1. 这个项目到底解决什么问题：先读懂设备动作损耗这笔“隐形成本”

做配电网电压无功优化的人，大概率都经历过这样一个过程：模型建好了，算法跑通了，仿真结果一片大好，电压合格率拉到100%，网损嗖嗖往下降。然后呢？拿到实际现场去用的时候傻眼了——电容器组一个礼拜动作了几十次，开关触点烧蚀得厉害，有载调压变压器分接头天天咔咔响，运维班组的人直接找到你头上来了。

这就是我当初折腾这个项目的直接原因。单纯以电压合格和网损最小为目标做优化，优化器一定会可着劲儿调节设备——因为对它来说，每一次设备动作都是“免费的”，多调一次电压更稳、网损更低，何乐而不为？但真实世界里，任何一次有载调压变压器的分接头调整、任何一次并联电容器组的投切，都会造成实实在在的代价：机械磨损、触点烧蚀、涌流冲击、设备寿命衰减。这笔账不放进优化模型里，做出来的方案根本落不了地。

所谓“考虑设备动作损耗”的电压无功优化，本质上是往传统的优化目标函数里增加了一个“设备动作代价”的维度。它要求优化器在“电压质量、网损水平、设备动作成本”三者之间做一个真正的权衡，而不是无脑追求某一个指标最优。

1.1 电压无功优化问题的基础：为什么无功会影响电压

先花两分钟把基础盘一下，免得后边代码逻辑讲起来发懵。

在辐射状配电网中，一条馈线从变电站出口往末端走，电压是逐步降低的。降低的原因有两个：一个是线路电阻上的有功压降，一个是线路电抗上的无功压降。对于10kV配电网来说，线路的电抗和电阻比值X/R通常在1~3之间，和输电网那种X/R动辄5~10的情况完全不同，因此电阻上的有功压降占比很高，不能忽略。但无功仍然是电压偏移的主要推手——当馈线末端接入大量分布式光伏、或者负荷较重时，无功功率沿线路流动，末端电压就可能越限（偏高或偏低）。

无功优化的思路就是：通过调节电网中的无功源（电容器组、静止无功发生器、有载调压变压器分接头、分布式光伏的无功出力等），改变无功功率的流动路径，从而把各节点电压拉回到合格范围内，同时尽量减小网络中的有功损耗。

1.2 设备动作损耗到底在损耗什么

这个“损耗”不是网损那种电能量损耗，而是指设备在动作过程中付出的机械与电气代价。我用一个表格把典型设备的动作代价梳理清楚：

这里有一个关键的认识误区：不是所有设备都需要惩罚。SVG和光伏逆变器可以做连续无功调节，动作“代价”相对较低，甚至可以忽略；但电容器组和OLTC属于离散机械调节设备，动作一次的成本不可忽视。因此建模时必须区分设备类型，别搞“一刀切”的惩罚。

1.3 为什么非要“分布式”地去做这个优化

这可能是很多人第一个困惑：直接把全网的电压无功优化建模成一个数学规划问题扔给求解器，不就行了吗？为什么要分布式？

原因有三层：

第一，配电网规模大了之后，集中式优化真的跑不动。一个动辄上千节点的馈线组，加上联络开关、分布式电源、储能、可调负荷，变量和约束数量很容易冲上十万量级。虽然现代求解器很能打，但“能解”和“算得快”是两回事。电压无功优化如果要在日内滚动运行（比如15分钟一个断面），集中式的计算时间可能让人无法接受。

第二，数据隐私和归属权问题是硬约束。配电网和输电网不一样，它往往跨越不同的产权主体——配电公司、分布式电源运营商、大用户、储能聚合商。这些主体之间并不愿意把完整的电气数据（尤其是负荷曲线和内部拓扑）交给一个中央控制中心。分布式优化天然适配这个局面：每家只管自己的区域，只在边界节点上交换必要信息。

第三，通信可靠性和扩展性。集中式优化对中央节点和通信网络的依赖是单点式的，任何一个环节出问题，整个优化就瘫了。分布式方案让每个区域都在本地完成自己子问题的求解，中央协调器只做轻量级的信息汇总与参数更新，鲁棒性要好得多。

2. 分布式优化的方案选型：为什么我最终选了ADMM

方向定了之后，紧接着就是方法选型。做分布式电压无功优化，主流路线大致有三条：交替方向乘子法（ADMM）、一致性算法、目标级联分析法。三条路我都实际试过，这里把选型过程拆开说。

