1. 前言在综合能源系统IES、需求响应DR、微电网优化调度以及电力市场交易等研究领域中我们经常会遇到这样一类“套娃”问题运营商上层希望通过调整电价、热价或碳价割一波韭菜……啊不是最大化自身运行收益。用户端下层面对运营商发布的价格信号见招拆招优化自身的设备出力和用能策略以最小化自身用能成本。双方存在着明显的主从博弈关系Leader-Follower。传统的单层优化对此类问题无能为力因而双层优化Bi-level Optimization应运而生。在实际工程和论文中上层决策变量如动态定价往往具有非线性、非凸特征而下层调度如设备物理约束通常可以构建为混合整数线性规划MILP模型。因此行业内诞生了一种黄金求解组合PSO粒子群算法 CPLEX数学规划求解器外层智能算法采用 PSO 负责全局搜索最优价格策略。内层精确求解采用 CPLEX 负责秒杀下层的设备最优调度方案。本文将从主从博弈原理、数学模型构建、MATLAB代码工程设计三个维度手把手带你调通这个双层优化框架 2. 双层优化的核心主从博弈关系双层优化本质上是一个Stackelberg 博弈模型。上层领导者先出牌下层跟随者根据上层的牌局做出最优反应其数学抽象表达如下在综合能源系统IES的落地场景中这个框架的职责分工非常明确角色核心主体决策变量优化目标上层 (Leader)能源运营商电价、热价、碳价/补贴购销差价利润最大化下层 (Follower)终端用户/微网负荷响应、储能充放、P2G与CCS出力综合用能成本最小化 3. 上层优化模型构建以 24 小时动态电价制定为例上层运营商通过控制价格来引导下层负荷。3.1 决策变量上层粒子的位置编码即为 24 小时的电价曲线3.2 目标函数运营商的净利润等于销售电费收入减去向大电网购电的成本其中为大电网电价已知量和均需要由下层优化求解后返回给上层。 4. 下层优化模型构建下层用户在接收到上层发布的电价后开始规划自己的一日用能策略。4.1 目标函数用户追求综合运行成本最小化各个成本子项的数学逻辑如下电费成本碳交易成本用电舒适度损失可调负荷惩罚4.2 核心系统约束为了保证物理系统不崩溃下层需要严格满足各类等式与不等式约束电功率平衡约束储能SOC动态约束P2G电转气与 CCS碳捕集耦合约束️ 5. MATLAB 工程结构设计在写代码之前良好的工程目录习惯能让你事半功倍。推荐采用模块化设计结构如下1Project (双层优化项目主目录) 2│ 3├── main.m % 主程序初始化参数、调用PSO、打印最终画图 4├── PSO.m % 粒子群算法主循环核心 5├── upper_obj.m % 上层目标函数负责搭建上下层传递的桥梁 6├── lower_cplex.m % 下层CPLEX求解器基于YALMIP工具箱搭建 7├── plot_result.m % 结果可视化函数 8└── data.mat % 风光负荷基础数据 6. 核心代码手把手实现6.1 上层适应度计算 (upper_obj.m)这个函数是连接上下层的纽带。它接收 PSO 传过来的当前“价格方案”丢给下层 CPLEX 算一遍再计算出运营商的利润。1function minus_profit upper_obj(price) 2 % 输入price - 当前粒子代表的24小时电价策略 3 4 % 调用下层 CPLEX 模型求解 5 result lower_cplex(price); 6 7 % 提取下层响应后的最优调度结果 8 load_respond result.load; 9 grid_buy result.grid; 10 grid_price result.grid_price; % 大电网已知电价 11 12 % 计算运营商利润 (销售收入 - 购电成本) 13 profit sum(price .* load_respond) - sum(grid_price .* grid_buy); 14 15 % 由于标准PSO通常寻找最小值因此将最大化利润取负号 16 minus_profit -profit; 17end6.2 下层智能调度模型 (lower_cplex.m)下层基于YALMIP CPLEX搭建。记得把上层传下来的price当作已知常数处理。1function result lower_cplex(price) 2 % 1. 声明决策变量 (24小时出力) 3 Pgrid sdpvar(24,1); % 购电 4 Pch sdpvar(24,1); % 充电 5 Pdis sdpvar(24,1); % 放电 6 SOC sdpvar(24,1); % 蓄电池容量状态 7 8 % 2. 导入基础数据 (此处简写实际从data.mat加载) 9 PV ...; WT ...; Load ...; 10 eta_c 0.95; eta_d 0.95; 11 12 % 3. 