企业官网建设流程全解析

需求侧电能共享这个方向，我陆陆续续做了快两年。去年接手一个社区微电网项目，10户家庭的光伏加储能，一开始我照着经典统一出清价格模型做交易策略，结果居民根本不买账，上报的用电意愿、共享意愿全是应付了事。后来我把"价值认同"这个因素直接写进优化目标里重建模型，共享率从43%拉到接近70%。这篇就是那个项目的完整复盘：基于价值认同的需求侧电能共享分布式交易策略，包括数学模型怎么搭、分布式求解怎么设计，以及整套Matlab代码实现的关键细节。你可以把它当一份可参考的项目笔记来看，适合正在做P2P电能交易、分布式优化、或者准备写Matlab代码复现同类策略的同学。

1. 需求侧电能共享为什么绕不开"价值认同"——项目初衷与问题拆解

1.1 传统统一电价模型在用户侧失效的三个迹象

很多人一提到电能共享，第一反应就是"把用户负荷加总，按统一出清价做经济调度"。这个思路在传统电力市场里行得通，因为批发侧的参与者基本是同质化的理性人，大家关心的就是成本最低。可一旦场景切到需求侧、切到社区微电网，这套假设就开始崩。

我先说我实测遇到的三个迹象。

第一，峰时段的统一电价根本调不动用户行为。我最早那版策略给每户设了分时电价，希望用户主动把洗衣机、充电桩挪到光伏出力高峰。结果数据显示，只有30%的用户真的调整了，其余人要么没看测算报告，要么看了觉得"省那几块钱不值得"。这说明需求侧用户不是按价格信号做最优响应的。

第二，有相当一部分用户对电能来源有明确偏好。我在项目里做过一次访谈，超过一半的用户说"如果邻居家屋顶的光伏余电能分给自己用，我愿意多付一点钱"，但他们同时也强调"更希望和熟悉的、理念一致的邻居共享，而不是和小区里那个出租房的租户共享"。这个诉求在统一电价模型里完全无法表达，因为统一出清只看总量，不看交易对象是谁。

第三，共享平台的信任机制是真实存在的门槛。有些户主愿意参与共享，但担心"卖电给对方之后，电费算不清、扯皮"。这说明交易策略如果不考虑参与者之间的认同关系和结算规则，只在数学上追求系统最优，实际部署时就是一张废纸。

1.2 价值认同的落地定义：共享效用函数的构造思路

"价值认同"听起来像社会学词汇，但落到模型里必须变成一个可计算、可更新的量。我在项目里做了这样一个定义：价值认同是一个用户对另一个用户（或对某一类电能来源）的主观偏好程度，表现为用户在交易匹配时愿意让渡多少经济利益来换取心理收益。

具体落地分三步。

第一步，给每个用户设立一个共享偏好指数，记为 (\lambda_i)。这个指数可以基于用户自己申报的绿色偏好、社会信任得分、历史参与度来初始化。项目里我用的是1~5的分值，初始化时通过问卷得到，后续由实际成交频率动态修正。

第二步，把偏好指数转化成交易匹配的"认同权重"。我采用了交流匹配的思路，即两个用户之间如果偏好接近，它们之间更容易形成交易共识。在效用函数里，这部分表现为一个与交易电量有关的附加收益项。

第三步，用权重去影响优化目标，但不影响物理约束。也就是说，价值认同不会改变电网功率平衡，只会改变交易撮合的方向和成交电量分配，最终体现为不同用户获得的结算收益不同。

这套构造思路解决了两个问题：一是让模型能表达"谁愿意和谁交易"这种非价格信息；二是让优化目标从单纯的"总成本最小"变成"大家认可度更高的交易方案"。后者对分布式交易的可接受度至关重要。

2. 交易模型设计：从"价格接受者"到"偏好表达者"

2.1 以用户主观效用为核心的目标函数

传统模型把用户当成价格接受者，目标函数是系统总购电成本最小。我改成以用户主观效用最大化为目标，每个用户在共享网络里既是买方也是卖方，都有自己的效用函数。

单个用户的效用函数我拆成三部分：

[ U_i = U_{load,i} + U_{pv,i} + U_{share,i} ]

其中 (U_{load,i}) 是用电满意度项，采用二次效用函数：

[ U_{load,i} = a_i L_i - \frac{b_i}{2} L_i^2 ]

