企业官网建设流程全解析

先看标题里的关键信息：双层鲸鱼算法、非合作博弈、居民负荷分层调度、Matlab。这东西说白了就是——在居民侧的用电调度场景中，把“电网/聚合商定价格”和“居民用户调负荷”这两个层级分开建模，各自求解最优策略，再用非合作博弈衔接两边的利益关系，最终通过改进的双层鲸鱼算法把整个模型解出来。

我最早做这块的时候，踩得比较深的坑有两个：一是把双层问题当成单层优化去处理，拿到手的结果根本没法解释；二是居民用户的负荷响应行为没建模好，导致上层怎么调价格，下层都不“接招”，整个迭代直接卡死。这篇文章把我在实际做这套模型时的完整思路、数学建模过程、算法设计细节、Matlab代码结构以及调试经验全部复盘一遍。如果你是在做需求响应、峰谷差优化、用户侧调度相关方向，或者是刚接触双层优化、博弈论却在写代码阶段发愁的人，这篇文章应该能让你少走不少弯路。

1. 模型设计思路拆解

1.1 为什么居民负荷调度非得“分层”

居民侧负荷调度和工商业用户不一样，单个用户容量小、数量大、行为随机性强。你要是像传统电网调度那样搞一个集中式优化，把所有居民的负荷曲线全部收上来统一算，第一是隐私问题用户根本不接受，第二是计算规模大到没法落地，第三就是缺少利益驱动——用户凭什么让你调他的空调和热水器？

分层调度的本质就是把决策权划分清楚：上层是电网公司或者负荷聚合商，负责制定分时电价或者激励价格；下层是居民用户，在拿到价格信号之后根据自己对用电舒适度的偏好，自主调整可转移负荷（洗衣机、洗碗机、电动汽车充电）和可中断负荷（空调、热水器）。上层管“价格杠杆”，下层管“负荷响应”，中间靠电价这个信号衔接起来。

这个结构其实是Stackelberg博弈的标准框架。上层是领导者，先出牌；下层是跟随者，根据上层的价格策略做出最优响应。上下层反复迭代直到两边都不想再改变自己的策略，就是整个系统达到稳定状态的时刻。用非合作博弈来刻画居民用户之间的关系也很自然：用户之间不存在“商量好了集体调负荷”这种合作机制，每个人都是独立的理性个体，各自追求自己的用电效用最大化。

1.2 双层模型的基本框架

整个模型可以表达成下面这种嵌套结构：

上层目标函数：最小化系统峰谷差或者最小化购电成本，决策变量是24小时的分时电价。

约束条件：电价上下限、电价平滑性（防止相邻时段价格跳变过大让用户反感）。

下层目标函数：每个用户最大化“用电满意度减去电费支出”，决策变量是该用户的可转移负荷启停时间和可中断负荷调节量。

约束条件：用电设备的运行时间窗、可转移负荷的总转移量上限、可中断负荷的调节范围、用户总用电量上下限。

上下层之间没有任何直接命令关系，上层只能通过改变电价间接影响用户行为，下层只能通过改变负荷曲线反馈给上层重新计算目标函数。这种“间接控制”的思路，恰恰符合真实电力市场中的运行逻辑。

2. 非合作博弈与负荷响应建模

2.1 博弈三要素怎么对应到实际场景

博弈论里最核心的三要素：参与者、策略集、收益函数。放在这个模型里对应关系非常清晰：

参与者：N个居民用户（也可以把负荷聚合商作为上层博弈参与者单独建模）。

策略集：每个用户可以根据电价信号调整自己的负荷曲线，可转移负荷的转移时间段、可中断负荷的响应容量，这些都是策略。

收益函数：这是建模最需要花心思的地方。用户的目标是最大化自己的用电净效用，也就是“用电带来的舒适感”减去“电费支出”。

用电舒适感用二次效用函数来描述，这个形式在电力需求响应文献里非常常见：

U_i(x_i) = a_i * x_i - b_i * x_i^2

其中x_i是用户i在某时段的用电功率，a_i和b_i是用户偏好参数。二次函数的特点是边际效用递减，这符合直觉——夏天你开空调从26度调到25度幸福感提升很大，从18度再往下调，体感变化已经不明显了，但电费却涨得很快。

