某个小区里六户人家装了屋顶光伏。白天上班不在家光伏发的电自己用不完按上网电价卖给电网只有几毛钱一度隔壁邻居晚上下班回来用电却按零售电价六七毛买电。如果六户人家能直接互相买卖白天把多余的电卖给邻居价格比上网电价高、比电网零售价低双方都划算——这就是产消者能量共享的典型场景。但问题来了每一户都是自利的理性人都想让自己的收益最大化。卖给邻居定什么价自己该存多少电是优先自用还是卖出家家都有自己的小算盘。这就是我这篇文章要聊的核心问题——基于分布式优化的多产消者非合作博弈能量共享研究。说得直白点就是在不要求大家交出隐私、没有中央调度员的情况下通过分布式优化算法让一群各自谋利的产消者自发形成一套稳定的能量共享方案最终找到这个非合作博弈的纳什均衡。我用Matlab把整套模型和算法完整实现了今天把模型怎么搭、算法怎么解、代码怎么写、收敛怎么调、结果怎么读一次性讲透。无论你是做微电网调度、分布式能源研究的在读学生还是刚接触博弈论和分布式优化的工程师这篇文章都能让你少走一大段弯路。1. 为什么非合作博弈从统一调度不现实说起1.1 集中式统一调度的两个硬伤很多人一开始会想多产消者共享能量最简单粗暴的方案不是搞一个中心调度员把所有产消者的用电和发电数据收集上来然后统一求一个全局最优吗这确实是经典思路而且数学上干净利落——所有产消者作为一个整体最小化系统总成本每个产消者听调度指令执行就行。但落地的时候有两个硬伤。第一个是隐私和信任。统一调度意味着每个产消者都要把自己的光伏出力上限、储能容量、负荷曲线、成本函数等参数全部上报给中心。你觉得邻居会愿意把家底全部报给物业吗在真实的能源社区里产消者之间的信任基础很薄弱谁也不愿意把自己的真实成本和私有收益函数交出去。更麻烦的是一旦交了产消者还可能谎报参数——比如故意把自己的光伏出力报低这样调度中心分配给他的任务就少他反而能通过私下交易赚差价。这类策略性谎报在集中式框架里很难彻底根治因为调度结果的公平性和激励相容性没有制度性的保证。第二个是计算和通信的可扩展性。集中式优化把所有人的变量塞进一个大问题产消者数量上了几十个、上百个之后稀疏矩阵的规模还好说麻烦的是每次更新方案都要重新求解一次大规模优化。要是光伏出力波动导致场景发生变化随时可能重算。系统越大中心节点的负担越重任何一个通信节点掉链子全盘皆输。所以现实世界的能量共享更倾向于另一种路径不设中心调度员让每个产消者自己做决策每个人只关心自己的收益大家通过市场机制或者迭代算法在互动中形成一个均衡。这种思路的数学工具就是非合作博弈。1.2 产消者博弈模型的数学表达把问题落到数学上假设系统里有N个产消者每个产消者i在时段t的决策变量包括向共享系统的购电量、售电量以及储能充电量、放电量如果他有储能的话。设x_i表示产消者i的全部决策向量每个产消者都有自己的决策集合X_i这个集合由光伏出力上限、储能SOC滚动约束、购售电功率上限等约束共同刻画。每个产消者的目标函数是最大化自己的净收益% 单个产消者的目标示意性写法 % maximize: U_i(P_load_i) - cost_purchase income_sell - degradation_cost其中U_i是负荷端用户的效用函数一般是凹函数经济学上表示用电带来的满足感常见的二次函数形式为U_i(P) a_i * P - b_i * P^2这一项很重要很多初学者会漏掉。没有效用函数的话产消者的负荷就是刚性固定值没有弹性博弈就退化成单纯的买卖分配算法收敛性反而更容易出问题但模型经济含义也单薄了不少。产消者之间通过共享的电能传输线路耦合。最典型的耦合约束是共享线路的功率容量所有产消者通过这条线路和外部电网交互的总功率不能超过上限C_total。这就导致了一个关键特性每个产消者的可行域其实不只是自己的约束还牵涉到别人的决策。用博弈论的行话来说这不是标准纳什博弈而是广义纳什博弈GNEP因为共享约束把大家的策略集合捆在了一起。1.3 纳什均衡存在性和唯一性怎么判断在非合作博弈中最后的落点是找纳什均衡。