企业官网建设流程全解析

前阵子把“综合能源园区三方市场主体非合作方法”的模型迭代跑通那天，我把24小时的电平衡残差曲线来回翻了三遍。从第1次迭代到第1940次迭代，用电平衡偏差从接近0.9 MW慢慢压到1e-4以内，热平衡也稳定在同样的量级，那一刻我才敢说：这个模型不只是论文里的数学游戏，它是真的可以拿来做结算机制推演的。

这几年做园区级综合能源项目，最头疼的往往不是设备选型，也不是潮流计算，而是三个利益主体之间的“算账”问题：综合能源服务商想赚钱，用户想省钱，上级配电网这边还盯着联络线功率和系统安全。每一方都有自己的计划和目标，没有谁愿意把自己的内部数据全盘托出，更不可能接受一个“别人替我决策”的方案。于是“非合作方法”就成了一个绕不开的探索方向。

这篇文章想聊的，就是围绕这类园区场景，三方市场主体如何在各自优化目标的前提下，通过非合作博弈达到一个稳定的市场均衡——包括为什么要用广义纳什均衡这个框架、模型怎么搭、分布式算法怎么收敛，以及我实际调试时踩过的几个大坑。适合正在做综合能源园区调度、售电结算或需求响应机制设计的朋友参考，哪怕你之前没怎么碰过博弈论，顺着思路走一遍也能明白个七八分。

1. 从园区现场矛盾说起：三方主体凭什么博弈起来

1.1 三方主体各自的运营痛点

先说园区里这三方到底是谁。

第一方是园区综合能源服务商，手里管着热电联产机组、电锅炉、储能、屋顶光伏这些资产，既产电也产热，对外还要跟上级电网买电、跟天然气公司买气。它的核心诉求很直白：在保证供能可靠的前提下，让运行收益最大化，或者至少让账面上的运行成本最小化。但问题是，热电联产的“以热定电”特性经常让它很别扭——冬天热负荷高的时候，电发多了，园区自己消纳不完，上网又可能受到联络线容量限制；反过来，要是为了多发电强撑热负荷，没人用热就变成纯浪费。

第二方是园区内的多能用户，可能是工厂、办公楼、数据中心这类综合体。用户不关心热电联产怎么运行，也不关心储能SOC是多少，他们只关心一件事：在满足生产生活和舒适度要求的前提下，能源账单尽量低。于是用户手里就有了“柔性负荷”这张牌——可转移时段的生产用电、可微调的空调温度、可错峰的充电桩，这些都是需求侧资源。问题在于，用户的舒适度和生产节奏是有代价的，不能为了省钱无限度地转移负荷。

第三方是上级配电网。站在配网的角度，园区是一个特殊的“可调节负荷+分布式电源”聚合体。电网希望联络线功率平稳、不要出现尖峰倒送、更不能突破线路容量上限，同时在电力市场环境下，还希望通过分时电价引导园区削峰填谷。但电网没法直接指挥园区内部哪台机组开、哪个用户停，只能通过价格信号和容量约束来间接影响。

这三方的目标天然不一致，放在同一个园区里就必然产生博弈：服务商想提高热价来提高收益，用户就会少用热甚至自建电锅炉；用户想把负荷挪到低谷时段，服务商的储能策略就得跟着变；电网想压联络线峰值，服务商的购电计划和用户负荷曲线又直接决定这个约束能不能满足。任何一个单方面优化，都会挤压另外两方的利益空间。

1.2 不合作的本质：没有事前协议的多方决策

这里要澄清一个常见的误解：非合作博弈并不是说三方要恶意对抗、互相使绊子，而是指三方之间没有一份具有约束力的合作契约。服务商不能命令用户必须几点用电，电网也不能直接调度园区内每一台设备。大家各自做各自的决策，但是决策结果会通过共享的电力网络、热力网络和市场价格互相影响。

我做过一个对比实验：同样的园区参数，用集中式联合优化求解出来的总运行成本确实最低，但把优化结果中的设备启停计划交给实际运行人员时，没有一方真正满意。服务商说“凭什么我的储能要为了缓解电网峰值而少放电”，用户说“凭什么我的产线要为了全局最优挪到凌晨三点”，电网那边也觉得“你给的计划我根本没法验证真实性”。这就是联合优化的现实困境——在单业主园区里成立，在多利益主体园区里落不了地。