2.1 三条分布式路线的对比与取舍

一致性算法的思路是让每个区域各自优化，然后通过邻居间的变量交换，让公共变量的估计值逐步收敛到一致。它的优点是通信拓扑要求低、实现简单，但缺点很致命：收敛速度慢，而且迭代次数和网络规模强相关。小型测试系统上看不出来，一旦区域变多，一致性算法的收敛过程会让人等得没脾气。

目标级联分析法（ATC）是分层优化的思路，上层把目标值的容许区间往下传递，下层把优化结果往上反馈，通过层层修正逼近全局最优。它在多层级结构（比如输配协调）里表现优异，但在单层配电网的区域间协同场景里显得有点“大材小用”，计算开销偏高。

ADMM是我最终选择的方案。它的核心优势是：有成熟的凸优化收敛性理论打底（虽然不是所有配电网问题都是凸的，但我们可以通过合理的模型变换让它搭上凸优化的边），实现上只需要每个区域求解自己的子问题，然后在协调层做一次拉格朗日乘子更新，逻辑非常清晰。

拿工程话说，ADMM的“性价比”最高。它不需要复杂的层级信息交互，对初始化不敏感，而且有原始残差和对偶残差两个明确的收敛判据，调试的时候心里有底。

2.2 ADMM应用于配电网优化的数学形式

先说一个大家容易绕进去的点。标准ADMM要求全局优化目标函数是可分离的，也就是目标函数可以拆成各区域自己的目标函数之和，区域之间的耦合只体现在约束条件上。配电网的电压无功优化天然满足这个结构：每个区域的网损、电压偏移、设备动作代价都只和自己的变量有关，而区域之间通过边界节点的电压和支路功率产生约束耦合。

假设网络被划分为 (K) 个区域，区域 (i) 的本地变量集合为 (x_i)，全局变量为 (z)（表示边界节点的电压幅值等共享变量）。区域的本地约束是潮流方程和其他运行约束，边界一致性约束写作：

[ x_i = z, \quad i = 1, 2, \ldots, K ]

构造增广拉格朗日函数：

[ L_\rho(x, z, \lambda) = \sum_{i=1}^K \left[ f_i(x_i) + \lambda_i^T(x_i - z) + \frac{\rho}{2} |x_i - z|_2^2 \right] ]

ADMM的迭代分成三步：

[ x_i^{k+1} = \arg\min_{x_i} \left[ f_i(x_i) + \lambda_i^{T}(x_i - z^k) + \frac{\rho}{2}|x_i - z^k|_2^2 \right] ]

[ z^{k+1} = \arg\min_z \sum_{i=1}^K \left[ -\lambda_i^T z + \frac{\rho}{2}|x_i^{k+1} - z|_2^2 \right] ]

[ \lambda_i^{k+1} = \lambda_i^k + \rho (x_i^{k+1} - z^{k+1}) ]

子问题更新那一步，每个区域只需要知道上一轮协调层给出的全局变量 (z^k) 就能独立求解，看起来就非常干净。

上面这些公式看着唬人，落地到Matlab里其实没什么特别的难度。下面重点讲讲我在代码实现时几个关键的工程决策。

3. Matlab代码实现逐步拆解：从潮流模型到迭代求解

直接上项目代码结构。整个项目的文件组织大致是这样的：

3.1 配电网潮流模型选择与实现

电压无功优化不是孤立的规划问题，它的每一次迭代都需要计算潮流，因此潮流模型的选择直接影响问题可解性和计算速度。

DistFlow模型是配电网优化里用得最多的连续潮流描述，它避开了极坐标下三角函数带来的非线性，用支路功率和节点电压幅值直接建模。标准DistFlow方程如下：

[ P_{jk} = P_{ij} - r_{ij} \frac{P_{ij}^2 + Q_{ij}^2}{V_i^2} - p_j ]

[ Q_{jk} = Q_{ij} - x_{ij} \frac{P_{ij}^2 + Q_{ij}^2}{V_i^2} - q_j ]

[ V_j^2 = V_i^2 - 2(r_{ij}P_{ij} + x_{ij}Q_{ij}) + (r_{ij}^2 + x_{ij}^2)\frac{P_{ij}^2 + Q_{ij}^2}{V_i^2} ]