用户的净收益就是：

maximize: a_i * x_i - b_i * x_i^2 - price(t) * x_i

这个目标函数是凹函数，对x_i求导等于零就能得到用户在给定电价下的理论最优用电功率：

x_i*(t) = (a_i - price(t)) / (2 * b_i)

注意这里还有个隐含关系：电价太高的时候用户会选择不用电或少用电，电价过低的时候用户多用电，这正好是需求响应想要的弹性行为。

2.2 负荷分层：刚性负荷、可转移负荷与可中断负荷

居民负荷分三类处理，每类的建模逻辑完全不同：

刚性负荷：照明、冰箱、电视这类，用电时间和功率基本固定，不具备调节潜力，在模型中作为基础负荷直接叠加到总负荷曲线上。

可转移负荷：洗衣机、洗碗机、电动汽车充电桩。这类负荷的特点是“用电总量固定，但用电时段可平移”。洗衣机洗一桶衣服消耗的电量是固定的，但在凌晨洗还是晚上洗，取决于电价。建模时用“运行状态矩阵”来表示，u(t)为0或1表示设备在某时段是否运行，加上“总运行时长固定”的约束，就能把可调度性表达出来。

可中断负荷：空调、电热水器。这类负荷的特性是可以临时降低功率甚至短时关闭，但关闭太久会影响用户体验。建模时设定一个中断深度和最长中断时间，用户可以在电价高的时段选择少用或不用，用舒适度损失换取电费节省。

真正做仿真的时候，这三类负荷的比例大概按40%、35%、25%来设置比较贴近实际。全刚性负荷用户没有调节能力，也就没必要参与博弈；全柔性负荷又失真，用户再理性也不可能把用电时间全挪到半夜。

2.3 纳什均衡的迭代求解思路

下层用户之间做非合作博弈，最终要收敛到纳什均衡——每个用户都不能通过单方面改变策略获得更大收益。直接把纳什均衡条件写成一个方程组去求解析解，在有约束的离散决策变量下几乎不可能，所以工程上都用迭代逼近的方法：

初始给定一组负荷策略，每个用户在其他用户策略不变的情况下，求解自己的最优反应函数，得到新策略；然后所有用户同时更新策略，进入下一轮；重复这个过程直到相邻两轮策略的变化量小于阈值，就认为达到了纳什均衡。

我在仿真中发现，用户数量越多，收敛需要的迭代次数越多。30个用户大概需要20到30轮博弈迭代才能平稳下来。这里有个技巧：每轮用户策略更新时可以加一个阻尼系数，把实际更新的策略设置为“旧策略乘以(1-alpha)加新策略乘以alpha”，alpha取0.3到0.5。不加阻尼的话，策略容易在两三个值之间来回震荡，看着已经收敛了，实际上是在一个极限环上打转。

3. 双层鲸鱼算法的原理与改进

3.1 为什么选鲸鱼算法而不是粒子群或遗传算法

优化算法这块，早期我试过粒子群和遗传算法，后来才换到鲸鱼算法。对比下来鲸鱼有三个明显的优势：

参数少。粒子群要调惯性权重w、个体学习因子c1、社会学习因子c2，遗传算法要调交叉概率、变异概率、选择压力。鲸鱼算法本质上只需调节一个参数，就是螺旋更新公式里的常数b，其他系数全是自适应计算出来的，调参成本低一大截。

全局搜索和局部勘探平衡得比较好。粒子群到后期粒子容易扎堆，陷入局部最优就出不来了；鲸鱼算法的“气泡网攻击”和“随机搜索猎物”两条路径交替进行，相当于一会做深度局部搜索、一会跳出去盲探，不容易锁死在某个局部区域。

序列化的双层结构实现起来顺手。这个项目里上层鲸鱼种群搜索电价策略，下层还要再调用另一层鲸鱼算法求解用户响应策略。如果上下层用同一种算法框架，代码的复用性会好很多，调试的时候也不用同时面对两套不同的参数体系。

