【多微电网】含多微电网租赁共享储能的配电网博弈优化调度附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

一、引言

1.1 研究背景与意义

在“双碳”目标引领下，分布式新能源（风电、光伏等）规模化发展，多微电网（Multi-Microgrid, MMG）作为分布式能源消纳的核心载体，其规模化接入配电网已成为新型电力系统建设的重要趋势。储能系统是平抑新能源出力波动、提升微电网运行灵活性的关键支撑，但独立储能高昂的投资成本导致单微电网配置储能容量有限，资产利用效率偏低。租赁共享储能模式通过资源聚合与按需租赁，有效降低了微电网的储能投资压力，同时提升了储能资产的整体利用效率，为多微电网协同运行提供了新路径。

配电网中引入租赁共享储能后，形成了配电网运营商（DSO）、多微电网运营商（MGCO）、共享储能运营商（SESO）等多利益主体，各主体目标差异导致能源交易与调度决策呈现复杂的博弈关系。如何通过博弈理论协调各主体利益，实现含租赁共享储能的多微电网配电网优化调度，在保障系统安全运行的前提下提升整体经济效益与新能源消纳能力，具有重要的理论研究价值与工程应用意义。

1.2 研究现状综述

当前关于多微电网与共享储能的协同调度研究已取得一定进展。在不确定性处理方面，随机优化与鲁棒优化是主流方法，但随机优化依赖准确概率分布且计算耗时，鲁棒优化因过度考虑最坏情况导致结果保守；分布式鲁棒优化（DRO）结合两者优势，尤其基于Wasserstein距离的DRO方法，通过数据驱动构造概率分布模糊集，在新能源与电价不确定性处理中展现出优良性能。

在博弈模型应用方面，主从博弈常用于刻画DSO与微电网的层级决策关系，其中DSO作为领导者制定电价策略，微电网作为跟随者调整用能与储能租赁方案；合作博弈则通过联盟协作实现多主体共赢，纳什谈判博弈因考虑因素全面，相较于Shapley值法更能满足各主体的实际需求偏好。在求解方法上，交替方向乘子法（ADMM）因分布式求解特性，被广泛应用于多主体博弈模型的高效求解，有效降低了大规模优化问题的计算复杂度。

现有研究仍存在不足：一是对多微电网租赁共享储能场景下多主体博弈交互机制的刻画不够全面，未充分考虑租赁定价与调度决策的动态耦合关系；二是部分研究未有效整合新能源出力与电价双重不确定性对调度结果的影响，导致模型实用性受限。因此，亟需构建兼顾多主体利益与不确定性适应能力的博弈优化调度模型。

1.3 研究内容与技术路线

本文围绕含多微电网租赁共享储能的配电网博弈优化调度展开研究，核心内容包括：①构建多主体博弈框架，明确DSO、MGCO、SESO的决策目标与交互规则；②建立考虑新能源与电价不确定性的博弈优化调度模型，整合租赁共享储能的动态租赁机制；③设计高效求解算法，实现多主体利益均衡与系统整体优化；④通过算例仿真验证模型的有效性与优越性。

技术路线：首先梳理多主体交互关系与不确定性因素，构建博弈框架；其次分别建立各主体的目标函数与约束条件，形成双层博弈优化模型；然后采用Wasserstein距离DRO方法处理不确定性，结合ADMM算法求解博弈均衡；最后通过MATLAB仿真平台进行算例分析，验证模型在经济性、新能源消纳及鲁棒性方面的优势。

二、含租赁共享储能的多微电网配电网博弈框架

2.1 系统结构与参与主体

本文研究的含租赁共享储能的多微电网配电网系统由配电网层、微电网层与共享储能层构成。系统内核心参与主体包括：

1. 配电网运营商（DSO）：作为配电网运行的领导者，负责维护配电网安全稳定运行，制定与上级电网的购售电策略及对微电网的分时购售电价，承担网损成本，目标是最大化自身运营收益。