这个形式在电力需求响应文献里很常见，它表达的是"用电越多越爽，但边际效用递减"，(a_i, b_i) 是用户特有的参数，用来区分不同用电弹性。

(U_{pv,i}) 是光伏自消纳收益项，表示用户把自家屋顶光伏发的电优先给自己用带来的收益。

关键是第三项 (U_{share,i}) 共享认同收益项：

[ U_{share,i} = \sum_{j \in N_i} \omega_{ij} q_{ij} - c_i q_{ij}^2 ]

这里 (q_{ij}) 是用户i向邻居j购买或出售的电量，(\omega_{ij}) 是价值认同权重，由两个用户的偏好指数共同决定。我项目里取：

[ \omega_{ij} = \lambda_i \times \lambda_j \times \eta_{ij} ]

(\eta_{ij}) 是用户之间的历史信任系数，初始为1，每次正常结算后加一个小增幅，发生违约则清零并给一个惩罚系数。减掉的 (c_i q_{ij}^2) 是交易成本项，让用户不会无限度地增加共享电量。

这就是"价值认同"进入目标函数的核心位置：它让用户在决定共享多少电量时，不只看价格差，还会看交易对象是谁。

2.2 物理与网络约束：怎么把共享模型压到可解范围

目标函数再花哨，约束条件建错了，分布式算法跑起来必然发散。我的约束分成三层。

第一层是功率平衡约束。每个用户任意时刻满足：

[ L_i + S_i^{charge} + \sum_{j} q_{ij}^{out} = P_i^{pv} + S_i^{discharge} + \sum_{j} q_{ij}^{in} ]

左边是负荷加上储能充电加上卖给邻居的电，右边是光伏出力加上储能放电加上从邻居买的电。这里 (q_{ij}^{out}) 和 (q_{ij}^{in}) 分别表示流出和流入的电量，实际建模中同一个交易对上只会有一个方向非零。

第二层是储能约束。包括充电功率上限、放电功率上限、SOC（荷电状态）上下限，以及一个周期始末SOC保持一致的条件。储能是这个模型里比较难处理的部分，因为时间耦合会导致分布式分解变复杂。我的处理方式是引入一个辅助变量，让储能调度在每个用户的局部子问题里独立优化，交易层只交换净交易量，不直接干预储能内部逻辑。

第三层是网络约束。严格来说，社区微电网需要考虑线路容量和电压约束。我项目里10户的规模正好在一个低压馈线段内，线路容量约束不紧，所以我先做了简化处理，用网络传输损耗系数近似，把损耗按比例分摊到每笔交易里。如果你做更大规模的配网，这里必须换成Distflow潮流约束，但那样分布式求解会更复杂。

2.3 交易量与内部结算价格的协商规则

分布式交易和集中调度最大的区别在于结算价格不是全局统一的，而是通过用户之间协商"谈"出来的。

我的做法是把每笔交易对 ((i,j)) 的内部结算价格设为一个影子价格，它不预先给定，而是随着迭代更新。在每一轮迭代里，用户根据对方报出的交易电量和价格，计算出自己边际效用增量，然后决定下一轮是否增加或减少交易量。这个过程很像ADMM里的对偶上升，但物理含义被解释为"用户之间的讨价还价"。

内部结算价的更新规则我写成：

[ p_{ij}^{k+1} = p_{ij}^{k} + \rho (q_{ij}^{i,k} - q_{ij}^{j,k}) ]

也就是说，如果本轮两个用户对同一笔交易量报出的数额不一致，价格就会朝减少偏差的方向更新。迭代收敛之后，每个交易对上的买卖意愿一致，结算价格也稳定下来，这套协商规则就从数学迭代变成了一个有实际意义的市场出清过程。

3. 分布式求解框架：ADMM迭代与隐私保护的取舍

3.1 为什么不选集中式优化

从工程角度看，集中式优化把所有的光伏出力、负荷、储能数据都收到一个中央计算节点，求出全局最优解再下发指令，这个方案有两个致命问题。

第一个是隐私。需求侧用户的负荷曲线就是生活习惯的映射，几点做饭、几点开空调、晚上家里是否有老人，全都暴露在数据里。项目里我做了预调研，超过半数用户明确反对把15分钟精度的负荷数据交给物业或第三方平台。因此任何需要汇总原始数据的集中式策略，落地阻力都很大。

第二个是可扩展性差。如果从10户扩展到100户甚至一个园区，集中式优化的决策变量数量和约束规模会爆炸式增长，求解一次的时间越来越长。而且系统里任何一户离线或设备故障，中央求解器就要整体重算。

