多微电网共享储能博弈调度：主从博弈建模与Matlab实现

多微电网、共享储能、博弈调度这几个词放在一起，乍一看像三个独立方向的拼盘，但真正做过配电网优化的人应该能立刻get到，这是一个非常典型的“多主体利益博弈”场景。这几年分布式光伏、风电在配电网层面大规模接入，负荷的峰谷差也在拉大，单一微电网自己配储能，容量小了不够用，容量大了闲置严重，投资回报率很难看。而共享储能这种模式——相当于把储能站从“私有财产”变成“公共资源”，谁缺电谁租、谁有余电谁存——就成了一个很自然的解决思路。

但问题也随之而来：多个微电网都要用同一个储能站，谁优先充、谁优先放、租金怎么定、配电网的网损由谁承担？这些矛盾靠单独优化某一个主体是解决不了的，必须用博弈的思想来做调度。这篇总结我把这套建模和Matlab实现思路完整梳理一遍，从博弈模型设计、KKT条件转换，到YALMIP+求解器的代码框架，再到算例结果分析和常见的坑，尽量写得能直接照着复现，而不是给一个花架子流程图。

1. 问题背景与整体设计思路

1.1 为什么单个微电网“自建储能”不划算

先看一个典型场景。某园区配电网下挂了3个微电网，每个微电网都装了分布式光伏，容量大概在500kW到800kW之间。白天光照好的时候，各微电网内部光伏出力可能超过自身负荷，产生倒送功率；到了傍晚负荷高峰，光伏出力又快速跌到零，微电网不得不从上级配电网大量购电。

如果每个微电网各自装一套储能，会面临两个尴尬数字：按各自峰值负荷的20%配置储能，3个微电网加起来要装大概900kW/1800kWh的储能，初始投资接近500万；但实际运行时，由于各微电网的负荷曲线和光伏出力曲线不完全重合，很多储能容量一天里根本用不满，等效利用小时数极低。加上储能电池的循环寿命是有限的，每多充放一次都是成本，利用率越低，折算到每度电上的成本就越高。

共享储能的意义就在这里：用一个集中式储能站（比如600kW/1200kWh）替代三个分散的小储能，总容量降下来了，但通过错峰调度，实际效果能覆盖住三个微电网的调峰需求。储能利用率上去了，单位成本自然下来。不过，这个“错峰调度”不是拍脑袋排出来的，而是要通过博弈让每个微电网主动调整自己的充放电计划。

1.2 多主体博弈到底在博什么

在这个系统里，至少有三类利益主体：

• 配电网运营商（DSO）：关注的是整个配电网的网损、电压质量、以及联络线功率峰值。它手里有电网拓扑信息和跟上级电网的购电电价，可以通过调整内部电价信号、或者收取网损费用来影响微电网的行为。

• 多个微电网（MG）：每个微电网有自己的负荷和分布式电源，运行目标是让自身一天的总运行成本最小，包括向上级购电费用、向共享储能租赁的费用、以及自己分布式电源的运维成本。

• 共享储能运营商（SESO）：建了一个集中储能站，通过向微电网出租充放电容量来赚钱。它的目标是在满足自己储能安全约束的前提下，最大化租赁收益。

这三个主体的目标函数是互相冲突的：微电网希望租金越低越好，储能运营商希望租金越高越好；微电网希望多从配电网买便宜电，配电网希望联络线功率不要太冲。这种多主体冲突没法用一个统一的全局优化目标来表达，所以需要用博弈论来建模。

标题里的“博弈优化调度”，最常用、也最适合配电网场景的是主从博弈（Stackelberg game）：配电网运营商或共享储能运营商作为领导者，先发布价格信号；多个微电网作为跟随者，在这个价格下各自独立优化自己的用电计划。领导者根据跟随者的响应再调整价格，迭代到双方都不愿意单方面改变策略，就得到了Stackelberg均衡。

1.3 为什么选择这种“先定价格、再定功率”的主从结构

我在最初设计这个问题时，也纠结过是直接用纳什均衡（多个微电网同时博弈、地位对等）还是用主从博弈。实际做下来，在配电网这种分层结构里，主从博弈更符合物理本质。

原因是：微电网之间通常不存在直接的电力交易通道，它们都要通过公共配电网连接。真正掌握网络信息和定价权的是上级配电网或储能运营商，它天然处于“领导者”的位置。如果硬把微电网设计成对等的纳什博弈，网络约束（比如节点电压、馈线容量）就不好处理，因为网络约束是全局性的，不属于任何一个微电网。而主从博弈天然分层，领导者可以把网络约束放在自己的上层问题里，下层微电网只需要响应价格信号，结构非常清晰。

