企业官网建设流程全解析

最近好几个做配电网方向的师弟师妹都在问我同一个问题：EI论文里那些“基于主从博弈的产消者竞价策略”到底是怎么复现的？代码长什么样？IEEE33节点系统要怎么搭？说实话，这个方向确实是目前新型配电系统研究的热点，但要真正看懂、跑通、改出属于自己的版本，光靠论文附录那点信息远远不够。今天我就把当时复现这个项目、写Matlab代码的完整思路和踩坑经验整理出来，项目标题很直白——《基于主从博弈的新型城镇配电系统产消者竞价策略【IEEE33节点】附Matlab代码》，如果你也卡在双层优化建模、博弈迭代求解或者IEEE33节点数据不会用，这篇应该能帮你省下不少时间。

需要说明的是，我在这篇文章里不会贴完整代码（那个量太大），但会把代码架构、关键模块的写法、参数设置逻辑和调试思路一步步拆开，并附上可以直接移植的片段。适合电力系统相关专业的研究生、刚接触配电网优化和博弈论的研究者，也适合想用Matlab复现论文算例的工程师。就算你之前没碰过主从博弈，只要有点线性规划和Matlab基础，按着这个思路走，也能把系统跑起来。

1. 项目干了什么事：一个非对称博弈下的电价与电量决策问题

1.1 从“用户”到“产消者”，问题本质变了

传统配电网里，用户就是纯负荷，电网公司只管卖电。但分布式光伏、储能、电动汽车充电桩大规模接入后，很多用户自己也能发电了，一天里既有购电时段又有售电时段，这类用户就是“产消者”（prosumer）。这时候配电网运营商和用户之间的关系就变了：用户不光是价格接受者，他们也能根据电价调整自己的用电、发电、储能行为。

这个项目要解决的核心问题就是：配电网运营商（DSO）怎么制定合理的购售电价，让用户愿意参与调节，同时保证自己的收益和电网安全运行；产消者又怎么根据运营商给定的电价，决定自己买多少、卖多少、储能充放多少，让自己的用能成本最低。这两边目标不一致，信息也不对称，牵一发动全身，本质是一个非合作博弈问题。

1.2 用“主从博弈”建模，恰好贴合实际决策顺序

这类问题用“主从博弈”（Stackelberg game）建模是非常自然的思路。配电网运营商掌握电网拓扑和全部负荷数据，具备制定电价的行政和技术优势，是“领导者”（leader）；产消者只能根据电价信号调整自己的行为，是“跟随者”（follower）。决策顺序就是：运营商先公布购售电价，产消者再根据电价做优化决策，运营商根据产消者的响应反推自己收益，然后调整电价，循环往复直到达到均衡。

这种主从递阶的结构，和现实中“电价引导用户行为”“用户行为又反过来影响电价”的闭环是完全一致的。相比单纯求系统最优的集中式优化，主从博弈更强调各主体的独立决策能力和利益博弈过程，所以这几年在配电网竞价、需求响应、虚拟电厂调度里被大量采用。论文里用IEEE33节点系统做算例，就是为了在一个公认的标准配电网拓扑上验证这种博弈策略的可行性。

1.3 为什么选IEEE33节点，它能验证什么

IEEE33节点是配电网研究最经典的测试系统：一个33节点、32条支路的辐射状网络，基准电压12.66kV，基准功率10MW，总负荷大约在3715kW+j2300kvar左右。系统规模不大不小，既能体现配电网的潮流约束和电压分布特征，又不会因为节点太多导致求解时间暴涨，特别适合做博弈策略和优化算法的初步验证。对复现者来说，好处是数据公开、文献充足，任何结果都能和其他论文对比，不容易出现“自己都不知道算得对不对”的情况。

在这个系统里，可以把某些节点设置为装有光伏和储能的产消者，配上负荷曲线、光伏出力曲线，DSO在上层定电价，下层各产消者做内部优化，配合潮流计算检查电压是否越限，整个闭环就有血有肉了。

2. 上下层模型的数学表达与关键约束

2.1 上层：运营商怎么定购售电价

上层模型的核心是确定DSO向产消者购电和售电的价格，这通常是两个随时间变化的变量。目标函数是DSO的净收益最大化。DSO从电网批发购电，再以售电价格卖给产消者，同时以收购价格从产消者那里买回多余电量，卖给上级电网或转供给其他用户。扣除网损和从主网购电的成本，剩下的就是净收益。

