数和最终残差的变化，找到中间较为稳定的区间。也可以采用自适应rho策略，每若干次迭代根据原始残差和对偶残差的比例调整rho。Matlab实现起来很简单，加一个判断即可。

另一个容易被忽略的点是残差归一化。如果变量数量级相差很大，比如功率变量是10^3量级，乘子变量是10^-2量级，直接比较原始残差和对偶残差会被大数量级的项主导。我通常会在计算残差前先按各自变量的典型量级做归一化处理。

5.2 模型常见错误与方向定义问题

多微网建模里，方向定义问题是最容易出错的。联络线功率的正负方向，不同微网代码库里的约定可能完全不同。我建议在项目一开始就统一用“从微网i流向邻居j为正”，并且每个微网维护一个本地映射表，记录自己所有交互线路的邻居编号和本地符号。公共变量z统一采用这个约定，每次更新时严格按照映射表取正负号。

SOC的单位也经常搞混。储能容量若以kWh为单位，而调度步长内功率乘以时间得到的是kWh，两边统一后没问题。但如果你用的功率单位是kW，时间单位是h，那么SOC递推方程里必须乘以dt=1h，不要漏掉。我在调试时遇到过SOC曲线突变的情况，排查到最后就是递推方程里漏乘了dt。

约束冗余也不能忽视。SOC上下限和充放电功率限值在物理上应同时满足，但有些场景下SOC上限与充电功率限值会发生冲突，导致子问题无解。如果quadprog返回空解，先检查是不是某个时间步的SOC初值、功率限值和容量参数之间不满足可行条件。

5.3 Matlab实现层面的性能问题

子问题求解是ADMM循环里最耗时的部分。如果每个微网都重新构造Aeq、Aineq矩阵，在循环里反复分配内存，几百次迭代下来性能会很差。我的做法是把每个微网的等式约束矩阵、不等式约束矩阵、上下界数组全部在循环外预先构造好，子问题函数里只改动H矩阵和f向量中的ADMM相关项，然后调用quadprog。

另一个性能优化点是用sparse矩阵。多时段问题的Aeq矩阵很大但非常稀疏，直接用full矩阵会占用大量内存。改成sparse后，三微网96时段问题的内存占用可以降到原来的十分之一以下。

如果微网数量多，把子问题求解循环改成parfor可以明显提速。但要注意parfor里不能有global变量，子问题函数需要的参数必须显式传入。另外，第一次跑parfor有进程池启动开销，微网数量少于5个时，parfor反而不如普通for循环快。

5.4 常见问题速查表

5.3 关于“分布式”的几个认知误区

最后补充一个特别想说的点：ADMM分布式并不等于完全没有协调者。公共变量z的更新需要有一个协调者或点对点通信机制，只是这个协调者不需要知道每个微网的内部模型参数，只需要收集交互功率的目标值并做平均。

这一点经常被误解。有些人认为ADMM之后每个微网就完全自治、没有任何中心了，其实严格来说，它消除的是对“集中式全局模型”的依赖，而不是对“消息传递”的依赖。在Matlab仿真中，这个协调者就是一个简单的主进程，负责汇总各子问题的交互功率并更新z和lambda。在真实系统中，它可以是轻量级的边缘服务器，也可以是相邻微网之间的点对点通信协议。

另一个误区是ADMM一定比集中式结果更好。实际上从数学角度，ADMM收敛到的最优解和集中式求解的是同一个凸问题的最优解，不存在ADMM结果更优的说法。ADMM的优势在于求解架构的分布式特性，而不是解的质量。在写论文或项目报告时，把这一点表述清楚非常重要，否则评审容易追问“你的ADMM凭什么比集中式总成本更低”。

这个项目做完后，我最大的体会是：ADMM本身是一个清晰的三步迭代，真正的复杂度全在模型建模和代码细节里。把微网内部约束建准确、把交互方向约定统一、把rho调合适，剩下的算法落地反而水到渠成。如果你正在做多微电网相关的分布式优化，不用被一堆公式吓住，先在Matlab里搭一个三微网小算例跑通闭环，再逐步扩大规模，是最快的路径。