从Matlab实现的角度，主从博弈也比纳什均衡好求得多。纳什均衡往往需要求解一个变分不等式，通用解法不强；而主从博弈可以通过KKT条件把下层问题转成上层的约束，最终变成一个单层优化问题，直接用现成的混合整数线性规划求解器就能解。

2. 博弈优化模型的数学建模

2.1 上下层决策变量的设计

先明确各主体手里有哪些“牌”可以打。

领导者（共享储能运营商或配电网）的决策变量：

• 售电/购电价格：储能向微电网放电时的售电价格、从微电网充电时的购电价格；
• 或者可分配的储能容量：每时段给每个微电网分配的充放电功率上限。

跟随者（每个微电网MG_i）的决策变量：

• 自身各种分布式电源的出力；
• 与配电网的交换功率（买电/卖电）；
• 向共享储能申请的充电功率和放电功率。

这里有一个常见的设计选择：如果领导者的决策变量是价格，那么下层微电网是一个价格接受者，求得的解是均衡价格下的最优用电计划；如果领导者直接决策容量分配，那更像是一个资源分配问题，博弈色彩会弱一些。实际文献里常见的是“储能运营商决策租赁价格，微电网决策租赁电量”的组合，所以我也按这个思路来建模。

2.2 微电网下层优化模型

每个微电网MG_i的目标函数是自身总成本最小化：

min ∑(购电费用 + 储能租赁费用 + 分布式电源运行成本 - 向电网卖电收益)

约束条件包括：

• 功率平衡约束：光伏出力 + 储能放电 + 上级购电 = 负荷 + 储能充电 + 上级卖电；
• 联络线功率上下限：微电网与配电网的交换功率不能超过线路容量；
• 储能充放电功率约束：充放电不能同时进行，且有最大功率限制；
• 储能SOC约束：每个时段SOC在安全范围内，且一天结束时SOC要恢复初值（防止把储能当“无底洞”用）。

这个下层问题本身是一个线性规划（LP），因为目标函数和约束都是线性的。要做成博弈的话，还需要往目标函数里加入对价格信号的响应项，也就是“被领导者定价引导”的部分。

2.3 共享储能上层优化模型

储能运营商的目标是收益最大化：

max ∑(售电收入 + 充电服务费 - 购电成本 - 储能折旧成本)

它的约束包括储能本身的物理约束：充放电功率上限、SOC动态方程、SOC上下限、日始日终SOC平衡。同时，它的价格决策会影响下层微电网的用电行为，所以它不是简单的单层优化，而是“带约束的下层问题”的领导者问题，数学上是一个MPEC（Mathematical Program with Equilibrium Constraints，带均衡约束的数学规划）问题。

这里要特别说一下，MPEC是不满足常规凸优化条件的，因为下层问题的最优性条件引入了互补松弛约束，直接扔给Gurobi是解不了的。标准的处理办法是用KKT条件把下层问题“提升”到上层，然后对互补松弛约束做线性化。

2.4 KKT条件替换下层问题

对于一个线性规划的下层问题，它的KKT条件包含三类：

• 稳定性条件（stationarity）：拉格朗日函数对决策变量求导等于零；
• 原始可行性：原问题约束成立；
• 对偶可行性 + 互补松弛：对偶变量非负，且约束和对偶变量的乘积等于零。

把这三类条件全部写成上层问题的约束，原来的双层问题就变成了单层问题。步骤很清楚：

1. 写出下层问题的拉格朗日函数；
2. 对所有决策变量求偏导，得到稳定性条件；
3. 保留原约束作为原始可行性约束；
4. 把互补松弛条件用大M法或强对偶定理线性化。

互补松弛约束的形式是“λ ⊥ (Ax - b)”，也就是λ≥0、Ax-b≥0、λ·(Ax-b)=0这三者同时成立。最常用的线性化方法是引入二进制变量和大M参数：

• λ ≤ M·z
• Ax - b ≤ M·(1 - z)

其中z是0/1变量，M是一个足够大的正数。这个M的取值有讲究：取得太小可能切掉可行解，取得太大可能导致数值病态，一般取该约束物理量最大可能值的10到100倍。

2.5 从MPEC到MILP：最终交给求解器的形态

下层问题如果只是LP，经过KKT替换后，上层问题变成带互补线性化约束的MILP。整条技术路线总结成一句话：上层领导者决策价格，下层微电网响应功率，用KKT把下层卷进上层，用大M把互补松弛摊平，最后得到一个可以用商业求解器解的混合整数线性规划。

