企业官网建设流程全解析

前阵子我一直在啃一篇关于售电商套餐设计与购电策略的EI论文，课题全称是“基于主从博弈的售电商多元零售套餐设计与多级市场购电策略”，附带的Matlab代码我前后调了一周多才完全跑通。一开始我以为这只是一个普通的双层优化问题，把KKT条件往下一推，丢给求解器就完事。真正动手之后才发现，模型框架看着清爽，实操层面的坑却比公式里的符号还多。

这篇内容适合正在复现电力市场类论文的研究生、想理解主从博弈怎么落地的工程师，也适合被“EI复现”这几个字劝退的人。我会把模型的建模思路、Matlab实现骨架、参数设计、常见报错和排查经验都摊开讲，尽量让你少走几个月的弯路。

1. 项目到底在解决什么问题

1.1 售电商的两头受气与主从博弈的登场

售电商这个角色很有意思，它夹在批发市场和零售用户之间，两头都得伺候好。购电侧，它要在中长期合约、日前市场、实时平衡市场之间分配电量，每个市场的价格波动规律不一样，买多了或买少了都会产生偏差成本；售电侧，它要给用户设计零售套餐，定高了没人签，定低了自己要亏，而且用户会根据电价调整用电行为。

这两个决策是互相嵌套的：你定的套餐价格会影响用户用电量，用户用电量反过来又决定你要在市场上买多少电。如果用单层优化建模，很容易忽略用户的理性响应，最终给出的套餐价格往往是“自嗨”。主从博弈天然契合这个场景：售电商先报套餐，用户再决定用电量，售电商在做决策时已经把用户的反应考虑进去了。你可以把它理解成房东定价、租客决定租几间房的博弈，房东不会傻到定一个把租客全部吓跑的价格。

1.2 EI论文复现，到底在复现什么

很多论文把模型写得云里雾里，公式推导一段带过，参数表给得含含糊糊。所谓“复现”，不只是把代码跑出几张图，而是要还原完整的建模思路：上层是售电商的套餐定价和购电决策，下层是用户的效用最大化负荷响应，然后用KKT条件把双层问题压成单层，最后交给求解器算。

这套东西复现下来，你会对“主从博弈”有完全不一样的理解。很多人在论文里看到Stackelberg博弈觉得很高深，其实落到代码上就是几组约束和变量的组合。这里有一个很现实的问题需要说清楚：文献里往往只给核心模型，不会给完整参数，也不会有调试过程。比如用户效用函数的系数、偏差惩罚成本、价格上限这些关键参数，很多论文要么放在附录小字里，要么压根不提，复现时只能根据算例结果反推或者自己设定，这也是为什么同一篇论文不同人复现出的图形会差很多。

2. 主从博弈模型的核心框架拆解

2.1 上层问题：套餐定价与购电优化

售电商的决策大致可以拆成两块：一块是怎么给用户设计零售套餐，另一块是怎么在不同的批发市场里买电。在大多数EI论文里，这两个决策是放在同一个优化问题里联立求解的。

上层决策变量包括零售电价向量、中长期购电量、日前市场各时段购电量等。目标函数很直观，就是最大化售电利润。设用户在某时段的负荷为d_t，零售电价为λ_t，则售电收入为∑λ_t·d_t；购电成本需要考虑中长期合约、日前市场购电和实时平衡电量三个部分。实时平衡电量通常用偏差惩罚来处理，即实际负荷与已购电量之差乘以惩罚系数。

约束条件里比较关键的是：零售电价必须落在用户可接受范围内，中长期购电量有上限，日前市场购电量不能超过最大申报容量。另外还有一个隐含约束容易被忽略——用户参与约束，也就是用户在参与套餐后获得的效用，至少要高于他不参与任何套餐、直接用默认电价时的效用，否则用户不会签这个套餐。这个约束在数学上表现为一个不等式，但它是保证套餐能被市场接受的前提。

这里有个常见的误区：有人会把套餐设计和购电策略拆成两个独立问题分开求解，先定电价，再根据电价结果去买电。这种做法在严格意义上是次优的，因为购电策略会影响售电成本，而售电成本又会影响你能够承受的套餐价格。只有放在同一个模型里联立优化，才能体现出“主从博弈”的全局最优性。

