非对称纳什谈判与ADMM在多微网电能共享中的MATLAB复现实战

复现《电网技术》上那篇多微网电能共享的文献，前后花了我一周多时间。核心就一句话：把合作博弈里的非对称纳什谈判解，转成两个可解的凸优化问题，再用ADMM拆成分布式算法，MATLAB加YALMIP完全够用。这篇文章把我从读模型、推公式、写代码到调参踩坑的完整过程记录下来，给正在做微电网调度、综合能源系统优化，尤其是对博弈论应用感兴趣的研究生和工程师一个可以直接参考的复现路线。

这个策略解决的是很实际的工程问题：多个相邻微网各自有光伏、风机、储能和负荷，单独运行时要么弃电、要么高价从电网买电。如果允许微网之间通过联络线互相买卖电能，整体运行成本可以显著下降，但问题是——省下来的钱怎么分才公平？各微网凭什么愿意留在合作联盟里？非对称纳什谈判就是用来回答这个问题的。它通过谈判权重体现各微网的地位差异，既能保证总收益最大化，又能让每个参与方都分到不少于独立运行时的收益，合作联盟因此稳定。

代码层面，我一共写了七个文件，核心是主程序加一个ADMM迭代模块。你不需要一开始就追求和论文图表一模一样，先把模型搭建正确、跑出合理的成本数据，再逐步逼近文献结果，这个顺序比什么都重要。

1. 项目概述与核心思路拆解

1.1 多微网电能共享到底在优化什么

先把问题场景说清楚。假设一个区域里有三个微网，每个微网都包含分布式光伏、风机、储能系统和本地负荷。微网之间通过一条公共联络线连接，同时每个微网还能与上级配电网交换功率。传统做法是各微网独立运行，光伏大发时用不完就弃掉，晚间负荷高峰时花高电价从主网购电，储能容量又有限，整体运行费居高不下。

电能共享的思路是允许微网之间直接交易。白天光伏多的微网把剩余电量卖给缺电的微网，价格低于主网购电价，双方都有利。这个场景下要优化的两个核心变量：一是各时段微网间的交换功率计划，二是微网间电能的交易结算价格。前者决定了共享联盟的总收益上限，后者决定了收益在成员之间的分配。

这里容易被忽略的是第二层问题。很多刚开始接触的人会以为只要算出一个最优功率调度就够了，实际上功率调度只是把"蛋糕"做大了，如果没有合理的分配机制，各微网完全可以退出合作，回到独立运行状态。纳什谈判的价值恰恰在于同时解决了这两个问题：第一步求全局最优调度，第二步通过谈判确定电价，使收益分配满足所有成员的参与约束和帕累托最优性。

1.2 为什么选非对称纳什谈判而不是其他博弈方法

做多主体协同优化的博弈方法有好几个，Shapley值法、核仁法、Stackelberg主从博弈都用得不少。Shapley值法虽然分配公平性理论基础扎实，但计算复杂度随参与者数量指数增长，三个微网还好，五个以上就明显吃力。核仁法需要构造并求解一系列线性规划，实现复杂度也不低。Stackelberg主从博弈则适用于有明确领导者-跟随者关系的场景，和我们这里的平等合作关系不太匹配。

纳什谈判解最大的优点是同时满足帕累托最优、个体理性、线性变换不变性等良定义的性质，而且计算上非常友好——取对数之后可以转成凸优化问题，直接用现成求解器解决。对称纳什谈判假设所有参与者谈判能力相同，权重一样，但实际工程中不同微网的装机规模、供电可靠性要求、负荷重要性差别很大，用对称模型容易让大微网觉得吃亏，小微网又觉得分配虚高。

非对称纳什谈判引入了一个权重向量 w_i，加权后的谈判解可以灵活反映各微网的综合地位。权重怎么定，文献里有很多方式：可以按最大装机容量占比、按历史供电满意度、按对共享联盟的边际贡献度，甚至由上层调度机构直接指定。这个参数在代码里就是一个输入向量，非常适合做敏感性分析，也是复现时和文献对结果的重要抓手。

2. 数学模型与关键公式解读

2.1 单微网运行优化模型的约束体系

先把每个微网的独立运行模型写扎实。典型的多微网调度是离散时间最优潮流问题，一般取24个时段，步长1小时。决策变量包括：各时段从主网购电功率、向主网售电功率、储能充放电功率、储能SOC、与其他微网的交换功率。

微网内部的功率平衡约束是这样的：

P_ren(t) + P_bat_dch(t) + P_buy(t) + ΣP_share_in(t) = P_load(t) + P_bat_ch(t) + P_sell(t) + ΣP_share_out(t)