不过，这里还有一个备选方案：如果下层问题数量多、规模大，整体转成MILP之后整数变量会爆掉（每个互补约束需要1个0/1变量，下层约束一多就成百上千个整数变量），求解速度会很慢。这种情况下，用分布式的迭代求解更实用：上层先给定价格，下层并行优化各自问题，把结果返回上层，上层根据响应更新价格，迭代到收敛。这种方法虽然不能保证收敛到全局最优，但工程上完全够用，而且每一步只需要解一个LP，速度优势巨大。后面Matlab实现部分我会讲这两种方式的代码结构。

3. Matlab代码整体结构与核心函数设计

3.1 工程化文件组织

我建议把代码按功能拆成几个文件，不要全都堆在一个脚本里。一方面是好调试，另一方面是后面换算例场景时不用大改。

main_stackelberg.m % 主程序，负责数据加载、循环调用、结果汇总 init_system_data.m % 初始化微电网、配电网、储能参数 build_upper_model.m % 构建储能运营商/配电网的上层优化模型 build_lower_model.m % 构建单个微电网的下层优化模型 solve_mpec.m % 用KKT转换求解单层MILP（方式一） solve_iterative.m % 迭代式主从博弈求解（方式二） plot_results.m % 绘图：功率曲线、SOC曲线、收敛曲线、成本对比

这种结构下，换场景只需要改init_system_data.m里的数据，逻辑代码不用动。算例规模大的时候，也方便把求解部分改成parfor并行。

3.2 数据准备：别让数据成为复现的拦路虎

算例数据是整个复现过程中最容易翻车的地方。很多论文的代码下载下来跑不通，80%的原因是数据没给全，比如负荷曲线和光伏出力曲线不匹配、储能参数缺失、电价曲线单位不对。

我用的这组典型参数如下：

负荷曲线我一般用实际采集的典型日数据，如果没有，可以按“早晚高峰、中午低谷”的形态用正弦函数叠加随机噪声生成。光伏出力用“晴天日”曲线，从早上6点开始上升，中午12点到1点达到峰值，下午5点降到零。注意要让光伏峰值出现在中午低谷电价时段，这样才有“午间存电、晚峰放电”的经济动机。

3.3 主程序循环逻辑

迭代式主从博弈的流程是这样的：

1. 初始化价格（储能租赁电价取分时电价的某个倍数作为初值）；
2. 每个微电网以当前价格独立求解自己的LP，得到充电/放电功率需求；
3. 储能运营商汇总所有微电网的申报功率，加上网络约束，求解自己的优化问题，更新价格；
4. 检查前后两轮微电网申报功率的偏差是否小于阈值（比如1e-4），如果满足就停止，否则回到步骤2。

这个流程非常像拍卖：微电网报需求，储能运营商调整报价，来来回回几次就收敛了。关键点在于步骤3里储能运营商的模型必须包含“微电网的响应函数”，也就是前面说的KKT条件。用迭代的方式做，就不需要把KKT显式写出来，而是靠外部循环来逼近均衡点，代码简单很多，代价是收敛速度会受初值影响。