纳什均衡的定义是当所有其他产消者的策略都已经给定时任何一个产消者单方面改变自己的策略都无法让自己的收益变得更高。翻译成大白话就是没有人在这个局面下还有动机去偷偷变招。那么这个均衡一定存在吗一定唯一吗答案是需要条件。博弈论里一个非常经典的保证存在性的结论来自Rosen定理——如果每个产消者的策略空间是欧氏空间中的凸紧集每个收益函数对自身决策变量连续且拟凹那么广义纳什博弈至少存在一个纳什均衡。在能量共享这类实际问题里策略空间是二次规划约束出来的凸多面体收益函数一般是严格凹的二次函数所以存在性基本没问题。唯一性则稍微麻烦一些。唯一性通常要求每个产消者的收益函数关于自己的决策严格凹同时整个问题满足某种对角严格凹条件。做研究的时候省事儿的做法是先假设满足严格凸/严格凹条件把模型调成二次函数线性约束的形式大部分情况下能得到唯一均衡。万一你在仿真中发现算法收敛到了不同的平衡点别急着怀疑算法回头看看你的参数是不是让收益函数的二阶导矩阵失去了负定性。实用一点的经验如果你只是想跑通一个示范系统N取3-5个产消者就够了人多了一是ADMM迭代次数会变多二是画均衡图的时候密密麻麻看不清。后面我会详细讲代码层面的取舍。2. 共享约束的解耦逻辑ADMM怎么拆掉全局耦合2.1 共享约束到底卡在哪里前面提到产消者的博弈是广义纳什博弈难就难在共享约束。举个例子六户人家合用一个变压器变压器的容量是30kW。每户人家单独决策的时候根本不知道自己用多了会影响别人只有大家都挤到变压器容量上限时才发现谁都动不了。换句话说这个约束不是任何单独一家的局部约束而是全体产消者共同的全局约束。如果用集中式方法这个问题很好处理——把所有产消者的变量放在一个优化问题里共享约束只是其中一个不等式。但我们现在要求分布式每个产消者只能靠局部信息和有限的邻居通信来做决策不能把所有信息汇总到一起。这就必须把全局约束拆开。2.2 一个辅助变量和一个拉格朗日乘子拆解的核心工具是ADMM中文叫交替方向乘子法。ADMM的思路非常朴素既然全局约束让大家捆在一起那我不如先引入一个公共的辅助变量z把全局约束表示成每个产消者的局部变量x_i和这个公共变量之间的等式关系。也就是说全局约束所有产消者的总功率不超过C_total可以被改写成每个产消者自己的功率x_i等于某个公共副本z_i且所有z_i加总满足容量限制。这样一拆问题就变成了两层对内每个产消者只需要和z、以及协调者给出的拉格朗日乘子打交道不需要知道其他产消者具体在做什么。对外协调者只负责聚合一下z把共享容量的约束投影到z上再更新乘子。你可以把z想象成过道管理员。两个摊位共用一条过道过道宽度是共享资源每个摊位都想扩大自己的占地但两家加起来不能超过过道总宽度。过道管理员不是硬性规定每家只能占多少而是给出一个占用费价格信号占用多了就加价占用少了就降价。每家摊位看到价格信号后自己调整占地大小来回几轮最后达到一个谁也没有动机再变的稳定状态。ADMM里的拉格朗日乘子λ扮演的就是这个管理员。2.3 三步迭代的直观理解ADMM的标准三步更新逻辑是% ADMM主循环核心框架示意 for k 1:max_iter % Step 1: 各产消者并行求解自己的子问题x-update for i 1:N x{i} solve_subproblem(z{k}, lambda{k}, rho, data{i}); end % Step 2: 协调者聚合所有x更新公共变量zz-update z_new project_to_shared_constraint(mean(x_all lambda_k ./ rho)); % Step 3: 协调者更新拉格朗日乘子lambda-update lambda_new lambda_k rho .* (x_all - z_new); end第一步里每个产消者拿到当前给定的z和λ解决一个只跟自身数据有关的局部优化问题这个子问题可以完全并行甚至不需要和其他产消者通信。第二步里协调者把所有产消者传来的x做聚合再投影到共享约束构成的可行域里。