企业官网建设流程全解析

做这类电力需求响应优化的项目，最怕的不是模型推不出来，而是推出来了不知道怎么高效解。我拿到“双层鲸鱼算法求解基于非合作博弈的居民负荷分层调度模型”这个题的时候，第一反应是：三个难点叠在一起了——双层优化结构、博弈均衡约束、元启发式求解效率。任何一个处理不到位，程序跑出来的结果就没法看。这篇内容我会结合自己做过的仿真实验，把模型怎么建、算法怎么实现、代码怎么组织、哪些地方容易踩坑，一条线讲清楚。

这个方向适合电力系统专业的研究生、做智能优化算法的工程师，还有准备在这类课题上做毕业设计或小论文的人。哪怕你之前没有接触过非合作博弈，只要懂一点Matlab基础，跟着下面的思路走一遍，也能把整个框架搭起来。

1. 项目缘起与问题拆解

1.1 为什么需要“分层”调度

居民负荷调度不是新概念，但真正落地的时候有个绕不开的矛盾：调度机构希望用户调整用电行为，用户却只关心自己方不方便、电费省不省。两边的目标不一样，信息也不对称。

传统做法是管理方直接下发一个用电曲线，让用户按计划执行。这种方式在工厂、商业楼宇还勉强行得通，放到居民侧就完全不对味。居民的用电习惯高度个性化，洗衣机什么时候转、热水器什么时候烧，空调温度调几度，这些决策权都在用户手里，调度方根本没法替用户做主。

所以就有了“分层调度”的思路：上层是调度决策者，负责制定价格信号或激励策略；下层是居民用户，根据上层给出的信号，自主调整自己家的负荷。中间不靠强制命令，靠的是一个共同认可的“游戏规则”。这个思路对应到数学上，就是双层优化模型。

1.2 非合作博弈在这里的角色

分层模型建立之后，紧接着就是居民的用电决策问题。表面上看是一个用户自己决定怎么用电，但实际上家家户户的决策会互相影响。

举个最直接的例子，分时电价机制下，晚上某个时段便宜，大家都把负荷挪到那个时段。如果所有人都这么做，这个时段的负荷就会被推得很高，运营商就得向批发市场买更贵的电，甚至触发线路过载，结果就是第二天价格上调。也就是说，单个用户做决策时，是在和其他用户“暗中较劲”——谁都想在便宜的时段用电，但整体负荷水平反过来决定价格高低。

这个互相竞争的格局，天然就是非合作博弈的用武之地。每个用户是一个博弈参与者，策略是自己各时段的可调负荷安排，收益是自己的用电满意度减去电费。所有用户的策略组合达到纳什均衡时，没有任何单方面改变用电方案能再让自己更划算。这个均衡结果，就是居民侧对上层价格信号的响应。

1.3 三层技术栈怎么串起来

把上面两个小节合到一起，这个项目的技术栈就是三层结构。

第一层是优化建模层，要同时写出上层的价格决策问题和下层的用户响应问题，并且用双层结构的约束把它们串起来。第二层是均衡求解层，在固定一个上层策略之后，下层多个用户之间要求出一个纳什均衡，这是内层子问题。第三层是元启发式求解层，由于整个问题是非线性、非凸、还带均衡约束的，常规商业求解器基本使不上劲，需要自定义双层嵌套的鲸鱼算法来逼近最优解。

这个三层结构，“双层”和“非合作博弈”是问题本身，“鲸鱼算法”是求解工具。搞清楚这三者的关系，后面建模和写代码才有方向。

2. 双层非合作博弈模型的建立

2.1 上层模型：决策者视角

上层的角色可以理解为负荷聚合商，或者叫需求响应管理方。它面向的是某个台区或某个小区，管理着一批居民用户。

上层的决策变量是24小时的分时电价策略，即一个24维的向量。目标函数需要考虑两个维度：一方面，调度方希望整体负荷曲线尽量平缓，削峰填谷，减少配电压力；另一方面，它自身的收益也不能太难看，否则运营难以为继。