分布式求解通过把大问题切成小问题，让每个用户只优化自己的变量、只和邻居交换有限信息，从机制上绕开了这两道坎。

3.2 ADMM的分解逻辑与迭代更新公式

我在项目里用的是交替方向乘子法（ADMM）。它的核心思想是：把原本耦合的全局问题，通过引入一致性约束，拆成若干个可并行求解的局部子问题，再用拉格朗日对偶变量把它们"拉"回一致。

对于电能共享问题，我构造的全局问题形式是：

[ \min \sum_i U_i(x_i) ]

约束包括每个用户自己的功率平衡，以及交易对上的耦合约束 (q_{ij}^{i} = q_{ij}^{j})。这里的耦合约束表达的是：用户i声称卖给用户j的电量，必须等于用户j声称从用户i买到的电量。

引入对偶变量 (y_{ij}) 和惩罚系数 (\rho) 后，每个用户的局部子问题变成：

[ \min U_i(x_i) + \sum_{j} y_{ij} q_{ij}^{i} + \frac{\rho}{2} \sum_{j} (q_{ij}^{i} - q_{ij}^{j,k})^2 ]

用户i在迭代第k+1轮时，只需要知道邻居j上一轮的 (q_{ij}^{j,k}) 和当前的对偶变量 (y_{ij})，不需要任何其他私有数据。求解完局部问题，把新的 (q_{ij}^{i,k+1}) 发送给邻居，然后等邻居同样更新后，再更新对偶变量：

[ y_{ij}^{k+1} = y_{ij}^{k} + \rho (q_{ij}^{i,k+1} - q_{ij}^{j,k+1}) ]

这个分布式结构非常干净。每个用户实际上只和一个很小的邻居集合发生数据交换，而且交换的内容只有交易电量和影子价格，不含负荷、光伏、储能等原始信息。

3.3 收敛性判断与惩罚参数选型

ADMM理论上有全局收敛性保证，但前提是目标函数是凸的。而我加入价值认同项之后，(\omega_{ij} q_{ij}) 是线性的，交易成本项是二次凸函数，所以整体子问题仍然是凸的——这是个关键设计，我在建模时特意避免了任何非凸项。

实际迭代中，我用两套条件判断收敛：

第一是原始残差：

[ r^{k} = \sqrt{\sum_{i,j} (q_{ij}^{i,k} - q_{ij}^{j,k})^2} ]

第二是对偶残差：

[ s^{k} = \rho \sqrt{\sum_{i,j} (q_{ij}^{i,k} - q_{ij}^{i,k-1})^2} ]

当 (r^k < \epsilon_{tol}) 且 (s^k < \epsilon_{tol}) 时判定收敛。项目里 (\epsilon_{tol}) 取的是相对值，即 (10^{-4}) 乘以交易量规模。

(\rho) 的选择我踩了不少坑。(\rho) 太小，收敛速度慢，可能十几分钟都不收敛；(\rho) 太大，收敛快但解的精度差。我最终采用动态调整策略：前50轮用固定的 (\rho=1)，之后每50轮检查一次原始残差和对偶残差的比值，如果 (r/s > 10)，就把 (\rho) 乘以2；反过来如果 (s/r > 10)，就把 (\rho) 除以2。这个策略在多个随机场景里都能在80~150轮内收敛。

4. Matlab代码实现：整体架构与关键模块

4.1 代码分层与数据结构设计

很多复现分布式算法的Matlab代码写成一坨主脚本，变量满天飞，改一个参数要翻半天。我做这个项目时把代码结构分成四层，每一层职责清晰：

• 数据层：存放用户参数、光伏出力序列、负荷序列、偏好指数；
• 模型层：定义每个用户的局部目标函数与约束；
• 求解层：实现ADMM迭代主循环，协调用户之间的信息交换；
• 展示层：输出收敛曲线、共享电量、结算价格与图表。

目录结构大概是：

demand_side_sharing/ ├── main.m ├── config/ │ └── load_scenario.m ├── data/ │ ├── pv_curves.csv │ ├── load_curves.csv │ └── user_params.xlsx ├── model/ │ ├── build_user_model.m │ ├── eval_utility.m │ └── user_power_balance.m ├── solver/ │ ├── admm_main_loop.m │ ├── update_local_vars.m │ └── update_dual_vars.m └── plot/ └── plot_results.m

