1. 居民负荷分层调度模型概述
在电力需求侧管理中，居民用电占据了社会总用电量的36.6%，具有用户基数大、单个用户负荷弹性低、用电效率不高等特点。这些特性使得居民用户难以直接参与电网的需求响应计划。负荷聚合商(LA)的出现为解决这一问题提供了新思路——通过聚合分散的居民柔性负荷资源，使其达到参与需求响应的规模门槛。
1.1 非合作博弈框架下的调度模型
本模型构建了一个三层非合作博弈框架：
- 电网公司层：作为市场主导者，制定电价政策
- 负荷聚合商层：多个LA参与竞价博弈
- 居民用户层：响应LA的调度指令
这种分层结构的关键在于：各层决策主体在追求自身利益最大化的同时，通过博弈达到整体系统的均衡状态。电网公司希望最小化供电成本，LA追求利润最大化，而居民用户则关注用电成本和舒适度之间的平衡。
注意：非合作博弈的核心特征是各参与方在不知道其他方策略的情况下独立做出决策，这与电力市场中的实际情况高度吻合。
1.2 居民柔性负荷分类与建模
居民负荷根据其物理特性和调度灵活性可分为三类：
1.2.1 开关型负荷（如电视、照明）
建模为二元变量：
code复制Pₐ(t) = xₐ(t)·Pₑ
xₐ(t) ∈ {0,1}
这类负荷只能完全开启或关闭，调度灵活性最低。
1.2.2 分档型负荷（如空调、电热水器）
建模为离散档位：
code复制Pₐ,G = [Pₐ,1, Pₐ,2, ..., Pₐ,G]^T
空调通常有多个运行档位，可以在不同功率水平间切换。
1.2.3 连续型负荷（如电动汽车）
建模为连续变量：
code复制Pₑᵥ,min ≤ Pₑᵥ(t) ≤ Pₑᵥ,max
电动汽车充电功率可在一定范围内连续调节，调度灵活性最高。
2. 双层鲸鱼算法(BiWOA)的改进与实现
2.1 标准鲸鱼算法的局限性
标准鲸鱼算法(WOA)模拟座头鲸的泡泡网捕食行为，包含三个阶段：
- 包围猎物
- 气泡网攻击
- 随机搜索猎物
但在求解复杂博弈问题时存在：
- 易陷入局部最优
- 收敛速度慢
- 难以处理非凸约束
2.2 算法改进策略
2.2.1 Tent混沌映射初始化
采用Tent混沌序列生成初始种群，增强多样性：
code复制xₖ₊₁ = {
xₖ/μ, 0 < xₖ ≤ μ
(1-xₖ)/(1-μ), μ < xₖ < 1
}
μ=0.5时混沌性最强，可避免算法早熟。
2.2.2 非线性收敛因子
将线性收敛因子改进为非线性：
code复制a = aₘₐₓ - (aₘₐₓ - aₘᵢₙ)·(t/T)^(1/3)
这种改进使得算法前期更注重全局探索，后期更注重局部开发。
2.2.3 涡流形成机制
引入涡流算子模拟鲸鱼捕食时的湍流现象：
code复制X(t+1) = X*(t) + R·(Xᵣₐₙ(t) - X(t))·e^(-θ)
其中θ为随机角度，R为涡流半径，帮助个体跳出局部最优。
2.3 算法实现流程
-
参数初始化：
- 种群规模N=50
- 最大迭代次数T=200
- 收敛因子a从2线性递减到0
-
上层优化（电网侧）：
matlab复制function [grid_cost] = upper_level_optimization(LA_bids) % 计算电网购电成本 % 考虑网络损耗和电压约束 ... end -
下层优化（LA侧）：
matlab复制function [LA_profit] = lower_level_optimization(user_schedules) % 计算聚合商利润 % 考虑需求响应补偿和用户补偿成本 ... end -
双层交互：
- 上层将电价信号传递给下层
- 下层将负荷调整方案反馈给上层
- 迭代直至达到纳什均衡
3. 模型数学表述与求解
3.1 上层模型（电网公司）
目标函数：
code复制min Cᴳ = ∑(λₜ·Pₜ) + α·(Pₜ - Pₜ⁻)²
约束条件：
code复制s.t. Pₜ = ∑Pₗₐ,ₜ
Vₘᵢₙ ≤ Vₜ ≤ Vₘₐₓ
