主从配电网分布式优化：串行并行ADMM算法原理与Matlab实现

开头先交个底：今年我帮课题组做配电网分布式优化控制时，把串行和并行两种ADMM算法从原理到Matlab代码完整过了一遍，题目就叫“基于串行并行ADMM算法的主从配电网分布式优化控制研究”。说白了，这套思路就是把原本由一个中心节点算全局的配电网优化问题，拆成主网加上若干从网子区域各自独立求解，再通过边界一致性约束和拉格朗日乘子迭代把这些子问题“缝”回去。做分布式优化、复现论文算例、或者在公司里做配网控制策略验证的同学，应该都能从这篇里拿到点能直接用的东西。我不打算只贴公式，而是把建模、两种ADMM模式的差异、代码结构、调参踩坑全部摊开讲。

1. 集中式优化为什么扛不住，ADMM凭什么能顶上

1.1 配电网越来越“散”，集中式算法遇到三个死穴

几年前的配电网优化，一个集中式最优潮流模型基本就能搞定，几百个节点，求解器几秒钟出结果。但现在再看，光伏逆变器、储能、充电桩、可调负荷都在往里塞，局面完全变了。问题不在于算法本身跑不动，而在于三个“死穴”：

第一是通信和建模成本。所有节点的量测量、可控变量、网络参数都要汇到调度中心，建立全局模型需要精细化维护整个拓扑和实时数据，数据量一大，通信带宽和存储压力全上来了。

第二是单点故障。集中式优化，中心节点一旦出问题，整个配电网的协调控制就瘫了。分布式电源渗透率越高，这种“一个点坏，全链路挂”的风险越不能被接受。

第三是管理边界和隐私。配电网早就不是一家电网公司完全说了算的状态，分布式光伏可能是第三方的，储能可能是售电公司的，充电场站又可能是运营商的。这些主体都不可能把内部详细数据完整交给中心机构，集中式优化在管理模型上就推不动。

1.2 ADMM的“分工协作”思想，正好卡在电网结构上

ADMM，全称Alternating Direction Method of Multipliers，交替方向乘子法，属于典型的分解协调类算法。它跟对偶上升法、增广拉格朗日法是一脉相承的，核心思想可以理解成：大项目不让一个人扛，分成几个小组，小组内部自己卷，小组之间的交接处由项目经理统一盯住，谁交的活儿跟别人对不上就修正谁。

落实到配电网，就是各区域控制器各自求解本地子问题，不交换全网隐私数据，只交换边界变量信息。ADMM通过引入一个全局耦合变量和一个拉格朗日乘子，反复迭代让各区域的解在边界上达成一致。这么设计的关键在于：配电网在物理上是强连通的，但在网络结构上区域之间往往只通过很少的联络线相耦合，边界耦合变量维度很低，这种稀疏耦合问题简直是ADMM的主场。

1.3 题目里的“主从”，指的是网络层级关系

这里得先澄清一个容易混的概念。“主从配电网”里的“主从”，不是博弈论里的leader-follower主从博弈，而是指网络层级上的主网区域和从网区域。一般是按电压等级或管理范围划分：主网区域承担整体协调和边界优化职能，从网区域自己带着负荷、分布式电源、储能。主从区域之间通过联络馈线相连，边界处需要保证电压幅值、相角或者交换功率的一致性。

正因为主从之间的物理耦合只存在于边界联络线，解耦之后要交换的信息量非常小，ADMM的乘子迭代开销几乎可以忽略，这才让“串行并行两种ADMM都能跑”这件事成为可能。

2. 主从配电网的ADMM建模，边界信息到底在交换什么

2.1 优化目标：不止是网损最小

主从配电网分布式优化的目标函数，工程里不会只写网损最小，一般是一个多目标的加权组合。我这次项目里用的是：

• 网络损耗项：让运行尽量经济；
• 电压偏差惩罚项：保证电能质量；
• 弃光弃风惩罚项：体现新能源消纳压力；
• 储能和可调负荷的控制代价项：避免为了降损搞得储能反复充放。