其中 P_ren 是风光出力，P_load 是本地负荷。两个方向都可以理解成一种广义负荷。

储能约束是另一个重点。SOC递推方程要写对，充放电功率不能同时为正（通常用互补约束或者直接限制），容量上下限要留余量。最容易被忽略的是储能一天的净充放电量约束，如果只约束SOC范围不约束日循环总量，优化器会在低价时段一直充电、高价时段放个精光，得到的结果在实际工程中不可行。文献里一般会加一个SOC首末相等约束。

每个微网与主网交互的功率上限、与其他微网交换功率的联络线容量上限，都是简单的不等式约束。但这个问题的难点不在单个微网，而在微网之间的耦合——微网A送出1kW的电，微网B必须恰好收到1kW，这需要在模型中显式建模。

2.2 非对称纳什谈判模型的构建方式

非对称纳什谈判解的一般形式是最大化加权乘积：

maximize Π_i (U_i - U_i^0)^(w_i)

其中 U_i 是微网i参与合作后的效用，U_i^0 是谈判破裂点（disagreement point），也就是不合作时独立运行能获得的效用，w_i 是谈判权重且满足 Σw_i = 1。

在多微网电能共享问题里，效用通常定义成运行成本的节省额。设 C_i^ind 为微网i独立运行时的最小成本，C_i^coop 为参与共享后的运行成本，则 U_i = C_i^ind - C_i^coop。谈判破裂点 U_i^0 = 0，意味着参与合作至少要保证不比独立运行差——这是个体理性约束。

直接求乘积在数值上不好处理，但对数函数是严格单调的，所以等价于最大化加权对数和：

maximize Σ_i w_i · ln(C_i^ind - C_i^coop)

这个目标函数形式优美且是凹的，配合线性约束后就是一个标准的凸优化问题，YALMIP可以直接建模。

需要特别留意的是，U_i 中包含了与其他微网交易产生的费用项，即电价与交换功率的乘积。这就是谈判问题中真正要决定的变量——功率在技术约束下已经确定，电价是纯分配工具。

2.3 为什么可以拆成两个阶段求解

这是文献复现最容易被绕晕的地方。纳什谈判解有一个重要性质：谈判结果一定落在帕累托前沿上。也就是说，任何谈判解都首先必须是全局最优解，蛋糕先得做到最大，才谈得上怎么分。这保证了求解过程可以分成两个阶段，而不会偏离纳什谈判解。

第一阶段求解联盟总成本最小化问题，得到一个全局最优的功率调度计划，包括所有微网的充放电、购售电以及彼此间的交换功率。这个阶段的模型就是常规的多微网联合调度，目标函数是总运行成本最小，耦合约束是交换功率一致性。

第二阶段固定第一阶段的功率调度结果，把这些交换功率作为已知参数，引入微网间的交易电价作为新决策变量，最大化加权对数收益和。这时约束只剩线性等式和不等式，目标函数关于电价是凹的，依然是一个凸优化问题。

两个阶段都用凸优化求解，这给了代码实现很大的便利。你不需要设计复杂的迭代算法去解纳什乘积，只要分别调两次求解器就行。ADMM在这里的作用是实现第一阶段时的分布式求解——每个微网可以自己算自己的局部模型，只交换相邻边界信息，而不是把全部模型扔给中央求解器。

3. MATLAB代码实现全流程

3.1 程序架构与文件组织

我的复现代码按功能分成七个文件，结构如下：

• main.m：主程序，定义案例参数，依次调用两个阶段的求解
• data_gen.m：生成光伏、风机、负荷功率曲线，以及电价参数
• mg_base_model.m：单个微网的本地约束和成本函数模板
• stage1_centralized.m：集中式联合调度求解（验证用）
• stage1_admm.m：ADMM分布式联合调度求解
• stage2_nash.m：第二阶段谈判价格求解
• plot_result.m：结果可视化

把集中式和分布式都写出来有一个好处：先用集中式求解验证模型的正确性，再跑ADMM结果，两者做差对比。如果分布式结果和集中式一致（误差在10的负4次方以内），说明分解逻辑没写错；如果对不上，那问题几乎肯定出在ADMM的耦合变量方向或者乘子更新符号上。

数据生成单独做一个文件是强烈建议。微网仿真最耗时的往往不是求解，而是调整曲线形状去匹配文献结果。把数据生成独立出来，换案例时只需要改data_gen.m，不用动求解逻辑。