2.2 下层问题：用户效用最大化的需求响应

用户作为跟随者，面对售电商给定的零售电价，会通过调整用电量来最大化自己的净效用。这里的净效用等于用电带来的满意程度减去电费支出。

常见的用户效用函数形式为： U(d_t) = a_t·d_t - 0.5·b_t·d_t²

其中a_t和b_t是与用户偏好相关的系数。用户的决策问题可以写成： max ∑[U(d_t) - λ_t·d_t]

对d_t求导并令其等于零，就能得到用户的最优用电量响应函数： d_t = (a_t - λ_t) / b_t

这个响应函数是整个主从博弈建模的关键。它说明用户的负荷并不是固定不变的，而是电价的线性函数。a_t可以理解为用户在该时段的用电意愿上限，b_t反映用户对价格的敏感程度。b_t越大，用户对电价越敏感，微小的价格调整就能引起明显的负荷变化。

在复杂一点的模型里，用户不只有一个，而是分成若干类别，每一类用户有不同的效用函数参数。这种情况下，下层问题就要对每一类用户分别写最优性条件，然后全部带入上层问题。还有些模型会考虑负荷的时移特性，比如用户可以把部分可转移负荷从高峰时段挪到低谷时段，这就需要引入跨时段的耦合约束，下层问题的KKT条件会变得更复杂。

2.3 从Stackelberg问题到可计算的MILP/MIQP

主从博弈的直接求解并不容易，因为上下层决策是嵌套的。但如果我们把下层的优化问题替换成它的KKT最优性条件，就可以把双层问题转化成单层问题。这个思路在电力市场文献里非常常见，也是复现代码的核心。

具体来说，下层用户的优化问题相对简单，它的最优性条件就是前面推导出的电价-负荷响应关系。把这个关系代入上层目标函数之后，问题就变成了含有双线性项的单层优化问题。

双线性项主要来自目标函数里的λ_t·d_t。好在d_t是λ_t的线性函数，代进去之后λ_t·d_t会变成关于λ_t的二次函数，因此目标函数仍然是一个二次函数。如果问题里没有整数变量，可以用二次规划求解；如果涉及套餐类型选择的0-1变量或者阶梯电价的整数分段，就变成混合整数二次规划。在实际复现中，很多论文用的就是这类MIQP模型，求解器直接选Gurobi或者Cplex，小算例几秒钟就能出结果。

还有一类更复杂的处理方式，是用KKT条件+互补松弛约束把用户的带约束优化问题完全转写，再用大M法把互补松弛条件线性化。这种做法的好处是用户可以带约束条件（比如负荷调整上下限），模型表达能力更强。代价是引入了额外的二元变量，求解规模会变大。我复现的这篇论文采用的是第二种方案，因为它的下层用户模型里带有负荷转移约束，不能只靠一阶条件简单代换。

3. Matlab环境配置与代码骨架

3.1 环境准备：版本、求解器与工具箱

复现这类电力市场优化模型，Matlab环境配置其实比想象中重要。我建议直接用R2022b或者更新一点的稳定版本，不一定非要追最新版。我自己用R2023a跑Yalmip加Gurobi的体验最稳，新出的版本有时候第三方工具箱还没来得及适配，反而容易出兼容性问题。

安装的时候要注意，Optimization Toolbox必装，这是Matlab自带优化功能的基础。如果模型是纯MILP/MIQP，用自带intlinprog也能跑，但性能上比商业求解器差不少。我自己实测下来，同样一个算例，intlinprog跑两分钟才收敛，换Gurobi十几秒就出来了。学术用途的Gurobi可以申请免费license，Cplex也有类似的学术授权，配置起来都不算麻烦。如果你只用Yalmip，它自带一个编译器检测功能，安装完Gurobi后记得在Matlab里运行一下yalmiptest确认求解器能被正确识别。另外并行计算工具箱建议顺手装上，后面做多场景对比实验时能省不少时间。

3.2 模块化代码结构与核心函数实现

整个复现代码我建议按功能拆成几个模块，不要在脚本里堆两三百行。我自己的习惯是这样划分：数据参数模块、用户响应模块、博弈模型求解模块、购电策略计算模块、结果输出与可视化模块。