3.2 标准鲸鱼算法的核心更新公式

先快速回顾一下标准鲸鱼算法的更新机制，后面代码部分要用到。

算法模拟的是座头鲸的觅食行为，三种位置更新模式：

包围猎物模式：

D = |C * X_best(t) - X(t)|

X(t+1) = X_best(t) - A * D

其中A = 2ar - a，C = 2r，a在迭代过程中从2线性递减到0。

螺旋气泡网攻击模式：

D_star = |X_best(t) - X(t)|

X(t+1) = D_star * exp(b*l) * cos(2πl) + X_best(t)

随机搜索猎物模式：

D_rand = |C * X_rand(t) - X(t)|

X(t+1) = X_rand(t) - A * D_rand

具体执行时，通过一个随机数p和|A|的取值决定走哪个分支：p小于0.5且|A|小于1时用包围模式，p小于0.5且|A|大于等于1时用随机搜索模式，p大于等于0.5时用螺旋更新。

3.3 针对双层博弈模型的两个关键改进

原始鲸鱼算法直接套到双层模型上，我测下来有两个问题：一是初始化种群随机性不够，前期搜索效率偏低；二是后期收敛速度变慢，到接近最优解时容易在解附近来回跳。

第一个改进是初始化用混沌映射，我选的是Logistic映射：

z(k+1) = μ * z(k) * (1 - z(k))

μ设为4.0，让初始种群在解空间里的分布更均匀。这个改动虽然简单，但对上层电价策略的搜索帮助很大，因为电价策略是多维变量，纯随机初始化很容易大家挤在同一个价格区间，前端多样性不够。

第二个改进是加入精英保留策略。每次迭代后把当前最优个体复制一份直接保留到下一代，不参与交叉和变异操作。鲸鱼算法的随机游走机制在后期会破坏好解，加上这个策略后，最优解不再丢失，收敛曲线明显平稳很多。

3.4 双层鲸鱼算法的整体迭代链路

整个双层算法的执行流程，我整理成下面这个逻辑：

外层鲸鱼种群随机初始化一组电价策略（24维向量，每维代表一个时段的价格）。

将种群中每个个体对应的电价策略下发到下层。

每个用户在下层跑一个独立的鲸鱼算法求解自己在给定电价下的最优负荷策略（此时其他用户的负荷策略保持上一轮的值不变）。

所有用户完成响应后，汇总负荷曲线，计算上层目标函数（峰谷差或者电费成本）。

根据目标函数值更新外层鲸鱼种群位置。

判断外层是否收敛或达到最大迭代次数，否则返回第2步继续。

这个“外层搜索电价、内层搜索用户响应”的双层嵌套结构，实际运行下来计算量比较大。我用30个用户、外层30个鲸鱼个体、内层30个个体、外层迭代50次、内层迭代100次，一台普通的i5笔记本跑完整个仿真大约需要15到20分钟。如果用户数超过100，建议先对用户做聚类，把同类型用户合并处理，否则运行时间会膨胀到不可接受。

4. Matlab代码实现与核心模块拆解

4.1 代码整体结构与运行流程

整个项目的Matlab工程按模块划分，我贴一下我常用的目录结构：

主程序入口：main.m，负责加载参数、调用双层寻优、绘图输出结果。

参数配置文件：params_config.m，集中设置所有用户数量、负荷参数、算法参数、电价约束等。

外层鲸鱼算法：outer_whale_algorithm.m，输入是电价策略种群，输出是最优电价策略和调度结果。

内层用户响应求解：inner_user_response.m，输入是电价策略和用户参数，输出是用户的负荷调整策略。

目标函数计算：objective_upper.m、objective_lower.m，分别计算上层的峰谷差目标和下层的用户净收益。

绘图脚本：plot_results.m，可视化电价曲线、调度前后负荷曲线、用户收益情况。

main.m 的主流程逻辑：

%% main.m 主入口 clear; clc; close all; % 1. 加载参数 params = params_config(); % 2. 初始化外层鲸鱼种群（电价策略） prices_pop = init_population(params.pop_size, params.prices_lb, params.prices_ub); % 3. 双层迭代主循环 for iter = 1:params.max_iter_out % 将当前种群的电价策略下发到下层，求解用户响应 [load_curves, user_utility] = inner_user_response(prices_pop, params); % 计算上层目标函数值 fitness = objective_upper(load_curves, params); % 更新外层鲸鱼种群 prices_pop = update_whale_population(prices_pop, fitness, iter, params); % 记录最优解 [best_fitness(iter), best_idx] = min(fitness); best_prices(iter, :) = prices_pop(best_idx, :); end % 4. 输出调度结果与绘图 [optimal_load, user_report] = inner_user_response(best_prices(end, :), params); plot_results(best_prices(end, :), optimal_load, user_report, params);