非合作博弈的价值恰恰在这里：它不需要谁服从谁，只需要一个公平的价格信号和一套透明的迭代规则。每一方都在给定价格和其他主体当前策略的前提下做自己最有利的决策，大家反复调整，最终落在一个“谁也无法单方面变得更好”的稳定点上，这就是纳什均衡。落到工程语言上，就是一套可执行、可解释、可结算的分布式市场机制。

2. 为什么不直接做联合优化，非要用非合作博弈架构

2.1 三种建模范式的适用边界

很多刚接触园区多能流优化的人第一反应是：直接把所有设备、所有负荷、所有约束丢进一个大模型里求全局最优不行吗？技术上当然行，但工程上往往行不通。原因不复杂，我用一张表把三种路线摆在一起看就清楚了。

这里面的关键变量是信息可见性。先看成本曲线吧：服务商的天燃气采购成本、机组的效率曲线，这些数据在企业内部算核心经营信息，不太可能全部开放给用户去验证；用户的产线价值曲线、因负荷转移造成的生产效率损失，用户也不太愿意告诉服务商——毕竟一旦说出去，服务商就可以在定价时“精准拿捏”。集中式优化假设所有数据都透明，这在多主体园区里基本是伪命题。

再看合作博弈，它要求各方先承认联盟有净收益，然后坐下来谈怎么分钱。园区刚投运那阵子，各方连信任基础都没有，更别说讨价还价的成本了。谈崩一次，后面就不太愿意再谈。非合作博弈的好处是：以共识的价格信号为媒介，把信息暴露控制在最小范围内，每次迭代只需交换“在当前价格下我的最优申报量”。这个机制在电力市场、碳排放权交易中已经被反复验证过——不需要你告诉我你的底牌，只需要你按市场规则出牌。

2.2 非合作博弈的代价与补偿

当然，非合作博弈不是没有代价。最典型的代价就是双边加价（double marginalization）效应：上游主体在定价时加入自己的利润，下游主体面对高价又减少用量，最终总交易量低于联合最优水平，系统整体效率受损。在园区场景里，服务商如果把电价定得偏高，用户就会减少购电、多用自己的分布式光伏或者干脆投资自备储能，结果服务商的机组利用小时数下降，双方都没占到便宜，配网的潮流分布也可能更差。

但这不意味着非合作博弈就不可用。工程上通常用两个手段来弥补：一是引入合理的价差约束——比如热价的定价上限不能超过用户自建燃气锅炉的边际成本，否则用户一定“用脚投票”；二是用市场化的结算机制引导，让各方在一个迭代均衡的自然出清结果里结算，而不是由某一方拍脑袋定价。实际上，后面要讲的影子价格出清方式，在数学上可以保证均衡解满足全网的电热平衡，这种“市场机制内生化”的设计，比单纯的外部价格管制要顺滑得多。

3. 三方非合作模型的数学骨架：目标、约束与均衡

3.1 决策变量与时间粒度

搭建模型之前，需要先把决策变量定义清楚。我做这个探索性模型时的基本设定是：以1小时为调度步长，滚动一个典型日24小时。

服务商的决策变量包括：

• 热电联产机组的电出力 (P_{CHP,t}) 和热出力 (H_{CHP,t})；
• 电锅炉的耗电功率 (P_{EB,t})（把低谷电变成热）；
• 储能的充/放电功率 (P_{ESS,t})，正值放电、负值充电；
• 从上级电网的购电功率 (P_{grid,t})，也可以为负值表示倒送，但这里先限制为不可倒送，简化收敛性分析。

用户的决策变量主要是：

• 可转移电负荷 (\Delta P_{L,t})，正值表示比基线多用，负值表示少用；
• 可调节热负荷 (\Delta H_{L,t})，如果用户侧有供热锅炉或蓄热装置，也可以把它看作可平移的用热计划。

