1. 电热综合能源系统动态定价的核心挑战
现代能源系统正经历着从单一电力网络向电热综合能源系统的转型。这种系统将电力网络与区域供热管网深度融合，通过耦合设备实现电能与热能的协同转换与利用。但随之而来的定价问题变得异常复杂——电力可以瞬时传输，而热能却存在明显的延迟效应。这就好比同时经营一家快餐店和一家慢炖餐厅，前者可以随点随做，后者则需要提前数小时准备。
主从博弈（Stackelberg game）为解决这一难题提供了理论框架。在这种博弈结构中，综合能源系统运营商作为领导者（leader）首先制定电价和热价策略，能源用户作为跟随者（follower）随后根据价格信号调整自己的用能计划。这种双层决策过程形成了一个动态反馈循环：
- 上层优化目标：运营商收益最大化
- 下层优化目标：用户用能满意度最高
- 耦合约束：功率平衡方程、热平衡方程、设备运行限制
2. 主从博弈模型的数学构建
2.1 上层领导者模型
上层模型以综合能源系统运营商为主体，其目标函数可表示为：
max Σ_t [λ_e(t)P_e(t) + λ_h(t)P_h(t) - C_gen(P_e(t), P_h(t))]
其中：
- λ_e(t), λ_h(t)：t时段的电、热价格
- P_e(t), P_h(t)：t时段的电、热负荷需求
- C_gen()：发电成本函数
关键约束包括：
- 价格上下限：λ_min ≤ λ ≤ λ_max
- 发电机组出力限制
- 热电联产机组（CHP）的运行约束
在MATLAB中，我们使用粒子群算法（PSO）求解这个优化问题。粒子位置代表价格组合，速度代表价格调整方向：
matlab复制% PSO参数初始化
n_particles = 50; % 粒子数量
n_periods = 24; % 24小时调度周期
% 位置矩阵：每行代表一个粒子，包含48个变量（24小时电价+24小时热价）
positions = rand(n_particles, 2*n_periods);
positions(:,1:n_periods) = positions(:,1:n_periods)*(e_max - e_min) + e_min;
positions(:,n_periods+1:end) = positions(:,n_periods+1:end)*(h_max - h_min) + h_min;
% 速度初始化
velocities = zeros(n_particles, 2*n_periods);
2.2 下层跟随者模型
下层模型描述用户对价格信号的响应行为，其目标是最小化用能成本与舒适度损失的加权和：
min Σ_t [α(λ_e(t)P_e(t) + λ_h(t)P_h(t)) + β(T_in(t) - T_set)^2]
约束条件包括：
- 室内温度动态方程
- 电器设备运行限制
- 储能设备状态转移方程
我们使用CPLEX求解这个混合整数线性规划问题。在MATLAB中调用CPLEX的典型流程如下：
matlab复制function [optimal_load, fval] = solve_user_problem(prices)
% 创建CPLEX模型对象
model = Cplex('user_optimization');
model.Model.sense = 'minimize';
% 添加决策变量（用电功率、供热功率、室内温度等）
model.addVariables(lb, ub, ctype, obj, names);
% 添加约束条件
model.addConstraints(Aineq, bineq, Aeq, beq);
% 求解模型
model.solve();
% 提取结果
optimal_load = model.Solution.x(1:n_periods);
fval = model.Solution.objval;
end
3. 双层模型的嵌套求解策略
3.1 求解流程设计
主从博弈的求解本质上是上下层模型的迭代交互过程：
- 上层PSO生成候选价格策略
- 将价格传递给下层CPLEX模型
- 下层返回最优负荷响应
- 上层计算适应度值（运营商收益）
- 更新粒子位置和速度
- 重复直到收敛
这个过程的MATLAB实现核心代码如下：
matlab复制for iter = 1:max_iter
% 更新惯性权重
w = w_max - (w_max-w_min)*iter/max_iter;
% 对每个粒子进行评价
for i = 1:n_particles
% 提取当前价格策略
current_prices = positions(i,:);
% 调用下层用户优化
[load_response, ~] = solve_user_problem(current_prices);
% 计算运营商收益
revenue = calculate_revenue(current_prices, load_response);
% 更新个体最优
if revenue > pbest_value(i)
pbest_value(i) = revenue;
pbest_positions(i,:) = positions(i,:);
end
end
% 更新全局最优
[gbest_value, idx] = max(pbest_value);
gbest_position = pbest_positions(idx,:);
% 更新粒子速度和位置
velocities = w*velocities + ...