4.2 用 struct 和 cell 组织用户与邻居关系

用户数据结构我用 struct 数组，每个元素对应一个用户。这样做的优点是字段名可读性强，迭代时直接用users(i).p_pv访问光伏出力，比一堆散落的矩阵变量清晰得多。

users = struct([]); for i = 1:N_user users(i).id = i; users(i).lambda = lambda0(i); % 价值认同偏好指数 users(i).p_pv = pv_profile(:, i); % T x 1 光伏出力序列 users(i).p_load = load_profile(:, i); % T x 1 负荷序列 users(i).soc0 = 0.3; % 初始荷电状态 users(i).cap_bat = bat_capacity(i); % 储能容量 kWh users(i).q_out = zeros(T, N_user); % 输出到各个邻居的电量 users(i).q_in = zeros(T, N_user); % 从各个邻居买入的电量 users(i).neighbors = find(adj_matrix(i, :) > 0); end

adj_matrix是邻接矩阵，表示哪些用户之间允许交易。这里要说明：我不要求全网连通，只要求存在一条交易链路即可，因此ADMM计算时每个用户只需要关心自己的neighbors字段。

4.3 ADMM迭代主循环的Matlab实现

主循环是整个代码的心脏。我给出一个简化但可运行的核心骨架。

% 初始化对偶变量和辅助变量 dual_price = zeros(T, N_user, N_user); q_pre = zeros(T, N_user, N_user); for k = 1:max_iter % 第一步：每个用户并行求解局部子问题 for i = 1:N_user for j = users(i).neighbors' [q_out_new(i,j,:), q_in_new(i,j,:)] = solve_local_problem(users(i), dual_price(:,i,j), q_broadcasted(:,i,j), rho); end end % 第二步：广播本轮交易量给邻居 for i = 1:N_user for j = users(i).neighbors' q_broadcasted(:,i,j) = squeeze(q_out_new(i,j,:)); q_broadcasted(:,j,i) = squeeze(q_in_new(i,j,:)); end end % 第三步：更新对偶变量 for i = 1:N_user for j = users(i).neighbors' dual_price(:,i,j) = dual_price(:,i,j) + rho * (q_broadcasted(:,i,j) - q_broadcasted(:,j,i)); end end % 第四步：计算残差并检查收敛 r_prim = norm(q_broadcasted - permute(q_broadcasted, [2 1 3]), 'fro'); s_dual = rho * norm(q_broadcasted - q_pre, 'fro'); if r_prim < tol && s_dual < tol break; end q_pre = q_broadcasted; end

实际项目中solve_local_problem是用YALMIP调CPLEX求解的，因为带储能约束的局部问题是一个二次规划，手写KKT条件太繁琐。如果你没有YALMIP，也可以用Matlab自带的quadprog，需要在每个时间步构造Hessian矩阵，稍微麻烦但可行。

4.4 向量化加速与内存优化技巧

ADMM迭代存在明显的性能瓶颈，特别是在时序维度展开之后。如果做24小时、每15分钟一个点，T就是96个时段，交易变量就有96×N×N个。我经验里三个优化最见效：

第一，尽量把时间维度向量化。局部子问题里储能约束的SOC递推关系是时间耦合的，无法完全向量化，但交易量部分可以。我把每个交易对的96个时段当成一个向量整体处理，避免在循环里逐时求解。

第二，用稀疏矩阵存对偶变量。dual_price在初始化时就用zeros的话，N=30的时候就已经不小了。改成sparse或者先把邻接关系提取成数组，再按边存储，内存占用可以降低一个数量级。

第三，关闭不必要的输出。Matlab的disp、plot在循环里会拖慢速度。我在迭代循环里只保留每50轮输出一次残差信息，其他全部注释。

if mod(k, 50) == 0 fprintf('Iter %d, prim_res = %.6f, dual_res = %.6f\n', k, r_prim, s_dual); end

5. 算例验证与调试实录：10节点社区的实测结果

5.1 测试场景与参数设置

我在一个10户的光伏社区场景上做了完整验证。每户屋顶光伏容量3~8kW，储能容量5~10kWh，负荷曲线来自夏季实测数据。价值认同偏好指数 (\lambda_i) 初始化为1~5的随机值，但保持整体均值控制在3附近，避免某个高偏好用户垄断交易。

5.2 迭代收敛过程与交易结果分析

实测下来，所有随机场景里ADMM都在110~160轮之内收敛，没有出现300轮不收敛的情况。收敛曲线呈现出典型的两阶段特征：前40轮残差下降非常快，大约能下降两个数量级；之后进入慢速收敛阶段，每20轮大约下降一个数量级。这也是ADMM的普遍行为，不用觉得奇怪。

