1. 什么逼着我把主从配电网问题拆成分布式：集中式优化在现场的三个软肋
1.1 数据采集与通信链路的现实约束
很多刚接触配电网优化的人，第一反应一定是做集中式：把主变关口、馈线、分布式电源、储能、柔性负荷全部建模，丢给一个大规模优化求解器，一次性算出所有指令。我在项目早期也是这么干的，直到真把这套逻辑接到某园区的实际运行数据上，才发现问题远没有公式推导那么干净。
第一个直接卡住的是数据采集。集中式模型需要每个节点的实时有功、无功、电压、电流，还要加上储能SOC、光伏预测、负荷预测，这些数据要全部汇聚到主站。真正跑起来以后你会发现，通信链路偶尔掉线、某个终端上报延迟、现场规约不统一，任何一个数据源出问题，整个大模型就得重新算。更尴尬的是，很多子网的内部量测根本不想对外部全量开放，主站拿到的是一个“黑盒”，你没法要求所有节点都把自己的运行细节完整交出来。这种情况下，集中式优化在工程现场往往变成“数据好看但落不了地”的摆设。
1.2 不同运营主体的成本函数并不想公开
长期做配电网的人应该都有体会，主从配电网里的“主”和“从”往往不是同一个利益主体。主站关心关口功率、电压质量和网损，子站关心自己辖区内分布式电源的发电收益、储能套利结果以及负荷控制成本。集中式优化隐含了一个前提：存在一个全局优化者，能拿到所有人的目标函数。可实际情况往往是子网运营方只愿意上报边界节点上愿意接受的注入功率范围，内部储能成本曲线、光伏报价这些属于商业敏感信息，没有人愿意完完整整交给上级。
分布式ADMM真正打动我的就是这一点：它只需要交换边界节点上的电压、注入功率和拉格朗日乘子，子网内部的目标函数和约束可以完全保留在本地。主站下发一个边界电压参考，子网基于内部模型算出一个最优的响应功率，然后双方通过乘子更新来“讨价还价”，直到两边在边界上达成一致。这几乎就是量价分解调度中常说的“安全校核与交易出清”关系的数学化，工程上非常自然。
1.3 问题规模扩大后的求解时效压力
还有一个很朴素的问题：计算时间。配电网里储能调度通常是多时段耦合的，一个96点或者288点的调度周期下来，节点数稍微多一点，集中式OPF的变量就会膨胀到几十万个。如果用非线性规划求解，每次雅可比矩阵的组装和因子分解都要花不少时间，调度周期窗口又非常有限，根本没法做滚动优化。把问题按照主从边界拆开后，每个子问题的规模都控制在子网内部，主站侧的协调变量只有边界节点上那些“握手”变量，整体求解时间能显著降下来。尤其当子网数量多、子网之间没有强耦合时，分布式方案在对时间敏感的场景里会更有优势。
2. ADMM拆分的核心：串行更新与并行更新到底差在哪里
2.1 从增广拉格朗日到交替方向：一次迭代的数学骨架
在展开代码之前，先把ADMM的原理过一遍。我们面对的是形如
minimize f(x) + g(z)
subject to x = z
的优化问题。f(x)可以理解为主网侧的成本，g(z)是各子网侧的总成本，x和z分别是主网和子网在边界节点上的状态变量。为了让约束 x = z 尽量被满足，我们构造增广拉格朗日函数：
L_ρ(x, z, λ) = f(x) + g(z) + λᵀ(x - z) + (ρ/2) ||x - z||²
其中λ是拉格朗日乘子，ρ是罚参数。ADMM的迭代步骤非常固定，每次迭代分成三步：
- 固定 z 和 λ，求解关于 x 的子问题；
- 固定刚得到的 x 和 λ，求解关于 z 的子问题；
- 用两个子问题得到的边界变量差更新 λ。
用大白话说，主网先基于子网的响应决定自己的边界电压，子网再根据主网给的边界电压反算自己的最优出力，最后双方按“差距”调整下一次谈判的倾向。ρ就像谈判中设置的对齐强度，ρ越大，双方在边界上越不敢“各说各话”。
2.2 串行是流水线，并行是开周会
ADMM算法框架定下来之后，子网侧的更新方式还有两种完全不同的拆法。
串行ADMM对应的是Gauss-Seidel式更新：所有子网按照顺序排队求解，第一个子网算完，立刻把这个结果用于后续子网的公共边界更新，乘子也跟着实时更新；下一个子网在求解时，看到的是前面子网已经调整过的“新鲜”状态。这就像车间里的流水线，后一道工序能看到前一道工序刚做完的半成品，情报新鲜，收敛往往更快。