这个流程看着简单，实际操作时最需要注意的是内外层迭代次数的搭配比例。外层迭代一次，内层要做一轮完整的响应求解，所以内层的迭代次数决定了下层计算结果是否可信。内层精度不够，外层拿到的目标函数值就是带噪声的，整个算法找最优解的效率会变得很低。

4.2 外层鲸鱼算法核心更新代码

外层鲸鱼算法和标准鲸鱼算法的主要区别在适应度计算：每个电价策略的适应度不是直接算出来的，而是要先送到下层做用户响应，把负荷曲线返回来之后才能算出峰谷差。下面是外层鲸鱼种群的更新代码：

function new_pop = update_whale_population(pop, fitness, iter, params) N = size(pop, 1); dim = size(pop, 2); a = 2 - 2 * iter / params.max_iter_out; [~, best_idx] = min(fitness); leader_pos = pop(best_idx, :); new_pop = zeros(N, dim); for i = 1:N r1 = rand(); r2 = rand(); A = 2 * a * r1 - a; C = 2 * r2; p = rand(); if p < 0.5 if abs(A) < 1 % 包围猎物模式 D = abs(C .* leader_pos - pop(i, :)); new_pop(i, :) = leader_pos - A .* D; else % 随机搜索模式 rand_idx = randi(N); X_rand = pop(rand_idx, :); D_rand = abs(C .* X_rand - pop(i, :)); new_pop(i, :) = X_rand - A .* D_rand; end else % 螺旋气泡网攻击模式 D_star = abs(leader_pos - pop(i, :)); l = -1 + 2 * rand(); b = 0.5; new_pop(i, :) = D_star .* exp(b .* l) .* cos(2 * pi * l) + leader_pos; end % 边界处理 new_pop(i, :) = max(new_pop(i, :), params.prices_lb); new_pop(i, :) = min(new_pop(i, :), params.prices_ub); end end

这个代码有两个细节要提醒：边界处理放在每次位置更新之后立刻做，否则电价会出现负值或者超出合理范围，导致下层用户响应计算直接报错；另外C和A的取值覆盖范围很关键，A的绝对值在迭代前期经常大于1，这时走的是随机搜索模式，后期A绝对值变小，种群开始收缩到最优解附近，这是算法正常的表现。

4.3 内层用户非合作博弈响应求解

内层响应求解模块是整个模型里逻辑最复杂的部分。每个用户面对给定的分时电价，要最大化自己的净收益，同时还要考虑其他用户的负荷水平对系统的影响，所以每轮博弈迭代都需要更新所有用户的策略。

function [load_curves, user_utility] = inner_user_response(prices, params) N = params.N_users; T = params.T_hours; % 用户初始负荷策略 load_curves = zeros(N, T); for i = 1:N load_curves(i, :) = params.base_load(i, :); end % 博弈迭代求解纳什均衡 alpha = 0.4; % 阻尼更新系数 for iter_g = 1:params.max_iter_g load_old = load_curves; for u = 1:N % 每个用户在当前电价下用鲸鱼算法求解最优负荷策略 x_opt = inner_woa_single_user(u, prices, load_old, params); load_curves(u, :) = (1 - alpha) * load_old(u, :) + alpha * x_opt; end % 收敛判断 delta = max(abs(load_curves(:) - load_old(:))); if delta < params.conv_threshold break; end end % 计算用户净效用 user_utility = zeros(N, 1); for u = 1:N user_utility(u) = objective_lower(u, load_curves(u, :), prices, params); end end

阻尼系数alpha的取值很关键。一开始我也没加阻尼，结果用户负荷曲线在两三轮博弈之间反复横跳，收敛曲线像锯齿一样。后来加了阻尼，虽然收敛速度慢了大概15%，但迭代曲线平滑多了，最终的均衡策略也更合理。建议alpha在0.3到0.5之间取值，太小收敛太慢，太大还是会震荡。