|Pₜ - Pₜ⁻| ≤ ΔPₘₐₓ
3.2 下层模型（负荷聚合商）
目标函数：
code复制max πᴸᴬ = ∑(λₜ·ΔPₜ) - ∑cᵤ(ΔPᵤ,ₜ)
用户补偿成本函数：
code复制cᵤ(ΔPᵤ,ₜ) = β·(ΔPᵤ,ₜ)² + γ·|ΔPᵤ,ₜ|
3.3 纳什均衡存在性证明
根据Debreu定理，只需证明：
- 策略空间是非空紧凸集
- 支付函数在自身策略上连续且拟凹
在本文模型中：
- 策略空间由线性约束定义，满足条件1
- 支付函数为二次型，满足条件2
因此纳什均衡必然存在。
4. 仿真分析与结果验证
4.1 测试环境配置
- 硬件：Intel i7-11800H, 32GB RAM
- 软件：MATLAB 2021b
- 测试系统：IEEE 33节点系统
- 负荷数据：某小区300户居民24小时用电数据
4.2 性能指标对比
| 指标 | 分时电价 | 标准WOA | 本文BiWOA |
|---|---|---|---|
| 峰谷差降低率 | 18.7% | 26.3% | 34.2% |
| 用户成本降低 | 12.5% | 19.8% | 26.9% |
| 电压偏差改善 | 15.2% | 22.7% | 31.5% |
| 收敛时间(s) | - | 45.3 | 28.7 |
4.3 负荷曲线优化效果
原始负荷与优化后负荷对比显示：
- 高峰负荷降低23.6%
- 谷期负荷利用率提高18.9%
- 全天负荷率从0.63提升到0.81
matlab复制% 负荷曲线绘制代码
figure;
plot(Pload,'-','LineWidth',1.5); hold on;
plot(Pload_opt,'-','LineWidth',1.5);
xlabel('时间/h'); ylabel('负荷/kW');
legend('原始负荷','优化负荷');
grid on;
5. 关键实现细节与注意事项
5.1 负荷聚合的通信架构
实现中采用分层通信：
- 用户终端：智能电表+HPLC通信
- 边缘计算：LA部署本地决策单元
- 云平台：电网调度中心
重要提示：实际部署时需考虑通信时延，建议5G+光纤混合组网，保证时延<100ms
5.2 用户舒适度量化方法
定义舒适度损失函数：
code复制Dᵤ = ∑ω₁·|Tᵢⁿ - Tˢᵉᵗ| + ω₂·|SOCᵉᵛ - SOCᵗᵃʳ|
其中：
- Tᵢⁿ为室内温度
- Tˢᵉᵗ为用户设定温度
- SOCᵉᵛ为电动汽车电池状态
5.3 算法参数调优经验
通过正交实验确定最优参数组合：
- 种群规模：50-100
- 收敛因子a：2→0非线性递减
- 涡流概率：0.3-0.5
- 惯性权重：0.9→0.4线性递减
调试中发现：
- 种群过小易早熟
- 涡流概率过高会降低收敛速度
- 非线性收敛因子比线性效果好约15%
6. 工程应用挑战与解决方案
6.1 用户参与意愿问题
实际应用中面临的主要挑战：
- 居民对需求响应认知不足
- 担心影响用电舒适度
- 对补偿机制不信任
解决方案：
- 开发用户友好的APP界面
- 实施阶梯式补偿政策
- 建立信用积分系统
6.2 负荷预测不确定性
采用LSTM-Attention混合预测模型：
matlab复制% LSTM网络结构
layers = [ ...
sequenceInputLayer(featureNum)
lstmLayer(128,'OutputMode','sequence')
attentionLayer
fullyConnectedLayer(1)
regressionLayer];
实测显示相比传统ARIMA模型精度提升23.7%。
6.3 多时间尺度协调
建立"日前-日内-实时"三阶段调度：
- 日前：确定基线负荷和投标量
- 日内：每15分钟滚动修正
- 实时：每分钟调整偏差
时间尺度协调的关键是合理设置各阶段的优化目标和约束条件。