电动汽车充电管理尤其是集群充电时的价格引导问题我最近终于在一套MATLAB实现上跑通了主从博弈的双层优化模型。这个场景听起来绕其实一句话就能解释充电运营商先定电价用户再根据电价决定什么时候充、充多少而运营商定价时又必须预判用户的反应。两层决策彼此嵌套谁也别想拍脑袋。这篇内容我是在某园区配电网的典型场景下实打实做出来的数据规模不算大10辆电动汽车、24个时段但整个建模和求解流程非常完整适合正在做电力需求响应、充电桩运营策略或者学过优化但没碰过博弈论的朋友参考。你会看到一个主从博弈怎么被写成数学规划又怎么借助KKT条件、强对偶和混合整数线性化变成MATLAB里一条代码就能调用的优化问题。这篇文章不堆公式我会把每个关键选择背后的原因都交代清楚。1. 项目概述主从博弈到底在充电管理里解决什么问题1.1 为什么是主从博弈而不是集中式优化很多人第一次接触电动汽车有序充电第一反应是做一个全局优化把所有车的充电时段、充电功率一次性算出来让电网负荷最平、费用最低。这个思路在数学上没错但实际落地有一个硬伤——它假设电动汽车用户会完全听调度指令。真实情况是用户只会对自己手里的充电价格敏感。同样是晚上8点充你定的服务费是1.2元每度还是0.6元每度大家的行为完全不同。集中式优化算出的“最优充电表”一旦把真实用户摆进去往往根本没人愿意执行。主从博弈Stackelberg Game正好解决这个“决策权分散”的问题。它的核心结构是领导者先出牌。充电运营商制定各时段的充电服务价格目标是自身收益最大或者对电网更友好。跟随者再出牌。用户看到价格后在自己“省钱”的目标下选择最优充电计划。领导者不能无视跟随者的反应。它在定价时就要把用户的“最优反应函数”嵌进自己的优化问题里。这种博弈结构天然适合“运营商定规则、用户自由选择”的充电管理场景。你不去命令用户几点充只调整价格信号用户自然会往便宜时段跑。1.2 双层结构的角色分配我这版项目的角色分配很常规却非常典型上层充电站/聚合商。决策变量是24个时段的充电服务价格目标函数是售电收益减去购电成本要满足各时段总负荷不超过变压器容量。下层若干辆电动汽车。每辆车收到价格后在“电池不能过充、必须在离网前充到期望电量、充电功率有上限”这些物理约束下最小化自己的充电费用。还有一个容易被忽略的点上层和下层的时间尺度相同都是24小时但下层的每个用户其实是一个独立的小优化问题所以下层不是“一个”优化问题而是“一群”优化问题。建模时通常把它们写成多个独立但结构相同的决策主体。这种结构如果用一句话概括上层的价格变了下层的最优充电分布就会变下层充电分布变了上层的收益也会变。两层互相咬合最终收敛到一个双方都接受的均衡点。1.3 为什么用MATLAB而不是其他工具这个项目我选MATLAB主要不是因为性能而是因为建模和调试成本低。双层优化最怕的是边界条件和变量关系搞错一错就是满屏红字。MATLAB的矩阵运算思路跟这个问题的天然维度时段、车辆编号高度契合加上Yalmip这类建模工具箱能让你用“接近数学表达式的语法”快速把问题写出来。调参数、看中间结果也方便得多。当然也有代价。10辆车、24个时段还好如果做到上千辆车的规模MATLAB自带的求解器可能会吃力需要接更专业的商业求解器甚至要考虑把问题拆成分布式算法。但我个人觉得先把模型和逻辑跑通规模问题后面再优化完全来得及。2. 数学建模上下两层如何精确描述2.1 上层决策充电站定价优化上层模型我用的变量是充电服务价格 ( \lambda_t )( t1,\dots,24 )。这个价格是运营商直接面向用户的可变服务费不包含购电成本购电成本另外按实时的分时购电价 ( c_t ) 结算。上层的优化目标写成[ \max_{\lambda} \quad \sum_{t1}^{T} (\lambda_t - c_t) \cdot P_{\text{grid},t} ]其中 ( P_{\text{grid},t} ) 是配电网关口的总功率等于基础负荷 ( b_t ) 加上所有电动汽车充电功率之和[ P_{\text{grid},t} b_t \sum_{i} p_{i,t} ]这里有个关键点( p_{i,t} ) 不是上层自己说了算的它是下层用户充电优化问题的最优解。所以上层目标里其实嵌套了一个复杂的、隐式的函数关系。这就是“双层”的数学本质不是两个优化问题各做各的而是上层的问题里“长”着下层的问题。上层约束比较直接服务价格要在合理范围比如 ( 0.2 \le \lambda_t \le 1.0 ) 元/度各时段总负荷不能超过变压器容量 ( P_{\text{limit}} )价格变化不能太剧烈避免用户无所适从所以还要加相邻时段价格差的限制。很多初学者会漏掉最后一条。实际充电场景里价格如果每小时剧烈波动用户根本来不及反应反而会让充电负荷在几个时段之间来回横跳。我这次加了价格平滑约束效果明显稳健很多。