基于分布式优化的多产消者非合作博弈能量共享模型与Matlab实现

搞过微电网调度的人大概都遇到过这么一个问题：几个装了光伏和储能的家庭聚在一起，能不能不靠电网、直接互相卖电？如果能，价格怎么定，每家发多少电、存多少电才划算，又该怎么算？这些问题往深了挖，就是一个典型的多产消者能量共享问题。产消者（Prosumer）既是生产者又是消费者，各自有光伏、储能和负荷，彼此之间既有合作空间，又有利益冲突。你多卖一度电，别人就多买一度电，价格高了你高兴，但买方不乐意。这种互相牵制的场景，天然适合用非合作博弈来建模，再用分布式优化来求解。这篇文章我就把这套基于分布式优化的多产消者非合作博弈能量共享模型，从数学建模到Matlab代码实现，完整拆开讲一遍，适合正在做微电网、虚拟电厂、能源互联网方向研究的同学参考，也适合想用Matlab验证博弈论算法落地的工程师收藏。

这套东西能解决什么问题？一句话说清楚：在多个产消者各自追求自身利益最小化（成本最小）的前提下，通过一个分布式迭代算法，让全局的功率供需平衡、市场价格和交易电量同时收敛到一个稳定的均衡状态。相比传统集中式优化，它不需要某个中心节点掌握所有用户的隐私数据，每户只需要跟邻居交换“价格”或“净注入功率”这类耦合信息，隐私得到保护，计算压力也分散到各户。下面我按实际项目推进的顺序，把建模、算法、代码、实验和踩坑记录全部分享出来。

1. 项目思路拆解：为什么非合作博弈和分布式优化是最佳组合

1.1 这个问题的本质是什么

先把场景具象化。假设你所在的园区里有6个产消者，每个都有屋顶光伏、一组储能电池和本地负荷。白天光照充足，光伏发电量超过自家负荷，余电存在电池里；晚上没有光伏，负荷要靠储能或购电满足。现在问题是，园区内部能不能形成一个小型电力市场，让有剩余电量的户主卖给缺电的户主？

这里的难点在于：没有哪个用户愿意免费把电给别人，都希望卖得贵一点；买方当然希望买得便宜。每个人都在理性地追求自己的利益，同时所有人的决策又会共同影响市场出清价格和电量分配。用学术一点的话说，这是一个非合作博弈问题，需要找的是纳什均衡：给定其他用户策略不变的前提下，任何一个用户单独改变自己的策略都无法进一步降低自身成本。

传统集中式调度的做法，是假定有一个“调度中心”能够获取所有用户的完整信息，然后统一求解一个社会总成本最小化问题。但实际落地中这套有个致命短板：用户不愿意把负荷曲线、光伏出力、储能SOC这些私密数据全部交出去，而且中心节点一旦故障，整个系统就瘫痪了。分布式优化就是为了绕过这个限制而被引入的。

1.2 分布式优化在哪一步介入

这里需要把博弈和优化之间的关系理清楚。非合作博弈定义了问题的宏观框架，告诉我们要找什么解（纳什均衡）；分布式优化则是求解这个均衡的计算工具。严格来说，多产消者能量共享博弈往往是一个广义纳什均衡问题（GNEP），因为每个产消者的可行域通过功率平衡约束耦合在了一起——所有人的交换功率之和必须为零。

处理这种耦合约束最常用的方法是拉格朗日对偶分解和交替方向乘子法（ADMM）。基本思路是引入全局一致的价格信号λ，把耦合约束松弛到目标函数里，这样原问题就分解成每个产消者独立的子问题。迭代时，每个子问题只需要把“本户的期望交换功率”发给协调者或相邻节点，协调者汇总后更新价格再返回给各户。整个过程不需要传递任何一方的负荷或发电细节，这就是分布式优化在博弈求解中的核心位置。

1.3 算法选型的取舍心得

在Matlab里实现这类问题，最主流的选择是ADMM和分布式梯度投影法。两者我都试过，说一点真实感受。

分布式梯度投影法实现简单，对初值不敏感，收敛过程也比较平稳，但它需要目标函数具备较强的凸性和光滑性，而且收敛速度通常偏慢，尤其在储能SOC约束较多时表现一般。ADMM虽然也要调惩罚参数，但实际收敛速度快很多，对带线性等式约束和箱式约束的问题尤其合适，而且在分布式一致性框架下扩展性很好。如果你的场景是几十个产消者的中大规模问题，我更推荐以ADMM为主框架，把本地子问题用CVX建模，外层迭代用ADMM更新价格，这也是我在下面代码中采用的做法。