第三步用原始残差修正乘子相当于管理员根据这次占用情况和上限的差距来调整价格。为什么ADMM比单纯的对偶上升好用关键就在那个ρ项。ADMM本质上是在拉格朗日函数后面加了一个二次惩罚项这个惩罚项给算法提供了很强的鲁棒性使得它不像普通对偶上升那样对目标函数的严格凸性要求苛刻。实测下来只要子问题可解、步长选得不过分夸张ADMM都能稳定地收敛到一个满足全局约束的解。对于GNEP来说ADMM的收敛性理解稍微复杂一些因为每个产消者的子问题里面包含了别人的影子——z包含了共享资源的影子价格。学术上通常需要借助Nikaido-Isoda函数或者规范化映射来证明收敛但工程实践里你只要做到子问题求到精确最优、共享约束的投影做对、步长在合理范围大多数情况下都能收敛到广义纳什均衡。3. Matlab实现场景生成、子问题求解与ADMM主循环3.1 数据怎么来别小看场景生成Matlab代码的第一步不是写ADMM而是把研究场景的数据准备好。最省事儿的做法是造一条合理的曲线但造数据也要有讲究。光伏出力曲线可以用Beta分布乘以辐照度上限来生成这样曲线形态比较自然白天呈单峰傍晚归零。负荷曲线则可以用典型住宅负荷形状加一定的随机抖动。我建议把产消者数量和储能配置设置得有点差异性别让所有产消者长得一模一样。比如4个产消者里一个只装光伏没有储能一个装了小容量储能一个装了大容量储能还有一个额外接了可调负荷。参数设置大概可以参照下面这样参数数值说明产消者数量4节点数适中便于验证和画图调度时段24每小时一个时段光伏容量5/6/4/7 kW各产消者屋顶光伏容量差异储能容量0/5/10/5 kWh其中1号无储能储能最大功率0/2.5/3/2.5 kW充放电功率上限共享线路容量12 kW系统与外部电网交互总功率上限ADMM罚参数ρ0.5需要调试第四章重点讲迭代上限500防止死循环的保险丝收敛容差1e-4原始残差和对偶残差的双重判断这里有个小提醒共享线路容量C_total设得不要太宽也不要太紧。设得太宽共享约束基本不起作用博弈退化成各过各的研究意义不大设得太紧可行域变得狭窄迭代过程中投影那一步容易反复震荡。我习惯先把所有产消者的最优独立方案算出来看看总功率的峰值是多少然后让C_total取峰值的80%-90%左右这样共享约束既有活性又不至于让问题病态。3.2 子问题求解YALMIP二次规划就够了每个产消者的局部子问题是一个小规模二次规划。虽然手推K.K.T.条件也能解但代码写起来又长又容易出错我建议直接用YALMIP建模底层求解器用quadprog或者sedumi。YALMIP的好处是代码逻辑和数学表达式几乎一一对应改参数、加约束都方便。单个产消者的子问题大致长这样% 单个产消者子问题的YALMIP写法框架示意 P_buy sdpvar(24, 1); % 购电决策 P_sell sdpvar(24, 1); % 售电决策 E_ch sdpvar(24, 1); % 储能充电 E_dis sdpvar(24, 1); % 储能放电 SOC sdpvar(24, 1); % 荷电状态 objective -sum(U(load E_ch - E_dis - Pv)) ... sum(price_buy_shared .* P_buy) ... - sum(price_sell_shared .* P_sell); constraints [...]; % 功率平衡、储能SOC递推、购售电非负、充放电上限等 % 注意把ADMM传入的 z 和 lambda 分别体现在目标函数里这里最考验理解的地方在于子问题里那个共享购电价格price_buy_shared不是电网给的固定值而是每一轮ADMM迭代里由协调者传递过来的乘子信号。所以子问题的目标函数是动态变化的——每轮迭代乘子不同产消者看到的边际价格不同他做出的决策就不同。整个ADMM的过程本质上就是协调者不断调整这个影子价格引导各产消者调整策略直到所有策略共同满足共享约束。储能建模方面有个容易犯的错SOC递推式要有初始值和末值约束通常让调度周期首尾SOC相等这样储能只是在一天内搬运能量没有凭空创造能量。