电动汽车集群并网调度：分布式鲁棒优化与ADMM求解实战

电动汽车集群大规模接入配电网之后，调度问题的复杂度完全变了。以前做传统机组组合，负荷曲线再怎么波动，至少还有清晰的历史规律可循；但现在面对的是成百上千台充电桩、每一台车都是移动的储能单元，用户在什么时间插枪、需要充多少电、能接受多大的调度指令，全是未知数。我曾经在一套多智能体仿真环境里同时调度3000辆电动汽车和8台分布式光伏机组，第一次跑通集中式鲁棒优化模型时，光是不确定性集合的构建就把我卡了将近两周——后来换成分布式鲁棒优化框架，才真正把“不确定性建模”和“工程可解性”这两个痛点同时解决掉。这篇文章就是围绕这套模型展开的，内容包括问题建模、Wasserstein模糊集的构造、基于ADMM的分布式求解，以及全套Matlab代码的实现思路，适合正在做电动汽车有序充电、微电网调度、分布式优化方向研究的学生和工程师参考。

1. 电动汽车集群并网，调度难点到底在哪里

1.1 单台车好管，集群车难管：从个体到集群的复杂性跃迁

单独看一辆电动汽车的充电行为，其实非常清晰：电池容量（比如60kWh）、当前SOC（荷电状态）、目标SOC、充电功率上限、预计插枪时长，这些信息在用户插枪的瞬间就基本确定了。调度系统只需要做一个非常简单的判断——在什么时段充多少功率，能保证它在离网之前补到目标电量。

但问题在于，当你面对的是一个集群，并且这个集群是由几百上千个“独立决策主体”组成的时候，整体行为就完全不是单台车行为的线性叠加了。举一个我自己实测过的例子：某园区停车场有200个充电桩，晚高峰18:00到20:00是插枪高峰。如果每台车都“即插即充”，整个园区的负荷叠加曲线会出现一个明显的峰值尖刺，峰值功率可能达到常规办公负荷的3倍以上，直接导致变压器过载。而如果做一个简单的错峰调度——把一部分车的充电时段向后平移——峰值就能削减30%到40%。

这里面隐藏着一个关键点：集群调度的本质不是去控制某一台车，而是协调整个系统的功率分配。单台车只有“充”和“不充”两个维度，集群车则要同时考虑时间维度（什么时候充）、空间维度（哪些充电桩在充）、功率维度（每台车充多少）和不确定性维度（用户行为无法精确预知）。这四个维度叠加在一起，问题规模迅速膨胀，传统优化模型在求解效率上很快就顶不住了。

1.2 不确定性的“三重打击”：充电需求、光伏出力、电价波动

电动汽车集群并网调度区别于传统调度最核心的地方，就是它所面对的不确定性来源特别多，而且这些不确定性互相耦合。

第一重不确定是充电需求本身。用户什么时候插枪、初始SOC是多少、需要充多少电，这些数据只能在用户实际插枪之后才能精确获得。在日前调度的时间尺度上，调度员能掌握的只有历史统计特征——比如某一时段的充电概率分布、平均充电量之类的统计量。但实际值和统计值之间的偏差，往往远超想象。尤其是恶劣天气、大型活动、节假日这些特殊场景下，充电需求的偏差可能达到30%以上。

第二重不确定性来自分布式电源，尤其是光伏。光伏出力的不确定性大家都不陌生，云层飘过就能让出力在几分钟内掉一半。而在电动汽车集群并网的场景里，光伏不确定性和充电需求不确定性是叠加在一起的——晴天的时候光伏出力高但充电需求不一定低，阴天的时候光伏出力低但用户可能因为宅在家里而充电更多。这种耦合关系让单一的确定性模型或者简单的鲁棒优化都很难处理。

第三重不确定性则来自电价。如果你做的是电价响应型调度，或者参与了电力市场，那么电价的不确定性也需要考虑进去。本文的模型以系统运行成本最小为目标，但实际工程中电价的波动会直接影响调度策略的激进程度。

这三重不确定性同时存在的时候，传统的确定性优化已经完全没有办法处理——你把所有参数都取期望值，算出来的“最优解”在实际运行中往往既不最优，也很可能不满足约束（比如电压越限、变压器过载）。这也是为什么分布式鲁棒优化在近几年会成为这个方向的研究热点：它用一套统一的数学框架，把这些不确定性全部装进一个“模糊集”里，而不是简单地把它们当作随机变量或区间变量来处理。

2. 分布式鲁棒优化：既要“抗干扰”，又要“可落地”

2.1 从鲁棒优化到分布鲁棒优化：一次认知升级

很多刚接触这个方向的人会问：鲁棒优化我不是没听过，就是假设不确定参数在一个确定的集合里变化，然后求最坏情况下的最优解，为什么还需要一个“分布鲁棒优化”？

这个问题的答案要从鲁棒优化的缺陷说起。传统鲁棒优化的核心假设是：不确定参数落在某个确定的集合内（比如区间 [μ-3σ, μ+3σ]），调度方案要对集合内的所有可能取值都可行。这样做的优点是保守度可控、模型表达清晰；但缺点是它把所有不确定参数一视同仁——在集合边界附近发生的概率明明极低，但鲁棒优化会为了这部分极端情况付出极高的调度成本。

分布式鲁棒优化的思路则不同。它假设不确定参数服从某个“未知但在一个模糊集内”的概率分布，然后优化的是这个模糊集内最坏分布下的期望成本。这个表述看起来只是加了“期望”两个字，但它带来了两个关键优势：

第一，它把概率信息重新带回了模型。历史数据里哪些情形更容易发生、哪些情形几乎不可能发生，这些信息可以通过模糊集的构造进入优化模型，而不再像传统鲁棒优化那样被丢弃。

第二，它天然支持用数据驱动的方式构造模糊集。你手里的历史数据越多，模糊集就越小，模型的保守度就越低；数据越少，模糊集越大，模型就越保守。这种“数据量越大、调度成本越低”的性质，非常符合工程直觉。

2.2 Wasserstein距离到底在优化什么

讲到分布式鲁棒优化，绕不开的就是Wasserstein距离。第一次接触这个概念的人容易被它的数学定义吓到，但本质上它做的事情非常直观。

Wasserstein距离刻画的是两个概率分布之间的“传输代价”。你可以这么理解：假设有两堆沙子，形状不一样，要把一堆沙子搬运成另一堆沙子的形状，需要付出的最小搬运距离乘以沙量的总和，就是这两个分布之间的Wasserstein距离。它和KL散度这类指标最大的不同在于，Wasserstein距离是真正度量“分布之间的几何距离”，即使两个分布完全没有重叠，它也能给出一个有意义的数值。

在电动汽车集群并网的调度问题里，我们用Wasserstein距离构造模糊集的方式是这样的：以经验分布（即历史数据的频率分布）为中心，以某个半径为半径，画一个分布空间内的“球”，所有落在这个球内的概率分布都是可能的真实分布。然后我们在这个集合内找最坏情况下的期望运行成本。

这里有个很重要的参数——模糊集半径ε。这个参数直接控制模型的保守程度：半径设得越大，模糊集越大，模型需要防御的极端分布越多，运行成本就会越高；半径设得越小