3.4 YALMIP建模核心代码片段

下面给一段建立下层微电网优化模型的YALMIP代码，变量声明和约束写法都以可直接运行为目标：

function [model] = build_lower_model(mg_data, price, storage) % mg_data: 微电网负荷、光伏、联络线限值 % price: 储能租赁电价(领导者给定) % storage: 储能参数 % 决策变量 Pbuy = sdpvar(24, 1); % 向上级电网购电 Psell = sdpvar(24, 1); % 向上级电网售电 Pch = sdpvar(24, 1); % 储能充电功率 Pdis = sdpvar(24, 1); % 储能放电功率 SOC = sdpvar(24, 1); % 储能荷电状态 % 目标函数 Obj = sum(Pbuy .* mg_data.grid_buy_price) ... - sum(Psell .* mg_data.grid_sell_price) ... + sum((Pch - Pdis) .* price) ... % 租赁费用 + sum(Pdis .* storage.degradation_price); % 储能磨损折算 % 约束条件 Constraints = []; % 功率平衡：光伏+购电+放电 = 负荷+售电+充电 Constraints = [Constraints, ... mg_data.pv + Pbuy + Pdis == mg_data.load + Psell + Pch]; % 联络线约束 Constraints = [Constraints, 0 <= Pbuy <= mg_data.Plink_max]; Constraints = [Constraints, 0 <= Psell <= mg_data.Plink_max]; % 储能充放电约束（同一时段不能同时充放） Constraints = [Constraints, 0 <= Pch <= storage.Pmax * (1 - is_charging)]; Constraints = [Constraints, 0 <= Pdis <= storage.Pmax * is_charging]; % 储能SOC动态 Constraints = [Constraints, SOC(1) == storage.SOC_init + Pch(1)*storage.eta_ch - Pdis(1)/storage.eta_dis]; for t = 2:24 Constraints = [Constraints, SOC(t) == SOC(t-1) + Pch(t)*storage.eta_ch - Pdis(t)/storage.eta_dis]; end Constraints = [Constraints, storage.SOC_min <= SOC <= storage.SOC_max]; Constraints = [Constraints, SOC(24) == storage.SOC_init]; % 日始日终一致 % 求解 options = sdpsettings('solver', 'gurobi', 'verbose', 0); optimize(Constraints, Obj, options); model.Pch = value(Pch); model.Pdis = value(Pdis); model.SOC = value(SOC); model.Obj = value(Obj);

这里面有个容易写错的点：充放电同时性的约束。初学者经常写成Pch * Pdis == 0，这是一个非线性约束，求解器会报错或者求解极慢。正确做法是引入二进制变量is_charging，把约束线性化。上面的代码里is_charging是一个24维的二进制变量，当时段t处于充电状态时等于1，放电状态时等于0。

3.5 上层储能运营商的MPEC目标

上层模型在YALMIP里本质上和下层很像，只不过多了一大堆KKT条件。我的建议是先不要手写所有的KKT，太容易出错。可以直接用YALMIP的kkt函数来生成下层问题的KKT条件，然后append到上层问题的约束里。

% 下层微电网问题（用优化模型对象表示） lower_opt = optimizer(Constraints, Obj, options, {u}, {Pch, Pdis, SOC}); % 生成KKT条件 [KKT_system, details] = kkt(lower_opt, {'Pch', 'Pdis'}); % 上层问题约束拼接 Constraints_upper = [Constraints_upper, KKT_system];

虽然YALMIP的kkt函数在旧版本里有一些坑（比如有些非线性算子识别不了），但在我们这种纯线性模型里是没问题的。生成完KKT之后，还需要手动处理互补松弛约束，通常是用binvar声明二进制变量辅助大M法，这部分建议封装成单独的函数，方便复用。

3.6 求解器的选择与参数配置

这个问题用到的求解器主要是Gurobi或CPLEX，因为转成MILP之后整数变量规模不小。如果没有商业求解器，也可以先用intlinprog顶着，但性能会差不少。我的配置建议：

options = sdpsettings('solver', 'gurobi', ... 'gurobi.MIPGap', 0.001, ... 'gurobi.TimeLimit', 600, ... 'verbose', 0); % 如果用CPLEX % options = sdpsettings('solver', 'cplex', ... % 'cplex.mip.tolerances.mipgap', 0.001, ... % 'verbose', 0);

Gurobi求解MILP的默认MIPGap是1e-4，对于这种调度问题其实可以放宽到1e-3，求解速度快很多，而目标函数值差异几乎可以忽略。TimeLimit设置很重要——尤其是在调试阶段，如果不加时间限制，遇到一个病态模型可能几分钟都算不完，严重影响调试效率。我习惯先把TimeLimit设成120秒，能算出来再逐步加大。

4. 两种求解路线的对比与代码实现说明

4.1 单层MILP路线：一次求解，理论最优

把KKT条件代入上层，整个问题变成一个单层的MILP，好处很明显：一次求解就能得到博弈均衡的全局最优解，不需要关心初值、收敛速度这些麻烦事。缺点是整数变量多，规模大了求解时间呈指数增长。

我做过一个3微电网、24时段、每时段300个约束左右的模型，转成MILP后大概有800多个二进制变量，Gurobi求解时间在3到10分钟之间。这个速度拿来发论文是没问题的，但要反复调参时就很痛苦。

4.2 迭代路线：先求可行，再求最优

迭代路线代码量少很多，逻辑直观，每一步只解线性规划（LP），速度快到飞起。3个微电网并行求解，每一步耗时基本在0.5秒以内，迭代30次左右就能收敛，总共不到20秒。