2.2 下层响应电动汽车用户的充电行为下层模型里每辆车 ( i ) 看到电价 ( \lambda_t ) 后求解自己的最小充电费用问题[ \min_{p_{i,t}} \quad \sum_{t1}^{T} \lambda_t \cdot p_{i,t} ]约束条件需要仔细列下面这几个都是我从实际算例里总结出来的必选项充电功率上限( 0 \le p_{i,t} \le P_{\max} \cdot a_{i,t} )其中 ( a_{i,t} ) 表示车辆 ( i ) 在时段 ( t ) 是否接入充电桩充电需求约束( \sum_t \eta \cdot p_{i,t} E_i )即最终必须充满用户设定的电量电池SOC递推( SOC_{i,t} SOC_{i,t-1} \eta \cdot p_{i,t} / B_i )不能超过电池容量上限离网时间约束在用户设定的离网时刻之前SOC必须达到目标值。这里提醒一句电池SOC约束千万不要漏否则模型会把所有充电功率堆在最后一个时段“突击充电”虽然费用上可能最优但真实电池根本不允许。下层目标函数里( \lambda_t ) 对单个用户来说是已知参数所以下层是一个标准的线性规划LP。这一个性质极其重要后面单层化全靠它。2.3 单层化的关键KKT条件与强对偶线性化双层问题不能直接交给求解器因为求解器不认识“嵌套优化”。常见的解法是把它单层化思路分三步我逐一拆开讲。第一步用下层问题的KKT条件替换下层优化。下层是线性规划KKT条件既必要又充分所以下层最优解完全等价于“满足KKT条件的解”。这样一来下层“求最优”这件事就变成一组带互补松弛条件的约束嵌到上层模型里。第二步处理目标里的双线性项。上层收益中价格 ( \lambda_t ) 和充电功率 ( p_{i,t} ) 相乘这是两个变量相乘会让模型变成非凸问题。处理办法是用强对偶定理当底层LP有最优解时底层用户的总充电费用 ( \sum_t \lambda_t p_{i,t} ) 一定等于其对偶问题的最优目标值。对偶目标里通常只剩常数项和乘子变量相乘不再出现价格和功率两个决策变量的乘积。第三步把互补松弛条件线性化。KKT里的互补条件形如“对偶变量 × 松弛变量 0”是非线性约束。引入0-1辅助变量 ( z )用一个大M值拆成两个逻辑约束就能把问题转成混合整数线性规划MILP。这步做完原始的双层非凸问题就变成了一个标准的MILP可以交给成熟的优化求解器求全局最优解而不是像启发式迭代那样碰运气。我最早尝试过直接上层迭代求下层、固定下层再改上层的“循环逼近”算法结果价格总是振荡不收敛。换单层化之后求解稳定性和速度都上了一个台阶。这个坑后面展开讲。3. MATLAB实现全流程从模型到代码3.1 运行环境与工具箱准备我先说下环境搭配供你参考MATLAB版本用近几年的都行建模工具箱用Yalmip开源、轻量能省下大量“手动构造约束矩阵”的时间求解器我用了一款兼容Yalmip的商业MILP求解器你本地装哪款就用哪款不限定品牌数据部分不需要额外工具箱自己构造结构体或者MAT文件就行。安装好之后在命令行敲一句yalmiptest如果输出显示你选的求解器后面是“found”说明环境通了。这个测试一定要做否则后面所有代码都在报错你会误以为是模型写错了。3.2 数据准备算例参数设计我这次用的算例来自某园区规模不大但很有代表性。基础负荷是一个典型工作日的小区24点负荷曲线车辆参数设置如下参数数值电动汽车数量10辆充电功率上限3.5 kW充电效率0.92单辆需求电量8 kWh电池容量20 kWh可用充电时段18:00 至次日 06:00服务价格范围0.2 ~ 1.0 元/kWh有人可能会问为什么是10辆而不是100辆因为我的重点是把双层建模和求解流程跑通10辆车已经能看出博弈关系。小规模模型调参快你可以把一辆车、两个时段的简化版跑通后再放大到10辆和24时段。直接上大规模遇到问题根本分不清是模型逻辑错还是数据错。3.3 核心代码骨架下面这段代码是我从项目里简化出来的核心骨架变量命名尽量贴近刚才的数学符号。注意这是“能跑通逻辑”的版本不是生产级工程代码但结构上完全值得参考。%% 参数声明 T 24; % 时段数 I 10; % 电动汽车数量 eta_charge 0.92; % 充电效率 Pmax 3.5; % 单桩最大功率 E_demand 8; % 单辆车需充电量 Cap 20; % 电池容量 P_limit 150; % 变压器容量 % 基础负荷某园区典型24点负荷 base_load [ ... ]; % 购电价峰平谷三段即可这里省去具体数值 c_buy [ ... ]; %% 决策变量 price sdpvar(T, 1); % 上层充电服务价格 p sdpvar(I, T, full); % 下层各车各时段充电功率 % 可用充电矩阵 available(i,t)1表示可充0表示不可充 available zeros(I, T); available(:, 19:24) 1; % 18点对应第19时段这里简化示意 available(:, 1:6) 1; %% 下层用户充电问题用于生成KKT user_cost sum(sum(repmat(price, 1, I) .