企业官网建设流程全解析

做插电式混合动力车辆（PHEV）能量管理研究的人，应该都经历过这个阶段：模型建好了，MPC公式也推完了，打开Matlab编辑器却不知道第一行代码该写什么。标题里"ADMM""CVX""凸优化""MPC"这些词看着都眼熟，真正落到代码层，就是另一回事。这篇文章把我从建模、凸化到ADMM结合CVX跑通MPC的完整过程写出来，包括CVX安装和许可证、参数整定、报错排查，希望能帮有同样需求的人少走两三个月的弯路。

内容适合正在做新能源车辆能量管理策略研究的学生或工程师，也适合对凸优化在控制系统中落地感兴趣的读者。默认你有一点MPC基础，但即便你只听说过MPC，按下面的步骤走一遍，也能在Matlab里跑出自己的第一版程序。

1. 先把问题说清楚：PHEV的能源管理到底优化什么

1.1 从规则模式切换，到MPC功率分配

插电式混合动力车辆的整车控制，最核心的问题就是"发动机和电池谁来出力、各出多少力"。传统工程做法是规则策略：电量充足就优先用电，车速高了或急加速就让发动机介入，电池电量低了就强制发动机补电。这种规则策略的好处是直观、稳定、控制器容易实现，缺点是极限工况下不够优秀，因为规则的阈值标定依赖工程师的个人经验，换一个整车构型又得重新调，换一套工况也可能不是最优。

MPC的思路完全不同。它把未来一段时间的行驶需求用预测模型表达出来，在当前时刻解一个带约束的优化问题，得到未来若干步的最优控制序列，然后只执行第一步，下一步再滚动求解。用在PHEV上，就是每个控制周期重新做一次"发动机和电机功率分配"的决策。MPC天然能处理约束和前瞻，这也是它在能量管理领域这几年热度持续走高的原因。

1.2 MPC问题的数学形式

把问题写出来，是这样一个典型形式：状态量选SOC（电池荷电状态），控制量选发动机功率和电机功率。目标函数里，油耗和SOC偏离参考值的程度都要考虑。约束则包括：功率平衡约束，也就是整车需求功率等于发动机和电机功率之和；发动机和电机各自的功率上下限；电池SOC上下限；某些情况下还要考虑发动机启停限制。

公式长这样：

min ∑ [ fuel(P_eng_k) + β (SOC_k - SOC_ref_k)^2 ]

s.t. SOC_{k+1} = SOC_k - P_batt_k / Q_batt * Δt P_req_k = P_eng_k + P_mot_k P_eng_min ≤ P_eng_k ≤ P_eng_max P_mot_min ≤ P_mot_k ≤ P_mot_max SOC_min ≤ SOC_k ≤ SOC_max

这个形式中，SOC动态方程在工程上经常做线性化处理，因为电池内部参数随SOC变化，严格说是非线性函数，但做MPC只需要近似，误差由滚动优化来弥补。这也是后面能凸化的基础。需要注意的是，P_batt在放电时取正值、充电时取负值，符号约定一定要统一，我早期在这里吃过亏，代码里SOC在充放电切换时轨迹不平滑，排查半天发现是符号写反了。

1.3 原始问题为什么"非凸"，以及怎么处理

这里要重点提醒一个关键点：实际发动机的油耗map（油耗率随转速和扭矩变化的关系）通常是严重非凸的，中间有各种等油耗区，直接用这个map做优化，整个问题就变成非凸的，常规非线性求解器既慢又不保证全局最优。所以工程和研究中都会做一个预处理：把油耗map用分段线性函数或二次函数做凸逼近，把非凸的NLP问题变成凸问题。

我最早直接用原map丢给fmincon，结果显示初始值稍微变一下解就跳来跳去，完全不适合在线控制。凸化之后，问题性质立刻变了，全局最优有保证，求解时间是稳定的，这对MPC这种滚动在线执行的框架极其重要。如果你的模型里还有发动机启停的0-1变量（也就是"发还是不发"的选择），同样可以做一个凸松弛处理，把整数变量放松成连续变量[0,1]，代价是解可能带一点模糊性，工程上再加后处理修正，一般就能接受。