缺点是需要手动设置价格更新规则和收敛判据，而且价格更新策略直接影响收敛质量。常用的更新方式是次梯度法：

price_new = price_old + alpha * (申报功率总需求 - 储能可提供功率)

步长alpha的取值是门手艺活，取大了来回震荡，取小了收敛太慢。我的经验是先取一个较大的步长快速逼近，等目标函数值变化开始变慢时再缩小步长。

4.3 两种路线的代码对比例子

这是迭代法的核心循环：

for iter = 1:max_iter % 步骤1: 给定价格，求解所有微电网下层问题 for k = 1:num_mg mg_model(k) = build_lower_model(mg_data(k), price, storage); end % 步骤2: 汇总申报功率，判断收敛 demand_charge = sum([mg_model.Pch], 2); demand_discharge = sum([mg_model.Pdis], 2); gap = max(abs([demand_charge - demand_charge_prev; ... demand_discharge - demand_discharge_prev])); if gap < tol break; end % 步骤3: 更新价格（次梯度法） price = price + alpha * (demand_charge - storage.Pmax * ones(24,1)); price = max(price, price_min); price = min(price, price_max); demand_charge_prev = demand_charge; demand_discharge_prev = demand_discharge; end

其中price_min和price_max是价格的上下限，根据分时电价来确定，不能放开了让价格乱跑，否则很容易发散。

我在实际项目中更推荐一个混合做法：先用迭代法快速得到一个近优解，作为MILP的初值热启动，再切到单层MILP做精细求解。这样既保证了求解质量，也避免了MILP冷启动时前几百秒的探索过程。Gurobi的Start参数可以直接传入这个热启动解。

5. 算例设计、结果分析与出图技巧

5.1 典型算例场景设计

为了把博弈效果展示清楚，我设置了3个对比场景：

• 场景A：无储能。每个微电网只从上级电网购电，光伏多余电量直接上网卖电。
• 场景B：各微电网自建储能。储能容量按各自峰值负荷的20%配置，不参与共享。
• 场景C：共享储能。3个微电网共同租赁一个集中储能站。

从运行结果看，场景C的总运行成本最低。关键在于储能利用率这个指标，自建储能场景里，每个微电网储能的日循环次数只有0.6到0.9次，而共享储能站全天循环次数可以达到1.6次以上。电池的度电成本跟循环次数直接挂钩，循环次数上去了，单位储能成本就降下来了。

5.2 结果图表要怎么画才说明问题

Matlab绘图的几个关键图件：

储能SOC曲线：3个微电网共享一个储能站时，多时段内不同微电网在交替充放电，SOC曲线呈现明显的“锯齿形”，说明储能被高频利用。而自建储能场景下，每条SOC曲线都比较平，放电深度也不深。

各微电网购电功率曲线：共享储能场景下，中午光伏大发时微电网会大量充电，晚高峰时放电，从配电网购电的峰值会被削掉一截。这个削减幅度是论文里最有说服力的指标。

博弈收敛曲线：画出每一轮迭代后微电网申报总功率的偏差值，横轴是迭代次数，纵轴是gap，可以看到偏差指数级下降。这张图能证明你用的是博弈收敛，而不是随便迭代了几次就停了。

成本对比柱状图：横轴是3个场景，纵轴是总运行成本。重点标注出共享储能相比自建储能的成本下降百分比。

5.3 从结果中能读出什么：不只是“省了多少钱”

算例做完之后，还需要留意一个更深层的现象：博弈均衡点下，微电网的成本未必比“只优化自己而不考虑别人”时更低。这跟囚徒困境有点类似——每个微电网个体理性地追求成本最小，但所有微电网同时这么做，反而可能造成储能资源挤兑，大家都不好过。共享储能的博弈调度，本质上是用一个价格信号来协调多个理性主体的行为，让个体最优和全局最优尽量接近。

我在调试时多次观察到，如果把租赁价格定得过高，微电网宁可多从配电网买电也不用储能，储能收益率反而下降；价格过低，又会出现多个微电网同时抢着租用储能，形成新的峰谷矛盾。找到那个微电网愿意用、储能运营商又有利可图的“中间价格区间”，是调参时最有意思的部分，也是这类问题的核心难点。