如果从社会福利最大化的角度，目标函数也可以写成DSO收益加产消者成本的总和达到最优，但那样削弱了博弈的味道。严格的主从博弈还是让DSO只优化自己收益，把产消者成本放进去作为约束。

约束条件方面，首先是电价上下限约束，避免电价过高或过低，保证市场公平；其次是潮流约束，用DistFlow方程描述配电网有功、无功、电压的关系；再次是节点电压约束和支路功率约束，保证电网安全运行。这部分如果不用Yalmip这类建模工具，手写潮流约束还是比较繁琐的，后面我会详细说代码实现。

上层模型的一般形式可以写成：

% 上层目标：DSO收益最大化（伪代码思路） % 决策变量：购电价 buy_price(t)，售电价 sell_price(t) % 收益 = 售电收入 - 购电支出 - 主网购电成本 - 网损成本 % DSO_objective = sum(sell_price .* P_buy) - sum(buy_price .* P_sell) ... % - c_wholesale * P_grid - c_loss * P_loss; % 约束：buy_price ∈ [price_min, price_max]; % sell_price ∈ [price_min, price_max]; % DistFlow 潮流方程约束

这里有个细节很容易被忽略：DSO给产消者的售电价，通常比从上级电网买电的价格高，否则DSO会亏本；而收购价要定得低于实时零售价，否则会有套利空间。定价的高低直接影响产消者跟不跟你的价格走，所以初始定价范围和价格激励层的关系一定要在设计时想清楚。

2.2 下层：产消者怎么报量和执行策略

下层模型解决的是每个产消者收到电价后的“最优响应”问题。产消者内部一般包含光伏、储能、可控负荷或普通负荷。它的目标函数是自己的总成本最小化。成本包括从电网购电的费用、储能充放电的损耗成本、弃光的惩罚成本等，收入则包括向电网售电的收益。

产消者优化的决策变量通常有：每个时段的购电功率、售电功率、储能充电功率、放电功率、光伏出力分配等。约束包括：

• 功率平衡约束：光伏出力加购电加储能放电，等于负荷加售电加储能充电；
• 储能约束：荷电状态（SOC）递推公式、SOC上下限、充放电功率上下限、每小时只能处于一种状态的逻辑约束；
• 购售电互斥约束：同一时段不能既买又卖，否则会产生套利漏洞；
• 光伏出力约束：不能超过实际可用出力。

这些约束中，储能SOC递推是非线性的，需要线性化或直接按时间步长线性递推，比较简单；购售电互斥是典型的线性约束，用两个二进制变量加一个大M就可以表达。

对每个产消者来说，给定电价之后，这个优化问题就是标准线性规划或混合整数线性规划，Matlab里用Yalmip+Gurobi、Cplex或者甚至直接用linprog都能高效求解。下层问题好不好解，直接决定了整个双层迭代能不能快速跑完。

2.3 求解主从博弈的两种主流思路

主从博弈的求解，业内主流做法有两种。

第一种是“KKT条件转化法”：把下层优化问题用它的KKT条件替代，从而把双层优化转换为单层带互补约束的数学规划问题（MPEC）。这个单层问题可以用求解器直接解，但难点在于互补松弛条件通常是非线性的，需要引入大M法或Special Ordered Set把它线性化，处理不好容易产生数值不稳定问题。

第二种是“迭代求解法”：上层用电价策略生成算法（比如粒子群PSO、遗传算法、差分进化）生成一组候选电价，下层的产消者优化问题作为一个黑箱函数返回优化结果，然后把这些结果代入上层目标函数计算适应度，再用启发式算法更新候选解，反复迭代直到收敛。这种做法不需要求梯度，对模型形式很宽容，只要下层能稳定求出最优解即可。

我的经验是：如果你只是复现论文算例，第二种方法更友好，调试成本低，可视化和收敛过程也更直观。KKT那套适合做理论推导、证明解的最优性，但写代码的时候容易卡在互补条件的线性化上。这篇博文主要讲迭代求解法的实现，因为对大多数想“先跑通再扩展”的人来说，这是最省力的一条路。

3. 一次跑通的Matlab代码架构与数据准备

3.1 搭建IEEE33节点系统的数据表

拿到这个项目的第一件事不是写代码，而是把IEEE33节点的数据整理成Matlab方便读取的格式。常见的做法是准备两个表：线路参数表和节点负荷表。线路参数包括首端节点、末端节点、支路电阻（欧姆）、电抗（欧姆）；节点负荷表包括各节点的有功功率和无功功率。IEEE33节点的数据公开资料很多，但要注意不同版本的基准值可能不同，下面给出部分节点的典型数据示例。