可以写成一个多目标的加权形式：

[ \min_{p_t} \quad F = \alpha \cdot \sum_{t=1}^{24} (P_t - \bar{P})^2 + \beta \cdot (C_{rev} - C_{exp}) ]

其中 (P_t) 是第 (t) 时段的全台区总负荷，(\bar{P}) 是平均负荷，(C_{rev}) 是售电收入，(C_{exp}) 是购电成本。(\alpha) 和 (\beta) 是两个权重系数，用来平衡削峰谷目标和经济收益目标。

上层约束包括价格上限下限、相邻时段价格变化幅度限制，以及供需平衡等。约束不能写得过紧，否则可行域太小，鲸鱼算法的解空间会非常受限。

2.2 下层模型：用户视角

下层有 (N) 个居民用户，需要区分类型，否则所有用户都变成同一个反应函数，博弈就没有意义了。

我在仿真中常把用户分成三类：

• 第一类用户，刚性负荷占绝大比例，可调能力弱，只对价格做少量响应。
• 第二类用户，有一定量的可平移负荷，比如洗衣机、洗碗机、扫地机器人，可以在若干个时段之间平移运行。
• 第三类用户，拥有储能设备或电动汽车，可以把充电时段灵活安排，甚至做到小的能量搬移。

每个用户的目标函数是自身用电总成本最小，同时舒适度损失尽可能小。用户 (i) 的优化问题可以表示为：

[ \min_{x_i} \quad U_i = \sum_{t=1}^{24} p_t \cdot x_{i,t} + \lambda_i \cdot \sum_{t=1}^{24} (x_{i,t} - b_{i,t})^2 ]

其中 (x_{i,t}) 是用户 (i) 在时段 (t) 的最终用电功率，(b_{i,t}) 是原始用电需求（不响应时的基线），(\lambda_i) 是舒适度损失系数。第一项是电费，第二项是偏离基线的舒适度惩罚。(\lambda_i) 越大，用户越不愿意改变用电习惯；(\lambda_i) 越小，用户越愿意配合调度。

用户的约束主要包括可平移负荷的运行窗口约束、最大最小功率约束、储能荷电状态约束。这类约束处理的时候要特别小心，后面我会详细说。

2.3 博弈均衡如何嵌入双层框架

给定上层一组电价策略 (p_t)，下层的 (N) 个用户分别求解自己的(U_i)最小化问题。注意，用户的成本函数里只出现了自己的决策变量 (x_i) 和价格 (p_t)，没有直接出现别的用户的 (x_j)。那博弈体现在哪里？

体现在价格机制里。上层策略中的分时电价，可能取决于用户申报的用电计划，或者某个时段的总负荷越界触发了价格调整。更常见的是，下层用户之间通过“叠加负荷与价格联动”这层关系互相影响。

如果想在数学上严格表达，可以将下层写成变分不等式或使用纳什均衡的条件。但在工程实现里，更实用的方式是用分布式迭代法：每个用户手里拿着当前价格，独立求解自己的优化问题，求得一组响应计划；所有用户把计划汇总，更新价格或负荷总量，再循环。迭代到所有用户都不再改变策略时，就认为达到了纳什均衡。

这个迭代过程是内嵌在双层优化里的，也就是说，外层每次评价一组上层变量，都要调用一次内层的博弈均衡求解，拿到的返回值是该上层策略下的均衡总负荷。理解了这一点，双层鲸鱼算法的整体结构就呼之欲出了。

3. 鲸鱼算法求解：双层嵌套的实现思路

3.1 为什么在这个问题上选择鲸鱼算法

面对这个双层博弈问题，常见的解法学派有两条。一条是把下层问题用KKT条件替换掉，转化为带均衡约束的数学规划（MPEC），再交给非线性规划求解器处理。这个思路理论上很漂亮，但实际运行的时候要求目标函数和约束都足够平滑，而且初始点选择不当就很容易发散。