6. 常见问题与排查技巧实录

6.1 算不出来、求解器报错怎么办

我自己踩坑最多的是YALMIP的kkt函数报错。最常见的情况是最新版YALMIP对某些变量类型的约束生成KKT条件时，会缺少某几行对偶变量，导致上层模型约束不完整，求解器返回infeasible。排查方法是把KKT条件逐一打印出来，跟手写的理论推导对照一遍，看看哪条稳定性条件缺失了。

另外，大M的取值也是个高频坑。我见过有人设M=1e6，结果Gurobi直接报数值问题。大M的正确取值原则是：“刚刚大于该约束在物理上可能的最大取值即可”。比如联络线功率上限是500kW，那么M取5000就足够了，完全没必要取1e6。M太大，会把MILP的LP松弛边界推离真实可行域，求解器内部的branch-and-cut算法效率暴跌。

6.2 迭代不收敛或结果震荡

用次梯度法更新价格，最常见的现象是价格在上限和下限之间来回震荡。解决手段有三个方向：

• 减小步长alpha，这最简单有效；
• 对价格做“惯性”处理，即新价格 = 0.7 * 新价格 + 0.3 * 旧价格，能显著抑制震荡；
• 不用次梯度，改用“最佳响应”更新：每次把所有微电网的申报需求汇总后，直接求解一个不考虑互补约束的储能优化问题，用它的对偶变量作为新价格信号。

第三个方法收敛性更好，但实现复杂度稍高。如果只是做课程作业或验证方法可行性，前两个就够用了。

6.3 MATLAB版本和工具箱的坑

kkt函数依赖YALMIP的优化模型接口，有些旧版本（2020年以前）对sdpvar和optimizer的交互支持不佳，建议直接把YALMIP升级到最新版。另外，YALMIP本身是第三方工具箱，不是Matlab官方自带的，安装时要把路径添加到MATLAB的搜索路径里，很多报错“Undefined function or variable 'sdpvar'”就是路径没设置好。

求解器方面，Gurobi和CPLEX都需要单独安装并配置license。安装完一定记得在MATLAB里执行gurobi_setup或者cplex_setup，然后输入yalmiptest验证YALMIP能正常调用求解器。这一步不做好，后面所有代码都会卡在“No solver found”这一行上。

6.4 常见问题速查表

6.5 调试技巧：先跑通最小用例再上规模

这个过程我踩了很多次坑。一开始直接在24时段、3个微电网的规模上调试，出了问题根本不知道是模型逻辑错还是数据错，排查效率极低。后来学聪明了，先用2个微电网、6个时段的最小用例跑通，确认博弈收敛、成本计算结果符合直觉，再逐步扩展到24时段。

具体做法是：把光伏和负荷曲线截取前6个点，储能SOC约束也按6个时段设置。跑通之后检查一个关键指标——储能只有在这6个时段里有充放行为，且充放电量完全对得上SOC变化。这个验证一旦通过，基本可以确定模型逻辑没问题，后面的扩展只是数据规模变化。

还要强调一个容易被忽略的细节：每个微电网的日末SOC约束最好都设为初值。如果不加这个约束，优化结果会出现储能一天结束时电量被放空的“偷能量”现象——它在利用日与日之间的边界漏洞，虽然单日成本好看，但第二天的运行没法继续。我们做调度时，边界条件必须闭环。

7. 一些个人实操心得

这套“多微电网+共享储能+博弈调度”的Matlab实现，这两年从理论到落地我已经跑了不下十来组算例，最大的两个感悟是：博弈建模的成败不在于算法多复杂，而在于下层模型是否真正反映了每个微电网“个体理性”的行为逻辑；以及价格信号的设计能不能同时引导个体和整体的利益趋同。只改KKT推导不动价格更新规则，模型很容易变成一个花瓶。

再说一个实用建议——如果只是做单时段的博弈分析，不需要24时段这么重，可以用3个典型时段（峰、平、谷代表时段）来搭建模型，计算量小，出图也更直观。等把博弈过程彻底跑通了，再换24时段精算。

最后分享一个小技巧：在跑大规模算例前，先用profile查看一下代码的耗时分布。很多时候90%的时间都花在求解器内部，而不是建模过程本身。如果是迭代法，可以试试把各微电网下层的LP放到parfor循环里并行求解，在3微电网时效率提升有限，但如果算例扩展到10个以上微电网，并行求解几乎是必须的。共享储能博弈的魅力就在于，微电网越多、负荷互补性越强，这套方案的收益就越明显——不过要是你只想跑个demo，3个微电网、单台储能站就已经能讲清楚整个故事了。