其中 ((r_{ij}, x_{ij})) 是支路 (i-j) 的阻抗，((P_{ij}, Q_{ij})) 是支路首端流过的有功和无功，(V_i) 是节点电压幅值。这套方程在Matlab里实现起来非常直接，而且因为电压无功优化的电压偏移通常限制在±7%以内，忽略 (\frac{P_{ij}^2 + Q_{ij}^2}{V_i^2}) 这一项（即所谓的“线性化DistFlow”）在很多工程场景下精度是足够的。

我在代码里做了一个双模设计：一种是完整的非线性DistFlow（用于精确潮流校核），一种是线性化DistFlow（用于优化迭代）。优化的时候用线性化版本，得到优化决策后再用精确潮流做一次校核，两全其美。这里踩过的一个最大的坑是：如果用线性化潮流直接算节点电压，结果和精确潮流在小阻抗支路上可能差出2%~3%，这个偏差在优化循环里会被放大，最终导致电容器组的投切方案在实际潮流里电压越限。所以校核这一步一定不能省。

3.2 设备动作损耗建模：两种思路与代码表达

设备动作损耗建模是项目的核心贡献点，这里我提供两种实践中都用得上的建模思路。

思路一：惩罚项法（松约束）

目标函数中给每个可控离散设备叠加一项动作代价。若设备在时刻 (t) 的档位状态为 (u_t)，上一时刻为 (u_{t-1})，动作代价记为：

[ f_{action} = \alpha \cdot |u_t - u_{t-1}| ]

其中 (\alpha) 是单次动作代价系数。如果是电容器组，(u) 就是0/1投切状态；如果是OLTC，(u) 是分接头档位整数。这个惩罚项直接加到优化目标里，形式上非常干净，在Matlab里用非光滑项（绝对值）也能高效求解。实际调试中，(\alpha) 的取值要参考设备的动作寿命数据来定。比如一组电容器开关的电气寿命是5000次，换一组开关的成本折算到每次动作大约是几十元，如果无功优化的网损单价是每千瓦时几毛钱，那么折算后 (\alpha) 的量级是可以测算的。当然，具体数字因地区、设备而异，但建模思路是一样的。

思路二：动作次数约束法（硬约束）

在调度周期内，限制每个设备的动作次数不超过上限：

[ \sum_{t=1}^T |u_t - u_{t-1}| \le N_{max} ]

这个方法对运行方式的约束更直接，但在分布式框架里处理起来比较麻烦——因为动作次数的约束与时间序列强耦合，破坏了各个时段之间的独立性。我在实际项目中用了一个折中方案：松弛掉这个全局约束，改对每个时刻的动作设置线性惩罚，这样24个时段之间的耦合就只剩下状态变量 (u_t) 与 (u_{t-1}) 的固定关联，松弛后也能在分布式框架中顺利分解。

如果项目要发论文或者做严格的工程论证，建议惩罚项法和约束法都实现，做一个敏感性对比。我在做某电网的实际项目时，对方更认可硬约束——因为保障设备寿命是他们考核KPI的一部分，软约束不具备说服力。

3.3 区域分解与边界变量选择

分布式优化做得好不好，一半取决于区域怎么切、边界变量怎么选。

区域切分要遵循的原则：尽可能沿联络线或功率较小的支路切，使得区域间的耦合变量个数最少。以经典的33节点配电网为例，它是一个含5条联络开关的环形拓扑，正常情况下辐射状运行。我按馈线主干把网络切成3个区域，区域之间用联络支路连接。联络支路的首末端节点电压就是边界变量。

这里有一个容易犯的错误：边界变量的量纲和数量级。节点电压是1.0p.u.这个量级，而支路无功功率可能是几百kVar，两者在增广拉格朗日里混合计算时，惩罚因子 (\rho) 很难同时适配两个尺度的变量。我的做法是对边界变量做归一化处理——电压保留p.u.值，功率则除以基准功率变成p.u.值，这样整个增广拉格朗日里所有项的量级一致， \rho) 的整定就容易多了。