2. 数学模型搭建：目标函数、约束和耦合关系

2.1 单个产消者的运行模型

先建立单个产消者的模型。设系统中共有 N 个产消者，调度周期 T 取24小时，步长1小时。产消者 i 在时段 t 的决策变量包括：光伏上网/自用比例、储能充电功率、储能放电功率、与共享网络的交互功率，以及向外部电网购买/出售的功率。为了简化，我在这里把光伏出力作为已知输入曲线，不把它作为优化变量，这样问题更聚焦在博弈和储能调度上。

每个产消者本地功率平衡关系是：

Ppv(i,t) + Pdis(i,t) + Pbuy_grid(i,t) + Pex_in(i,t) = Pload(i,t) + Pch(i,t) + Psell_grid(i,t) + Pex_out(i,t)

其中 Pex_in 是从其他产消者买入的功率，Pex_out 是卖给其他产消者的功率。把交互功率统一成净注入 Pex(i,t) = Pex_out - Pex_in，正值表示该户向共享网络卖出，负值表示买入。每个产消者再配上储能SOC递推方程：

SOC(i,t+1) = SOC(i,t) + ηch * Pch(i,t) - Pdis(i,t) / ηdis

以及储能容量上下限、充放电功率限值、交互功率限值等箱式约束。

2.2 成本函数的设计逻辑

目标函数的设计决定了博弈的性质。每个产消者希望一个调度周期内总成本最小，总成本包括四项：

• 微燃机/额外购电成本（如果没有额外购电，则这一项可以替换为向电网购电费用）
• 储能充放电磨损成本
• 向外部电网售电的收益（负成本）
• 向邻居购电的费用与向邻居售电的收益（通过价格 λ 耦合）

写成公式就是：

min f_i = Σ_t [ a_i * Pgen(i,t)^2 + b_i * Pgen(i,t) - c_buy_grid * Pbuy(i,t) + c_sell_grid * Psell(i,t) + γ * (Pch(i,t) + Pdis(i,t)) + λ(t) * Pex(i,t) ]

最后一项 λ(t) * Pex(i,t) 是博弈耦合的核心。λ(t) 是时段 t 的市场出清价格，对所有产消者一致。Pex 为正说明该户是卖方，收入为正，成本降低；Pex 为负说明该户是买方，支出增加。每个产消者做本地决策时，把 λ 当作外部给定的价格信号，但这个价格又由所有用户的 Pex 共同决定，这就是博弈中“所有参与者互相影响”的数学体现。

2.3 全局耦合约束和市场出清条件

把所有产消者连成一个共享网络后，必须满足任意时段的功率平衡：

Σ_i Pex(i,t) = 0

这个等式约束的意思很直观：有人卖出X度电，就必然有人买入X度电，系统内部不产生也不消失能量。加上这个约束后，问题就成了带耦合约束的多智能体优化问题，也就是GNEP。

市场出清价格 λ(t) 实际上就是这个约束对应的拉格朗日乘子。当总注入大于零（供大于求）时，价格应该下降；当总注入小于零（供不应求）时，价格应该上升。这种价格调节机制和真实电力市场中的边际出清逻辑是一致的。

3. 分布式求解算法与Matlab实现流程

3.1 用ADMM把耦合约束解耦

把全局约束Σ_i Pex(i,t)=0放到目标函数后，增广拉格朗日函数的形式为：

L = Σ_i f_i + Σ_t λ(t) * (Σ_i Pex(i,t)) + (ρ/2) * Σ_t ||Σ_i Pex(i,t)||^2

其中 λ 是拉格朗日乘子（对应市场价格），ρ 是ADMM惩罚参数。由于增广项中包含了所有产消者的 Pex 之和，直接拆分仍然是耦合的。为了处理这一点，引入辅助变量 z(t)，令每个产消者的 Pex 都趋于一致的全局量 z(t)，于是约束变成：