3.2 用YALMIP建模核心决策变量与目标函数

我用的环境是MATLAB R2023a加YALMIP，求解器选的Gurobi。YALMIP的建模方式非常直观，以第一阶段集中式模型为例，核心代码框架如下：

% 决策变量定义 P_buy = sdpvar(n_mg, n_time); % 从主网购电 P_sell = sdpvar(n_mg, n_time); % 向主网售电 P_bat = sdpvar(n_mg, n_time); % 储能放电为正 SOC = sdpvar(n_mg, n_time); % 储能荷电状态 P_share = sdpvar(n_mg, n_mg, n_time); % 微网间交换功率 % 约束条件 Constraints = []; for i = 1:n_mg for t = 1:n_time % 功率平衡约束 Constraints = [Constraints, ... P_res(i,t) + P_bat(i,t) + P_buy(i,t) + sum(P_share(:,i,t)) == ... P_load(i,t) + P_sell(i,t) + sum(P_share(i,:,t))]; end % 储能SOC递推与边界约束 Constraints = [Constraints, ... SOC(i,2:n_time) == SOC(i,1:n_time-1) + ... (P_bat(i,2:n_time)*eta_ch - P_bat(i,1:n_time-1)/eta_dch) / cap(i)]; Constraints = [Constraints, SOC(i,:) >= 0.2, SOC(i,:) <= 0.9]; Constraints = [Constraints, SOC(i,1) == SOC(i,end)]; % 日循环约束 end % 联络线功率一致性约束和容量约束 for i = 1:n_mg for j = 1:n_mg if i ~= j Constraints = [Constraints, P_share(i,j,:) == -P_share(j,i,:)]; Constraints = [Constraints, P_share(i,j,:) <= P_line_max(i,j)]; end end end % 目标函数：总运行成本最小 obj = sum(sum(c_buy .* P_buy - c_sell .* P_sell)); optimize(Constraints, obj, sdpsettings('solver','gurobi'));

有几个细节容易踩坑。P_share(i,j,t) 的符号定义必须一致——我统一用正数表示从i流向j，那么约束里就必须同时加上 P_share(i,j,:) == -P_share(j,i,:)，否则会出现两个方向都在"分享"功率的荒谬结果。储能效率系数 eta_ch 和 eta_dch 是分开的，别图省事设成同一个值，这会让SOC递推出现耗散偏差。

3.3 ADMM分布式求解的核心迭代逻辑

第二阶段相对直接，反而是第一阶段的ADMM实现需要多说几句。ADMM解决的是耦合约束带来的求解困难：每个微网的优化问题本来是独立的，但交换功率 P_share(i,j) 把不同微网的目标函数和约束绑在一起。ADMM的思路是引入辅助变量 Z(i,j)，把约束 P_share(i,j) = Z(i,j) 松弛进目标函数，加上拉格朗日乘子和二次惩罚项。

迭代主循环的伪代码逻辑如下：

% 初始化 lambda = zeros(n_mg, n_mg, n_time); Z = zeros(n_mg, n_mg, n_time); rho = 0.05; for k = 1:max_iter % 子问题求解：各微网并行更新自己的P_share for i = 1:n_mg P_share(i,:,:) = local_solve(i, Z, lambda, rho); end % 更新辅助变量 Z（取两端平均） for i = 1:n_mg for j = 1:n_mg Z(i,j,:) = 0.5 * (P_share(i,j,:) - P_share(j,i,:)); end end % 更新对偶变量 lambda = lambda + rho * (P_share - Z); % 收敛判断 r_prim = norm(P_share(:) - Z(:), inf); r_dual = norm(Z(:) - Z_prev(:), inf); if max(r_prim, r_dual) < 1e-4 break; end end

这个流程里最关键的是Z的更新公式。很多复现失败的案例就栽在这里：直接令 Z = P_share 的算术平均而不是考虑方向性。由于 P_share(i,j) 和 P_share(j,i) 互为相反数，Z(i,j) 应该取这两者的平均值，也就是 0.5*(P_share(i,j) - P_share(j,i))。这一步保证了收敛后两条联络线上传递的功率是真实一致的。

惩罚参数 rho 的经验值是0.01到0.1之间。太小了收敛速度慢，太大了虽然迭代次数少但解偏离原问题的精度差，实际测试中我见过 rho=100 时3次迭代就"假收敛"的情况，检查发现交换功率还在振荡。稳妥做法是先设0.05，画出原始残差和对偶残差的下降曲线，如果衰减不顺滑就调整数量级。