这里要注意：IEEE33节点系统标准算例里，节点编号通常从1开始，但很多Matlab代码里节点编号从0开始，因为要表示首端平衡节点。复现时一定要统一编号规则，否则后续潮流计算和节点电压越限判断会全部对不上。建议在代码开头写一段数据加载函数，返回结构体，把线路参数、节点负荷、基准值统一封装，后面所有模块都从结构体取数，能省掉大量改bug的时间。

3.2 产消者资源分布设定

IEEE33节点里并不是每个节点都装光伏和储能，一般会选几个典型节点作为产消者。参考论文的常见做法，可以在节点8、节点18、节点25、节点33附近设置产消者，每个产消者配置光伏装机、储能容量和日负荷曲线。具体容量大小可以根据总负荷水平按比例设定，比如光伏装机取50kW~100kW，储能容量取100kWh~200kWh。

产消者的时序数据也要单独准备，包括24小时负荷曲线、光伏出力曲线。这一块你可以用典型日数据，也可以自己生成。我建议先随手生成几条平滑曲线，把模型正确性验证过了，再用真实日出力曲线替换。否则一上来把时序波动搞得很复杂，出了问题都不知道是博弈模型的锅还是数据曲线的锅。

3.3 代码的整体架构与模块划分

一套好用的复现代码，我不是一次写完的，是按模块不断调试出来的。整个程序大致分五个模块：

• 主函数（main）：负责参数初始化、调用各模块、输出结果；
• 上层价格生成模块（leader）：负责生成电价策略、更新电价；
• 下层产消者优化模块（follower）：负责求解每个产消者的最优响应；
• 潮流校验模块（powerflow）：负责计算当前策略下的配电网潮流和电压分布；
• 结果输出模块（plot）：负责绘制电价曲线、收益曲线、收敛过程。

主函数的基本流程可以写成：

% main.m 主流程示意 % Step 1: 加载IEEE33节点数据，初始化产消者参数 [bus, branch, prosumer] = init_ieee33(); % Step 2: 初始化上层电价策略（PSO粒子位置） price = initial_price(); % Step 3: 主从迭代循环 for iter = 1:max_iter % 3.1 下层：给定电价，求解各产消者最优响应 [P_buy, P_sell, C_prosumer] = solve_follower(price, prosumer); % 3.2 潮流计算，判断电压是否越限 [V, P_loss] = powerflow(bus, branch, P_buy, P_sell); % 3.3 上层：计算DSO收益，更新电价策略 [price, fitness] = update_leader(price, P_buy, P_sell, V, P_loss); % 3.4 收敛判断 if abs(fitness - fitness_prev) < tol break; end fitness_prev = fitness; end

这个流程看起来简单，但每个模块展开都有不少细节。尤其是solve_follower这个模块，它要处理的不是单一个体，而是多个产消者的集合，每个产消者都有自己的约束和目标，需要设计成可循环调用的子函数。

3.4 运行环境与工具链准备

Matlab版本建议R2020a以上，因为新版本对优化工具箱支持更好。下层产消者优化我用的是Yalmip+Cplex，也可以直接用Matlab自带的linprog，但如果你后面要扩展成混合整数规划，Yalmip+Gurobi还是更省心。Yalmip安装非常简单，只需要把Yalmip文件夹加到Matlab路径里，再安装任意一个求解器即可。

如果你不想用外部求解器，Matlab的linprog和intlinprog也能应付大部分情况，只是性能差一些、表达式不如Yalmip直观。这个项目里，我强烈建议至少装一个Gurobi或Cplex，原因有三：一是产消者数量多、时段长时，内点法求解速度差别明显；二是Yalmip建模可以很直观地写出约束和目标，省去手动整理系数矩阵的巨大工作量；三是后面你要加二进制变量做储能状态约束时，Gurobi对混合整数规划的求解能力远超Matlab自带求解器。

4. 关键代码模块详解：产消者模型、价格更新与潮流校验

4.1 下层产消者模型怎么用Yalmip写

产消者模型的代码是这个项目最核心的部分，写清楚了对后面扩展非常有帮助。我用一个简化模型做示例：假设单个产消者有光伏、储能和负荷，需要在给定购电价buy_price和售电价sell_price后，决定各时段的购电量Pbuy、售电量Psell、储能充电功率Pch和放电功率Pdis。