用户响应模块是最简单的，因为下层问题已经可以解析表达。如果你用KKT重构方式，需要写一个函数把用户的效用系数、电价向量转成最优负荷向量。这里有一个细节值得注意：如果用户有负荷调整上下限约束，响应函数就不是简单的线性表达式，而是一个带饱和区的分段函数，写代码的时候要用min和max把上下界钳住。

核心的求解模块用Yalmip建模。Yalmip的语法对这类双层转单层的问题非常友好，可以直接用sdpvar定义决策变量，用optimize一键求解。我在代码里会把上层决策变量（如各时段零售电价、各市场购电量）和下层用户的响应变量一起定义出来，再把KKT条件转成约束加进去，最后设置求解器选项。

3.3 求解主循环与均衡结果导出

主从博弈模型转成单层之后，就不需要迭代求解了，直接一次性调用求解器就能得到Stackelberg均衡解。但为了验证算法的正确性，通常还会写一个后验模块，把求出来的套餐价格重新代回用户的优化问题，确认用户的最优响应和你模型里用的负荷一致。

我在代码里会输出以下几个关键量：最优套餐价格曲线、各类用户的负荷响应曲线、各市场购电量、售电商总利润、用户总福利。这些量在论文图标里基本都是标准输出，提前准备好了后面画图也顺手。求解完成后用value()取出变量值，再写个结构体保存结果，方便后面多个场景之间做对比。

% Yalmip求解主从博弈模型核心框架示意 P = sdpvar(T,1); % 零售电价，上层决策变量 Qday = sdpvar(T,1); % 日前市场购电量 Qf = sdpvar(1,1); % 中长期合约购电量 D = sdpvar(T,1); % 用户负荷，经KKT条件与P关联 Constraints = [...]; % 含KKT条件、价格上下限、购电容量约束等 Objective = ...; % 售电商利润最大化 ops = sdpsettings('solver','gurobi','verbose',2); optimize(Constraints, -Objective, ops); P_opt = value(P); D_opt = value(D); Qday_opt = value(Qday);

这里我习惯把目标函数取负号，因为Yalmip默认是求最小值，写成最小时直接optimize(Constraints, Objective)也可以，但工程上我更习惯把最大化问题统一换算成最小化，避免符号混淆。

4. 参数设置、场景设计与你应该跑哪些对比实验

4.1 用户、套餐与市场价格参数怎么定

参数是复现的重头戏，也是论文里最容易被“略过”的部分。我复现时采用了一组典型算例参数，24小时一个优化周期，用户分三类：居民用户、商业用户、工业用户。每类用户的效用函数系数不同，工业用户价格敏感度高，居民用户价格敏感度低。这个设定比较贴近实际，而且三类用户的负荷曲线叠加起来，能明显看出峰谷差。

套餐设计上，我用的是多套零售套餐并存的方式，包括固定电价套餐、分时电价套餐和阶梯电价套餐。固定电价适合价格敏感度低、怕波动的用户；分时电价鼓励用户在低谷多用电；阶梯电价则对高用电量用户起到约束作用。每类用户根据自身效用最大化原则选择套餐，这又是一个嵌套在里面的二元选择问题。

批发市场侧，我设定了一条长期合约价格曲线，一条日前市场价格曲线和一条实时平衡价格曲线。日前市场价格在峰时段拉高，谷时段压低，实时平衡价格在偏差出现时产生惩罚成本。这里的参数直接影响最终结果，建议参考相关期刊论文的算例参数去取值，别自己随意拍脑袋。比如偏差惩罚系数如果设得太高，模型会把所有电量都尽量在中长期和日前市场买齐，实时平衡几乎不用，结果反而没有参考价值；惩罚太低，模型又会过度依赖实时市场，风险成本被低估。我最后用的是惩罚系数约为日前均价的1.5倍，这个数值在不少文献里都能找到依据。