4.4 用户收益函数与约束条件的代码化

下层用户的收益函数代码实现：

function utility = objective_lower(user_idx, load_schedule, prices, params) % 用电满意度收益（二次效用函数） a = params.user_comfort_a(user_idx); b = params.user_comfort_b(user_idx); comfort_reward = sum(a .* load_schedule - b .* load_schedule.^2); % 电费支出 energy_cost = sum(prices .* load_schedule); % 可中断负荷补偿（如果中断了需要给补偿，从效用中扣除） interrupt_penalty = params.interrupt_penalty(user_idx) * ... sum(max(0, params.nominal_load(user_idx, :) - load_schedule)); % 净收益 utility = comfort_reward - energy_cost - interrupt_penalty; end

注意约束条件的处理方式。可转移负荷的总用电量必须保持不变，这个约束按下面的方式处理：在每轮鲸鱼位置更新后，做一个“电量校正”操作，把总用电量偏差按比例分摊回各个时段，确保总电量守恒。

% 电量守恒修正 total_energy_target = params.total_energy_target(user_idx); scale = total_energy_target / sum(load_schedule); load_schedule = load_schedule * scale; load_schedule = max(load_schedule, params.load_min(user_idx)); load_schedule = min(load_schedule, params.load_max(user_idx));

这种“先缩放再截断”的方法有一个bug：如果某些时段已经到达边界，缩放后再截断会导致总电量又不守恒了，需要二次修正。我的做法是先把越界的时段固定下来，只对未越界的时段做等比缩放。代码量会多一点，但结果是严格满足约束的。

4.5 参数配置参考表

下面是我一组实测能用的参数配置，直接抄过去就能跑通模型：

这套参数跑出来的结果比较理想，峰谷差能降低25%到30%，用户平均电费节省8%到12%。当然不同场景不同参数下结果会有差异，但总体趋势是一致的：价格信号有效引导了用户负荷从峰时段向谷时段转移，用户也因为用了更便宜的电而获得经济收益。

5. 仿真结果与关键指标分析

5.1 典型场景设置与调度效果

我常用这样一个仿真场景来验证模型效果：夏季典型日，30个居民用户，空调负荷占比高，晚间18点到22点是负荷高峰，凌晨2点到6点是低谷。分时电价和居民负荷互动后，结果非常典型。

调度前的基础负荷曲线，峰时最高负荷接近250kW，谷时只有95kW左右，峰谷差达到155kW。调度后的结果：峰时最高负荷降到184kW，谷时负荷提升到128kW，峰谷差收窄到56kW，降幅接近64%。

这个数据是不是好看得有点夸张？实际情况确实能做到，因为空调负荷的可中断特性很强，加上电动汽车充电负荷的转移空间大，在电价激励下用户的削峰填谷潜力远超预期。但也要注意，如果只盯着峰谷差指标优化，可能会把负荷曲线压得太平，反而让用户舒适度大幅下降，所以我在上层目标函数里加入了一个“用户效用惩罚项”，避免为了削峰而削峰。

5.2 纳什均衡的收敛性验证

怎么判断系统确实到达了纳什均衡？我用了两个指标：第一个是用户单方面改变策略的收益增益，均衡状态下这个值应该接近零；第二个是相邻两轮博弈的策略变化量，这个值应该递减到收敛阈值以下。

实测跑下来，用户数量30的时候，大概在15到20轮博弈迭代后策略变化量趋于稳定。前几轮变化量很大，策略在剧烈调整阶段；中期开始收敛；后期基本平稳。如果用户数量增加到100个，收敛需要30到40轮，而且阻尼系数还要调高一点。

这里有一个比较隐蔽的问题：即使外层算法已经收敛，内层用户博弈也未必真的到达了严格纳什均衡，可能只是“近似均衡”或者“弱均衡”。做项目的时候不用过于纠结严格均衡，工程上只要满足“没有用户能在不损害他人利益的情况下单方面获得超过1%的收益增益”，就可以认为结果可用了。