另一条是把上下层问题都封装成黑箱，用元启发式算法在外部驱动搜索。这个思路对函数光滑性要求低，抵抗局部最优的能力强，工程上更容易实现。

在众多元启发式算法里，鲸鱼算法（Whale Optimization Algorithm, WOA）的优势集中在三点：

• 结构简单。核心就三个位置更新公式，编码成代码只有几十行，调参压力小。
• 搜索与开发平衡好。前期全局探索能力足够强，后期又有泡泡网螺旋搜索能精细逼近最优解。
• 对连续变量的适应度好。电价、功率、荷电状态这些都是连续变量，正好匹配鲸鱼算法的编码方式。

之前我拿遗传算法、粒子群和鲸鱼算法做这个问题的对比测试，在相同的种群规模和迭代次数下，鲸鱼算法的收敛速度和最终目标值综合表现都更好一点。当然这不是说鲸鱼算法能碾压其他方法，但整体性价比是高的。

3.2 鲸鱼算法的三个核心算子

鲸鱼算法模拟的是座头鲸捕食时吐泡泡形成气泡网的过程。算法里主要有三种更新机制。

第一种是环绕猎物。鲸鱼认定当前最优解是猎物位置，其他鲸鱼向这个位置靠拢：

[ D = |C \cdot X^(t) - X(t)| ][ X(t+1) = X^(t) - A \cdot D ]

其中 (A = 2a \cdot r - a)，(C = 2 \cdot r)，随着迭代次数增加，(a) 从2线性衰减到0。当 (|A| < 1) 时，算法处于局部开发阶段，鲸鱼收缩包围猎物。

第二种是泡泡网攻击。鲸鱼沿螺旋线向上浮升，同时吐泡泡，对应位置更新：

[ X(t+1) = D' \cdot e^{bl} \cdot \cos(2\pi l) + X^*(t) ]

其中 (D' = |X^*(t) - X(t)|)，(b) 是螺旋形状常数，(l) 是 ([-1,1]) 区间的随机数。

第三种是随机搜索。当 (|A| \geq 1) 时，鲸鱼放弃当前目标，随机选一条鲸鱼作为基准进行探索更新，保证全局搜索能力。

实际实现时，算法在收缩包围和螺旋更新之间以50%概率随机切换。

3.3 双层嵌套鲸鱼算法的结构

这个问题的特殊之处在于，一个鲸鱼算法不够用，必须要做双层嵌套。我采用的结构是外层鲸鱼算法寻优上层电价策略，内层鲸鱼算法求解下层博弈均衡。

外层流程的每一步，约为：

1. 初始化一组电价策略种群，每个个体是一个24维向量，对应24小时的电价。
2. 对每个电价个体，调用内层博弈求解模块，返回均衡状态下各个用户的功率曲线和总负荷曲线。
3. 基于返回结果计算上层目标函数值，作为该个体的适应度。
4. 更新外层鲸鱼种群，得到新一代电价策略。
5. 重复直到达到外层最大迭代次数。

内层博弈求解模块内部的流程是：

1. 接收外层传来的电价向量。
2. 初始化用户种群，每个用户有若干候选用电方案。
3. 所有用户独立求解自己的优化问题，得到本轮最佳响应。
4. 判断新旧策略是否有明显变化，若变化量小于阈值，则视为收敛，输出均衡结果。
5. 若未收敛，用鲸鱼算子更新每个用户的策略种群，继续迭代。

这里有个细节值得强调：内层每个用户的最佳响应计算可以并行化，因为用户之间在单轮迭代里是独立求解的。用Matlab Parallel Computing Toolbox能把内层速度提升一个量级。

3.4 约束处理：罚函数与修复策略

双层博弈模型里约束非常密集，尤其是下层用户的约束。我试过两类约束处理方法，对比下来各有适用场景。

第一类是罚函数法。把约束违反量以惩罚项形式加到目标函数里：

[ fitness(x) = f(x) + M \cdot \sum g_i(x) ]

这里的 (M) 是惩罚系数。这个方法的优点是好实现，缺点是惩罚系数很敏感。(M) 太小约束形同虚设，(M) 太大则目标函数曲面畸变，搜索陷入某个区域出不来。所以我采用多阶段动态惩罚系数，前期小系数保证搜索空间广，后期逐步增大把解拉回可行域。