写成数学形式就是每个区域一个局部目标函数，最后在全局耦合变量上汇总。这样写的好处是，各区域目标函数内部可以保留自己的物理约束和运行偏好，不暴露给外部。

约束条件里必然要有潮流方程、节点电压上下限、支路容量、分布式电源有功无功出力范围、储能SOC变化，这些约束大部分都是局部的，只有边界联络线那一小撮约束是需要跨区域协调的。ADMM的整个建模策略，就是把这些跨区域协调约束挑出来，用一致性约束表达，然后剩下的全留在子问题里。

2.2 用全局变量把耦合问题“撕开”

把含边界耦合约束的原问题改写成一个可分形式，思路其实很直接：对于每个从网区域和主网区域之间的边界变量，引入一个全局协调变量z。原问题就改写成：

minimize Σ f_i(x_i) + g(z)

subject to x_i - z_i = 0, i = 1…N

这里的x_i表示区域i在边界上的本地变量，z_i表示同一边界上的全局协调变量。一致性约束x_i - z_i = 0表示：同一时刻，区域i看到的边界状态和全局协调值必须一致。

这一步是整个ADMM部署里最关键的一个认知转变。很多人一上来就直接在区域之间传边界值，但那样做收敛性不好控制。ADMM标准的做法是引入一个全局变量当“缓存”，各区域不直接互相通信，而是都跟这个全局变量对齐，乘子由协调主节点统一维护。好处是通信结构变成了星形，各子区域完全解耦，想串行就串行，想并行就并行，非常灵活。

写出增广拉格朗日函数：

L = Σ f_i(x_i) + g(z) + Σ λ_i^T (x_i - z_i) + (ρ/2) Σ ||x_i - z_i||^2

λ_i就是拉格朗日乘子，它的物理意义可以理解为边界交换功率的影子价格。ρ是惩罚参数，控制边界不一致时的修正力度，后面专门讲它怎么调。

2.3 ADMM迭代格式：三步循环

标准的ADMM迭代就是三步，整个Matlab主循环跑的也是这三步：

x步：固定z和λ，各区域独立求解自己的子问题，目标是最小化局部目标函数加上和边界的耦合项；

z步：固定所有x和λ，求解协调变量z，让边界一致性约束尽量满足，这一步通常由主协调器完成，往往有闭式解；

λ步：更新拉格朗日乘子，公式是λ = λ + ρ(x - z)，可以理解为“边界不一致的地方，涨价”。

收敛判断要同时看两个残差：原始残差r = x - z和对偶残差s = -ρ(z - z_old)。前者表示边界一致性破坏程度，后者表示协调变量是否还在大改。我刚开始做的时候只看原始残差，结果乘子还在剧烈波动，但边界值看起来已经快对齐了，导致误判收敛。后来两个残差一起看，判断就稳定多了。

2.4 子问题到底是QP还是SOCP，取决于潮流模型

这里要提醒一下想复现代码的同学：不同论文对子问题的数学形态影响非常大，你的Matlab代码结构会完全不同。

如果潮流采用DistFlow线性化模型，那子问题是二次规划（QP），quadprog直接能解；如果采用二阶锥松弛的DistFlow，子问题是二阶锥规划（SOCP），需要Yalmip加求解器；如果直接用交流潮流非线性模型，那就得用内点法或序列二次规划。我从工程复现角度更推荐先用线性化DistFlow或者二阶锥松弛，先把ADMM收敛闭环跑通，再往非线性模型升级。主流文献里“分布式最优潮流”绝大多数也是基于这两种近似模型做的。

3. 串行与并行两种执行模式，差别不止在“谁先算”

3.1 串行ADMM：排队依次求解，信息永远最新

串行模式执行起来很直观：第一轮，区域1先求解，拿到结果后更新自身状态信息；接着区域2基于区域1已经更新的边界值继续求解；然后区域3、区域4依次进行；所有区域都算完一遍之后，主协调器才更新全局变量z和乘子λ。