3.4 ADMM主循环与改进策略

主循环的伪代码如下：

% 初始化 lambda = zeros(n_boundary, 1); % 拉格朗日乘子 z = ones(n_boundary, 1); % 全局变量初始值（电压p.u.） rho = 10; % 惩罚因子 tol_pri = 1e-4; tol_dual = 1e-4;

for k = 1:max_iter % 步骤1：各区域并行求解子问题 % 区域1：输入z、lambda_1，求解本地决策变量x1 x1 = solve_subproblem(region1_data, z, lambda(:,1), rho); % 区域2：同理 x2 = solve_subproblem(region2_data, z, lambda(:,2), rho); % 区域3：同理 x3 = solve_subproblem(region3_data, z, lambda(:,3), rho); % 步骤2：协调层更新全局变量z z_new = (x1_boundary + x2_boundary + x3_boundary) / 3 ... - (lambda1 + lambda2 + lambda3) / (3 * rho); % 步骤3：更新拉格朗日乘子 lambda(:,1) = lambda(:,1) + rho * (x1_boundary - z_new); lambda(:,2) = lambda(:,2) + rho * (x2_boundary - z_new); lambda(:,3) = lambda(:,3) + rho * (x3_boundary - z_new); % 步骤4：计算原始残差和对偶残差，判断收敛 r_pri = norm([x1_boundary - z_new; x2_boundary - z_new; x3_boundary - z_new], 2); r_dual = rho * norm(z_new - z, 2); if r_pri < tol_pri && r_dual < tol_dual break end z = z_new; end

注意子问题求解内部其实需要嵌套一个潮流迭代——区域内的电压和功率要满足潮流方程。我使用的是前推回代法作为子问题中的潮流求解器，配合Yalmip或者直接调fmincon做本地优化。如果追求速度，推荐把子问题的目标函数线性化或二阶锥化，再调用快速求解器。

这里有一个工程优化技巧：不需要每个ADMM外循环都精确求解子问题到最优。子问题做一个不精确求解（比如迭代20次就停），ADMM整体收敛往往反而更快。这是ADMM理论上认可的“不精确”变体，实践里非常香。

4. 仿真结果怎么分析：对比实验设置的四个关键维度

代码能跑通只是第一步，项目能不能让人信服，要看仿真实验设计得是否严密。

4.1 测试算例与基础场景设置

我选择了一个公开的标准33节点配电网算例做测试——这是配电网优化领域的“Hello World”，12.66kV、基准容量10MVA、包含33个节点和37条支路。为了验证分布式方法，我在这个网架上做了如下扩展：

• 把网络按馈线划分为3个区域
• 在馈线中段和末端接入4组并联电容器，每组可投切容量为50kVar/100kVar/200kVar可选
• 在中间节点接入1台有载调压变压器（分接头范围±8×1.25%）
• 在部分节点接入分布式光伏，不参与优化时序控制，只作为负荷扰动源

取了一天24个时段的光伏出力曲线和负荷曲线。负荷采用典型参数的日曲线——工业、商业、居民负荷的混合形态，光伏出力近似正弦波形的晴日曲线，这样优化问题在日内滚动执行时，设备动作的方向和时机都比较丰富，能充分检验动作惩罚项是否起作用。

4.2 对照组怎么设

我设计了四个对比方案，这也是论文或项目报告中比较通用的做法：

每个方案输出四类指标：全网总有功损耗、电压越限节点比例、设备动作总次数、求解时间。前三个是电力指标，第四个是算法效率指标，缺一不可。

4.3 关键结果的解读逻辑

真实跑出来的数据大致表现是这样的（不同算例参数会滑动，但趋势一致）：

• 方案B和方案C的网损差距通常在3%~6%之间——这就是“为降低设备动作付出的代价”，在工程上完全可以接受
• 方案C的设备动作次数相比方案B下降约60%~80%，效果极其显著
• 方案D和方案C的最终目标函数值差距通常在1%以内，但求解时间可以缩短一个数量级以上
• ADMM迭代过程的原始残差曲线呈单调下降趋势（多数情况下，后期可能小幅波动），一般30~60次主迭代内收敛

如果方案D和方案C的差距偏大（超过3%），优先检查三个地方：一是边界变量的选择是否合理，二是 \rho) 是否需要自适应调整，三是子问题求解精度是否足够。

5. 踩坑实录：ADMM调参、代码调试与结果校验

这部分是全文最有价值的地方。这些坑是我反复调试排出来的，教科书上找不到，但对想做这个方向的人是最直接的经验。

5.1 ADMM惩罚因子怎么调

这是ADMM落地时碰到的第一个硬骨头。 \rho) 太小时，原始残差收敛慢，整个迭代过程像老牛拉车；\rho) 太大时，对偶残差急剧震荡，目标函数值在最优解附近疯狂抖动。实践中我自己总结了一套靠谱的调参流程：