第二阶段的纳什谈判求解在代码上更简洁。固定第一阶段的 P_share 数值后，引入交易电价变量 price，构造每个微网的收益表达式然后取对数：

% 第二阶段：非对称纳什谈判定价 price = sdpvar(n_mg, n_mg, n_time); U = zeros(n_mg, 1); for i = 1:n_mg % 成本包含本地运行、主网交互、微网间交易 C_coop = sum(sum(c_buy .* P_buy(i,:))) + sum(sum(price(i,:,:) .* P_share(i,:,:))); U(i) = C_ind(i) - C_coop; end % 目标：加权对数收益最大化 obj_nash = -sum(w .* log(U - 1e-6)); % 取负转为最小化 optimize(Constraints, obj_nash, sdpsettings('solver','gurobi'));

对数函数的定义域要求 U_i 严格大于0，所以在目标函数里加上一个小的正数（比如1e-6）避免数值边界。如果求解时出现U接近0甚至为负的情况，先回头检查第一阶段的调度结果——大概率是合作后的成本并不低于独立运行成本，也就是联盟本身没有创造正收益。

3.4 结果可视化与复现正确性验证

可视化部分我一般画三组图。第一组是所有微网的功率曲线堆叠图，横轴24小时，纵轴功率，阴影区分充放电和购售电，看功率平衡是否自洽。第二组是三种运行模式的成本对比柱状图：独立运行、集中式合作、ADMM分布式合作，直接验证合作带来的成本节省。第三组是各微网的收益分配饼图，配合权重向量一起看，能直观判断分配是否与权重一致。

光看图不够，还要做定量验证。文献复现时我习惯列出三组关键指标：合作后总成本节约比例、各微网收益占比与权重占比的比值、ADMM结果与集中式结果的目标函数偏差。这三个数据能快速定位模型或代码的问题所在。

图提取也是个实用技巧。如果文献没有直接提供负荷和光伏的原始数据，可以用数字提取工具从论文图片里取曲线数据，精度虽然不如原始数据，但用于验证曲线趋势和成本量级是够的。取的时候要注意纵轴刻度，最好选带坐标网格的论文图，误差会小很多。

4. 文献复现中的避坑指南与调试技巧

4.1 复现结果与论文对不上的常见原因分析

论文复现最让人头疼的就是结果差异。我的经验是先用排除法锁定问题层次。如果成本差一个数量级，九成是单位不统一——比如文献用的是kW和MWh，你代码里写成了MW和MWh，或者电价单位一个用元/kWh一个用元/MWh。这类问题很难肉眼发现，我建议在data_gen.m里直接统一单位并在注释中标明推导过程，减少出错概率。

如果成本差异在百分之十到三十之间，最可能是负荷曲线和风光出力曲线不一致。文献只给了典型日曲线图片，没有完整数据表，这种情况下取数误差会直接影响结果。对策是先复现文献的独立运行成本，如果独立运行成本都对不上，合作场景更没法比。独立运行是谈判破裂点，后续所有收益节省都是相对它计算的，这个值不准整个模型都会漂移。

还有一类隐蔽问题来自储能参数。文献里的储能初始SOC、充放电效率、容量配置如果没写全，很多人会习惯性地用默认值，结果就是优化器把储能当成了"免费银行"，导致合作成本虚低。遇到这种情况，建议先用能量平衡的视角检查：储能日充电总量和放电总量是否匹配，SOC是否在合理范围内波动。

4.2 求解器选型与数值稳定性调整

求解器这块我踩过一些坑，专门说一下。YALMIP可以接的求解器很多，内置的sedumi和sdpt3偏内点法，处理几万个变量的小规模问题时速度尚可，但收敛性和数值稳定性不如商业求解器。我推荐Gurobi或CPLEX，两者对线性规划和二次规划的支持都很好，而且可以在迭代循环中重复调用，每次调用之间的模型参数更新很灵活。

用Gurobi时需要注意一个细节：在ADMM循环里，目标函数中的二次惩罚项系数 rho/2 会乘以 ||P_share - Z + lambda/rho||^2 这样的项。如果变量量级是几千kW，rho又是0.1，惩罚项的数值会达到几十万，目标函数各分量之间量级失衡时，求解器的数值稳定性会变差。解决办法是尽量让功率以100kW或者MW为单位参与计算，让决策变量数值落在1到100的范围，比用kW时动辄上千要稳得多。

MATLAB自带quadprog其实也能解ADMM子问题，但它在每次迭代都要重新构建matrices，循环几百次之后性能开销很大。YALMIP尽管建模灵活，反复调用时也有一些setup时间。如果追求极致性能，可以用MEX接口直接调Gurobi的C API，不过对复现文献来说完全没必要，模型规模一般都在几百个变量以内，YALMIP的封装开销可以忽略不计。