并行ADMM对应的是Jacobi式更新：所有子网在同一个迭代周期内，都基于上一轮迭代的公共边界参考值同时求解，谁都不看谁当轮的结果；等全部子网都算完之后，主站统一汇总，再更新公共边界参考和乘子。这就像各部门先各自按上周定好的目标干活，周五再开会统一对齐。优点是效率高，子网之间可以真正并行；缺点是对齐不及时，往往需要更多轮次才能收敛。
这个区别直接决定了代码写法和效率表现。串行结构更简单，但对子网数量多的场景不友好，因为每个子问题必须串在一条时间线上；并行结构适合多核、多机并行，但需要主站维护一个明确的“广播-收集-更新”节奏。
2.3 原始残差和对偶残差：怎么判断真的收敛了
判断迭代是否停止，不能只看边界变量对齐没有，还要看乘子是不是稳定下来。这两个指标对应原始残差和对偶残差。
原始残差定义为：
r = ||x - z||
它反映主网和子网在边界变量上不一致的程度。对偶残差定义为：
s = ρ * ||z_k - z_{k-1}||
它反映子网边界参考在相邻两轮迭代之间还有多大变化，本质上是乘子更新步伐的大小。只有 r 和 s 同时小于设定的容忍阈值，才能说明双方不仅当前对齐了，而且下一次也不会继续大幅偏离。实际工程里我见过不少人只看原始残差，结果边界变量看起来对齐了，但乘子还在一路漂移，最后得到的目标函数并不是稳定解。
3. 主从配电网ADMM建模：目标函数、潮流约束与边界耦合变量
3.1 主从系统怎么切分
我习惯把一个典型算例切成“主站区域 + 若干子网区域”。主站区域包含上级网络、关口变压器、主网母线和必要的联络线；子网区域是一条馈线或者一个台区，内部可能有光伏、风机、储能、柔性负荷。主网和子网之间通过一个公共边界母线连接，在模型里我们只保留边界母线处的电压和功率作为交互信息。
切分时有一条经验：不要让两个子网共享同一个边界节点，否则会出现三方耦合，ADMM的一致性处理会变得很绕。通常做法是给每个子网分配一个“虚拟边界节点”，通过一个虚拟支路与主网连接。这样在数学上，每个子网只需与主网交换一组边界变量，子网之间没有直接耦合，非常适合ADMM的分解结构。
3.2 目标函数与约束怎么放进子问题
主站子问题目标函数一般包含关口购电成本、主网网损和电压偏差惩罚项，形式可以写成：
min f0(P0, v0, ...) + Σ_i λᵢᵀ(v_master,i - v_sub,i) + (ρ/2) Σ_i ||v_master,i - v_sub,i||²
子站子问题目标函数一般是本区域分布式电源发电成本、储能调用成本、弃光弃风惩罚、柔性负荷调整成本之和，再加上和主站交换的边界一致性惩罚项。
配电网潮流约束使用DistFlow分支潮流方程是主流做法。对辐射状馈线，每个支路写功率平衡和电压降落关系，然后用二阶锥松弛处理二次项。松弛后子问题变成凸优化，能保证ADMM子问题快速求解，也避免陷入局部最优。变量上下限方面，只要把电压平方限制在0.95²到1.05²之间、线路功率限制在热极限以内、储能SOC限制在荷电状态范围以内即可。下面这张表列一下关键变量：
| 变量 | 含义 | 单位/说明 |
|---|---|---|
| P_b, Q_b | 边界节点注入有功、无功 | MW/MVar |
| v_b | 边界节点电压幅值平方 | p.u.² |
| P_g, Q_g | 分布式电源出力 | MW/MVar |
| SOC | 储能荷电状态 | % |
| λ | 边界一致性乘子 | 对应惩罚价格 |
| ρ | 罚参数 | 需调试确定 |
3.3 一致性约束是分布式优化的“握手协议”
主从配电网中，我们希望主站侧计算的边界电压和子站侧计算的内部边界电压最终相等，于是有一组简单但关键的一致性约束：
v_master,i - v_sub,i = 0
这一步就是ADMM里的 x = z。拉格朗日乘子λ可以理解成边界电压不一致时的“价格”，主站和子站在迭代中不断调整对边界电压的报价，最终让双方同时接受同一个边界状态。只要抓住这个握手变量，整个分布式模型的主干就算完成了。
4. Matlab串行ADMM代码实现：一个个子网排队握手
4.1 工程化的文件结构
我把Matlab实现拆成几个函数文件，方便单独调试：