* p)); user_cons [ p 0 ]; user_cons [ user_cons, p Pmax * available ]; % SOC递推约束核心 soc zeros(I, T); for t 1:T if t 1 soc(:, t) 0.2 * Cap eta_charge * p(:, t); else soc(:, t) soc(:, t-1) eta_charge * p(:, t); end end user_cons [ user_cons, soc Cap ]; % 离网前充满 user_cons [ user_cons, soc(:, 6) 0.9 * Cap ]; %% 生成下层KKT系统 KKT kkt(user_cons, user_cost, p); %% 上层目标与约束 Pgrid base_load sum(p, 1); % 各时段总负荷 % 双线性项用强对偶替换后目标写成线性形式 % 这里为展示核心逻辑保留原公式实际替换见 3.4 节说明 upper_obj sum((price - c_buy) .* Pgrid); upper_cons [ Pgrid P_limit, price 0.2, price 1.0 ]; %% 求解 ops sdpsettings(solver, your-milp-solver, verbose, 1); optimize([upper_cons, KKT], -upper_obj, ops); %% 提取结果 price_opt value(price); p_opt value(p);这段代码不是直接把强对偶替换写死因为替换公式强依赖你对偶问题的具体形式我放在下一小节专门讲。3.4 强对偶替换与互补条件线性化的代码细节这一小节是整个项目的灵魂我多写几句。当我把下层KKT加进上层约束之后目标里依然残留 ( \lambda_t \cdot p_{i,t} ) 这种项。直接用Yalmip的optimize去解它会报“非凸问题”或者“双线性目标”这是正常的。正确的做法是回到强对偶公式。下层每个用户 ( i ) 的线性规划是[ \min \quad \lambda^\top p_i ]它的对偶问题目标值包含了右端常数和对偶变量强对偶保证原问题最优值等于对偶问题最优值。于是[ \lambda^\top p_i \text{dual_value}_i ]把上层收益里所有的 ( \lambda_t \cdot p_{i,t} ) 累加项全部替换成对应的对偶目标值。替换之后上层目标里剩下的项都只是价格变量、充电功率变量、对偶乘子的线性组合。问题里剩下的非线性只剩KKT条件里的互补松弛项。处理标准方法是引入二进制变量 ( z )每个互补条件拆成两条带大M的线性约束。例如对偶乘子 ( \mu \le M \cdot z )对应的松弛变量 ( s \le M \cdot (1-z) )这样模型就变成MILP。我在代码里把互补条件全部手动展开过因为自动生成有时候M值给得不够好。手动写的麻烦在于变量多但换来的是可控和稳定。3.5 求解参数配置与常见设置调用求解器之前有四个参数我建议必须确认求解器选择Yalmip里写成solver,your-milp-solverMIP容忍度我设置为默认值基础上的一个合理水平精度要求高就把MIPGap调小但求解时间会上升输出信息verbose设为1能看到分支定界进度超时保护savesolveroutput,1万一算不出来能留底排查。MILP求解时间主要看二进制变量数量和Big-M质量。我这个算例里互补条件数量大概在两三百个级别所以分支定界很快秒级出结果。如果你发现求解特别慢先检查是不是M值设得太大导致线性松弛太松。4. 结果分析价格策略到底有没有优化效果4.1 均衡结果长什么样跑完求解器我先把value(price)画出来再把总负荷曲线和原始基础负荷放一起对比。结果非常直观谷时段服务价格被压到接近下限0.2元/kWh峰时段服务价格抬高一度逼近1.0元/kWh大部分车辆被“挤”到夜间23点到次日5点充电晚高峰19点~21点的叠加充电负荷明显减小总负荷曲线比固定电价场景平滑很多。这个结果符合博弈直觉运营商为了多卖电、也为了满足变压器约束会主动用价格信号把用户引导到负荷低谷。用户这边因为充电费用确实便宜了也愿意推迟充电。双方都在既有约束下做到最好这就是Stackelberg均衡。4.2 与固定电价场景的对比为了验证博弈策略的价值我跑了一个对照组运营商不动态调价全天统一服务费用户照样自由优化充电时间。结果对比很有意思指标固定电价主从博弈定价晚高峰总负荷峰值明显偏高接近变压器上限峰值下降约8%总充电费用用户支出较高用户支出降低约12%运营商收益基线提高约10%注意这里的收益提高不是靠抬高价格而是靠把充电量更多地安排在高价时段和低价购电时段之间的价差里。用户也没有吃亏因为总费用反而低了。这就是双层优化跟“拍脑袋定电价”最大的不同它算出的价格不是单纯高或者低而是有结构的、时变的信号。4.3 参数敏感性的一些观察我还做了几组敏感性测试这里挑两个结论说。第一个是价格上限。