第二类是修复法。针对特定约束，直接设计修复算子在解更新后把违反约束的部分“掰回来”。比如储能荷电状态越界时，把超出上限的部分等比例削减转移到相邻时段。修复法的有效性强，但只针对有明确物理意义的约束起作用，像价格变化率的约束就很难设计修复办法。

我的经验是：上层约束用罚函数，下层用户的可平移负荷、储能约束用修复法，这样兼容性好。

4. Matlab实操：关键代码逻辑与仿真案例

4.1 代码架构怎么组织

代码没必要写成一个几百行的主脚本，建议按模块拆分。我在实际项目中常用的目录结构是：

• 主程序 main.m，负责读参数、调模块、出结果。
• 上层模块 upper_level.m，封装外层鲸鱼算法。
• 下层模块 inner_game.m，封装内层博弈求解。
• 用户模型类 userModel.m，定义了各类用户的成本函数、约束范围和修复算子。
• 负荷数据 data_load.m，存放典型日负荷基线数据、用户数量、价格边界等。

按模块拆分最大的好处是调试方便。比如内层博弈不收敛时，单独跑inner_game模块就能复现问题，没必要把整个双层都启动。

4.2 核心代码模块走读

外层鲸鱼主循环是理解算法运行的关键，下面是简化版的核心逻辑：

% main.m 外层鲸鱼算法主循环 function [best_price, best_obj] = outerWOA(params) dim = 24; % 24小时电价 lb = params.price_lb; % 电价下界 24x1 ub = params.price_ub; % 电价上界 24x1 N = 30; % 种群大小 MaxIt = 100; % 外层最大迭代 % 初始化种群 pos = repmat(lb, N, 1) + rand(N, dim) .* (repmat(ub, N, 1) - repmat(lb, N, 1)); fitness = zeros(N, 1); for i = 1:N fitness(i) = obj_upper(pos(i,:), params); end [best_obj, idx] = min(fitness); best_price = pos(idx,:); for t = 1:MaxIt a = 2 - 2 * t / MaxIt; for i = 1:N r1 = rand; r2 = rand; A = 2 * a * r1 - a; C = 2 * r2; p_rand = rand; if p_rand < 0.5 if abs(A) < 1 % 包围猎物 D = abs(C * best_price - pos(i,:)); pos_new = best_price - A * D; else % 随机搜索 k = randi(N); D_rand = abs(C * pos(k,:) - pos(i,:)); pos_new = pos(k,:) - A * D_rand; end else % 螺旋气泡网 dist = abs(best_price - pos(i,:)); l = -1 + 2 * rand; pos_new = dist .* exp(params.b * l) .* cos(2 * pi * l) + best_price; end % 边界处理 pos_new = min(max(pos_new, lb), ub); % 约束修复和适应度计算 f_new = obj_upper(pos_new, params); if f_new < fitness(i) pos(i,:) = pos_new; fitness(i) = f_new; end end [cur_best, idx] = min(fitness); if cur_best < best_obj best_obj = cur_best; best_price = pos(idx,:); end end end

这个结构里的关键不是Matlab语法，而是两个点。第一，新一代位置只在适应度更优时才替换原个体，这相当于精英保留，防止好解被随机破坏。第二，边界处理用的“越界拉回”法，简单但有效，比惩罚函数更适合电价边界这种硬约束。

下层求内层博弈均衡的代码，核心是一个迭代循环：

% inner_game.m 内层纳什均衡迭代 function [x_eq, load_curve] = innerGame(price, params) % price: 24x1 上层传来的电价向量 % 初始化用户策略 for u = 1:params.N_user x{u} = initFeasible(params.user(u).base_load); end old_x = x; for iter = 1:params.inner_max_iter % 对每个用户，独立求解最佳响应 for u = 1:params.N_user x{u} = solveUserBestResponse(price, params.user(u), old_x, params); end % 判断收敛 diff = max(abs(cell2mat(x(:)) - cell2mat(old_x(:)))); if diff < params.tol break; end % 阻尼更新防振荡 for u = 1:params.N_user x{u} = params.alpha * x{u} + (1 - params.alpha) * old_x{u}; end old_x = x; end % 汇总各类负荷 load_curve = sum(reshape(cell2mat(x), 24, params.N_user), 2); end