- initCase.m：读算例数据，初始化边界变量、乘子、罚参数、迭代上限；
- buildMasterProblem.m：构造主站子问题的目标函数和约束，输出优化模型句柄；
- buildSubProblem.m：构造单个子问题的目标函数和约束；
- solveMaster.m：求解主站子问题，返回边界电压参考 v_master；
- solveSub.m：求解单个子网子问题，返回内部最优出力和边界注入功率；
- updateDual.m：更新乘子和公共边界参考；
- checkConvergence.m：计算原始残差和对偶残差，判断是否收敛。
这样分函数的第二个好处是容易从串行切到并行。串行版本里，主循环对子网的for循环是一气呵成的；并行版本只要把子网循环换成parfor，再调整乘子更新位置就行。
4.2 串行ADMM主循环的伪代码
下面给出串行版本的主循环逻辑，不做完整的数百行代码展开，但核心流程覆盖到位：
% 初始化 v_ref = initBoundary(caseData); % 边界电压参考 lambda = zeros(N,1); % 每个子网的乘子 rho = 10; % 罚参数 for k = 1:maxIter % 步骤1：主网子问题，输入当前所有子网的最新边界状态 v_master = solveMaster(caseData, v_ref, lambda, rho); % 步骤2：串行求解每个子网，并按顺序立即更新公共边界 for i = 1:N [result_i, v_sub_i] = solveSub(caseData{i}, v_ref, lambda(i), rho); % 立即更新该子网的乘子 lambda(i) = lambda(i) + rho * (v_master(i) - v_sub_i); % 串行的关键：更新后的边界立即作为下一个子网的参考 v_ref(i) = v_sub_i; end % 步骤3：残差判断 [r, s] = computeResidual(v_master, v_sub_set, lambda, lambda_prev, rho); if r < tol_r && s < tol_s break; end end注意这个循环里，我让v_ref在子网循环内不断被覆盖。这是串行ADMM和并行ADMM最大的区别。串行版本里后一个子网能直接看到前一个子网的响应，信息是“热的”。
4.3 乘子更新和收敛检查的细节
乘子更新公式在代码里就一行：
lambda(i) = lambda(i) + rho * (v_master(i) - v_sub_i);但实际工程里要留一个心眼：v_master和v_sub_i选择的边界变量是否同一物理量。我踩过的一个坑是，主网侧返回的是电压幅值的平方，子网侧习惯用标幺值电压，两边单位不统一，乘子直接发疯。建议在initCase里统一成电压平方，并始终保持同一单位体系。
收敛检查我习惯用无穷范数而不是二范数：
r = max(abs(v_master - v_sub_set)); s = rho * max(abs(v_sub_set - v_sub_prev));用无穷范数能让单点偏差暴露得更直接。如果只是平均偏差小，但某个边界节点一直对不齐，用二范数很容易把问题掩盖掉。另外，子问题用fmincon求解时，求解精度要适当提高到1e-8，因为ADMM会把邻居子问题的误差一层层传递下去，默认精度往往不够。
5. 并行ADMM的Matlab实现：主站广播、子网并行、乘子聚合
5.1 并行版本的主循环伪代码
并行ADMM的主循环和串行几乎只差两点：子网求解改成parfor，乘子和公共边界参考不能再在子网循环内实时更新，必须等所有子网算完再统一更新。核心逻辑如下：