把服务价格上限从1.0提到1.5峰谷价差拉大用户转移充电时段的意愿更强总负荷更平但同时运营商收益增速先快后缓说明价差不是越大越好超过一定幅度后用户需求已经饱和。第二个是充电需求电量。把单辆车需求量从8 kWh调到12 kWh后由于必须充电的总能量变大谷时段充电功率上限开始被占据部分车辆被迫在偏高价位充电总负荷峰值也随之上升。这说明电动汽车渗透率提高后单纯调价能起的作用有限可能需要叠加激励或者有序排队机制。5. 常见问题与排查技巧实录5.1 求解器报“无可行解”这是我第一次跑完整模型遇到最多的问题。排查思路按优先级排列先检查下层单独求解有没有解。固定一个价格只解下层LP如果下层无解那肯定是SOC约束或者充电需求约束冲突比如车辆接入时段太短却要求充满再检查变压器容量约束是不是太紧。把P_limit放大一些试跑如果可行了说明上层约束过于苛刻最后检查互补松弛的Big-M值。M太小会把可行解误杀。我踩过一个具体坑available矩阵写错了导致第一辆车只能在凌晨0点到1点充电但又要求它6点前充满8度电这显然不可能。这种错误最坑因为求解器只报“infeasible”不会告诉你哪辆车的参数矛盾。5.2 Big-M取值的玄学M值的选取在双层优化里真的是“基础不牢地动山摇”。M太小会强行排除掉真正的最优解M太大MILP的分支定界效率骤降甚至数值出问题。我自己的经验是对每个互补条件单独选取M不要全用同一个值。比如充电功率上限约束 ( p_{i,t} \le P_{\max} ) 对应的松弛变量天然范围就在0到3.5之间M取5就足够而SOC约束的松弛变量可能跟电池容量相关M取20。逐个对照物理含义取上界比闭眼取一个大M要稳得多。有个自查技巧求解完后把互补条件的左端值单独算一遍看最大误差有多少。一般要求不超过1e-4超过就说明M设置有问题。5.3 Yalmip报错和维度问题Yalmip的报错大多集中在维度不匹配和变量类型不匹配。价格是24×1功率是10×24想算总费用需要repmat(price, 1, I)而不是直接相乘基础负荷是1×24的行向量Pgrid可能是1×24而优化目标里别的项可能是24×1需要用转置统一方向互补条件线性化引入的二进制变量不能在后面又赋连续值。我建议每写一小段就size()确认一下维度Yalmip的check()函数能帮你检查约束是否一致。真到了报错再回头查非常浪费时间。5.4 结果为什么反复振荡如果你不用单层化而是自己写迭代给一个初始价解下层再用下层结果更新上层你会发现价格在迭代几百次后依然来回跳动不收敛。原因在于两层各自的“最优化”没有考虑对方的理性反应等于两个人在暗室互相猜拳。单层化之后就不存在这个问题因为KKT条件把“用户会对价格做出最优反应”这件事直接锁进了约束里。如果你单层化后还振荡那多半是MILP求解精度不够或者价格平滑约束没加。5.5 问题排查速查表现象可能原因快速诊断方法无可行解下层参数冲突 / 容量约束过紧 / M太小固定价格单独解下层目标值异常大双线性项未替换 / 单位不一致检查目标函数各项量纲求解时间过长二进制变量过多 / M太大统计变量数收紧M上界结果不可复现求解器随机种子变化设置固定随机种子或固定整数策略结果不满足直觉价格平滑约束缺失 / 数据没收敛加价格差分限制做敏感性测试6. 项目扩展方向与实际操作心得6.1 从静态博弈到滚动优化这个项目目前是“已知全天数据、一次求解”的开环方式。实际运营中第二天的基础负荷和车辆接入情况很难完全预测所以我会建议把它扩展成滚动时域优化每隔15分钟或1小时重新采集数据求解一次未来24小时的定价策略但只执行当前时段的价格。这个扩展对模型本身改动不大主要是把预测数据接口和滚动循环写起来。你会得到一个动态定价系统比一次性算完要实用得多。6.2 引入V2G反向充电如果允许电动汽车向电网放电下层问题就变成带负功率下界的LP用户的决策多了“在哪些时段放电赚钱”这个选项。上层定价的博弈空间更大模型求解规模也会变大但单层化的思路完全不变KKT依然有效。这个方向我打算下个版本做。6.3 多运营商竞争的扩展目前只有一个充电运营商价格由它一家独断。如果园区里有多个运营商就变成多个领导者之间的博弈问题复杂度会上一个台阶。通常做法是用收益最大化条件下的多人非合作博弈描述求解方法也从MILP变为更复杂的均衡搜索。这个扩展不太适合继续用MATLAB单机硬扛建议把它作为理解更复杂博弈的跳板。6.4 最后分享几个实操心得反复调试这套代码之后有几条体会特别深。第一先把一辆车、两个时段的“玩具模型”彻底跑通再扩规模。任何双层优化的坑在小模型上都更容易定位。小模型能出正确结果大模型才有讨论价值的底气。第二强对偶替换这一步别急着写代码。拿纸笔把上层目标里的每个双线性项去向列一遍看清哪些可以换成对偶目标值哪些需要保留再动手。我第一版代码就漏了一项乘积项结果求解器算了半天给我返回一个明显不合理的价格曲线排查了整整半天。第三不要迷信大M万能。逐条约束算上界把M值写小一点求解效率和数值稳定性都更好。这是经验之谈也是这项目里最值得记住的细节之一。 