4.3 收敛参数调优与初始化经验

ADMM收敛调参是我这次复现花时间最多的地方。我记录一下调试过程供参考。最开始我用 rho=0.5，前几次迭代残差下降很快，但到第15次左右开始在小范围内振荡，怎么也突破不了设定的1e-4阈值。后来把rho调到0.01，振荡消失，但收敛速度又太慢，需要80多次迭代。

最终的处理方式是把rho从0.5到0.01做一次粗扫描，每次跑30步看残差曲线斜率。我在这类三微网24时段问题上的经验值是0.02到0.08之间容易获得平滑收敛。另外，动态调整rho的策略也行——残差衰减快就维持，衰减停滞就按比例增大rho，类似信任域方法的思想，不过调起来需要多写几行判断逻辑。

初始化的重要性很多人会忽略。我测试过两种启动方式：一种是把Z和lambda全部设零，另一种是用独立运行时的P_share作为初始值。结果后者在第一轮迭代就产生了一个很大的原始残差，反而多花了几轮才收敛回来。原因是最初的交换功率被赋予了物理意义，而优化器需要逆转这个过程。直接零初始化是最稳的，别画蛇添足。

4.4 常见问题速查表

5. 常见问题与调试实录

5.1 ADMM迭代振荡的完整排查案例

我在调参时遇到过一个有意思的案例，写出来给大家参考。第一次写ADMM时，我用了 P_share(i,j,:) == -P_share(j,i,:) 来约束方向，但遗漏了Z的更新公式，直接写了 Z = P_share。结果前10次迭代一切正常，目标函数也在下降，但从第12次开始交换功率在两个微网之间来回跳，今天A向B送，明天B向A送，功率曲线呈锯齿状。

排查时我打印了P_share和Z的矩阵，发现两者不相等但残差又很小——因为Z取的是同一份P_share，原始残差当然趋近于零。真正的错误在物理意义上：A送出100kW给B，B同时也送出100kW给A，模型认为"共享"达成了，实际是两条方向相反送电的荒谬情况。修正Z的更新公式后，问题彻底消失。

这个案例说明了一个通用原则：ADMM的辅助变量更新不是随意取的，它要保证耦合约束在物理意义上成立。遇到迭代看似收敛但结果异常的情况，先检查辅助变量的物理含义，再回头看公式。

5.2 第二阶段的权重敏感性分析

非对称纳什谈判相比对称模型最大的优势就是权重可调。代码跑通后我专门做了权重敏感性分析，把三个微网的权重从均分变为(0.5, 0.3, 0.2)，观察收益分配和功率计划的变化。

有趣的发现是：功率调度计划几乎不变，因为第一阶段的目标函数不含权重，帕累托前沿位置只取决于物理约束和成本参数。但收益分配变化显著，权重大的微网在谈判中获得的价格更有利，其分摊的成本下降更多。这说明权重只影响蛋糕分配，不影响蛋糕大小，和纳什谈判解的理论性质完全吻合。

这个结论对工程应用很有意义。调度机构可以通过调整权重来实现政策目标，比如扶持可再生能源比例高的微网，或者向供电可靠性要求高的用户倾斜，而不会破坏整体运行的经济性。复现这类文献时，做一次权重敏感性分析能大幅加深对模型的理解，也往往是论文图表中应该有的部分。

5.3 从单微网模型到多微网ADMM的渐进调试方法

最后分享一个我强烈推荐的调试策略，叫"由简到繁渐进式验证"。第一步，先只写一个微网的模型，验证功率平衡、储能约束和成本计算是否正确。第二步，把两个微网用固定交换功率连接起来（不是优化的变量，而是常数），并把主网交互功率纳入模型，确保多微网的功率平衡能闭合。第三步，才把交换功率变成优化变量，跑集中式联合调度。第四步，再换成ADMM分布式求解框架。

每一步的结果都可以和上一步对比。第二步到第三步的差值代表共享功率优化带来的增量收益，应该反映真实的共享经济性；第三步到第四步的差值代表ADMM分解的数值误差，应该在10的负2次方以下。我见过很多人一上来就写完整的多微网ADMM，出问题时根本不知道是模型错了还是算法错了。渐进式验证虽然看似多花时间，实际上总调试时间是最少的。

我个人在实际操作中的体会是，复现这种博弈优化文献，最大的障碍往往不是博弈论概念有多难，而是模型翻译成代码过程中的"符号灾难"——方向、符号、单位、索引，任何一个错了结果都会离谱。写代码时把每个约束的物理含义用注释写清楚，遇到问题先从最简单的场景验证，比反复调试大而全的程序高效得多。另外也建议把数据分析、模型求解、结果绘图三个模块解耦，这样换案例调参数时，完全不用动优化部分，省下的时间足够再做几组敏感性分析。