2. 求解链路为什么是CVX、凸优化与ADMM的组合

2.1 CVX工具箱：Matlab里写凸优化的"翻译器"

CVX是Matlab环境下的凸优化建模工具，核心价值在于你不需要自己写求解器，也不需要手动把模型化成特定求解器的输入格式，而是用接近数学表达式的语言直接把优化问题写出来。CVX会自动检测问题的凸性、选择内部solver、返回结果。PHEV的MPC问题约束多、变量维度高，手写解析求导或者把问题转成MPS格式都非常痛苦。用CVX能让模型可读性高很多，后期改权重、加约束基本就是改一个表达式的功夫。

安装和许可证方面，直接从官网下载对应Matlab架构的版本，解压后运行cvx_setup。学术许可证免费，用学校邮箱填表申请，CVX会把license文件发到邮箱，下载后放到CVX目录下重新执行cvx_setup，提示成功就是装好了。需要特别提醒一下，许可证要走正规渠道，不要用来路不明的文件，一旦混进恶意代码，Matlab脚本里能读出什么别的东西就不好说了，科研环境里这个风险没必要冒。安装过程中常见的版本兼容问题，我在第5部分会专门说。

2.2 ADMM到底解决什么问题

有了CVX，MPC凸问题理论上一个cvx_begin就能直接解，那为什么还要引入ADMM？答案在实时性。MPC是每个采样周期都要在线求解一次优化问题的，如果预测时域拉到20步，变量维度几十个，直接求解可能需要几秒钟才返回。仿真没问题，但你想做硬件在环或实车验证，这个时间就是致命的。

ADMM（交替方向乘子法）的核心思路是把一个大问题拆成几个易于求解的子问题，通过一个协作迭代机制把子问题的解协调到满足原问题的约束。用个生活化类比：你规划一周的任务，直接整体最优化很难一次算清楚，但你可以把"安排工作"和"安排休息"两个子问题分开排，来回调整几轮，很快就平衡好了。ADMM就是这个"来回调整"的数学化版本。

2.3 我的组合方式：外层ADMM，内层CVX

实现时我用的结构是这样的：外层是ADMM的迭代循环，负责把原始MPC问题分解成两个子问题——一个是以动力总成约束为主的功率分配子问题，一个是以SOC动态和状态边界为主的状态跟踪子问题。每次迭代中，这两个子问题都分别交给CVX去建模求解，然后更新对偶变量和辅助变量，计算原残差和对偶残差，判断是否收敛。

这个组合的好处很明显：每个子问题规模都很小，CVX求解速度极快；CVX自动处理约束和数值问题，鲁棒性好；ADMM的迭代层是纯Matlab代码，逻辑清晰，出了问题容易定位。这也是我强烈建议在Matlab里实现这套方法时采用的结构。

3. 从公式到代码：ADMM加CVX的MPC实现步骤

3.1 整体流程与仿真主循环

先看总流程。假设你手里已经有一个能跑固定工况的整车纵向模型，或者简化的一阶SOC模型，代码主循环大概是这样：

% 主仿真循环 Ts = 1; % 采样周期 1s Np = 15; % 预测时域 N_steps = length(drive_cycle); % 工况总步数 SOC = SOC_init; for k = 1:N_steps % 1. 预测未来需求功率序列（工况已知或由预测模块给出） P_req_pred = drive_cycle(k : k+Np-1) * P_base; % 2. 调用ADMM+CVX求解MPC问题 [P_eng_opt, P_mot_opt, info] = solve_mpc_admm(SOC, P_req_pred, Np); % 3. 只取第一步控制量作用到被控对象 P_eng = P_eng_opt(1); P_mot = P_mot_opt(1); % 4. 更新SOC和被控对象状态 SOC = SOC - P_mot / (V_ocv * Q_batt) * Ts; end