上级配电网的决策变量，实际就落在这个园区与外界的联络线功率 (P_{grid,t})（和服务商的购电功率是同一个量，物理上耦合）以及一个可能的可中断负荷响应量上。为了让三方边界清晰，可以把这个变量归为“电网侧参与者的决策”，服务商和电网在联络线上形成一对供需关系。

3.2 目标函数与耦合约束如何出市场出清价格

我不建议一开始就加入太复杂的非线性模型，直接用二次成本函数把各方目标写清楚就够了。

服务商的目标是让总运行成本最小化：

[ C_1 = \min \sum_{t=1}^{24} \left[ c_{gas}(P_{CHP,t}, H_{CHP,t}) + c_{grid}(P_{grid,t}) + c_{ESS}(P_{ESS,t}) + c_{EB}(P_{EB,t}) \right] ]

其中 (c_{gas}(\cdot)) 是天然气成本，可以写成关于电出力和热出力的凸二次函数；(c_{grid}(\cdot)) 是向电网购电的成本，通常包含一个分时电价项加一个二次项表示购电压力；(c_{ESS}) 和 (c_{EB}) 分别表示储能损耗和电锅炉运行成本。

用户的目标函数是在用电舒适度损失和能源支出之间做权衡：

[ C_2 = \min \sum_{t=1}^{24} \left[ \alpha_{comf}(\Delta P_{L,t})^2 + \beta_{thermal}(\Delta H_{L,t})^2 + \lambda_t^(P_{L,t}^{base} + \Delta P_{L,t}) + \mu_t^(H_{L,t}^{base} + \Delta H_{L,t}) \right] ]

这里 (\lambda_t^) 和 (\mu_t^) 是迭代过程中逐步形成的电、热出清价格。换句话说，用户在做决策时，已经把当前市场价格当作给定参数，只优化自己的负荷调整量。

电网参与者的目标函数可以设为联络线功率波动惩罚与线路损耗成本之和：

[ C_3 = \min \sum_{t=1}^{24} \left[ c_{loss}(P_{grid,t}) + \xi(P_{grid,t} - P_{grid,t-1})^2 \right] ]

这三个目标函数并不是互相独立的，它们通过两个全局平衡等式耦在一起：

电力平衡： [ P_{CHP,t} + P_{grid,t} + P_{ESS,t} + P_{PV,t} = P_{L,t}^{base} + \Delta P_{L,t} + P_{EB,t} ]

热力平衡： [ H_{CHP,t} + H_{EB,t} + H_{ESS,t} = H_{L,t}^{base} + \Delta H_{L,t} ]

再加上联络线容量约束 (|P_{grid,t}| \le P_{grid}^{max})，这个模型就构成了一个带有耦合约束的多方博弈问题。

这里有一个很关键的设计细节：价格不是任何一方自己定的，而是由耦合约束对应的影子价格决定的。每次迭代中，协调中心先根据当前各方的申报量计算电不平衡量 (\Delta e_{ele,t})，再按这个偏差更新价格 (\lambda_t)。当价格收敛后，(\lambda_t) 恰好等于电力平衡约束在均衡点上的边际值，也就是“让电力市场出清的那个价格”。这样就把人为定价的博弈空间压缩到最小，价格本身成为各方共同认可的市场信号。

3.3 广义纳什均衡的解概念

由于公共耦合约束的存在，这个问题不是普通的纳什博弈，而是广义纳什均衡问题。普通纳什博弈里，每个参与者的可行域只取决于自己的决策，互不影响；广义纳什博弈里，一个参与者的可行策略还受制于其他参与者的决策——比如园区的用电负荷你不能凭空给一个数，必须让全网的电力平衡约束成立。

求解广义纳什均衡至少要保证以下几点：

• 存在性：通常要求每个参与者的目标函数在自身决策上是凸的，且约束满足一定正则条件；
• 稳定性：纳什均衡必须是一个“无人愿意单独改变策略”的状态；
• 价格一致性：由于三方共享同一个平衡约束，均衡处对应的影子价格必须一致。如果各算各的拉格朗日乘子，就会出现“同一个市场两个电价”的荒谬结果。