最终共享率定义为"总共享电量 / 总可共享发电量"。加入价值认同权重后，共享率从统一出价模型的43.2%提升到68.5%，提升幅度超过25个百分点。更重要的是，交易对象的分布出现了明显的"价值认同聚类"：偏好指数相近的用户之间成交电量，占全部共享电量的71%，说明认同权重确实在引导交易匹配，而不仅仅是数值上的摆设。

结算价格方面，用户之间的内部价并不完全一致。高偏好用户愿意为绿色共享支付略高的价格，平均结算价比系统边际成本高约8%；低偏好用户则倾向和低成本邻居交易，平均结算价低约5%。这个价差正是价值认同信号的直接体现。

5.3 调试过程中踩过的典型坑

这一节记录几个我实际踩过、且可能很多人也会踩的坑。

第一个坑是 (\rho) 固定不变时ADMM振荡。我用固定 (\rho=0.3) 跑某一场景，残差曲线在某个值附近来回震荡，最大迭代到300轮也没有收敛。原因是初始 (\rho) 相对于目标函数里的二次项系数来说太小，对偶变量更新幅度过大。改用动态 (\rho) 之后，振荡问题消失。

第二个坑是储能SOC耦合导致局部子问题求解过慢。一开始我把96个时间段的储能递推约束全部展开后丢给CPLEX求解，结果局部问题单次求解要58秒，一次完整迭代需要近10分钟。后来我改用滚动时域近似的思路，把储能SOC约束按早中晚三个时段分别处理，虽然损失了少量最优性，但单次求解降到1.5秒，整个算例从"跑不完"变成"3分钟出结果"。

第三个坑是Matlab数据维度混乱。q_broadcasted是三维数组，我一开始用了squeeze处理不当，导致部分交易对的电量在拼接时维度错位。调试了整整半天，最后是靠逐步打印每个维度的size才定位到。强烈建议在代码里加入尺寸断言：

assert(size(q_broadcasted, 1) == T, '维度错误：时间维长度不匹配'); assert(size(q_broadcasted, 2) == N_user, '维度错误：用户维长度不匹配');

6. 从算例到落地：推广价值与后续扩展方向

6.1 价值认同机制对共享率与用户满意度的实际提升

项目复盘时我重点对比了三类场景：无共享（各户独立）、统一电价共享、价值认同共享。结果：

• 无共享场景：整个社区从电网购电总量最多，光伏余电全部上网；
• 统一电价共享：共享率43.2%，但交易集中在少数价格优势用户之间，低偏好用户参与度低；
• 价值认同共享：共享率68.5%，同时参与用户覆盖面达到100%，每一户都至少完成了一笔交易。

用户满意度问卷中，价值认同场景下"愿意继续参与共享"的比例为87%，统一电价场景只有54%。这个差距说明：数学模型里多写一项"认同收益"，对真实系统落地的影响远超预期。

6.2 扩展方向：动态偏好、网络约束与多目标博弈

做完这个基础版本，我留了三个明确的扩展方向。

第一个方向是偏好指数的动态更新。目前 (\lambda_i) 在迭代中是固定值，实际上用户偏好会随交易体验变化。可以把偏好指数改成每轮交易结束后根据满意度反馈进行在线更新，变成一个双层博弈问题，上层更新偏好参数，下层执行交易优化。

第二个方向是加入网络潮流约束。对于超过单馈线规模的场景，必须考虑电压和线路容量约束。可以把Distflow潮流方程线性化之后引入ADMM的局部子问题，每个节点变成"虚拟用户"，需要更细致的邻居划分。

第三个方向是结合强化学习做交易策略的自我进化。近期我在试验用DQN做用户报价策略的离线训练，用PPO做平台侧的动态定价策略，然后把ADMM的收敛结果作为训练环境的奖励信号。目前这个方向已经跑通了简化版的仿真链路，主要价值是让交易策略适应不确定天气和用户行为变化，比纯优化模型更灵活。

分布式电能共享要想真正从论文走向社区，关键并不在于算法多先进，而在于模型能不能照顾到参与者真实的心理偏好和价值取向。价值认同不是额外加进来的装饰项，它就是需求侧电能共享区别于传统电力调度的核心变量。把这一个点想透，数学建模、分布式求解、代码实现都会变得顺理成章。