4.2 对照实验设计：三个必跑的场景

判断你的代码和模型有没有实现到位，最直接的办法是跑对照组。我建议至少跑三个场景。

第一个场景是基准场景，售电商只提供单一固定电价套餐，购电侧只走日前市场。这个场景等价于传统售电模式，指标是后面对比的基线。

第二个场景是套餐优化场景，售电商提供多元零售套餐，但购电策略仍然只走日前市场。这个场景用来单独衡量套餐设计对利润和用户福利的影响。

第三个场景是完整场景，多元零售套餐加多级市场购电策略全部打开。这个场景对应论文的完整模型，也是最终要呈现的结果。

把三个场景的利润、负荷曲线、峰谷差、用户福利放在一张表里，你就能清楚看到每一层优化分别贡献了多少收益。我在自己的复现结果里，场景三相比场景一利润提升了大概18%，其中套餐优化的贡献占了大头，购电策略优化提供了进一步的改善，这个量级也和文献报道一致。如果你的结果提升幅度过大或者过小，就要回头检查参数和约束条件是否合理。

4.3 如何判断你的结果是对的

这里说一个最容易被忽视的问题：模型跑通了，结果也出来了，但你怎么确定这个结果是“对”的？光看目标函数值没有意义，需要做几个验证。

首先是均衡验证。把求出来的套餐价格固定住，单独求解用户的最优负荷响应，看和模型里用户负荷是否一致。如果两个结果不一致，说明KKT条件转写或互补松弛处理有问题。

其次是单边偏离检验。在最优套餐价格基础上，给某个时段的价格加一个小扰动，重新求解用户响应和售电商利润。如果扰动后的利润比原结果低，说明原结果是局部最优的候选解；如果反而更高，说明模型或求解器出了问题。这个检验简单又有效，我每次跑完新算例都会做一遍。

第三是补松弛校验。对于用到互补松弛条件的场景，检查一下乘积项是否在容差范围内趋近于零。如果残差很大，通常是大M参数取得不合适，需要调大或者改换其他的线性化方案。

5. 复现过程中的坑与排查手册

5.1 模型层的坑：大M取值、双线性项与不收敛

先说大M取值。互补松弛条件线性化时的大M参数非常敏感：M取得太大，数值计算会出现病态，求解器收敛慢，甚至给出错误的最优解；M取得太小，又可能把可行域截掉，导致结果偏离真实最优解。我自己的经验是按照问题物理边界来估算M值，比如电价上限乘以负荷上限再乘一个裕度系数，算出来多少就填多少，不要偷懒直接填一个很大的数。

双线性项处理是另一个重灾区。如果模型里含有连续变量乘积，比如购电量和实时价格相乘，求解器会直接报非凸或者不收敛。处理办法通常有三种：一是利用下层响应函数消元，把双线性项变成单变量二次项；二是用McCormick包络做松弛，但会有松弛误差；三是引入辅助变量配合大M法做精确线性化。具体用哪种，取决于你的模型结构。优先尝试第一种，因为它最干净。

还有一类不收敛问题来自目标函数数级差异过大。比如售电收入是百万级别，而惩罚成本在千级别，求解器在数值上会忽略小量级项。出现这种情况，我一般会对目标函数的各项做归一化处理，或者给各项加上合理的权重系数。别小看这个操作，很多时候模型在理论上没问题，跑起来结果离谱就是因为数值尺度不一致。

5.2 软件层的坑：license、版本与Yalmip配置

Matlab软件层面我遇到的坑也不少。最典型的是license问题。这类优化模型经常要在实验室服务器上跑，不少人用远程桌面连服务器时发现Matlab打不开，或者启动时报mathworks licensing error 9。这个错误通常是license文件和当前机器的hostid绑定不一致导致的。解决办法是检查当前机器的MAC地址是否和license文件里记录的一致，如果不一致需要重新激活，或者在Matlab启动脚本里显式指定环境变量MLM_LICENSE_FILE指向正确的license文件。

关于版本密钥，我的建议是不要用来路不明的所谓密钥，轻则激活失败，重则被官方拉黑。学校有校园授权就用校园版，没有就申请官方试用版，完全够用。另外重装Matlab时如果遇到“删除不干净”的问题，记得把环境变量和用户目录下的MathWorks残留配置一起清理掉，否则新的license激活会被旧配置干扰。