这种Gauss-Seidel式的更新方式，优点是后序区域总是能看到前面区域最新的边界状态，信息时效性好。从收敛行为看，两块模型下串行更新通常比并行更新收敛更快。缺点是总墙钟时间累加：区域1算完要等区域2，区域2算完要等区域3，整体完成时间等于所有区域求解时间加通信时间之和。子区域数量一多，串行模式的实时性就很吃亏。

要注意的是，模型一旦超过两块，直接对所有区域做串行Gauss-Seidel轮流更新，收敛性在理论上并没有绝对保证。实际工程里我见过有人把10个区域串行更新跑出振荡结果的，就是这个原因。所以题目里的“串行”更适合用在两块主从分解的场景，或者在多块场景下当作一种启发式更新策略，跑之前多做收敛性验证。

3.2 并行ADMM：同时开工，统一协调

并行模式则是所有区域在同一轮迭代里同时求解自己的子问题，全部解完之后，把边界变量统一发给主协调器。主协调器收到所有结果后，一次性更新z和λ，再广播给各个区域，进入下一轮。

并行模式的好处很直接：所有子问题求解时间重叠，墙钟时间大幅缩短，适合大规模配电网或多区域频繁通信的场景。缺点在于，同一轮里各区域用的都是上一轮迭代的边界值，信息新鲜度不如串行模式高，因此达到同等收敛精度的迭代次数往往比串行多一些。不过迭代多不代表整体慢，因为每轮时间短，在算力充足的分布式架构里，并行模式才是主流。

在单机Matlab仿真环境下，如果想模拟并行效果，可以用parfor把各区域子问题求解分到不同worker线程上。真实多机部署则直接就是各区域控制器并行算，主协调器只做汇总更新。

3.3 模式对比

为方便选型，把两个模式的关键差异列个表格：

这个表在我实际项目里是有体现的。拿33节点系统拆分两个区域跑，串行大概35次迭代收敛，并行大概42次，但并行每轮时间只有串行的1/2左右，最后墙钟时间反而并行占优。如果拆成5个区域，并行的优势会更明显。反过来子区域里有一个节点特别弱，并行每轮都被它拖住，整体反而不如串行灵活。

3.4 到底选哪种，我给个判断标准

我自己的选型判断很简单：如果总区域数小于等于3，或者各子问题求解耗时差异很大，用串行更容易调通，而且收敛快；如果区域数多、算力均衡、对实时性敏感，就必须上并行。还有一种折中思路：区域内部如果还有天然的单向依赖，可以先用串行逻辑跑通基准结果，再切成并行提升性能。两种模式共用一套目标函数和ADMM迭代框架，只是子问题求解顺序和汇总时机的差异，代码上做好抽象，切换成本不大。

4. Matlab代码实现：从公式到能跑的工程

4.1 代码文件结构，先规划好再动手

Matlab里做这类项目最怕的就是所有代码堆在一个脚本里。我这个项目的文件组织方式，你可以直接参考：

text复制main_distributed_admm.m       % 主脚本：数据加载、初始化、ADMM主循环
load_case_data.m              % 读取配电网拓扑、负荷、DG参数
build_boundary_matrix.m       % 构建边界变量索引映射，返回A矩阵
solve_subproblem_i.m          % 区域i的子问题求解函数
update_global_variable.m      % 主协调器更新z
update_multiplier.m           % 更新拉格朗日乘子
compute_residuals.m           % 计算原始残差和对偶残差
plot_optimization_result.m    % 结果可视化

关键是所有子区域共用一个子问题求解函数，通过传入区域编号和边界配置来决定内部模型的差异。这样后续扩展新区域，只需要在数据文件里加一份节点参数和边界映射，不用改主循环逻辑。