5.3 双层鲸鱼算法与其他算法的效果对比

同样是这个模型，我试过用标准鲸鱼算法、粒子群算法和遗传算法去求解，结果对比如下：

双层鲸鱼算法在收敛速度和解质量两个维度上都有明显优势。改进后的算法比标准版本快了大约11次迭代，峰谷差也小了16kW，这主要归功于混沌初始化和精英保留策略。粒子群在这个模型上表现一般，原因是用户响应函数的非线性较强，粒子群容易早熟陷入局部最优。

6. 常见问题与调试经验

6.1 双层迭代不收敛怎么排查

这是做双层优化最容易遇到的问题。外层迭代了50次，目标函数还在上下波动，没有下降趋势。我排查这个问题的经验是：先隔离内层问题，别急着调外层算法。

具体做法是把内层用户响应用一个固定策略替代，比如直接把可转移负荷全部平移到谷时段，然后看外层能不能正常收敛。如果外层还是不收敛，问题出在外层搜索机制上，检查爬虫边界处理和A值的衰减速度；如果外层能收敛，那就确认内层响应求解有噪声或者精度不够，需要提高内层迭代次数、调整博弈阻尼系数。

还有一种情况是内层每个用户的鲸鱼算法没有充分收敛，返回的负荷策略带有随机性，导致上层看到的同一个电价策略对应的目标函数值每次都不一样。这种情况下外层算法会在错误的方向上更新种群位置。解决办法就是提高内层鲸鱼算法的迭代次数到150以上，或者把内层改成确定性较强的梯度搜索方法。

6.2 用户负荷曲线出现剧烈波动

有一次跑仿真，发现某个用户的可转移负荷在相邻两个时段之间疯狂跳变，一会儿全在23点，一会儿全在1点。查了半天，问题是电价在这两个时段非常接近，用户对在高价稳态下的最优响应本来就“无所谓”，加上鲸鱼算法随机性大，每次找到的最优解在物理上等价但时段分布完全不同。

这个问题的本质是问题的“不严格凸性”——最优解不唯一。我最后的处理方式是在用户的收益函数里加一个小幅度的“用电习惯保持项”，对偏离历史习惯的时段施加惩罚。这样既保留了电价引导能力，又不会让用户负荷曲线出现反直觉的大幅度跳变。

6.3 Matlab运行效率优化实战

双层嵌套的鲸鱼算法跑起来确实慢，尤其是用户数量大的时候。我做过三个优化，效果立竿见影：

第一，向量化内层循环。尽量把对单个用户的操作改成矩阵运算，尤其是负荷曲线的边界处理，用向量操作一次处理所有用户，比for循环快3到5倍。

第二，把用户参数矩阵化和预分配。Matlab里在循环内动态增长数组会触发频繁的内存重分配，我在初始化时就把所有用户的参数一次性地载入为N×T的矩阵，后续操作不再涉及动态分配。

第三，限制绘图操作。调试阶段每轮迭代都画图的话，Matlab的绘图开销会占掉大量时间。我把绘图函数从迭代循环里拿出来，只在最终结果输出时调用一次，运行时间直接从20分钟降到不到12分钟。

6.4 代码移植与工具箱兼容性

Matlab的版本兼容性也是个实际坑。我在R2023a环境下运行良好的代码，换到R2021b就报错，主要问题集中在部分内置函数对新语法支持不完整。建议在代码开头统一设置兼容性参数，尽量用基础函数而非特定工具箱函数。如果是用优化工具箱里的fmincon做内层快速求解，需要确认目标用户的Matlab版本支持相关调用。

这个项目我写代码时尽量少依赖工具箱，只用Matlab基础数学函数，这样哪怕换到Octave环境也能跑通大部分功能。文件读写和绘图部分另说了，核心算法部分是可以跨平台复用的。

我在实际做这套模型的过程中，最深刻的体会是：双层的调度模型里，算法部分真的不是最难的，难的是把下层用户的“行为逻辑”建模到位。很多项目拿到手就急着写算法、调参数，结果模型跑出来的结果既不符合物理实际，也不符合用户心理预期——问题往往出在下层用户收益函数没有刻画好。先把博弈模型调得足够合理，再考虑算法优化，顺序别搞反了。另外，如果要把这个模型往工程方向扩展，可以尝试把上下层的迭代频率错开，上层电价每15分钟更新一次，下层用户每小时响应一次，这样更贴近实际电力市场的运行节奏。