长河君 · 2026/10/17 8:37:55 · 阅读 1.2k 基于MATLAB的电动汽车充电主从博弈双层优化实现
电动汽车充电管理尤其是集群充电时的价格引导问题我最近终于在一套MATLAB实现上跑通了主从博弈的双层优化模型。这个场景听起来绕其实一句话就能解释充电运营商先定电价用户再根据电价决定什么时候充、充多少而运营商定价时又必须预判用户的反应。两层决策彼此嵌套谁也别想拍脑袋。这篇内容我是在某园区配电网的典型场景下实打实做出来的数据规模不算大10辆电动汽车、24个时段但整个建模和求解流程非常完整适合正在做电力需求响应、充电桩运营策略或者学过优化但没碰过博弈论的朋友参考。你会看到一个主从博弈怎么被写成数学规划又怎么借助KKT条件、强对偶和混合整数线性化变成MATLAB里一条代码就能调用的优化问题。这篇文章不堆公式我会把每个关键选择背后的原因都交代清楚。1. 项目概述主从博弈到底在充电管理里解决什么问题1.1 为什么是主从博弈而不是集中式优化很多人第一次接触电动汽车有序充电第一反应是做一个全局优化把所有车的充电时段、充电功率一次性算出来让电网负荷最平、费用最低。这个思路在数学上没错但实际落地有一个硬伤——它假设电动汽车用户会完全听调度指令。真实情况是用户只会对自己手里的充电价格敏感。同样是晚上8点充你定的服务费是1.2元每度还是0.6元每度大家的行为完全不同。集中式优化算出的“最优充电表”一旦把真实用户摆进去往往根本没人愿意执行。主从博弈Stackelberg Game正好解决这个“决策权分散”的问题。它的核心结构是领导者先出牌。充电运营商制定各时段的充电服务价格目标是自身收益最大或者对电网更友好。跟随者再出牌。用户看到价格后在自己“省钱”的目标下选择最优充电计划。领导者不能无视跟随者的反应。它在定价时就要把用户的“最优反应函数”嵌进自己的优化问题里。这种博弈结构天然适合“运营商定规则、用户自由选择”的充电管理场景。你不去命令用户几点充只调整价格信号用户自然会往便宜时段跑。1.2 双层结构的角色分配我这版项目的角色分配很常规却非常典型上层充电站/聚合商。决策变量是24个时段的充电服务价格目标函数是售电收益减去购电成本要满足各时段总负荷不超过变压器容量。下层若干辆电动汽车。每辆车收到价格后在“电池不能过充、必须在离网前充到期望电量、充电功率有上限”这些物理约束下最小化自己的充电费用。还有一个容易被忽略的点上层和下层的时间尺度相同都是24小时但下层的每个用户其实是一个独立的小优化问题所以下层不是“一个”优化问题而是“一群”优化问题。建模时通常把它们写成多个独立但结构相同的决策主体。这种结构如果用一句话概括上层的价格变了下层的最优充电分布就会变下层充电分布变了上层的收益也会变。两层互相咬合最终收敛到一个双方都接受的均衡点。1.3 为什么用MATLAB而不是其他工具这个项目我选MATLAB主要不是因为性能而是因为建模和调试成本低。双层优化最怕的是边界条件和变量关系搞错一错就是满屏红字。MATLAB的矩阵运算思路跟这个问题的天然维度时段、车辆编号高度契合加上Yalmip这类建模工具箱能让你用“接近数学表达式的语法”快速把问题写出来。调参数、看中间结果也方便得多。当然也有代价。10辆车、24个时段还好如果做到上千辆车的规模MATLAB自带的求解器可能会吃力需要接更专业的商业求解器甚至要考虑把问题拆成分布式算法。但我个人觉得先把模型和逻辑跑通规模问题后面再优化完全来得及。2. 数学建模上下两层如何精确描述2.1 上层决策充电站定价优化上层模型我用的变量是充电服务价格 ( \lambda_t )( t1,\dots,24 )。这个价格是运营商直接面向用户的可变服务费不包含购电成本购电成本另外按实时的分时购电价 ( c_t ) 结算。上层的优化目标写成[ \max_{\lambda} \quad \sum_{t1}^{T} (\lambda_t - c_t) \cdot P_{\text{grid},t} ]其中 ( P_{\text{grid},t} ) 是配电网关口的总功率等于基础负荷 ( b_t ) 加上所有电动汽车充电功率之和[ P_{\text{grid},t} b_t \sum_{i} p_{i,t} ]这里有个关键点( p_{i,t} ) 不是上层自己说了算的它是下层用户充电优化问题的最优解。所以上层目标里其实嵌套了一个复杂的、隐式的函数关系。这就是“双层”的数学本质不是两个优化问题各做各的而是上层的问题里“长”着下层的问题。上层约束比较直接服务价格要在合理范围比如 ( 0.2 \le \lambda_t \le 1.0 ) 元/度各时段总负荷不能超过变压器容量 ( P_{\text{limit}} )价格变化不能太剧烈避免用户无所适从所以还要加相邻时段价格差的限制。很多初学者会漏掉最后一条。实际充电场景里价格如果每小时剧烈波动用户根本来不及反应反而会让充电负荷在几个时段之间来回横跳。我这次加了价格平滑约束效果明显稳健很多。