主循环就四个步骤：预测、求解、执行、更新。跑起来不复杂，复杂的是里面那个求解函数。实际仿真中我习惯把每一步的SOC、P_eng、P_mot、求解耗时都存下来，最后统一画图分析，而不是边跑边plot，那样会严重拖慢仿真速度。

3.2 ADMM核心迭代代码

求解器函数solve_mpc_admm内部，是ADMM的迭代循环。这里给出一个骨架代码，去掉详细约束后用于展示迭代逻辑：

function [P_eng_seq, P_mot_seq, info] = solve_mpc_admm(SOC0, P_req, Np) rho = 1.0; % ADMM罚项 max_iter = 50; % 最大迭代次数 tol = 1e-4; % 收敛阈值 z = zeros(Np, 1); % 辅助变量 lambda = zeros(Np, 1); % 对偶乘子 for iter = 1:max_iter % --- 子问题1：功率分配，用CVX求解 --- u1 = solve_power_alloc(SOC0, P_req, z, rho, lambda); % --- 子问题2：SOC轨迹跟踪，用CVX求解 --- u2 = solve_soc_track(SOC0, P_req, u1, rho, lambda); % --- 辅助变量z更新 --- z_new = u2 + lambda / rho; % --- 对偶变量lambda更新 --- lambda = lambda + rho * (u1 - z_new); % --- 残差判断 --- r_residual = norm(u1 - z_new, inf); s_residual = norm(z_new - z, inf); z = z_new; if max(r_residual, s_residual) < tol break; end end end

重点在于理解ADMM逻辑：u1和z交替优化，lambda是协调者，收敛时u1、z以及原问题约束都接近满足。残差要同时监控原残差和对偶残差，只看一个容易误判。实际仿真中我一般会把每次迭代的残差存下来，画出收敛曲线，这对判断罚项ρ是否合适非常有帮助。

3.3 CVX子问题建模示例

子问题用CVX写出来非常直观。以功率分配子问题为例，核心代码大致如下：

function P_eng = solve_power_alloc(SOC0, P_req, z, rho, lambda) Np = length(P_req); cvx_begin quiet variable P_eng(Np) variable P_mot(Np) P_batt = P_mot; % 简化：电机功率近似等于电池功率 minimize( sum(fuel_convex(P_eng)) ... + beta * sum_square(SOC_seq(SOC0, P_batt) - SOC_ref) ... + 0.5 * rho * sum_square(P_eng - z) ... + lambda' * (P_eng - z) ) subject to P_eng + P_mot == P_req; % 功率平衡 P_eng_min <= P_eng <= P_eng_max; P_mot_min <= P_mot <= P_mot_max; cvx_end end

这段代码里，fuel_convex是你把发动机油耗map凸化后的函数，SOC_seq是根据SOC动态方程写的从SOC0开始递推的序列。CVX的sum_square、power这些函数对凸问题表达非常友好，写出来跟论文公式几乎一一对应。这也是我坚持用CVX而不是直接用solver接口的原因——可读性在科研代码里太重要了，半年前的代码连自己回头都要看半天，更别说别人接手。

3.4 关键参数怎么定

跑通这套代码后，最影响结果的参数大概是下面这几个：

调参顺序建议是：先把beta调到一个SOC不掉底的值，然后去调rho让ADMM尽快收敛，最后再微调油耗与SOC的综合权重。不要一开始就三个参数同时改，那样出了问题根本不知道是谁引起的。我见过不少同学上来就把rho改成100，结果残差振荡到天上去，还以为是算法写错了。

4. 仿真验证：怎么对比、怎么看结果

4.1 工况选择与对比方案

仿真想说明两件事：第一，ADMM加CVX的结果和直接CVX全局求解的结果偏差不大；第二，求解时间到底降了多少。工况我建议用WLTC或者市区工况这种有代表性的标准工况，别用自己编的随机工况，跑出来别人也没法复现。