c1*rand*(pbest_positions - positions) + ...
c2*rand*(gbest_position - positions);
positions = positions + velocities;
% 边界处理
positions = max(min(positions, upper_bound), lower_bound);
end
3.2 热动态特性的特殊处理
热能系统的惯性效应是建模中的关键难点。供热管网的热动态可以用一阶差分方程描述：
Q_s(t+1) = η·Q_s(t) + Q_in(t) - Q_out(t)
其中η是热衰减系数（通常0.85-0.95）。在CPLEX模型中，这需要转化为线性约束：
matlab复制% 热储能状态方程约束
for t = 1:n_periods-1
Aeq_thermal(t, t) = -eta; % Q_s(t)项
Aeq_thermal(t, t+1) = 1; % Q_s(t+1)项
Aeq_thermal(t, n_periods+t) = -1; % Q_in(t)项
beq_thermal(t) = -demand(t); % Q_out(t)项
end
4. 实际应用中的关键技巧
4.1 算法参数调优经验
-
粒子群参数设置：
- 种群规模：30-100（复杂问题取大值）
- 学习因子：c1=c2=1.5-2.0
- 惯性权重：线性递减（0.9→0.4）
-
CPLEX求解设置：
matlab复制% 提高求解效率的参数设置 model.Param.mip.tolerances.mipgap.Cur = 1e-4; % MIP间隙容忍度 model.Param.timelimit.Cur = 60; % 最大求解时间(秒) model.Param.threads.Cur = 4; % 使用线程数
4.2 典型问题排查指南
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 下层模型无可行解 | 价格信号导致用能需求超出设备容量 | 在上层约束中添加可行性检验 |
| 算法振荡不收敛 | 惯性权重设置不当 | 采用自适应惯性权重策略 |
| 热价策略反常 | 热动态方程参数不准确 | 重新校准管网热衰减系数 |
| 求解时间过长 | 下层模型规模过大 | 采用线性化技巧或问题分解 |
4.3 结果可视化技巧
良好的可视化能直观展示博弈均衡结果：
matlab复制% 绘制价格-负荷曲线
figure;
yyaxis left;
plot(1:24, optimal_prices_e, 'b-o', 'LineWidth', 2);
hold on;
plot(1:24, optimal_prices_h, 'r-s', 'LineWidth', 2);
ylabel('价格 ($/kWh)');
yyaxis right;
plot(1:24, load_response_e, 'b--', 'LineWidth', 2);
plot(1:24, load_response_h, 'r--', 'LineWidth', 2);
ylabel('负荷 (kW/kWth)');
xlabel('时间 (h)');
legend('电价','热价','电负荷','热负荷');
grid on;
5. 模型扩展与进阶方向
-
考虑可再生能源不确定性：
- 在目标函数中添加机会约束
- 采用随机规划或鲁棒优化方法
-
多能源运营商博弈：
- 引入Nash均衡概念
- 构建多领导者博弈框架
-
用户行为精细化建模：
- 采用聚类方法区分用户类型
- 引入行为经济学理论
-
分布式求解方法：
- 采用交替方向乘子法（ADMM）
- 设计分布式优化算法
在实际项目中，我们发现热价策略通常比电价策略更具"粘性"——由于供热系统的惯性特性，频繁调整热价反而会降低系统效率。一个实用的经验法则是将热价调整频率控制在电价调整频率的1/3到1/2之间。