另外充电和放电不能同时为正虽然严格来说需要一个互补约束但工程上很少有人真的写互补约束因为会让问题变成MPCC带平衡约束的数学规划。我的做法是加上一个二进制变量做互斥或者更聪明一点不写互斥约束让优化自己去选择。因为充放电同时进行在物理上就是浪费只要目标函数里成本项为正优化结果自然会把同时充放电这种傻方案排除掉。实际跑代码验证过不写互斥约束的结果几乎不会出现充电和放电同时为正的情况。3.3 ADMM主循环的完整骨架把主循环和子问题拼接起来就是一个完整的Matlab实现。主循环的结构可以这样组织% 初始化 z zeros(4, 24); % 公共变量每个产消者在每个时段有一个值 lambda zeros(4, 24); % 拉格朗日乘子初始化全零 rho 0.5; % 罚参数 tol 1e-4; for k 1:500 % 每个产消者并行求解子问题这里用parfor也可以 for i 1:4 x{i} solve_prosumer_subproblem(data{i}, z(i,:), lambda(i,:), rho); end % 协调者更新z把所有x聚合后投影到共享容量约束 x_all vertcat(x{:}); % 4x24 z_tmp x_all lambda ./ rho; % 4x24 z_new project_to_capacity(z_tmp, C_total); % 关键投影步骤 % 更新拉格朗日乘子 lambda lambda rho .* (x_all - z_new); % 计算原始残差和对偶残差 r_prim norm(x_all - z_new, fro); s_dual rho * norm(z_new - z, fro); % 更新z进行下一轮 z z_new; % 残差记录和收敛判断 history.r_prim(k) r_prim; history.s_dual(k) s_dual; if r_prim tol s_dual tol break; end end这段代码里最关键的辅助函数是project_to_capacity。投影操作的意思是把矩阵z_tmp整体往总功率不超过C_total的可行域上拉。具体实现上由于z_tmp的每一行代表一个产消者在所有时段上的公共副本共享约束只约束所有产消者在同一时段的总和不超过C_total所以投影可以按时段逐列处理function z_proj project_to_capacity(z_tmp, C_total) % 对每个时段把总功率投影到容量约束内按列投影 z_proj z_tmp; for t 1:size(z_tmp, 2) s sum(z_tmp(:, t)); if s C_total z_proj(:, t) z_tmp(:, t) - (s - C_total) / size(z_tmp, 1); end end end注意这里用的是均匀削减。如果产消者有优先级差异——比如某户的重要负荷占比高——可以把投影权重改成与负荷重要度相关本质上是把超出部分按权重摊到每个产消者头上。这个投影操作有个隐含前提所有产消者的z在同一个维度上所以削减是公平的。更一般的情况下如果共享约束还涉及网络潮流投影就要丢给一个最小二乘问题去解不过核心逻辑是同一个。3.4 收敛后怎么验证结果真的正确算法跑完不等于结果正确。纳什均衡的验证有一个很直接的思路固定其他所有产消者的策略不动单独允许某一个产消者重新优化自己的决策看看他的收益能不能比当前结果更优。如果任何产消者都没办法通过单方面改变策略来提升收益那这个点就是纳什均衡。在Matlab里做这个验证不复杂把ADMM收敛后的x结果固定下来留出第i个产消者的x_i让YALMIP在别人策略既定的条件下重新优化一次x_i比较目标函数值。实测下来由于ADMM收敛时已经满足了共享约束并且子问题每一轮都是精确最优的这个偏离测试的结果通常是非常小的数值差异在1e-4以内。还有一个更省事但同样重要的验证角度检查K.K.T.