2. 微电网运营商（MGCO）：作为跟随者，每个微电网整合分布式新能源（风电、光伏）、可控负荷与本地少量储能，通过向DSO购售电或向SESO租赁共享储能调节出力平衡，目标是最小化自身运行成本（含购电成本、储能租赁成本等）。

3. 共享储能运营商（SESO）：作为独立利益主体，负责共享储能的投资、运维与租赁服务，根据多微电网的租赁需求制定分时租赁价格，目标是最大化自身租赁收益，同时需满足储能充放电功率、容量等约束。

各主体通过能源交易与租赁服务实现协同交互：MGCO根据DSO电价与SESO租赁价格，动态调整新能源消纳、购售电及储能租赁方案；SESO根据MGCO租赁需求优化储能调度与租赁定价；DSO通过电价引导MGCO与SESO行为，保障配电网潮流安全。

2.2 博弈关系界定

基于各主体的层级关系与利益诉求，构建“DSO-SESO-MGCO”三级主从博弈模型：

1. 第一层级（DSO主导）：DSO作为顶层领导者，首先根据配电网运行约束与负荷预测，制定对上级电网的购售电计划及对各微电网的分时购售电价，为下层博弈提供价格引导。

2. 第二层级（SESO主导）：SESO作为中层领导者，基于DSO制定的电价，结合多微电网的潜在租赁需求，制定共享储能的分时租赁价格，平衡自身收益与微电网租赁意愿。

3. 第三层级（MGCO响应）：各MGCO作为跟随者，在已知DSO电价与SESO租赁价格的前提下，独立优化自身的新能源消纳、购售电策略及共享储能租赁容量，实现自身成本最小化。

博弈均衡目标：各主体在自身约束条件下，通过策略交互达到纳什均衡状态，即任意主体单独改变策略无法提升自身收益（或降低成本），同时保障配电网安全稳定运行。

三、博弈优化调度模型建立

四、模型求解方法

4.1 模型转化

本文构建的三级主从博弈模型为非凸优化问题，且含不确定性参数与0-1变量，直接求解难度较大。采用以下转化策略：

1. 不确定性转化：基于Wasserstein距离的DRO模型通过对偶变换，将含模糊集的鲁棒优化问题转化为可求解的凸优化问题，避免直接处理概率分布不确定性。

2. 层级转化：利用Karush-Kuhn-Tucker（KKT）条件将下层MGCO的优化问题对偶化，代入SESO的目标函数中，实现三级博弈向二级博弈的转化；再通过KKT条件将二级博弈转化为单层级凸优化问题。

3. 松弛处理：对二阶锥潮流约束进行松弛，保障转化后模型的凸性，同时保证最优解满足原约束条件。

4.2 求解算法设计

采用交替方向乘子法（ADMM）对转化后的凸优化问题进行分布式求解，核心步骤如下：

1. 初始化：设置迭代次数k=0，收敛精度ε，各主体初始电价、租赁价格、功率变量等参数。

2. 变量更新：将优化问题分解为DSO子问题、SESO子问题与MGCO子问题，交替更新各子问题的变量：

   1. DSO子问题：固定SESO与MGCO变量，更新购售电价与购售电功率。

   2. SESO子问题：固定DSO与MGCO变量，更新共享储能租赁价格与充放电功率。

   3. MGCO子问题：固定DSO与SESO变量，更新各微电网的购售电、租赁及负荷调节策略。

3. 一致性更新：通过拉格朗日乘子更新协调各子问题间的变量一致性，保障全局最优。

4. 收敛判断：若相邻两次迭代的变量差值小于收敛精度ε，停止迭代，输出博弈均衡解；否则k=k+1，返回步骤2继续迭代。

ADMM算法通过分布式求解降低了计算复杂度，适用于多主体协同优化问题，且收敛性稳定，能够高效求解大规模博弈优化调度模型。

五、算例仿真与结果分析

5.1 算例设置

基于MATLAB仿真平台构建算例，配电网含1个DSO、1个SESO与3个微电网，调度周期为24h，时间间隔1h。参数设置如下：

1. 新能源参数：风电额定功率200kW，光伏额定功率150kW，基于历史数据生成出力曲线，不确定性波动范围±15%。

2. 共享储能参数：容量1000kWh，最大充放电功率300kW，充放电效率0.95，运维成本0.02元/(kWh·h)，租赁价格区间0.3-0.8元/(kWh·h)。