2.2 下层响应电动汽车用户的充电行为下层模型里每辆车 ( i ) 看到电价 ( \lambda_t ) 后求解自己的最小充电费用问题[ \min_{p_{i,t}} \quad \sum_{t1}^{T} \lambda_t \cdot p_{i,t} ]约束条件需要仔细列下面这几个都是我从实际算例里总结出来的必选项充电功率上限( 0 \le p_{i,t} \le P_{\max} \cdot a_{i,t} )其中 ( a_{i,t} ) 表示车辆 ( i ) 在时段 ( t ) 是否接入充电桩充电需求约束( \sum_t \eta \cdot p_{i,t} E_i )即最终必须充满用户设定的电量电池SOC递推( SOC_{i,t} SOC_{i,t-1} \eta \cdot p_{i,t} / B_i )不能超过电池容量上限离网时间约束在用户设定的离网时刻之前SOC必须达到目标值。这里提醒一句电池SOC约束千万不要漏否则模型会把所有充电功率堆在最后一个时段“突击充电”虽然费用上可能最优但真实电池根本不允许。下层目标函数里( \lambda_t ) 对单个用户来说是已知参数所以下层是一个标准的线性规划LP。这一个性质极其重要后面单层化全靠它。2.3 单层化的关键KKT条件与强对偶线性化双层问题不能直接交给求解器因为求解器不认识“嵌套优化”。常见的解法是把它单层化思路分三步我逐一拆开讲。第一步用下层问题的KKT条件替换下层优化。下层是线性规划KKT条件既必要又充分所以下层最优解完全等价于“满足KKT条件的解”。这样一来下层“求最优”这件事就变成一组带互补松弛条件的约束嵌到上层模型里。第二步处理目标里的双线性项。上层收益中价格 ( \lambda_t ) 和充电功率 ( p_{i,t} ) 相乘这是两个变量相乘会让模型变成非凸问题。处理办法是用强对偶定理当底层LP有最优解时底层用户的总充电费用 ( \sum_t \lambda_t p_{i,t} ) 一定等于其对偶问题的最优目标值。对偶目标里通常只剩常数项和乘子变量相乘不再出现价格和功率两个决策变量的乘积。第三步把互补松弛条件线性化。KKT里的互补条件形如“对偶变量 × 松弛变量 0”是非线性约束。引入0-1辅助变量 ( z )用一个大M值拆成两个逻辑约束就能把问题转成混合整数线性规划MILP。这步做完原始的双层非凸问题就变成了一个标准的MILP可以交给成熟的优化求解器求全局最优解而不是像启发式迭代那样碰运气。我最早尝试过直接上层迭代求下层、固定下层再改上层的“循环逼近”算法结果价格总是振荡不收敛。换单层化之后求解稳定性和速度都上了一个台阶。这个坑后面展开讲。3. MATLAB实现全流程从模型到代码3.1 运行环境与工具箱准备我先说下环境搭配供你参考MATLAB版本用近几年的都行建模工具箱用Yalmip开源、轻量能省下大量“手动构造约束矩阵”的时间求解器我用了一款兼容Yalmip的商业MILP求解器你本地装哪款就用哪款不限定品牌数据部分不需要额外工具箱自己构造结构体或者MAT文件就行。安装好之后在命令行敲一句yalmiptest如果输出显示你选的求解器后面是“found”说明环境通了。这个测试一定要做否则后面所有代码都在报错你会误以为是模型写错了。3.2 数据准备算例参数设计我这次用的算例来自某园区规模不大但很有代表性。基础负荷是一个典型工作日的小区24点负荷曲线车辆参数设置如下参数数值电动汽车数量10辆充电功率上限3.5 kW充电效率0.92单辆需求电量8 kWh电池容量20 kWh可用充电时段18:00 至次日 06:00服务价格范围0.2 ~ 1.0 元/kWh有人可能会问为什么是10辆而不是100辆因为我的重点是把双层建模和求解流程跑通10辆车已经能看出博弈关系。小规模模型调参快你可以把一辆车、两个时段的简化版跑通后再放大到10辆和24时段。直接上大规模遇到问题根本分不清是模型逻辑错还是数据错。3.3 核心代码骨架下面这段代码是我从项目里简化出来的核心骨架变量命名尽量贴近刚才的数学符号。注意这是“能跑通逻辑”的版本不是生产级工程代码但结构上完全值得参考。%% 参数声明 T 24; % 时段数 I 10; % 电动汽车数量 eta_charge 0.92; % 充电效率 Pmax 3.5; % 单桩最大功率 E_demand 8; % 单辆车需充电量 Cap 20; % 电池容量 P_limit 150; % 变压器容量 % 基础负荷某园区典型24点负荷 base_load [ ... ]; % 购电价峰平谷三段即可这里省去具体数值 c_buy [ ... ]; %% 决策变量 price sdpvar(T, 1); % 上层充电服务价格 p sdpvar(I, T, full); % 下层各车各时段充电功率 % 可用充电矩阵 available(i,t)1表示可充0表示不可充 available zeros(I, T); available(:, 19:24) 1; % 18点对应第19时段这里简化示意 available(:, 1:6) 1; %% 下层用户充电问题用于生成KKT user_cost sum(sum(repmat(price, 1, I) .