Pex(i,t) - z(t) = 0, 对每个 i, t

这样增广拉格朗日函数可以按 i 拆分成 N 个独立的子问题。每个子问题只需自己的本地变量和全局变量 z、价格 λ。迭代更新步骤是：

1. 每个产消者独立求解本地子问题，得到 Pex(i,t)^{k+1}
2. 汇总所有 Pex，更新全局变量 z(t)^{k+1} = (1/N) * Σ_i Pex(i,t)^{k+1}
3. 更新价格 λ(t)^{k+1} = λ(t)^k + ρ * (z(t)^{k+1} - Pex(i,t)^{k+1})（应用中一般用平均残差形式）
4. 检查原始残差和对偶残差是否满足收敛阈值，不满足则回到步骤1

3.2 在Matlab中的总体代码架构

我在Matlab里的实现采用模块化思路，主文件负责参数初始化和迭代循环，子问题求解封装成一个函数，价格更新和残差计算单独成文件。这样的结构跑不同算例时只需要改参数，不用动算法主体。

%% main_distributed_energy_sharing.m % 多产消者非合作博弈能量共享 - 分布式ADMM求解主程序 clear; clc; close all; %% 1. 参数设置 N = 6; % 产消者数量 T = 24; % 调度周期/小时 dt = 1; % 时间步长/h rho = 0.05; % ADMM惩罚参数 max_iter = 300; % 最大迭代次数 tol = 1e-4; % 收敛精度 % 负荷数据矩阵 (N x T)，光伏数据矩阵 (N x T) % 实际使用时从Excel或mat文件读取，这里用随机示例 rng(42); Load = 0.5 + 0.3 * rand(N, T) + 0.2 * repmat(sin((1:T)/T*pi), N, 1); PV = 0.8 * max(0, sin((1:T - 6) / 18 * pi)) + 0.05 * rand(N, T); PV(PV < 0) = 0; %% 2. 初始化变量 Pex = zeros(N, T); % 净注入功率 Pch = zeros(N, T); % 储能充电功率 Pdis = zeros(N, T); % 储能放电功率 SOC = 0.3 * ones(N, T + 1); % 储能荷电状态 z = zeros(1, T); % 全局一致性变量 lambda = 0.6 * ones(1, T); % 市场价格初值 Pex_prev = zeros(N, T); % 上一轮迭代记录 %% 3. ADMM迭代 for k = 1 : max_iter % 并行求解每个产消者子问题 for i = 1 : N [Pex(i,:), Pch(i,:), Pdis(i,:), SOC(i,:)] = local_problem( ... Load(i,:), PV(i,:), lambda, rho, z, Pex(i,:), SOC(i,1)); end % 更新全局一致性变量 z = mean(Pex, 1); % 更新价格拉格朗日乘子 lambda = lambda + rho * (z - mean(Pex, 1)); % 残差计算与收敛判断 r_prim = norm(mean(Pex, 1) - z); r_dual = norm(Pex - Pex_prev, 'fro'); fprintf('Iter %3d | r_prim = %.4e | r_dual = %.4e\n', k, r_prim, r_dual); if r_prim < tol && r_dual < tol * N * T disp('ADMM converged successfully.'); break; end Pex_prev = Pex; end

3.3 本地子问题求解函数的封装

子问题求解是这套代码中最重要的部分。每个产消者接收价格信号 λ 和一致性变量 z，求解一个带储能约束的二次规划问题。我习惯用CVX工具箱建模，因为它语法直观，不容易写错约束，特别是SOC递推这种跨时段约束，CVX表达起来非常清晰。

function [Pex, Pch, Pdis, SOC] = local_problem(Load, PV, lambda, rho, z, Pex_init, SOC0) T = length(Load); Pgen = 0.3 * ones(1, T); % 微燃机/可控出力上限内自由优化 Pbuy = zeros(1, T); % 向外部电网购电 Psell = zeros(1, T); % 向外部电网售电 Pch_max = 0.15; Pdis_max = 0.15; % 充放电功率上限/kW E_max = 1.2; E_min = 0.15; % 储能容量上限/kWh eta_ch = 0.95; eta_dis = 0.9; % 充放电效率 gamma = 0.02; % 储能磨损系数 cvx_begin quiet variables Pch(1,T) Pdis(1,T) Pex(1,T) Pg(1,T) expressions E(1,T+1) E(1) = SOC0; for t = 1 : T E(t+1) = E(t) + eta_ch * Pch(t) - Pdis(t) / eta_dis; end minimize(... sum(lambda .* Pex) + ... sum((rho / 2) * (Pex - z).^2) + ... sum(0.5 * Pg.^2 + 0.02 * Pg) + ... sum(gamma * (Pch + Pdis)) + ... sum(0.1 * Pbuy) - sum(0.05 * Psell)) subject to Pg + Pdis + PV + Pex == Load + Pch; % 功率平衡 0 <= Pg <= 0.5; % 可控出力限值 0 <= Pch <= Pch_max; % 充电限值 0 <= Pdis <= Pdis_max; % 放电限值 E_min <= E <= E_max; % SOC限值 Pex >= -0.5; Pex <= 0.5; % 交互功率限值 cvx_end Pex = Pex'; Pch = Pch'; Pdis = Pdis'; SOC = E'; end