for k = 1:maxIter v_sub_set = zeros(N,1); % 主网子问题：当前轮需要先算或使用上一轮结果，取决于具体变量定义 v_master = solveMaster(caseData, v_ref_prev, lambda_prev, rho); % 并行求解所有子网 parfor i = 1:N [~, v_sub_set(i)] = solveSub(caseData{i}, v_ref_prev, lambda_prev(i), rho); end % 主站聚合更新：所有子网都算完了，才更新公共边界 v_ref = aggregateBoundary(v_master, v_sub_set); % 更新所有乘子 for i = 1:N lambda_update(i) = lambda_prev(i) + rho * (v_ref(i) - v_sub_set(i)); end % 收敛判断 if checkConvergence(v_ref, v_sub_set, lambda_update, lambda_prev, rho) break; end % 保存上一轮供下一轮使用 v_ref_prev = v_ref; lambda_prev = lambda_update; end需要注意的是“先解主网还是先并行解子网”这个顺序会影响写法。我在实际代码里倾向于先把主网子问题解出来，再拿着主网结果作为公共参考广播给所有子网，让子网在同一轮里能共享主网的最新信息。这样比“大家都用完全上一轮的信息”收敛性略好一点，但仍属于并行范畴，因为子网之间依然互不等候。
5.2 主站协调器的信息流设计
并行版本的代码结构里，主站更像一个协调器，而不是大号求解器。它需要维护三类信息：
- 广播变量：上一轮或当轮主网解出的边界电压参考 v_ref；
- 收集变量：每个子网解出的内部边界电压 v_sub_set；
- 对偶变量：每个子网的乘子 lambda。
聚合更新时，最简单的方式是取主网侧边界电压和子网侧边界电压的某种加权平均作为新的公共参考。常见做法是：
v_ref_new = (v_master + mean(v_sub_set)) / 2;如果某个子网明显计算量更大，可以考虑按子网容量加权平均。但要注意，公共参考的更新规则一旦改变，收敛行为也跟着变，不要随意每轮换个加权方式。
5.3 并行版本容易踩的三个坑
第一个坑是parfor里的随机数问题。如果子问题里涉及蒙特卡洛场景抽样，不同worker之间随机流可能不一致，导致同一子问题在不同轮次结果跳变。解决方法是给parfor显式传入随机种子，并且保证每个worker的随机流独立。
第二个坑是负载不均衡。并行ADMM的整体运行时间取决于最慢的那个子网，如果一个子网要做96时段的储能优化，另一个子网只是线性潮流，快的算完只能干等。我的做法是先把所有子网按模型规模排序，用parfor之前给规模接近的子网分组，或者干脆把大子网拆成多个小子网。
第三个坑是收敛判据必须和串行区别对待。并行更新用的信息滞后，同样的罚参数与阈值下，迭代轮数往往比串行多。如果你直接把串行版本的maxIter从50改成50，可能并行版本还没进入稳定下降阶段就被截断了。我一般会把并行版本的maxIter放大1.5到2倍，并且画残差曲线确认趋势。
6. 收敛调参与残差控制：罚参数ρ和停止阈值的实战经验
6.1 ρ太小和太大的典型表现
ADMM的罚参数ρ是个非常敏感的量。我调试时习惯先把所有边界变量归一化到差不多量级，比如把电压平方保持在0.9到1.1这个范围，然后从ρ=1开始试。
ρ太小时，一致性约束惩罚很弱，主站和子站在边界上各算各的，原始残差r下降特别慢，乘子λ基本不动，整个迭代像是在原地磨蹭。ρ太大时，主站和子网会迅速在边界上强行对齐，但代价是对偶变量开始大幅振荡，对偶残差s就像心电图一样上下跳动，目标函数偶尔还会倒退。说白了ρ就是弹簧的刚度，太软拉不回来，太硬会过冲。
6.2 自适应残差平衡策略
固定ρ虽然简单，但面对多时段、多子网、不同负荷水平的复杂场景，一个ρ很难全场通用。我实际用下来比较稳的是残差平衡法：
- 如果原始残差r远大于对偶残差s（比如r > 10*s），说明边界约束“惩罚”不够，把ρ乘以1.5；
- 如果对偶残差s远大于原始残差r（比如s > 10*r），说明迭代在边界对齐上已经过热，把ρ除以1.5。
注意这个调节不要每个迭代都做，通常每隔几个迭代检查一次，并且单次调整幅度控制在50%以内，否则ρ本身就会振荡。一个比较省事的做法是：前20轮固定ρ，让系统先进入一个相对稳定的迭代轨迹，然后再开自适应。我跑过的算例里，这套策略大概能比固定ρ省三分之一到一半的迭代轮数。