残差。如果你在子问题里让YALMIP返回dual变量就能把每个产消者的一阶最优性条件残差算出来。K.K.T.残差小于容差意味着当前点是所有子问题的联合驻点基本可以认定是均衡点。我在写代码时会把K.K.T.残差的检查封装成一个独立函数每次跑完算法自动输出一个验证报告省得每次手动算。4. 收敛性调试残差、步长与那些让人崩溃的坑4.1 原始残差和对偶残差到底在说些什么ADMM的调试核心就是盯住两个残差。原始残差衡量的是局部决策x和公共变量z之间的差距——如果这个值不为零说明产消者嘴上答应的方案和协调者手上记录的方案不一致也就是共识还没达成。对偶残差衡量的是乘子的变化幅度——乘子还在大幅波动说明价格信号还没稳定下来。这两者的物理意义完全不同。原始残差大意味着有的产消者想多用电但公共容量不让他这么做或者他承诺的出力方案和公共投影结果对不上。对偶残差大意味着价格信号在每轮之间出现大幅波动协调者在来回调整电价产消者一会儿觉得该多买一会儿觉得该多卖。判断收敛的条件是折线图上的两条曲线同时下降到容差以下。如果只有原始残差下降、对偶残差不降大概率是步长偏大导致乘子来回震荡如果对偶残差降了但原始残差死死压不下去大概率是投影步骤写错了或者可行域本身有问题。4.2 ρ参数怎么选不小心的代价很大ADMM里唯一需要手动调的参数就是罚参数ρ。它控制着共识约束的松紧程度ρ大惩罚项权重高x和z的一致性约束被更快地强制执行但代价是乘子更新容易产生震荡ρ小迭代过程平稳但对一致性约束的约束力弱收敛速度会很慢。我把同一套参数跑出来的结果放在一起感性认识非常直观ρ取值迭代次数收敛状态0.01未收敛500次原对偶残差均缓慢下降龟速0.1180收敛但偏慢0.546收敛稳定推荐起点2.0前面震荡后面才收敛原始残差大幅跳跃10发散乘子爆炸NaN预警看到这个表你应该明白了ρ不在大而在准。我自己习惯的做法是取0.5作为默认起点然后跑一轮观察原始残差曲线如果曲线像瀑布一样快速下落说明ρ还可以接受如果前几十轮残差一直在原地抖就按2倍幅度调大或调小。更精细的做法是自适应调整在迭代中根据当前原始残差r和对偶残差s的比值动态修改ρ当r 10s时把ρ增大当s 10r时把ρ减小。4.3 实战中遇到过的三个坑王第一个坑是子问题不可行。比如某个产消者的储能SOC递推约束和光伏出力数据配在一起导致某些时段无论如何都无法在上下限范围内满足全天SOC回初值的约束。YALMIP直接报Ilinear program infeasibleADMM被迫中断。这个问题的根源往往在数据生成——光伏出力随机曲线在某些天出现早晚极端值而储能容量太小无法同时满足功率平衡和SOC约束。解决办法有三个一是放宽SOC上下限二是舍弃当日极端数据重新生成场景三是在约束里加一个很小的松弛变量允许SOC在小范围越限目标函数里对该松弛量设置高额惩罚。第三种方法工程上最稳反正研究阶段没必要死磕可行性边界。第二个坑是储能SOC出现幽灵漂移。所有约束看起来都满足了但SOC曲线在一天里单调递增从早上的10%一直涨到晚上的95%这明显不合理。原因通常是目标函数里缺少对储能行为的激励或惩罚导致优化算法把储能当成了免费的能量库用光伏多余的电反复充电且不放电。检查一下售电价格是不是太低或者效用函数是否给予了足够的削峰填谷动机。实操上给储能加一个循环损耗系数充进去1kWh只能放出0.9kWh放电收益相应打折SOC的自然规律就回来了。第三个坑是数值病态。光伏出力数量级在1e3而目标函数里的系数数量级在1e-4两者相乘之后目标函数梯度的数值范围跨越好几个数量级ADMM的乘子更新在数值上就容易出问题。规避的办法是统一量纲把功率单位从W改为kW把价格单位直接作为每kWh的成本这样所有数值都在1附近打转收敛速度会有肉眼可见的提升。这也是为什么参数表里我直接标kW和kWh而不是W和Wh。5. 均衡结果怎么解读从对偶变量看电价从对比看价值5.1 共享电价是怎么浮现出来的ADMM跑完之后很多人只会画一张功率平衡图就交差太可惜了。