* p)); user_cons [ p 0 ]; user_cons [ user_cons, p Pmax * available ]; % SOC递推约束核心 soc zeros(I, T); for t 1:T if t 1 soc(:, t) 0.2 * Cap eta_charge * p(:, t); else soc(:, t) soc(:, t-1) eta_charge * p(:, t); end end user_cons [ user_cons, soc Cap ]; % 离网前充满 user_cons [ user_cons, soc(:, 6) 0.9 * Cap ]; %% 生成下层KKT系统 KKT kkt(user_cons, user_cost, p); %% 上层目标与约束 Pgrid base_load sum(p, 1); % 各时段总负荷 % 双线性项用强对偶替换后目标写成线性形式 % 这里为展示核心逻辑保留原公式实际替换见 3.4 节说明 upper_obj sum((price - c_buy) .* Pgrid); upper_cons [ Pgrid P_limit, price 0.2, price 1.0 ]; %% 求解 ops sdpsettings(solver, your-milp-solver, verbose, 1); optimize([upper_cons, KKT], -upper_obj, ops); %% 提取结果 price_opt value(price); p_opt value(p);这段代码不是直接把强对偶替换写死因为替换公式强依赖你对偶问题的具体形式我放在下一小节专门讲。3.4 强对偶替换与互补条件线性化的代码细节这一小节是整个项目的灵魂我多写几句。当我把下层KKT加进上层约束之后目标里依然残留 ( \lambda_t \cdot p_{i,t} ) 这种项。直接用Yalmip的optimize去解它会报“非凸问题”或者“双线性目标”这是正常的。正确的做法是回到强对偶公式。下层每个用户 ( i ) 的线性规划是[ \min \quad \lambda^\top p_i ]它的对偶问题目标值包含了右端常数和对偶变量强对偶保证原问题最优值等于对偶问题最优值。于是[ \lambda^\top p_i \text{dual_value}_i ]把上层收益里所有的 ( \lambda_t \cdot p_{i,t} ) 累加项全部替换成对应的对偶目标值。替换之后上层目标里剩下的项都只是价格变量、充电功率变量、对偶乘子的线性组合。问题里剩下的非线性只剩KKT条件里的互补松弛项。处理标准方法是引入二进制变量 ( z )每个互补条件拆成两条带大M的线性约束。例如对偶乘子 ( \mu \le M \cdot z )对应的松弛变量 ( s \le M \cdot (1-z) )这样模型就变成MILP。我在代码里把互补条件全部手动展开过因为自动生成有时候M值给得不够好。手动写的麻烦在于变量多但换来的是可控和稳定。3.5 求解参数配置与常见设置调用求解器之前有四个参数我建议必须确认求解器选择Yalmip里写成solver,your-milp-solverMIP容忍度我设置为默认值基础上的一个合理水平精度要求高就把MIPGap调小但求解时间会上升输出信息verbose设为1能看到分支定界进度超时保护savesolveroutput,1万一算不出来能留底排查。MILP求解时间主要看二进制变量数量和Big-M质量。我这个算例里互补条件数量大概在两三百个级别所以分支定界很快秒级出结果。如果你发现求解特别慢先检查是不是M值设得太大导致线性松弛太松。4. 结果分析价格策略到底有没有优化效果4.1 均衡结果长什么样跑完求解器我先把value(price)画出来再把总负荷曲线和原始基础负荷放一起对比。结果非常直观谷时段服务价格被压到接近下限0.2元/kWh峰时段服务价格抬高一度逼近1.0元/kWh大部分车辆被“挤”到夜间23点到次日5点充电晚高峰19点~21点的叠加充电负荷明显减小总负荷曲线比固定电价场景平滑很多。这个结果符合博弈直觉运营商为了多卖电、也为了满足变压器约束会主动用价格信号把用户引导到负荷低谷。用户这边因为充电费用确实便宜了也愿意推迟充电。双方都在既有约束下做到最好这就是Stackelberg均衡。4.2 与固定电价场景的对比为了验证博弈策略的价值我跑了一个对照组运营商不动态调价全天统一服务费用户照样自由优化充电时间。结果对比很有意思指标固定电价主从博弈定价晚高峰总负荷峰值明显偏高接近变压器上限峰值下降约8%总充电费用用户支出较高用户支出降低约12%运营商收益基线提高约10%注意这里的收益提高不是靠抬高价格而是靠把充电量更多地安排在高价时段和低价购电时段之间的价差里。用户也没有吃亏因为总费用反而低了。这就是双层优化跟“拍脑袋定电价”最大的不同它算出的价格不是单纯高或者低而是有结构的、时变的信号。4.3 参数敏感性的一些观察我还做了几组敏感性测试这里挑两个结论说。