MATLAB程序代码：基于主从博弈的电热综合能源系统动态定价与能量管理#关键词：博弈，电热综合能源系统，动态定价 能量管理 主要研究电热综合能源系统的动态定价问题，采用是主从博弈方法，上领导者问题上， 以综合能源系统整体的收益作为目标函数，考虑电价以及热价等相关约束， 在下层跟随者模型上，以用户用能满意度最高为目标函数，构建了领导者-跟随者Stackelberg博弈模型， 同时还考虑了系统的功率平衡条件以及热能平衡条件等约束，模型的上层求解采用粒子群算法，下层求解采用CPLEX求解器. 限交流学习～

电热综合能源系统的动态定价就像一场精妙的双人舞——电网运营商和用户各自揣着小算盘，在价格信号与用能需求之间展开博弈。这种主从博弈的奥妙之处在于，上层拍板定价策略时得预判下层的反应，而下层用户又会根据实时价格调整用能计划，整个过程就像俄罗斯套娃般环环相扣。

咱们先看上层领导者的算盘。用MATLAB实现的粒子群算法核心在于"群体智能"，初始化时每个粒子都代表一组定价方案：

% 粒子群参数初始化
swarm_size = 50;
position = rand(swarm_size, 2)*[max_ele_price 0; 0 max_heat_price]; 
velocity = zeros(swarm_size, 2);
pbest = position;

这里每个粒子的位置坐标对应电、热价组合。适应度函数计算时有个暗门——需要先调用下层CPLEX模型获取用户响应，这种嵌套求解正是主从博弈的典型特征。

MATLAB程序代码：基于主从博弈的电热综合能源系统动态定价与能量管理#关键词：博弈，电热综合能源系统，动态定价 能量管理 主要研究电热综合能源系统的动态定价问题，采用是主从博弈方法，上领导者问题上， 以综合能源系统整体的收益作为目标函数，考虑电价以及热价等相关约束， 在下层跟随者模型上，以用户用能满意度最高为目标函数，构建了领导者-跟随者Stackelberg博弈模型， 同时还考虑了系统的功率平衡条件以及热能平衡条件等约束，模型的上层求解采用粒子群算法，下层求解采用CPLEX求解器. 限交流学习～

下层的CPLEX模型则像精明的会计师，在给定电价时帮用户算清最优用能账目。以空调负荷调节为例，模型会权衡温度舒适度与电费支出：

% 建立CPLEX优化模型
model = Cplex('thermal_comfort');
model.Model.sense = 'minimize';
model.addVariables(lower_bound, upper_bound, obj_coeff, [],...
                   {'T_in_1','T_in_2',...,'P_AC_1','P_AC_2'}); 
model.addConstraints(Aineq, bineq, Aeq, beq);

其中温度偏差平方项的处理需要引入辅助变量，这种线性化技巧让看似非凸的问题在CPLEX手中迎刃而解。

当粒子群迭代到第20代左右时会出现有趣现象——电价曲线开始呈现明显的峰谷特征。此时的适应度函数值波动趋缓，说明博弈逐渐接近均衡点。但要注意热价对温度惯性的特殊影响，供热管网的热延迟特性需要在下层模型中用递推公式刻画：

% 热负荷平衡约束
for t = 2:24
    model.addConstraint(heat_storage(t) == 0.9*heat_storage(t-1) + ...
                       heat_input(t) - demand_heat(t));
end

这个0.9的热衰减系数直接影响了上层定价策略的时间耦合性，导致热价调整相比电价更具惯性。

仿真结果中出现的"价格震荡"现象值得玩味——当粒子群设置惯性权重过高时，定价策略会在局部最优附近反复横跳。这时需要动态调整算法参数：

% 自适应惯性权重
w = 0.9 - (0.5/iter_max)*current_iter; 
velocity = w*velocity + c1*rand*(pbest-position) + c2*rand*(gbest-position);

这种参数调节就像给算法装上了减震器，让收敛过程更平稳。最终输出的阶梯状定价曲线，既保证了运营商收益，又让用户满意度稳定在85%以上，验证了博弈模型的实用性。