在工程实践中，我用的是变分不等式的框架来理解这个解：把三方的KKT条件联立起来，实际上就是在求解一个变分不等式问题。只要映射满足单调性条件，广义纳什均衡点的存在性和部分唯一性就能保证，这也为后面的分布式算法提供了理论支撑。

4. 分布式求解算法：从KKT条件到可跑的迭代流程

4.1 求解路线的基本思路

把三方模型写出来后，下一步就是怎么求。最常见的做法是“中心化求解”，把三个参与者的KKT条件放在一起，用一个大规模求解器直接算。这种方式在小规模算例里能跑，但有一个致命问题：它会破坏“信息不互通”的前提。服务商的燃气成本曲线、用户的舒适度惩罚系数，全都堆到同一个模型里去了，这在真实市场中根本不可能实现。

所以我采用了一个分布式原对偶迭代框架，核心思想是“本地决策、价格协调”：

1. 初始化一组电、热价格序列 (\lambda^0, \mu^0)；
2. 将当前价格广播给三方主体；
3. 三方面对当前价格，分别求解自己的本地凸优化子问题，并把最优决策量上传给协调中心；
4. 协调中心汇总所有申报量，计算电力不平衡量和热力不平衡量；
5. 按不平衡量更新价格，再回到第2步，直到不平衡量小于允许误差。

这个流程对应到实际系统中，协调中心可以是园区能量管理平台，也可以是独立的市场运营方。三方不需要把自己的完整成本曲线报给任何一方，只需要申报“在当前价格下我要买/卖多少电和热”。这正是非合作博弈架构最适合工程落地的地方。

4.2 实际可复用的迭代代码骨架

用一套伪Python代码来描述这个迭代流程，逻辑是很清楚的：

import numpy as np # 基础参数 T = 24 alpha_price = 0.02 # 电价更新步长 beta_price = 0.01 # 热价更新步长 max_iter = 3000 tol = 1e-4 # 初始化价格，取分时电价的均值附近 lam = np.ones(T) * 0.65 # 元/kWh mu = np.ones(T) * 0.35 # 元/kWh for k in range(max_iter): # 主体1：服务商本地优化，返回CHP出力、储能、购电计划 P_chp, H_chp, P_ess, P_grid, P_eb = solve_service_provider(lam, mu) # 主体2：用户本地优化，返回可转移负荷和可调热负荷 delta_P_load, delta_H_load = solve_user(lam, mu) # 主体3：电网侧优化，返回联络线功率（这里与P_grid是同一物理量） P_grid_final, loss_flag = solve_grid(P_grid) # 汇总后的电不平衡量（MW） # 电源出力 + 外购电 + 储能放电 - 用户负荷 - 电锅炉耗电 res_ele = (P_chp + P_grid + P_ess - (P_load_base + delta_P_load) - P_eb) # 汇总后的热不平衡量（MW） res_heat = (H_chp + H_eb - (H_load_base + delta_H_load)) # 价格更新：不平衡量大于0说明供大于求，价格下降 lam = lam + alpha_price * res_ele mu = mu + beta_price * res_heat # 两个判据：原残差和价格变化量 if np.max(np.abs(res_ele)) < tol and np.max(np.abs(res_heat)) < tol: print(f"收敛于迭代 {k}") break if k % 200 == 0: print(f"迭代 {k}: 最大电不平衡 {np.max(np.abs(res_ele)):.6f}, " f"最大热不平衡 {np.max(np.abs(res_heat)):.6f}")

这段代码骨架有两个要注意的地方，一是solve_service_provider、solve_user、solve_grid这三个子函数内部是各自独立的凸优化问题，可以并行求解，并且它们的实现细节对彼此不可见；二是价格更新步长 (\alpha, \beta) 的选择直接决定迭代是否收敛，后面我会专门讲这个坑。

4.3 收敛判据的设置经验范围

从纯数学角度，收敛判据就是当原残差 (|r|\to 0) 时停止。但从工程角度，我建议至少加两个判据同时判断：

• 原残差判据：电力、热力平衡偏差的无穷范数小于某个物理可行值。比如一个兆瓦级园区，偏差压到 (10^{-4}) MW（即0.1 kW）已经足够小；
• 决策变化判据：相邻两轮迭代中，每个主体的决策量变化小于某个阈值，防止“价格还在小幅震动但平衡刚好碰巧满足”的假象。