6.3 停止准则怎么设才算合理
停止阈值的选择和边界变量的量纲强相关。对于电压平方的p.u.值，我通常把绝对残差阈值ε_abs定在1e-4，相对残差阈值ε_rel定在1e-3。也就是说，原始残差和对偶残差至少要降到基线值的千分之一，同时绝对偏差小于0.0001，才允许停机。
只用残差判断还有一个隐患：边界已经对齐，但乘子还在缓慢爬升。建议再加一个辅助判据，连续三轮目标函数变化小于1e-5，才真正判定收敛。调试期可以把残差曲线用semilogy画出来观察，正常收敛应该是平滑下降，如果出现平台期或者锯齿状波动，先别急着调阈值，回头看看是不是ρ选得不对。
6.4 子问题求解精度和不可行处理
在ADMM框架里，主站和子站的子问题一般由fmincon或者优化工具箱里的coneprog来解，但求解器的默认精度对ADMM来说往往不够。我在一个算例里遇到过子问题迭代残差攒到1e-4，结果边界一致性残差一直被限在1e-3附近下不去。后来把fmincon的OptimalityTolerance调到1e-8，整体才顺利收敛。
还有一个经常出现的状况是某个子网在给定边界电压参考下无解，比如内部储能已经满电，光伏又发得猛，电压越限没法压住。遇到这种情况，串行版本要尽量避免直接报错退出，建议在子问题目标函数里加一个边界电压越限软罚项，让该子网尽可能找到一个可行解，再靠乘子更新去逼迫主站调整边界。工程上这叫“不可行软回退”，比硬性中断要稳妥得多。
7. 串并行ADMM实测对比：迭代轮次、通信量和墙钟时间
7.1 测试算例与运行环境
为了把两套实现拉到同一个起跑线上对比，我搭了一个主从配电网算例：主站区域加三个子网，子网A接了光伏和储能，子网B接了光伏和柔性负荷，子网C是纯负荷加小容量柴油机组。调度周期取一天24个时段，电压平方范围0.95²到1.05²，负荷曲线按白天和晚间两个模式生成。机器是普通四核台式机，Matlab开了4个并行worker。收敛阈值统一定为1e-4，初始ρ取10，迭代上限串行设100轮、并行设150轮。
7.2 串行与并行的实测结果
跑出来的结果和理论预期基本一致，但有些细节值得说。
| 指标 | 串行ADMM | 并行ADMM |
|---|---|---|
| 收敛迭代轮数 | 23 | 41 |
| 单轮平均耗时（秒） | 约1.4 | 约0.65 |
| 总求解耗时（秒） | 约32 | 约26 |
| 每轮通信次数 | 每个子网单独收发 | 一次广播加一次汇总 |
| 对ρ的敏感度 | 中等 | 明显偏高 |
| 残差下降形态 | 平滑单调 | 阶梯式下降 |
并行版本迭代轮数几乎是串行的一倍，符合“信息滞后导致收敛变慢”的预期。但单轮耗时的优势同样明显，因为三个子网在parfor里同时求解，而串行版本只能一个一个排队。在这个三个子网的规模下，并行总耗时已经反超，但差距不算悬殊，因为parfor本身存在worker通信开销，而且主站聚合和各子网求解之间的数据搬运会吃掉一部分收益。
7.3 什么时候选串行，什么时候选并行
我个人的选型标准比较朴素：如果子网数量少、每个子问颗求解时间在百毫秒级，就用串行，实现简单、收敛快，调试也方便；如果子网数量多到5个以上，或者单个子问题已经是多时段储能优化这种秒级求解任务，那就值得上并行，让多个worker同时分担CPU密集计算。
还有一个容易被忽略的因素是模型规模是否均衡。如果子网之间计算量差距非常大，并行版本会一直等待最慢的那个worker，收益就会打折。这种情况下可以先把大子网纵向拆成若干时段子问题，再用parfor做时段并行，效果往往比单纯按子网拆要好。
最后再分享一个实际体会：无论是串行还是并行，我在调试ADMM时花时间最多的都不是算法迭代逻辑，而是边界变量的选择、ρ的适配以及子问题求解器精度。这些工作没有捷径，只能靠多跑仿真、多看残差曲线来积累手感。但一旦把这些基础打牢，换算例、换场景就会非常快。如果你的项目也正好是“主网管关口、子网管内部”的典型主从结构，我建议先把串行版本完整跑通，再改造成并行版本，这会让整个分布式框架的边界条件更清楚，后续升级也会更顺。