这里要注意一个细节：我在目标函数里加入了二次项 (rho/2) * (Pex - z)^2, 这是ADMM的标准操作,如果没有这一项，子问题之间缺少“软约束”，全局收敛很容易振荡。惩罚参数 rho 的值也需要根据功率量级调整，我后面会专门讲这个调参问题。

4. 仿真参数设计与实验结果解读

4.1 算例参数设置

为了验证算法的有效性，我设计了三组对比算例：

主要参数：N=6, T=24, 储能容量1.2kWh，光伏装机按夏季晴天出力曲线生成，初始SOC设为0.3，市场电价初值取0.6元/kWh，ρ=0.05，收敛阈值1e-4。

4.2 收敛过程分析

在默认参数下，ADMM约经过80～120次迭代后原始残差降至1e-4以下。收敛曲线的典型特征是前20次迭代下降非常快，价格从初值逐步朝均衡价格波动，之后进入一个缓慢精调的阶段。这里有个经验：如果 r_prim 在某个水平附近反复震荡无法下降，多半是 ρ 取值偏大；如果迭代次数超过200次还没收敛，则大概率是 ρ 偏小，价格信号调节力度不足。

三组算例的总成本对比如下：

这个结果说明了两点：一是能量共享确实能显著降低整体成本，主要原因是光伏余电在园区内部就地消纳，替代了高价的电网购电；二是分布式博弈的价格离集中式最优解还有大约2.4%的差距，这实际上就是博弈没有达到系统级最优的效率损失。这个损失不是算法问题，而是非合作博弈的本质——每个用户优先考虑自己的利益，所以总成本压不到全局最低。如果想让结果更接近集中式最优，可以通过调整交易机制（比如阶梯价格、内部补贴）诱导用户行为向系统最优靠拢。

4.3 价格收敛与负荷匹配的交互规律

我重点观察了12:00-14:00时段的价格迭代曲线，这个时候光伏出力最大，卖方竞争激烈，均衡价格被压到较低水平；而在19:00-21:00晚高峰，光伏为零，储能放电还不够，买方需求旺盛，均衡价格明显上升。这种“供大于求压价、供不应求抬价”的规律说明市场机制确实起到了信号引导作用。更有意思的是，在分布式迭代过程中，有些时段价格会出现先冲高再回落的超调现象，幅度通常不超过5%，这是典型的ADMM振荡特征，只要最终收敛，对交易结果影响不大。

5. 常见问题与排查技巧实录

5.1 本地子问题求解报错

跑代码最常见的坑是CVX报错“Problem is infeasible”。我刚开始也遇到过，排查后发现是约束之间互相冲突。最常见的情况是：功率平衡中 Pg + Pdis + PV + Pex == Load + Pch 这一行，如果负荷极小、光伏很大，而储能充电功率上限和交互功率上限同时设得很小，就会出现多余能量无处可去。解决办法：检查本地可调节资源的上下限范围，尤其是储能容量和充放电功率的匹配关系。理论上，储能充电功率上限乘以充电时间至少要能吞下光伏峰值与最小负荷的差额。

5.2 惩罚参数ρ的调参心得

ρ 的选择直接决定ADMM收敛速度和行为，也是我需要重点说的经验。设得太小，拉格朗日乘子更新步伐太慢，需要几百甚至上千次迭代才能收敛；设得太大，则一致性约束被过分强化，子问题之间的价格会来回振荡，类似于控制系统中的比例增益过大引发震荡。实际操作中，我会先把 ρ 设为1e-2量级跑一次，观察前20轮 r_prim 的衰减速率，如果衰减太慢就逐步乘以5，如果出现震荡就除以5。对以kW为功率单位、成本为元量级的模型，ρ=0.01～0.1通常是安全的。另外，ρ 取值在不同时段可以相同，实测中我没有发现逐时段独立设定带来的显著改善，反而增加了调参维度。