只用一个判据很容易出问题。我见过有些人只写原残差判据，结果某轮迭代中价格更新恰好抵消了不平衡量，看起来收敛了，实际下一轮又发散。所以稳妥的做法是把两者联合起来，哪个先满足都要确认另一个不能超标太远。

5. 实测中踩过的坑：不收敛、解不唯一、价格震荡

5.1 影子价格不唯一带来的结算风险

第一次把模型跑通后，我信心满满地看热平衡的收敛结果，却意外发现一条诡异的规律：即使原变量收敛到同一组解，电价序列却有两种不同的收敛路径，差距达到每千瓦时0.08元。一开始我以为程序写错了，反复检查后才发现，这是广义纳什均衡本身的结构特性——当耦合约束在均衡点处不满足严格互补松弛条件时，影子价格不一定唯一。

这个问题放到结算环节就是大事。同样的用能量，按一条价格路径结算是15万，按另一条结算就变成了16.5万。处理办法是在价格更新公式里加一个小幅度的二次正则项，或者在迭代过程中对所有主体采用统一的初值和相同的步长序列。我在代码里加了很小的价格正则项后，价格序列就稳定多了，重复运行结果也高度一致。

5.2 步长参数：0.5和0.02之间的巨大鸿沟

迭代算法的步长是影响收敛的第二大坑。我在一组测试里把电价更新步长从0.05改成0.5，观察到的现象是：0.05还能勉强收敛，0.3以上直接等幅振荡，0.5以上干脆发散。原因是园区电气耦合太强，电价的微小变化会通过用户负荷、服务商储能策略层层放大，送到下一轮又反过来放大价格偏差。

经过多轮试错后，我形成了一套经验规则：

• 电价的更新步长取0.01~0.02，热价的更新步长取0.005~0.01；
• 如果迭代到1000轮仍然在缓慢震荡，不要急着调大步长，而是给价格序列做一个滑动平均，或者采用步长衰减策略；
• 更好的做法是模拟“退火”：前500轮用稍大步长快速进入可行域，后面再把步长缩小到前者的五分之一，专门做精细收敛。

这套策略实践下来，大部分工况都能在几百到一两千轮内达到 (1e-4) 的平衡残差。

5.3 固定热电比与“以热定电”的矛盾

不少热电联产机组的热电比是固定或近似固定的，这意味着电出力和热出力不能独立调节。在联合优化里，这个约束只是多一个等式；但在三方博弈里，这个约束会变成一个大麻烦：服务商为了追求电收益想多发电，但热负荷用不完，热平衡会被打破；用户那边想多用热，服务商的电出力又会跟着增加，导致电力供大于求。

我踩过最明显的一次坑是：某天热负荷高峰段，用户申报了大量热需求，服务商的热电联产被迫满发，结果夜间低谷期电力富余到快突破联络线约束。解决思路有几个：一是引入电锅炉作为热电联产的“热解耦器”——电出力多了就用电锅炉把多余电转成热，相当于在热侧制造一个人为负荷；二是优化储能策略，让储能在电力富余时充电、在热需求高峰时能放热；三是允许服务商申报负热电比调整，也就是阶段性降出力，让用户侧蓄热装置顶上。这些缓解措施配上储能之后，模型的可收敛性和方案的经济性都有明显提升。

5.4 对用户需求弹性初始值估计过于乐观

很多人在建模时会把用户的舒适度惩罚系数 (\alpha_{comf}) 设得很小，认为“只要价格合适，用户就会积极调整负荷”。真实情况完全不是这样。我用一个实际园区数据测试时，发现用户的可转移负荷比例也就10%左右，而且很多工业负荷根本没有那么多弹性。如果模型里把弹性设得太高，迭代过程中用户侧负载变化幅度会很大，进而造成价格剧烈跳动。

后来我把用户侧惩罚系数从初始值调大两倍，再配合一个“申报量限幅”机制——每次迭代允许用户最大调整不超过上一轮申报量的20%——整个系统立刻稳了下来。虽然收敛轮数稍微变长了一点，但不会再出现负荷曲线像锯齿一样来回抖的现象。