阻尼更新那行是容易被新手忽略的。博弈迭代经常出现两边用户策略反复横跳、不收敛的振荡现象，加一个阻尼系数（常见取0.4到0.6）之后，路径平滑很多，收敛概率显著提升。

4.3 典型仿真算例的结果表现

为了验证模型和算法是否自洽，我在仿真里构造了一个典型小区算例。规模设定为60户居民，其中刚性用户30户、可平移用户20户、储能用户10户。采用典型夏季日的负荷曲线作为基线数据。

价格变量的上下界设为[0.3, 1.2]元/kWh，初始电价可以采用当时当地的实时零售价作为基准。上层目标里取 (\alpha = 0.7)、(\beta = 0.3)。内层博弈的收敛阈值为0.01kW，外层鲸鱼迭代80次，内层最大迭代30次。

运行结果方面，有两个关键数据值得分享。

峰负荷降低率约为18.6%。原始基线负荷的晚高峰最大值是287kW，经过双层博弈调度后峰值回落到约233kW。这个效果可以直观看作削峰。

用户侧方面，响应后的用户平均电费下降了约7.2%，但部分刚性负荷占比较高的用户电费下降并不明显。这个结果符合预期，因为那些用户没有可调负荷，只能被动接受电价变化，说明模型确实做到了用户差异化，而不是所有用户一锅炖。

算法收敛性方面，外层目标函数值在55次迭代左右就基本稳定了，后面35次迭代曲线相当平缓，说明没有发生明显的振荡回弹。整体运行时间在单台普通电脑上大约需要4分钟左右，如果启用并行池还能再压缩一些。

4.4 参数怎么调才能又快又稳

调参是元启发式算法绕不开的环节。我把自己积累的调参顺序分享出来，按照这个顺序来，能少走很多弯路。

先调外层种群规模和迭代次数。种群太小容易过早收敛，太大又拖慢速度。实测30个个体加80到100次迭代已经足够，再往上加收益很小。

再调内层的阻尼系数 (\alpha)。如果内层博弈振荡，优先调它，效果立竿见影。从0.5开始，向0.4或0.6微调。

然后调罚函数比例系数。我采用线性增长的罚系数，前期10、后期100，分5档切换。太早变成大惩罚，初始种群很难生成合法解。

最后才考虑调整舒适度损失系数 (\lambda_i)。这个参数直接影响用户响应程度，跟实际需求吻合不吻合，要看模型想表达的是一个“积极响应型”社区还是一个“普遍敏感型”社区。

5. 常见问题与排查技巧实录

5.1 内层博弈迭代不收敛或振荡

这是做这个项目时我遇到的第一个大坑。表现是内层用户策略在迭代后期在两个方案之间反复切换，总负荷曲线来回震荡，就是稳不下来。

排查思路是分两步。第一步检查每个用户最佳响应求解子模块是否稳定，方法是固定其他用户策略，只让一个用户迭代，看它的最优解是否稳定。如果这一步就有问题，那是单用户优化的收敛精度不够。第二步是确认不是上述问题后，加阻尼迭代，这是最直接的手段。

代码里实现阻尼更新时要注意，阻尼要和收敛判断配合好，别把阻尼更新后的值当成收敛判断的基准，否则可能出现表面收敛但实际并没有收敛的假象。

5.2 鲸鱼算法早熟收敛，解质量差

外层鲸鱼算法如果过早收敛，最后得到的电价策略基本是平庸的，削峰率很低，用户也不怎么响应。

一个关键原因是 (a) 的衰减速度过快。标准的线性衰减是从2到0，但在这个问题维度较高（24维），前20次迭代就会让所有鲸鱼集中到局部最优附近。我的改法是采用非线性衰减：

a = 2 * (1 - (t / MaxIt)^2);