3. 电价参数：上级电网峰时购电价0.8元/(kWh·h)、谷时0.3元/(kWh·h)，DSO对微电网的购售电价浮动范围±20%。

4. 约束参数：节点电压允许偏差±5%，支路电流最大允许值100A，鲁棒性参数ε=0.2。

设置3种场景进行对比分析：场景1（无共享储能）、场景2（独立储能）、场景3（租赁共享储能+博弈优化调度）。

5.2 结果分析

5.2.1 经济性分析

仿真结果显示，场景3的整体运行成本较场景1降低20.15%，较场景2降低3.84%。其中，MGCO的平均运行成本较场景1降低22.3%，主要得益于共享储能租赁成本低于独立储能投资分摊成本；SESO日收益达2856元，投资回收期约3.02年，具备经济可行性；DSO因网损降低与电价优化，收益较场景1提升15.7%。多主体利益实现均衡提升，验证了博弈模型的经济性优势。

5.2.2 新能源消纳能力分析

场景3的新能源消纳率达100%，较场景1（82%）与场景2（93%）显著提升。共享储能通过在新能源出力高峰充电、低谷放电，有效平抑了出力波动：风电出力高峰时段（2-6时），共享储能充电功率达280kW，避免了新能源弃电；光伏出力高峰时段（11-15时），储能充电功率250kW，多余电量通过DSO售电获利；负荷高峰时段（18-22时），储能放电功率300kW，替代部分购电，提升了能源利用效率。

5.2.3 鲁棒性分析

通过调整鲁棒性参数ε（0.1-0.3）分析模型鲁棒性：当ε增大（不确定性波动范围扩大），系统运行成本略有上升，但始终低于场景1与场景2，且电压、电流等约束均满足安全要求。基于Wasserstein距离的DRO方法在保障系统安全运行的前提下，有效平衡了鲁棒性与经济性，避免了传统鲁棒优化的过度保守问题。

六、结论与展望

6.1 研究结论

本文构建了含多微电网租赁共享储能的配电网三级主从博弈优化调度模型，得出以下结论：

1. 提出的三级博弈框架清晰刻画了DSO、SESO、MGCO的交互关系，通过电价与租赁价格引导实现多主体利益均衡，显著提升了系统整体经济性。

2. 基于Wasserstein距离的DRO方法有效处理了新能源与电价不确定性，兼顾了模型鲁棒性与经济性，避免了过度保守或依赖概率分布的问题。

3. ADMM分布式求解算法高效求解了复杂博弈优化问题，算例验证表明，租赁共享储能模式可提升新能源消纳率至100%，降低系统运行成本20%以上，具备工程应用价值。

6.2 未来展望

未来研究可从以下方向拓展：①考虑碳交易机制，将碳减排目标融入多主体博弈模型，提升系统绿色属性；②引入虚拟电厂（VPP）聚合多微电网，优化集群与共享储能的协同调度策略；③考虑信息不完全场景下的博弈模型，提升模型对实际工程场景的适应性。

⛳️ 运行结果

🔗 参考文献

[1] 于雷.含多类型能源的微网与外部电网协调运行机制和容量配置研究[D].华北电力大学(北京),2016.DOI:10.7666/d.Y3114218.

[2] 高伟凯,何川,刘天琪,等.考虑微电网联盟协调运行的用户侧共享储能多计费方式博弈定价方法[J].电力自动化设备, 2024, 44(9):16-23.DOI:10.16081/j.epae.202404009.

[3] 李咸善,方子健,李飞,等.含多微电网租赁共享储能的配电网博弈优化调度[J].中国电机工程学报, 2022(018):042.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