对比方案也很简单：同一个MPC问题，方案A用CVX一次求解，也就是每个采样周期直接调用cvx_begin；方案B用ADMM加CVX迭代求解。两个方案都跑完整个工况，对比SOC曲线、累积油耗和平均求解时长。

4.2 结果怎么解读

我实际跑下来的结果大致是这样的趋势：

ADMM迭代30次以内，最优解跟CVX直接求解的差值在0.5%以内，SOC轨迹几乎重合；而平均单步求解时间可以压缩到十分之一级别。这个差距决定了你后续能不能往快速控制原型或者嵌入式平台迁移。

看结果时，重点看SOC轨迹是否频繁触边。如果SOC经常触到上限或下限，多半是beta权重给低了，或者预测时域太短，让MPC为了短期油耗把电量用过头。这个现象跑出来一眼就能看到，不用等油耗结果出来再去判断。另外，如果只看累积油耗而不看SOC终值，对比是不公平的，要保证两个方案结束时的SOC尽量接近，才能说油耗差异是算法本身带来的。

5. 实际踩过的坑、常见问题与排查技巧

5.1 CVX报错：Disciplined convex programming error

这是最常遇到也最让新手头疼的错误。CVX建模时要做凸性检查，如果表达式不满足规范——比如变量乘以变量、变量取绝对值的符号方向不对、目标函数里用了非凸函数，它就会直接拒绝求解。解决办法是一行一行注释掉约束，找出哪个表达式不满足规则；如果模型本身就非凸，那就回到第1.3节去做凸化处理，而不是硬调代码。

我踩过最蠢的坑是目标函数里写了P_eng乘P_mot这种变量交叉项，CVX直接报错。节省时间的做法是从一开始把二次项写清楚：只写平方项，避免交叉项，或者提前做变量替换。这样就没必要在报错后一条条注释排查。

5.2 ADMM不收敛或收敛慢

迭代次数用完仍然没达到残差阈值，优先检查rho。rho太小，每次z更新步子迈得小，要磨很久才到最优；rho太大，又容易来回振荡，残差下不去。我一般做法是跑几组rho=0.1、1、10的对比实验，画出迭代次数和残差曲线，选在20次左右能收敛到1e-4以下的值。

还有一个容易被忽略的因素：两个子问题的目标函数量级差异太大。比如油耗项量级是10，SOC惩罚项量级是10000，ADMM很容易被大尺度的项主导而忽略另一项。给目标函数里的各项做归一化，或者提前把权重调平衡，收敛速度会有肉眼可见的进步。

5.3 控制量输出高频抖动

MPC滚动优化如果不加控制增量惩罚，在工况突变的地方，第一步控制量可能跳得很猛，仿真曲线像锯齿一样。这个问题在实车上就是平顺性灾难。解决办法是在目标函数里加入控制增量的二次惩罚，限制相邻两步控制量的变化幅度。加上之后，SOC曲线和功率分配曲线会平滑很多，代价是可能稍微牺牲一点最优性，这个取舍在工程上是合理的。

5.4 常见问题速查表

把一些高频问题整理成表，方便遇到问题时快速定位：

排查这类环境问题有个基本思路：先确认CVX版本是否支持你的Matlab版本，再重新执行cvx_setup看详细日志；许可证问题就去找官网文档，检查hostid和许可证文件是否对应，别在网络环境上瞎猜。

最后再分享一个个人习惯：我在所有MPC求解函数里都会加一个可开关的调试模式，打印每个采样周期的迭代次数、残差和求解耗时。这个习惯在调参数时帮了大忙。如果正准备开始实现这套方法，我建议先从确定性工况跑通，不要上来就用真实采集数据或复杂整车模型，先把算法链路走通，再逐步加复杂度。这样不管代码出什么问题，你都能清楚问题出在哪一层。