这样前期的探索阶段拉长，收敛速度降下来，但解的质量明显提升。

另一个方法是增加螺旋更新的概率。标准算法是收缩与螺旋各50%，但在高维问题上可以调成四六开，螺旋占60%，因为螺旋更新天然比直线收缩的搜索路径更丰富。

5.3 结果不稳定，多次运行差异大

元启发式算法本来就有随机性，但如果多次运行得到的结果偏离过大，说明算法稳定性不够，不能拿来做决策参考。

常规做法是固定随机种子，保证实验可复现。但仅固定种子还不够，稳定性的根本在种群初始化。我采取的策略是用拉丁超立方抽样生成初始种群，而不是纯随机生成。拉丁超立方保证样本在24维空间里分布更均匀，初始种群不至于挤在某个角落。

% 用拉丁超立方初始化种群 X = lhsdesign(N, dim); pos = repmat(lb, N, 1) + X .* repmat(ub - lb, N, 1);

改完之后，稳定运行的多次结果方差下降非常明显。

5.4 运行时间过长，内层拖慢整体

双层嵌套算法的通病是耗时大。内层每迭代一次就要跑N个用户的优化，外层每评价一次个体又要跑一遍内层。假设外层100次迭代、种群30个个体、内层30次迭代、每个用户优化0.2秒，总时间约等于100×30×30×0.2×60秒，这是完全不可接受的量级。

实际优化手段有三个。第一，Matlab开并行池，把内层用户独立求解部分用parfor替代for，这个改动通常带来3到5倍的提速。第二，内层设置早停机制，不一定要把30次迭代全部跑完，连续三次变化量小于阈值就自动跳出。第三，外层评价时对相似度很高的电价个体，复用上次的内层均衡结果。第三个方法我后面又验证过，用价格向量的欧氏距离判断相似度，确实能减少一部分无效计算。

6. 个人实操体会与进一步扩展方向

6.1 我在实操中的几点心得

这套模型前后做了两个多月的仿真实验，最大的体会是：模型不是越复杂越好，而是越自洽越好。非合作博弈听起来很高级，但如果上层定价和下层用户响应之间没有形成有效的反馈闭环，模型就只是一个好看的壳子。

我自己在实际操作中遇到过一个问题，刚开始上层目标函数里只放削峰指标，没有管售电收益，结果算法疯狂压低高峰电价，用户确实削峰了，但售电收入亏损得一塌糊涂。这种不合理的“成功结果”，比看不出效果的失败结果更危险，因为它会让人误以为模型是对的。后来把经济目标加权进去之后，才算得到真正可用的电价策略。

还有一个心得是，写这类程序要像做实验一样记录参数配置。我吃过亏，调了一个参数导致结果变差，改回去之后却忘了原来写的是什么值，折腾了好几天才追回来。现在我在代码头部固定一个参数结构体，每次修改都在注释里登记，这个习惯建议大家直接养成。

6.2 这套框架后续还能怎么扩展

这个模型框架的扩展空间相当可观的。从用户模型角度，可以在下层添加电动汽车的充放电时序约束，把它变成一个更真实的V2G场景。从博弈结构角度，可以把非合作博弈扩展成主从博弈，或者在上层加入多个聚合商之间的竞争，形成更复杂的多层博弈。从求解算法角度，可以尝试把鲸鱼算法和差分进化、局部搜索策略混合，进一步提高解的质量。

从落地角度，可以把Matlab代码封装成可重复调用的函数库，或者改写成Python版本接入数据中台。不过要注意，模型参数的物理意义必须结合实际数据标定，仿真只是验证方法可行性的第一步。

最后分享一个小技巧：做这类双层优化实验时，先跑一个简化版本，比如把24时段改成8时段，把60个用户减到10个用户，快速验证整个流程跑得通。确认没有逻辑错误之后，再把参数恢复到全尺寸。这套“小规模验证、全尺寸出结果”的做法，能省下大量的调试时间。

运行一次迭代调试的时间，通常比建模本身多得多，把调试周期压缩下来，整个项目的进度就能有质的提升。