如果用Yalmip写，代码框架大约是：

function [Pbuy, Psell, cost] = solve_follower(price, prosumer) T = 24; % 决策变量 Pbuy = sdpvar(1, T); % 购电功率 Psell = sdpvar(1, T); % 售电功率 Pch = sdpvar(1, T); % 储能充电 Pdis = sdpvar(1, T); % 储能放电 u = binvar(1, T); % 1表示充电，0表示放电 soc = sdpvar(1, T+1); % 荷电状态 % 目标函数：购电费用 - 售电收入 + 储能损耗成本 Objective = sum(price.buy .* Pbuy - price.sell .* Psell + ... c_battery * (Pch + Pdis)); % 约束 Constraints = []; for t = 1:T % 功率平衡：光伏+购电+放电 = 负荷+售电+充电 Constraints = [Constraints, prosumer.Pv(t) + Pbuy(t) + Pdis(t) == ... prosumer.Load(t) + Psell(t) + Pch(t)]; % 储能约束 Constraints = [Constraints, soc(t+1) == soc(t) + 0.9*Pch(t) - Pdis(t)/0.9]; Constraints = [Constraints, soc(1) == 0.5 * prosumer.E_cap]; Constraints = [Constraints, 0.2*prosumer.E_cap <= soc(t+1) <= 0.9*prosumer.E_cap]; Constraints = [Constraints, 0 <= Pch(t) <= prosumer.Pch_max * u(t)]; Constraints = [Constraints, 0 <= Pdis(t) <= prosumer.Pdis_max * (1-u(t))]; % 购售互斥 Constraints = [Constraints, 0 <= Pbuy(t) <= prosumer.Pmax * (1-v(t))]; Constraints = [Constraints, 0 <= Psell(t) <= prosumer.Pmax * v(t)]; end options = sdpsettings('verbose', 0, 'solver', 'gurobi'); optimize(Constraints, Objective, options); cost = value(Objective); Pbuy = value(Pbuy); Psell = value(Psell); end

注意上面我用了两个二进制变量u和v，u管储能充放电状态，v管购售互斥。在实际代码里，v也需要先定义成binvar，这里为了简短没有写全。Yalmip的好处就是可以很自然地写“同一天里要么充要么放”“同一时段不能又买又卖”这种逻辑约束，换成手写矩阵会非常痛苦。

还有几个容易踩坑的地方：储能SOC递推公式里的效率系数要乘对地方，充电时储能实际存进去的电量是充电功率乘以充电效率，放电时放出来的电量是SOC变化量乘以放电效率，搞反了会导致SOC不守恒；SOC初值定了0.5，但你要注意最终时刻SOC要不要约束回0.5，如果要做日闭环运行那就要加这个约束，否则一天下来SOC漂移多少算多少，结果不可比；购售互斥用大M加二进制变量，Pmax要取足够大，但又不能太大，否则数值稳定性下降。

4.2 上层价格更新：粒子群还是枚举搜索

上层需要生成一组电价，让下层跑完再计算适应度。很多复现代码喜欢用粒子群算法（PSO）来找最优电价，因为不需要梯度、容易实现。我在这里也用了PSO，思路很简单：每个粒子代表一组电价向量（24时段的购电价加24时段的售电价，共48维），速度向量和位置向量在每次迭代里按PSO标准公式更新。

核心更新代码是：

% PSO核心更新公式（第k维） v(i,k) = w * v(i,k) + c1*rand*(pbest(i,k) - x(i,k)) ... + c2*rand*(gbest(k) - x(i,k)); x(i,k) = x(i,k) + v(i,k); % 检查上下界 x(i,k) = max(x_min(k), min(x_max(k), x(i,k)));

价格向量的边界设置很重要，把购售价限制在一个合理区间内，比如下限取0.3元/kWh、上限取0.8元/kWh。边界不要设得太紧，否则解空间被截断，可能找不到均衡解；也不要太松，否则粒子到处乱飞，收敛很慢。PSO参数w取0.6左右，c1和c2取1.5左右，种群规模40，迭代次数50，一般够用了。

还有一种更“稳妥”的做法是把电价离散化成几档，然后用枚举或者穷举搜索，比如购售价都取0.4、0.5、0.6、0.7四档，对24时段组合做搜索。这种方式在时段少的时候可以，但24时段维度太高，穷举根本不现实。所以更推荐用启发式算法，至少能保证在有限时间内找到较优策略。