Yalmip版本和求解器版本不匹配也很常见。旧版Yalmip可能不认识新版本Gurobi的接口，导致yalmiptest通不过或者求解时直接报错。遇到这类问题，升级Yalmip到最新版通常能解决，或者去Gurobi官网下载对应Matlab接口文件手动配置。我还在代码里遇到过Nonconvex quadratic的警告，这一般是模型里出现了未线性化的双线性项，需要回到5.1的三种处理办法里排查。

5.3 数据与可视化：数组操作、循环画图与图件导出

后处理阶段的坑虽然没有那么致命，但真的很浪费时间。第一是数据导入导出。如果你的电价数据存在Excel里，读进来之后时间列常常是datetime类型，直接拼接字符串做横轴标签会报错，建议先datestr()转格式或者用string()转换，再用datetime统一管理。

第二是数组索引的坑。处理24小时数据时经常要提取特定时段，比如峰时段8到11点，用s(:, 8:11)这种列取法很方便，但要注意行和列的顺序，我经常因为索引方向搞反导致画出来的曲线完全对不上。建议在处理之前先用size()确认维度，或者用reshape把所有数据统一成列向量，能省不少事。

第三是画图循环。多场景对比图，比如基准场景和优化场景的负荷曲线画在同一张图里，要用循环统一设置颜色和线型，别手写三遍plot再手敲三个legend。legend可以用cell数组动态生成，避免每改一个场景都要改图例。我自己习惯用legend({'基线负荷','优化后负荷'}, 'Location','best')这种写法，配合set(gca,'FontName','Times New Roman','FontSize',11)统一字体，导出图片时用exportgraphics(gcf,'xxx.png','Resolution',300)，导师要的清晰度基本都能满足。

下面是我遇到的高频问题速查表，按严重程度排了一下：

6. 后续还能往哪些方向扩展

6.1 从单售电商到多售电商竞争

我复现的模型是单一售电商作为领导者、多个用户作为跟随者的结构。现实中一个区域往往有多家售电商在竞争，用户可以选择签约其中任意一家。这种情况下的均衡就是多个领导者之间的博弈，属于均衡约束均衡问题（EPEC），求解难度比单层Stackelberg高出很多。

如果你想在这个方向做工作，一个常见的做法是把多售电商博弈处理成迭代过程：每一轮固定其他售电商的策略，求解单个售电商的主从博弈，然后循环更新直到收敛。但这种迭代方式不保证收敛到唯一均衡，对初值敏感，需要配合小步长更新或者松弛技巧。复现完基础模型之后再往这个方向扩展，你会对博弈模型的适用范围有更清楚的认识。

6.2 不确定性、动态与数据驱动方向

目前这个模型假设市场价格和用户参数是确定性已知的。实际上日前市场价格、实时平衡价格都有很强的不确定性，用户负荷也存在随机波动。把不确定性纳入模型，可以考虑鲁棒优化、分布鲁棒优化或者随机规划。这些扩展会让模型从MIQP变成更复杂的结构，求解难度成倍增加。

如果你对数据驱动感兴趣，可以把用户历史负荷数据拿来做聚类，用聚类结果直接标定不同类型用户的效用函数参数，而不是像我前面那样手工设定a_t和b_t。Matlab里聚类工具箱可以直接上手，把负荷曲线聚类之后，每一类的响应系数可以通回归估计出来。另外，如果要对动态定价过程做仿真，拿离散时间状态方程来描述用户负荷变化，Matlab里ode45或者ss这类工具也都能直接配合优化模型使用。

6.3 我复现完之后最想说的一句话

整个项目做下来，我最深的感受是：复现EI论文不是对着公式敲代码，而是在还原作者每一步建模思考。很多关键的约束条件、参数取值，在论文里可能只是半行符号，代码实现时却决定了整个模型能不能算出符合直觉的结果。你如果能坚持把每个约束为什么存在、每个参数为什么取这个量级都搞清楚，这篇论文就算“吃透”了。

另外一个小建议：代码注释要写详细，特别是每个约束对应的论文公式编号。我的习惯是在每条Yalmip约束后面加一行注释，标明它来自论文的第几个公式或者哪一段描述。等过两个月再回头调试或者改参数的时候，你会感谢当时的自己。这次的分享就到这里，希望对正在做或者准备做售电商博弈模型复现的同学有点参考价值。