4.2 ADMM主循环代码骨架

串行模式的核心主循环大概是这样的结构：

matlab复制for k = 1:max_iter
    % x步：串行依次更新各区域
    for i = 1:N_regions
        x{i} = solve_subproblem_i(i, x, z, lambda, rho, data);
    end

    % z步：主协调器更新全局变量
    z_new = update_global_variable(x, z, lambda, rho, data);

    % λ步：更新乘子
    for i = 1:N_regions
        lambda{i} = update_multiplier(lambda{i}, x{i}, z_new, rho);
    end

    % 残差计算
    [pec, dec] = compute_residuals(x, z_new, z);
    if pec < eps_prim && dec < eps_dual
        break;
    end
    z = z_new;
end

并行模式的区别在于x步：

matlab复制% x步：并行更新各区域（parfor模拟分布式并行）
parfor i = 1:N_regions
    x{i} = solve_subproblem_i(i, x, z, lambda, rho, data);
end

看起来差别不大，真实处理时要注意的是parfor循环里不能直接依赖其它区域的x更新结果，边界值必须全部从上轮z获取。所以并行模式下solve_subproblem_i的输入参数里，x和lambda都必须按“上一轮全局快照”传入，不能是当前正在更新的变量。我在并行改写时踩过一次坑：区域2想当然地用了区域1刚算出来的结果，导致逻辑变成串行，但没有串行的收敛保证，结果残差一直振荡。

4.3 子问题求解的增广项处理

子问题求解是代码里最直接体现ADMM数学形式的地方。以二次规划子问题为例：

目标函数里除了区域本身的代价项，还要加上来自ADMM的耦合项，即λ_i^T x_i + (ρ/2) ||x_i - z_i||^2。把平方项展开，合并到二次项和一次项里，就能得到标准QP形式：

matlab复制function x_i = solve_subproblem_i(i, x, z, lambda, rho, data)
    H_i = data.region(i).H + rho * eye(n_i);   % 原二次项加增广二次项
    c_i = data.region(i).c + lambda{i} - rho * z{i};  % 原一次项加增广一次项
    x_i = quadprog(H_i, c_i, data.region(i).A, data.region(i).b, ...
                   [], [], data.region(i).lb, data.region(i).ub, x{i});
end

这个增广项的展开细节，新手特别容易算错符号。我建议先在纸上把(ρ/2)||x-z||^2对x求一次项和二次项推导一遍，得到ρx^Tx - ρz^Tx后，再对到代码里，而不是凭记忆瞎写。符号一旦反了，残差曲线一开始就不正常，而且很难定位是子问题的问题还是ADMM迭代的问题。

4.4 边界变量映射，最隐蔽的Bug源头

主从配电网各区域内部用的都是本地节点编号，但主协调器统一更新z时需要把各区域的边界值映射到全局索引上。这一块如果映射错位，ADMM迭代永远不会收敛，而且报错还很难看出来。我在代码里维护一个结构体数组，每个区域记录本地边界索引和对应的全局索引：

matlab复制boundary_map{i}.local_idx = [5, 8, 12];   % 区域i的边界节点在本地网络中的编号
boundary_map{i}.global_idx = [17, 18, 19]; % 这些节点在全局网络中的编号

每次子问题求解完成之后，把边界值提取出来，上传给主协调器；主协调器按global_idx把值填进z_global，再按local_idx下发回去。建议在初始化时加一个断言，检查local_idx和global_idx的长度是否一致，长度不一致直接报错，避免后面迭代半天发现是维度问题。

4.5 让代码不卡顿的几个惯用技巧

Matlab跑ADMM循环，最影响性能的是每次迭代里重复构造大矩阵和频繁调用求解器。我总结几个有效经验：

数据预分配。x、lambda、z这些变量要在主循环之前用cell数组提前分配好空间，避免循环里动态增长。

稀疏矩阵优先。配电网节点导纳矩阵、区域约束矩阵都是高度稀疏的，一定要用sparse存储，求解器处理稀疏问题快非常多。

关闭求解器冗余输出。quadprog或者Yalmip每次求解都会打印状态，50次迭代下来日志长得没法看，还不说浪费时间。设置Display为off或者用output模型静默调用。