4.3 潮流校验：DistFlow模型的简化实现

电价策略和产消者响应确定后，必须算一次潮流，确认没有节点电压越限和支路过载。在IEEE33这种辐射状配电网里，用DistFlow方程比较方便，不需要形成完整的节点导纳矩阵。

DistFlow方程的基本关系是：从根节点（平衡节点）开始，逐条推算每条支路的末端电压、有功功率和无功功率，直到覆盖所有节点。在复现项目里，你不需要写全套牛顿拉夫逊潮流，只要用前推回代法实现配电网潮流计算即可。原因是IEEE33系统规模小、辐射状结构简单，前推回代法迭代几次就收敛了，代码也只有几十行。

用Matlab调MATPOWER也可以，但MATPOWER主要是为输电网设计的，对配电网的多相不平衡、零序参数支持不好，而且每次调用要构造bus和branch结构体，频繁调用速度反而慢。我实际跑下来，还是自己写前推回代更灵活，还能顺便统计网损分布。

4.4 收敛判据怎么设置才不容易误判

主从博弈迭代的收敛判据，不能只盯着上层收益绝对值的变化，因为启发式算法在前几十代本身就会有波动。比较稳妥的做法是综合三个指标：DSO收益的变化量小于阈值、电价的变化量小于阈值、产消者总购售电量的变化量小于阈值。三者同时满足才算收敛。

% 收敛判据示例 if abs(Ft - Ft_prev) < 1e-3 && max(abs(price - price_prev)) < 1e-3 disp('博弈收敛'); break; end

注意阈值不要设得太小，否则很容易因为数值噪声一直不收敛；也不要太大，否则可能在非均衡点就停了。我习惯先把阈值设到1e-3跑一遍，看收敛曲线和最终收益，再微调阈值。完全收敛的标准是：上下层策略互相不再改变，DSO没有单方面调整电价的动力，产消者也没有调整电量的动力，这才是真正的Stackelberg均衡。

5. 仿真结果怎么看：从收敛过程到策略对比

5.1 收敛过程揭示了什么信息

跑完主从博弈迭代之后，第一件事就是画出收敛过程曲线。横轴是迭代次数，纵轴是DSO的总收益，预期应该是一条先快速上升、再逐渐平稳的曲线。如果收益曲线上蹿下跳、反复震荡，说明价格更新步长太大或者PSO参数不合适，这时候可以减小粒子速度上限、增大惯性权重的衰减，或者把价格更新改成指数平滑式更新。

另外把24时段电价序列画出来，看有没有明显的高峰、低谷和峰谷差。如果电价全天都在上限附近，说明DSO策略有问题，市场缺乏弹性；如果电价全天都贴着下限，说明DSO没有从售电业务里赚到钱，博弈结果也不合理。正常情况应该是：负荷高峰时段售电价高、购电价也同步提高，负荷低谷时段售电价低，激励产消者在低谷多储电、高峰多放电。

5.2 主从博弈和固定电价对比的差异

要验证主从博弈策略的有效性，最直观的方法是设置一组对照：固定电价方案（比如全天0.5元/kWh统一价）和主从博弈优化电价方案，比较两者的结果对比。

从收益表可以看出几个关键结论：

博弈达到均衡后DSO收益提高，产消者购电成本也下降了，网损降低，电压越限被消除。这个结果表面看有些“双赢”，实际上是因为固定电价是一种僵化的成本转嫁，产消者没有激励调整用电行为；博弈电价则传递了准确的供需信号，引导产消者在低谷充电、在高峰放电，系统整体的效率提高了，多余的收益在DSO和产消者之间分配，双方都受益。

如果你复现出来的结果对比不明显，先检查产消者储能参数是不是太保守、充放电功率限制是不是太小，再检查PSO迭代代数和种群规模是不是太少。很多时候不是模型的问题，是优化没收敛到位。

5.3 节点电压与网损的空间分布分析

针对IEEE33节点系统，把博弈前后的节点电压分布画在同一张图里，你能明显看到：在博弈策略下，末端节点（比如节点17、18、32、33）的电压抬升，系统最低电压点被拉高，整体电压剖面更加平缓。原因就是储能在合适时间放电，给系统提供了就地无功和有功支撑。