5.3 初始价格从多少开始比较好

初始市场价格 λ 的设定也影响收敛到的均衡点。由于这个博弈可能有多重均衡，初始价格不同可能收敛到不同的纳什均衡解。我在测试中发现，以电网购电价附近作为初值效果最好，这样迭代过程更接近实际市场的起点。如果初始价格给得太低（比如0.1），前几轮很多产消者会选择买入大量电能，导致 Pex 严重失衡，需要较长时间才能拉回来。

5.4 中文注释和编码问题

Matlab在Windows平台下读取带中文注释的脚本时，偶尔会出现乱码，这是因为文件编码和系统区域设置不一致。解决方案很简单：统一将脚本文件保存为UTF-8编码，或者在Matlab的预设项里把源文件的编码改为UTF-8。这个虽然不影响仿真结果，但对团队协作和代码维护影响很大，尤其是我这种喜欢写大段中文注释的人，遇到乱码简直能急死人。另一个办法是代码里的中文注释尽量简短，核心公式和思路用英文写清楚，用行号对应到论文里的公式，这样即使换电脑打开也不会乱。

5.5 储能SOC的静差现象

还有一种很隐蔽的问题：仿真结束后SOC曲线回不到初值。因为储能模块没有要求调度周期结束时的SOC等于初始SOC，所以系统会倾向于在电价高的时段把储能放空，导致 SOC(T) 明显低于 SOC(1)。这在长时间重复运行中会累积误差，不符合实际场景。解决办法是在模型中增加终端SOC约束，即 SOC(T+1) == SOC(1)，或者加入一个松弛量，允许SOC(T+1)与初值的偏差控制在5%以内，避免可行域太小导致求解困难。

5.6 多产消者收敛速度拖慢怎么办

当产消者数量从6增加到30，ADMM的收敛速度可能会明显变慢。这不是算法失效，而是分布式优化的通病。我实测过的经验：一是对本地子问题设置一个相对宽松的求解精度（CVX中把求解精度设为默认或略低），减少单次子问题求解时间；二是改并行计算，在Matlab中用parfor代替for循环求解各户子问题，可以显著压缩单次迭代时间；三是如果网络具有稀疏结构，不需要所有节点都和中心协调者通信，只需要相邻节点交换信息即可，但实现复杂度会高不少，对节点数超过50的大规模场景才值得投入。

6. 项目扩展方向与实际体会

代码框架稳定以后，扩展方向基本是开放的。可以加阶梯式分时电价，模拟居民峰谷电价对共享博弈的影响；可以引入电动汽车集群，把车辆到电网（V2G）的充放电行为也变成博弈中的决策变量；还可以把单层博弈扩展成主从博弈，比如微网运营商作为领导者制定价格，产消者作为跟随者调整用能，这就是另一层Stackelberg博弈研究了。我在这套Matlab框架上做过一个类比：集中式优化好比全班同学把答案汇总给老师统一批改，分布式博弈则是每个人只告诉同桌自己的分数，然后大家根据听到的分数自动调整答题策略，最后全班的平均分收敛到一个稳定水平。虽然分布式博弈算出的“平均分”不是理论上全班最高，但胜在每个人都不需要暴露自己的隐私，也更接近现实中自愿参与的微电网市场。

网格化调度中的数据通信量也是一大设计点。实际项目中如果每5分钟迭代一次，一天就需要288个调度时段，这种情况下单次迭代的通信数据量需要尽量压缩。我的做法是把每轮的 Pex 和 λ 都保存到日志文件里，离线分析通信频次和数据量瓶颈，再决定是否需要在通信拓扑上做聚类压缩。

回到最初的问题：几个装了光伏和储能的用户能不能互相卖电？这套代码给出的答案是能，而且算法上非常优雅。分布式优化的价值并不在于它比集中式算得更准，而在于它让每个参与者在保护隐私的前提下，通过局部信息交互达成全局一致的默契。如果你正打算在这个方向做实验验证，建议从6-10个节点的小算例开始，先把模型跑通，再逐步增加节点和约束复杂度。调参的时候耐心一点，尤其是ρ和收敛阈值的配合，多跑几组参数搜索，你会对博弈均衡的形成过程有非常直观的体会。