先测试一次子问题求解的时间。如果单次子问题耗时超过0.5秒，ADMM总迭代几十次，单算例就要跑很久。这时候优先优化子问题求解，而不是优化ADMM循环本身。子问题永远是性能瓶颈。

5. 调参和排查：ADMM跑不动的时候我做了什么

5.1 惩罚参数ρ怎么选，怎么自适应调整

ρ在整个ADMM里承担着平衡原始残差和对偶残差收敛速度的角色。ρ太小，边界不一致的“惩罚”太弱，残差会来回振荡，收敛巨慢；ρ太大，x步更新被增广项锁死，每一步都往z上靠，但z自己更新很慢，对偶残差迟迟降不下来。

在实际配网算例里，如果边界变量是电压幅值标幺值，ρ在0.1到10之间基本能碰到一个正常收敛区间；如果边界变量是注入功率或者电流，量级不一样，ρ可能要到几百甚至上千。所以第一步不是猜ρ，而是先打印一轮迭代后的残差量级，根据量级去定ρ的初始值。

更省心的是做自适应调整。我参考了Boyd综述里的策略，在每次迭代后比较原始残差和对偶残差的大小，哪边偏大就动态修改ρ：

matlab复制if r_prim > 10 * s_dual
    rho = rho * 2;          % 原始残差太大，加大惩罚
elseif s_dual > 10 * r_prim
    rho = rho / 2;          % 对偶残差恢复太慢，减小惩罚
end

注意修改ρ之后，乘子λ要按比例缩放，因为λ和ρ耦合在一起。我在第一次实现时直接把ρ改了，导致λ尺度不匹配，整个收敛路径被打断。正确做法是同时更新λ = λ * (rho_new / rho_old)。

5.2 收敛阈值的归一化，避免拍脑袋设阈值

残差阈值不能直接写死一个绝对数值，因为不同算例量级差异太大了。我用的归一化方式很简单：

matlab复制eps_prim = sqrt(n) * abs_tol + rel_tol * max(norm(x), norm(z));
eps_dual = sqrt(n) * abs_tol + rel_tol * norm(lambda);

abs_tol和rel_tol常见取1e-4或者1e-3，根号n是考虑变量维度对范数的影响。这样在不同规模算例之间切换时，阈值能自动适应，不至于在33节点系统上调好的参数搬到123节点系统就完全不收敛或者疯狂迭代。

5.3 不收敛问题的完整排查链路

遇到ADMM残差不下降或者振荡，好多人第一反应是调ρ，但我实际调试下来，ρ往往是最后才需要动的参数。完整的排查顺序应该是：

1、先检查子问题求解器返回的解有没有严重违反本地约束。如果子问题本身都解错了，ADMM框架再正确也没用。我当时遇到一个情况是quadprog返回的比预设迭代次数早停，子问题没搜到最优，导致每次迭代结果抖动，乘子越更新越乱。

2、再检查λ更新符号。公式λ = λ + ρ(x - z)的符号如果写成λ = λ - ρ(x - z)，整个增广项方向就反了，边界不一致不但不会被修正，反而会被放大。这种错误最恶劣，因为残差可能看起来在变化，但变量越来越发散。

3、检查索引映射。把每轮迭代的z_global和每个区域上传的边界值打印出来，逐个节点对比，看是否存在位次错位。很多看似“参数问题”的不收敛，最后都是这里错位。

4、检查更新时序。并行模式下确认各区域用的都是上一轮的全局快照，串行模式下确认全局变量更新一定发生在所有区域更新之后，不要混用。

把常见问题整理成表格，方便排查：

5.4 热启动：让子问题求解提速一个数量级

ADMM迭代过程中，子问题的最优解变化通常是很平滑的，尤其到迭代后期，每一轮x的变化很小。如果在子问题求解时把上一轮的解当作初始点，quadprog内点法或者Yalmip的求解时间会明显缩短。

matlab复制options = optimoptions('quadprog', 'Algorithm', 'interior-point-convex', ...
                       'Display', 'off', 'MaxIterations', 200);
x_i = quadprog(H_i, c_i, A_i, b_i, [], [], lb, ub, x{i}, options);