网损方面，可以画出每条支路的损耗柱状图，你会发现网损最严重的往往在靠近根节点的几条主干支路上，比如0-1支路、1-2支路。博弈策略下这些主干支路的损耗会明显下降，因为有一部分功率被产消者就地平衡掉了，不用从根节点远距离输送。

6. 复现过程中的典型坑与扩展思路

6.1 求解器装好了，Yalmip还是报错怎么办

最常见的问题是Yalmip能安装但找不到求解器。这种报错一般有两个原因：一是Gurobi或Cplex的licence没配好，打开Matlab输入gurobi_setup或者cplex_setup会报错；二是Yalmip的路径和求解器路径顺序乱掉了，导致Yalmip找不到求解器。解决办法是：先运行yalmiptest查看可用求解器列表，如果Gurobi出现在列表里，再用sdpsettings('solver','gurobi')指定。如果列表里没有，优先加路径，再不行就别纠结，直接换成Matlab自带的intlinprog。

另外，Yalmip建模时要避免使用“双重线性化”的写法。比如一旦目标函数里出现了price(t) * Pbuy(t)，而price是变量，那就是二次项，必须用非线性求解器。主从博弈里，上层和下层之间通过值传递耦合，Pbuy(t)在下层求解时已经是数值了，所以不会出现二次项问题。但如果你把上下层写在一个大模型里直接求解，就会变成双层非线性规划，难度指数级上升。

6.2 双层迭代不收敛，怎么快速定位问题

迭代不收敛时，先用排除法定位。我的做法是：保持上层电价不变，单独让下层反复求解十次，看结果是不是完全一致的，如果不一致，说明下层模型有随机性或者初始状态有误；然后固定下层为一个已知策略，让上层更新一次电价，人工检查目标函数值和约束是否合理；最后再放开完整迭代，把每一步的DSO收益、购售电量都打印出来，看卡在哪一步。

另一个我踩过的大坑是粒子速度范围没限制，导致价格在上下界之间高速震荡。解决办法是在PSO更新时对每个粒子的速度做钳位，让单步变化不超过价格区间的20%，比如价格范围是0.3到0.8，那每一步变化最多0.1。这个操作虽然简单，但对收敛性改善非常明显。

6.3 IEEE33节点数据不一致的坑

不同来源的IEEE33节点数据，支路阻抗、节点编号、基准值都有可能出现细微差异。复现时建议以原文献配电网标准数据为准，先不用管和论文数值的微小差距，但一定要保证数据自己内部自洽。比如基准功率是10MVA，那负荷的标幺值就要等于有名值除以10；线路电阻的标幺值等于有名值除以基准阻抗。把单位统一搞对了，潮流计算和优化结果才有意义。

我每次拿到一套新数据，都会先单独跑一个纯潮流，验证根节点电压近似1.0、末端节点电压在0.9到1.05之间、总网损在合理范围（通常几十kW）。如果潮流本身就不正常，后面对接博弈模型必然全是问题，先把这个基础校验做扎实。

6.4 从“跑通”到“改出自己的论文”的几个扩展方向

如果你已经按这个思路把基础版跑通了，下一步就可以往自己的方向扩展了。我建议从四个方向入手：

• 多产消者竞价的非对称信息：不同产消者拥有不同的光伏容量、储能容量，设置差异化参数观察博弈结果；
• 需求响应和可中断负荷：在产消者模型里加入可转移负荷、可削减负荷，让下层优化更贴近实际；
• 多时间尺度协同：日前市场用主从博弈定策略，实时阶段用模型预测控制（MPC）做滚动修正；
• 综合能源系统扩展：把单纯的电负荷扩展成电-热-气多能互补，对产消者来说就是热电联产设备、电锅炉、蓄热罐的联合优化。

每次只加一个方向的复杂度，不要一下子全塞进去，否则调试成本巨大。等你能把某一个方向做深，再做灵敏度分析、性能比较，就有足够内容支撑一篇不错的论文或者项目报告了。

从我个人实际复现的经验来看，主从博弈这个方向最忌讳的就是“光看不动手”。你光看公式推导，永远体会不到KKT线性化的痛苦、迭代震荡的焦虑、节点电压越限的意外。但只要沉下心来，把上层、下层、潮流三个模块先分别做对，再拼在一起联调，整体进度会比你预想的快很多。代码这个事，跑通第一版永远是最难的，可一旦通了，后面想加什么约束、换什么场景，都只是体力活罢了。