5.5 耦合约束不是摆设：联络线越限的隐性代价

最后一个坑是关于约束的处理方式。有同事图省事，直接把联络线功率上限写成“罚函数”（一旦越限就加一笔很大惩罚）。这个方法在联合优化里尚可接受，但在非合作博弈里会产生副作用：服务商和电网各自对“越限惩罚”的敏感度不一样，外部价格的扭曲会传导到电热平衡上，导致最终的纳什均衡点偏离真实的市场出清点。

我在工程里用了投影法来替代罚函数：每次迭代得到联络线功率后，如果越限就直接投影到可行区间内，再把这个投影后的值带入下一轮的价格更新。这么做不仅避免了罚系数难以调节的问题，也让均衡解在机理上更干净。

6. 小规模算例怎么搭：参数、造数验证与扩展方向

6.1 一个可以手算复现的小型园区场景

说了这么多方法，来一个具体的小规模算例参数，方便你自己复现验证。

假设园区典型日24小时，基线电负荷峰值1.2 MW、低谷0.4 MW，基线热负荷峰值0.8 MW、低谷0.2 MW。主要设备参数如下表：

在这个算例里，我的初始价格取的是固定电价序列的加权平均值，电0.65元/kWh、热0.35元/kWh，迭代步长按前文建议设置。跑完后的收敛表现是：约800轮后最大电不平衡降到1e-3，1800轮后降到1e-4，热平衡收敛速度略慢，最终在2200轮左右三个判据全部满足。

6.2 三组对照场景的观察结果

为了验证模型的有效性，我在同样的基础参数上做了三组对照实验。第一组是“无储能、无需求响应”的基准场景；第二组是“只加需求响应，不加储能”；第三组是“储能和需求响应都有”。

这个结果并不意外，但有几个细节值得注意：加了需求响应后，用户支出下降明显，服务商成本也微降，这说明需求弹性缓解了双边加价带来的效率损失；再加储能后，联络线峰值下来了，电网侧的运行压力明显减小。对模型探索阶段来说，这些结果足以说明三方非合作机制能让每个主体都受益，而不是零和游戏。

6.3 从模型探索走向工程机制的三个补丁

模型收敛只是第一步，真要把它用到园区日常运行和结算里，还差三块拼图。

第一块是结算偏差处理。博弈均衡得到的是目标出力曲线，但实际运行中总会出现预测误差和突发故障。我通常会在模型外面再套一层考核机制：偏差在允许范围内的按均衡价格结算，超出的按惩罚价格结算。这样既能保留非合作机制的价格引导力，又不会因为短期扰动引发价格机制崩溃。

第二块是时序滚动。典型日模型算出来的是“明天怎么做”的决策，但园区运行是连续的。实际部署时我会采用滚动优化：每小时触发一次重新计算，只执行未来第一个小时的决策，后面23小时作为前瞻窗口。这样能有效对冲负荷预测误差，让博弈均衡结果对实时波动保持鲁棒。

第三块是碳约束的引入。现在很多园区已经逐步把碳排放指标纳入考核，我在探索模型里也把碳配额当作一种额外的影子价格加进了天然气成本和购电成本中。思路不复杂：给碳排放量定一个影子价格，然后在三方目标函数里各加一项碳成本。碳价格高时，服务商会更倾向于调整热电联产出力和储能策略，用户也会更积极地进行需求响应。这相当于在原有电热市场上多了一层碳市场信号，机制依然是非合作博弈框架，但均衡结果会更贴近低碳运行需求。

如果后面你也要做类似的探索，我建议一定从最小场景开始调通，再逐步加设备、加约束。先把两三个参与主体、十几个约束条件跑稳，比一次性把整个园区塞进模型再慢慢排查，要省太多时间。三方非合作模型在综合能源园区里的价值不在某个算法有多炫，而在于它真正尊重了每个参与者的独立决策权，同时还能在价格信号的引导下收敛到一个各方都能接受的稳定运行点——这对多利益主体园区来说，本身就是最重要的工程属性。