第一步，把目标函数做归一化。网损项和动作惩罚项的量级最好差不多，否则无论怎么调 \rho) 都难以兼顾。第二步，从 \rho = 1) 开始试，跑一遍，观察原始残差和对偶残差哪个收敛慢。如果原始残差慢，加大 \rho；对偶残差慢，减小 \rho。第三步，采用自适应 \rho 更新策略，典型做法是：

if r_pri > 10 * r_dual rho = rho * 2; elseif r_dual > 10 * r_pri rho = rho / 2; end

这个策略源自经典的残差平衡思想，工程效果远好于固定 \rho。

5.2 边界不匹配导致的结果偏差

分布式优化结果和集中式结果对不上，这个是第二高发的疑难杂症。我排查过的一个典型案例是这样的：33节点系统切成3个区域后，分布式优化得到的目标函数值比集中式高了整整5%。当时百思不得其解，后来一条一条查，发现是区域分解时漏掉了一条联络支路，导致两个区域各自的潮流约束集和集中式不等价。说白了，区域分解之后，每个区域内部的连接关系必须和原网络完全一致，任何一个拓扑关系错了都白搭。

这类问题的排查技巧：先跑一个例外测试，把所有区域的边界变量全部固定为集中式优化解的值，如果分布式子问题求出的目标值和集中式对不上，那必然是本地区域建模出错；如果对得上，问题一定出在边界耦合上。

5.3 离散变量的分布式处理

电容器组是离散变量（投/切），OLTC分接头也是离散变量（整数档位），而ADMM的数学形式在连续变量下理论最漂亮。直接把离散变量扔进子问题会让子问题变成混合整数规划，求解效率会明显变慢。

我的处理经验分两步。第一步，先把离散变量松弛成连续变量，在连续域里做分布式ADMM迭代（这一步收敛快）。第二步，迭代收敛后做一次就近取整，再继续迭代几次让电压变量和乘子适应离散值。这个办法虽然不够“数学严谨”，但工程效果好，最终电压质量指标几乎没有损失。

还有一个更稳妥的选择是：在子问题里直接用 \texttt{round} 约束离散变量，交给yalmip配合外部求解器处理混合整数子问题——前提是你的子问题足够小，求解器能在秒级返回。区域划分得合理的情况下，这个方案也完全可行。

5.4 动作损耗项“被吃掉”的问题

这是当初我调代码时最容易忽视的问题：目标函数中网损值是兆瓦量级，动作代价是几十元量级，两者若直接相加，动作代价项在目标函数里占比小到几乎不影响优化方向，惩罚项形同虚设。解决方法是把动作代价乘以一个适当的放大系数，或者采用多目标加权方式，让动作惩罚在目标函数中的占比落在10%~30%区间内，才能起到真正的约束作用。具体数值要在实验里反复标定——这也是我前面强调量纲归一化的原因。

6. 项目还能怎么扩展：几个后续迭代方向

这个项目做完，如果还有余力继续深入，我建议沿着下面三个方向去扩展。

第一个方向是多时间尺度协调。目前做的是单断面（或者24时段滚动）的电压无功优化，可以进一步细分为：日前的设备动作计划（电容器、OLTC这类慢设备）+ 日内实时无功调节（SVG、光伏逆变器这类快设备）。慢设备动作频率低，主要考虑设备寿命；快设备调节连续，动作代价低。这种双层架构在工程里更接近实际调度逻辑。

第二个方向是不确定性处理。光伏和负荷都有预测误差，确定性优化给出的决策在天气突变时可能失效。可以考虑鲁棒优化、机会约束规划或者模型预测控制（MPC），让优化方案在不确定性扰动下仍然保证电压合格。

第三个方向是通信与智能化结合。ADMM目前需要一个协调中心做全局变量更新，如果完全去中心化（没有协调中心），需要设计基于一致性算法的变体，或者在边缘计算框架下做联邦优化。这个方向研究热度还在上升。

从我自己的体会来说，做这个项目的最大收获不是弄懂了ADMM那套数学，而是真正理解了为什么工程上的优化模型要比论文里的复杂那么多——真实系统的约束太多了，而且很多约束是隐性的、需要靠对物理过程的理解才能提取出来。设备动作损耗就是这样一种“容易被忽略但其实极其重要”的成本。希望这篇拆解能帮你少走一些弯路。