其实拉格朗日乘子λ本身就是非常有经济含义的信息——它就是共享能量的边际价格。每当共享容量约束在某个时段收紧对应时段的乘子就会上升说明在这个时段多购买一度共享电能的价格变高了反之乘子接近零的时段说明共享电能充裕价格趋于零。把λ画成一条24小时曲线你会看到一条很有意思的U形曲线白天光伏大发共享电价低傍晚光伏归零、负荷攀升共享电价冲高。这条曲线本质上就是分布式能量共享市场在没有中央撮合的情况下浮现出来的出清价格。你可以把它和电网的固定零售电价、上网电价放在一起画三线对比直接说明问题共享电价处在两者之间就是博弈均衡的市场化结果。这也是这篇研究最有说服力的一张图。5.2 和集中式统一调度对比损失了什么、赢得了什么做一个公平的对比实验同样的产消者参数一套用集中式优化求全局社会效益最大另一套用分布式非合作博弈求纳什均衡。两套结果的总社会效益差多少我跑过的许多案例里博弈均衡的总效益通常略低于集中式最优差距在2%-8%左右取决于共享约束的松紧程度。为什么会有差距因为非合作博弈里每个产消者只追求个人利益不关心系统整体效率。这种无谓损失就是自组织的代价。但反过来看分布式博弈赢得了什么隐私保护和可扩展性。集中式需要每个产消者把自己的全部参数交出去而分布式只需要交互一个抽象的功率建议值和乘子价格产消者内部的光伏出力、负荷曲线、储能SOC都不需要明说。表格对比如下对比维度集中式统一调度分布式非合作博弈ADMM信息需求所有产消者隐私数据集中于中心仅交互公共变量和对偶乘子优化目标系统总效益最大个体效益最大最终结果社会最优解纳什均衡计算结构单次大规模优化多轮小规模分布式迭代隐私暴露风险高低可扩展性中心节点成瓶颈产消者可并行增删这个对比不是要证明谁优谁劣而是强调不同目标的取舍。如果你的场景里几个产消者属于同一主体、信任度高那集中式更高效如果面对的是真实社区里互不信任的独立业主分布式博弈才是能落地的方案。5.3 从一天到一年多时段耦合和不确定性的扩展方向基础版本的代码跑通只是第一步。我建议下一步往这几个方向扩展性价比都很高。一是多时段耦合的储能调度。如果每个产消者配有储能一天的调度不再是24个独立时段的简单拼接储能的SOC会跨时段耦合子问题的维度增加。ADMM框架本身不需要大改只要把子问题里的SOC递推约束保留住算法结构完全不变。我实测过48时段、5个产消者、带储能的版本迭代次数大约翻了一倍但收敛性依然稳定。二是考虑光伏出力的不确定性。简单场景里用确定性曲线就能跑通但真实光伏出力有随机波动。常见做法是用场景法生成若干个等概率的光伏出力场景产消者目标函数变成所有场景下的期望收益决策变量里区分现在就知道的要决定和场景发生后才知道的决定。这样问题就变成一个随机规划加博弈的组合。听起来复杂但在YALMIP里只是把变量加一个场景索引其他结构不变。三是网络拓扑约束。我的示例只考虑了单条共享线路的容量约束真实微电网往往是一个辐射状网络每条馈线有自己的容量限制潮流方向也影响约束形式。此时投影函数project_to_capacity需要升级成一个最小二乘投影或最优潮流子问题ADMM框架本身不用动。这也是当前分布式能量管理研究里非常活跃的方向。如果想做更深的博弈理论扩展可以试试Stackelberg博弈把电力零售商作为领导者产消者作为追随者零售商先定电价策略产消者根据电价做最优响应。这种主从博弈在Matlab里可以用嵌套优化实现外层做领导者决策内层调用ADMM求解产消者的非合作均衡。这个方向发论文的空间很大但代码量也是单层博弈的两倍以上建议先把单层调明白再说。最后再分享一个实操上容易被忽略的细节。跑完ADMM后一定要把收敛曲线和对偶变量的历史数据都保存下来。判断均衡是否可靠光看最终残差不够还要看乘子曲线是不是稳定在一个水平线上如果乘子在两三个值之间周期性跳变说明当前步长下算法在均衡点附近打转没真正停稳。这种时候把ρ调小一倍重新跑一遍通常就能看到乘子彻底平稳下来。代码并不复杂真正花时间的反而是这些调试和验证的细节。把模型搭扎实、把收敛判据做严格、把结果的经济含义讲清楚这个课题的核心价值才算真正展现出来了。