最后那个初始点参数x0，在第一次迭代时可以给一个平启动值，比如各变量都设成额定工况下的功率或电压。热启动配合自适应ρ，在我测试中总求解时间能减少50%以上。

6. 从算例到现场：分布式优化要跨过的工程门槛

6.1 通信架构：主协调器其实很轻量

工程上部署这套算法，通信架构和仿真代码里不太一样。每个从网区域会有一个区域控制器，负责采集本地数据、求解子问题，并且只把边界节点的优化结果往外传。主协调器布置在上层系统（比如配网自动化主站），收到的所有信息都只是边界变量和乘子这些低维数据，然后做一次闭式更新，再把结果下发。

这个架构最舒服的一点是主协调器几乎没有计算压力，系统瓶颈完全在各区域子问题的求解能力上。所以我一直觉得ADMM这类算法特别适合配电网，因为配电网的管理层级天然就是这种“中心-区域”的星形结构，不用为了算法专门改造通信拓扑。

6.2 数据隐私机制带来的额外价值

分布式优化在工程上受欢迎，不只是因为算得快，而是它天然解决数据归属问题。各区域不需要把光伏逆变器详细参数、储能SOC、负荷曲线这些敏感数据汇总给中心，只需要交互边界变量和乘子。这些信息本身不包含内部细节，即使通信链路被监听，也很难反推出各区域内部运行状态。

我在项目汇报里经常强调这一点：这项技术相当于把“数据不出门也能协同优化”这件事从机制上做了保证。这对产权复杂的配电网来说，可能比算法本身的收敛速度更有价值。

6.3 实时控制的迭代预算

仿真里可以跑几百次迭代直到收敛，现场控制可不行。配电自动化系统对控制指令的下发周期有硬性要求，通常秒级到分钟级，留给分布式优化的在线求解时间窗口非常有限。我在实际部署时一般设置两层兜底：

一是最大迭代次数上限，比如50次，不管是否完全收敛都必须退出，输出当前最优边界值。

二是时间上限，如果在指定时间内迭代没完成，就把最近一次已经计算完的可行解下发。ADMM的一个好处是每一轮结束都有完整可行解，不像某些算法中途退出连可行解都拿不到。

再配合前面讲的热启动，上一轮控制周期收敛到接近最优的边界值，下一轮通常只需要几次迭代就能跟上负荷变化，实际运行效果比冷启动好很多。

6.4 再往深走：扩展方向

这个项目做完，后续能扩展的方向挺多。最基本的，可以把ADMM嵌入配电网模型预测控制的在线滚动优化里，实现多时段协调。再进阶一点，结合拓扑重构，让区域划分随开关状态动态调整，挑战在于边界变量集合并非常数。还有一种思路是数据驱动调参，用强化学习动态调整ρ和乘子更新策略，把人工调参换成策略学习，效果我见过一些论文效果不错，但工程落地还不成熟。

最后说点实在的

这个项目做完后我最深的感受是：ADMM的数学推导并不难，难在把公式精确映射到代码时那些容易忽略的细节。符号方向、索引对齐、更新时序、阈值归一化，任何一个地方错一点，表现在残差曲线上都是一样的“振荡”、“发散”、“收敛慢”，排查起来特别折磨人。如果你正准备在Matlab里复现主从配电网分布式优化，我的建议很简单：先不要急着追求并行和复杂模型，找一个小规模算例，比如33节点系统只有两个区域，串行ADMM跑通、画残差曲线、确认乘子变化正常，然后再一步步加区域、切并行、换SOCP潮流模型。按这个路径走，你可以少熬很多夜。