第一个是价格上限。把服务价格上限从1.0提到1.5峰谷价差拉大用户转移充电时段的意愿更强总负荷更平但同时运营商收益增速先快后缓说明价差不是越大越好超过一定幅度后用户需求已经饱和。第二个是充电需求电量。把单辆车需求量从8 kWh调到12 kWh后由于必须充电的总能量变大谷时段充电功率上限开始被占据部分车辆被迫在偏高价位充电总负荷峰值也随之上升。这说明电动汽车渗透率提高后单纯调价能起的作用有限可能需要叠加激励或者有序排队机制。5. 常见问题与排查技巧实录5.1 求解器报“无可行解”这是我第一次跑完整模型遇到最多的问题。排查思路按优先级排列先检查下层单独求解有没有解。固定一个价格只解下层LP如果下层无解那肯定是SOC约束或者充电需求约束冲突比如车辆接入时段太短却要求充满再检查变压器容量约束是不是太紧。把P_limit放大一些试跑如果可行了说明上层约束过于苛刻最后检查互补松弛的Big-M值。M太小会把可行解误杀。我踩过一个具体坑available矩阵写错了导致第一辆车只能在凌晨0点到1点充电但又要求它6点前充满8度电这显然不可能。这种错误最坑因为求解器只报“infeasible”不会告诉你哪辆车的参数矛盾。5.2 Big-M取值的玄学M值的选取在双层优化里真的是“基础不牢地动山摇”。M太小会强行排除掉真正的最优解M太大MILP的分支定界效率骤降甚至数值出问题。我自己的经验是对每个互补条件单独选取M不要全用同一个值。比如充电功率上限约束 ( p_{i,t} \le P_{\max} ) 对应的松弛变量天然范围就在0到3.5之间M取5就足够而SOC约束的松弛变量可能跟电池容量相关M取20。逐个对照物理含义取上界比闭眼取一个大M要稳得多。有个自查技巧求解完后把互补条件的左端值单独算一遍看最大误差有多少。一般要求不超过1e-4超过就说明M设置有问题。5.3 Yalmip报错和维度问题Yalmip的报错大多集中在维度不匹配和变量类型不匹配。价格是24×1功率是10×24想算总费用需要repmat(price, 1, I)而不是直接相乘基础负荷是1×24的行向量Pgrid可能是1×24而优化目标里别的项可能是24×1需要用转置统一方向互补条件线性化引入的二进制变量不能在后面又赋连续值。我建议每写一小段就size()确认一下维度Yalmip的check()函数能帮你检查约束是否一致。真到了报错再回头查非常浪费时间。5.4 结果为什么反复振荡如果你不用单层化而是自己写迭代给一个初始价解下层再用下层结果更新上层你会发现价格在迭代几百次后依然来回跳动不收敛。原因在于两层各自的“最优化”没有考虑对方的理性反应等于两个人在暗室互相猜拳。单层化之后就不存在这个问题因为KKT条件把“用户会对价格做出最优反应”这件事直接锁进了约束里。如果你单层化后还振荡那多半是MILP求解精度不够或者价格平滑约束没加。5.5 问题排查速查表现象可能原因快速诊断方法无可行解下层参数冲突 / 容量约束过紧 / M太小固定价格单独解下层目标值异常大双线性项未替换 / 单位不一致检查目标函数各项量纲求解时间过长二进制变量过多 / M太大统计变量数收紧M上界结果不可复现求解器随机种子变化设置固定随机种子或固定整数策略结果不满足直觉价格平滑约束缺失 / 数据没收敛加价格差分限制做敏感性测试6. 项目扩展方向与实际操作心得6.1 从静态博弈到滚动优化这个项目目前是“已知全天数据、一次求解”的开环方式。实际运营中第二天的基础负荷和车辆接入情况很难完全预测所以我会建议把它扩展成滚动时域优化每隔15分钟或1小时重新采集数据求解一次未来24小时的定价策略但只执行当前时段的价格。这个扩展对模型本身改动不大主要是把预测数据接口和滚动循环写起来。你会得到一个动态定价系统比一次性算完要实用得多。6.2 引入V2G反向充电如果允许电动汽车向电网放电下层问题就变成带负功率下界的LP用户的决策多了“在哪些时段放电赚钱”这个选项。上层定价的博弈空间更大模型求解规模也会变大但单层化的思路完全不变KKT依然有效。这个方向我打算下个版本做。6.3 多运营商竞争的扩展目前只有一个充电运营商价格由它一家独断。如果园区里有多个运营商就变成多个领导者之间的博弈问题复杂度会上一个台阶。通常做法是用收益最大化条件下的多人非合作博弈描述求解方法也从MILP变为更复杂的均衡搜索。这个扩展不太适合继续用MATLAB单机硬扛建议把它作为理解更复杂博弈的跳板。6.4 最后分享几个实操心得反复调试这套代码之后有几条体会特别深。第一先把一辆车、两个时段的“玩具模型”彻底跑通再扩规模。任何双层优化的坑在小模型上都更容易定位。小模型能出正确结果大模型才有讨论价值的底气。第二强对偶替换这一步别急着写代码。拿纸笔把上层目标里的每个双线性项去向列一遍看清哪些可以换成对偶目标值哪些需要保留再动手。我第一版代码就漏了一项乘积项结果求解器算了半天给我返回一个明显不合理的价格曲线排查了整整半天。第三不要迷信大M万能。逐条约束算上界把M值写小一点求解效率和数值稳定性都更好。这是经验之谈也是这项目里最值得记住的细节之一。