构建目标函数 13 obj 0; 14 for t 1:24 15 obj obj price(t) * Pgrid(t); % 仅以购电费为例 16 end 17 18 % 4. 约束条件组装 19 Constraints []; 20 for t 1:24 21 % 功率平衡 22 Constraints [Constraints, Pgrid(t) PV(t) WT(t) Pdis(t) Load(t) Pch(t)]; 23 % 功率上下限约束 24 Constraints [Constraints, 0 Pch(t) 50, 0 Pdis(t) 50]; 25 end 26 27 % 时序时变约束 (SOC动力学) 28 for t 2:24 29 Constraints [Constraints, SOC(t) SOC(t-1) eta_c*Pch(t) - Pdis(t)/eta_d]; 30 Constraints [Constraints, 0.1 SOC(t) 0.9]; 31 end 32 33 % 5. 调用 CPLEX 求解 34 ops sdpsettings(solver, cplex, verbose, 0); 35 diagnostics optimize(Constraints, obj, ops); 36 37 % 6. 包装返回数据 38 if diagnostics.problem 0 39 result.grid value(Pgrid); 40 result.load Load value(Pch) - value(Pdis); % 响应后的综合负荷 41 else 42 error(下层CPLEX求解失败请检查约束); 43 end 44end6.3 外层 PSO 算法迭代片段 (PSO.m)在标准 PSO 的位置更新循环中嵌套调用上层的适应度函数1% 速度与位置更新核心循环 2for i 1:nPop 3 % 速度更新 4 particle(i).Velocity w * particle(i).Velocity ... 5 c1 * rand(1, nVar) .* (particle(i).Best.Position - particle(i).Position) ... 6 c2 * rand(1, nVar) .* (GlobalBest.Position - particle(i).Position); 7 8 % 位置更新边界检查 9 particle(i).Position particle(i).Position particle(i).Velocity; 10 particle(i).Position max(particle(i).Position, lb); 11 particle(i).Position min(particle(i).Position, ub); 12 13 % 【关键点】重新评价适应度内部隐式调用了CPLEX 14 particle(i).Cost upper_obj(particle(i).Position); 15 16 % 更新个体最优与全局最优 17 if particle(i).Cost particle(i).Best.Cost 18 particle(i).Best.Position particle(i).Position; 19 particle(i).Best.Cost particle(i).Cost; 20 21 if particle(i).Best.Cost GlobalBest.Cost 22 GlobalBest particle(i).Best; 23 end 24 end 25end 7. 总结与论文写作锦囊如果你正在写毕业论文或者投递小论文SCI/EI/中文核心光有代码是不够的算例分析部分需要这样构筑以丰富工作量多场景对比必做场景1基础场景固定电价方案无博弈。场景2引入分时电价上层单方面定价。场景3完整的双层主从博弈动态定价 考虑下层多能转换和碳交易。算法性能分析可以在文中放一张PSO 适应度进化曲线图证明该双层嵌套结构在 30~50 代内收敛体现“外层启发式 内层精确解”的高效性。写在最后双层优化调通的关键在于上下层接口的数据传递。如果你的代码报了NaN或是无法收敛多半是因为上层传下去的价格导致下层模型无解Infeasible。建议先单独调试下层 CPLEX固定一组电价看其能否正常跑通再丢进外层循环。如果你觉得这篇文章对你有帮助欢迎点赞、收藏、关注三连有任何关于 YALMIP 或双层优化的问题我们在评论区见 针对你的微调建议你对这个框架目前的理解已经很到位了。在发布时建议根据你手头实际研究的数据比如是纯电网还是综合能源系统在第 4 节和第 6 节中补全具体的设备参数。你目前的模型采用了“外层 PSO 内层 CPLEX”请问在你的实际应用场景中下层模型是否包含非线性约束或者上层算出来的价格策略需要满足哪些总量的限制例如平均电价不能高过某一阈值吗我们可以针对性地把这些实际约束加入到代码中。