欢迎来到本博客❤️❤️博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。⛳️座右铭行百里者半于九十。1 概述文献来源基于纳什博弈和ADMM的多微网主体能源共享研究摘要为了促进微电网之间的能源互助扩大能源交互类型提高可再生能源利用率本文提出了一种基于纳什博弈的面向多微电网MMGs的双层共享策略。首先对微电网模型进行低碳转型将源侧转化为综合灵活的碳捕获热电厂运行模式。然后构建基于纳什博弈的多微电网主体电热双层共享模型将其分解为收益最大化子问题和收益再分配子问题。在收益最大化子问题中以碳配额的最低运营成本和分阶段碳交易为目标采用交替方向乘子法进行分布式解决。在收益再分配子问题中通过构建不同时期和能源类型的非对称能源映射贡献函数实现合理的收益再分配。最后仿真结果验证了所提出方法的有效性。结果表明本文的策略可以实现多微电网MMG联盟的经济目标优化并具有合理的收益再分配、促进风能和太阳能消费、减少碳排放的优势。关键词纳什博弈多微电网电热双层共享气电厂低碳转型交替方向乘子法CHP《中国至2060年碳中和研究报告》指出:“低碳零碳技术是实现碳中和目标的关键特别是在这些方面如捕集、利用和储存(CCUS)负排放和碳汇”。促进可再生能源的有效利实现电力系统的低碳、清洁能源供应这些将是一举两得今后的重点研究方向。微电网是整合生产者和销售者的重要途径。在内部,包含各种分布式电源和多种类型的负载可以促进能源的自我生产和自我消耗。同时对外也可以与电网互动实现供销一体化。点对点(P2P)微电网间的能源交易可以有效降低微电网的用电成本;提高新能源利用率减少碳排放。详细文章讲解见第4部分。一、研究背景与核心问题随着分布式能源与微电网技术的普及多微网间的能源共享成为提升能源效率、降低碳排放的关键手段。然而多主体间的利益冲突、隐私保护需求及复杂优化问题使得传统的集中式调度方法难以适用。纳什博弈理论Nash Bargaining与交替方向乘子法ADMM的结合为解决这一难题提供了新思路前者通过合作博弈实现公平收益分配后者通过分布式优化降低计算复杂度并保护隐私。二、纳什博弈在能源共享中的应用1.核心模型与目标纳什博弈理论通过最大化参与者效用乘积即纳什乘积实现合作收益的帕累托最优分配。其标准模型为其中Un​为参与者n的效用Un0为不合作时的基准效用分歧点。2.多微网场景下的改进非对称纳什谈判考虑不同微网对联盟的贡献差异如储能容量、新能源出力通过权重调整收益分配。例如文献利用自然对数函数量化贡献度作为议价因子。动态分歧点设计将微网独立运行成本作为谈判破裂点激励其参与合作。多能源耦合在电-热-气综合能源系统中纳什博弈模型需同时优化多能流交易与碳排放约束。3.优势与挑战优势确保公平性、激励长期合作、兼容多目标优化。挑战贡献度量化方法需精确如储能充放电效率对贡献的影响且需处理非线性目标函数的求解复杂度。三、ADMM算法在分布式优化中的作用1.算法原理ADMM通过分解原问题为多个子问题交替更新局部变量与全局对偶变量实现分布式求解。其核心步骤为局部优化各微网独立求解自身能源调度问题。全局协调通过拉格朗日乘子更新协调耦合约束如能量平衡。迭代收敛直至满足残差条件如功率偏差阈值。2.多微网场景下的适配性隐私保护微网无需共享内部发电成本、负荷需求等敏感数据仅交换边界功率信息。计算效率并行求解降低维数灾难适用于大规模微网联盟。鲁棒性引入自适应步长机制如根据残差动态调整步长或鲁棒优化处理新能源出力不确定性提升收敛速度与稳定性。3.典型应用场景电能交易协调分解P2P交易模型通过ADMM迭代确定各微网购/售电计划。储能共享调度将储能充放电计划与微网需求解耦分别优化后协调。多能流协同在电-热综合系统中独立优化电、热子网络再通过ADMM耦合。四、纳什博弈与ADMM的结合框架1.联合优化流程问题分解将多微网能源共享问题拆分为两个子问题子问题1成本最小化联盟整体调度优化目标为最小化总运行成本。子问题2收益分配基于纳什乘积最大化分配合作剩余。交替求解使用ADMM迭代求解子问题1获得最优功率调度策略。将子问题1结果输入子问题2通过非对称纳什谈判确定支付价格与收益分配。收敛条件功率偏差与收益分配偏差均小于设定阈值。2.关键技术细节变量耦合处理引入辅助变量如虚拟功率注入节点或对偶变量将全局约束转化为局部约束。贡献度量化定义非线性映射函数如基于储能荷电状态或新能源出力波动性动态调整议价权重。算法加速采用自适应惩罚因子调整拉格朗日乘子更新步长或预条件共轭梯度法减少迭代次数。3.仿真验证结果收敛性能ADMM通常在50-100次迭代内收敛计算时间控制在5分钟内。经济性提升合作运行可降低总成本10%-25%新能源消纳率提升至接近100%。公平性非对称纳什分配使贡献度高的微网获得更高收益如储能提供者收益增加15%。五、典型案例分析案例1非对称纳什谈判与ADMM结合的电能交易场景3个含风光储的微网通过P2P交易共享电能。方法子问题1ADMM优化各微网购/售电计划目标为最小化购电成本与弃风弃光惩罚。子问题2基于贡献度新能源出力与储能调节量分配交易收益。结果总运行成本降低18.7%碳排放减少10.47%。ADMM在62次迭代后收敛计算时间231秒。案例2多微网-共享储能的鲁棒优化场景风光出力不确定下的多微网共享储能调度。方法子问题1两阶段分布鲁棒优化考虑最恶劣情景下的储能充放电策略。子问题2基于储能荷电状态变化量的收益分配。结果在最恶劣风光出力下总成本仍降低12.3%。ADMM收敛迭代次数为89次优于集中式求解的计算效率。六、挑战与未来方向模型局限性现有贡献度量化方法未考虑用户侧小容量储能的影响。纳什博弈假设参与者完全理性实际中可能存在策略性谎报。算法改进结合随机ADMM与深度学习提升不确定场景下的求解速度。探索纳什博弈与主从博弈的混合框架兼容竞争与合作场景。扩展应用集成碳交易机制实现低碳约束下的多目标优化。在电力元宇宙平台中模拟多微网动态博弈增强决策实时性。七、结论纳什博弈与ADMM的结合为多微网能源共享提供了兼顾公平性、效率与隐私的解决方案。通过分解-协调框架既能实现全局成本最优又能按贡献公平分配收益。未来需进一步解决复杂场景下的模型适应性并探索与新兴技术如区块链、数字孪生的融合推动能源共享向更高智能层级发展。2 运行结果部分代码%微网2(MG2)的分布式优化迭代模型%调节Soc_C就可以实现加不加CO2溶液存储器function [ P_e_21 , Obj_MG_21 ] Copy_of_Fun_MG_21( P_e_12 ,P_e_23 ,P_e_32 ,lambda_e_12,lambda_e_23 )%% 决策变量初始化L_esdpvar(1,24); %微网经过需求响应后实际的电负荷L_hsdpvar(1,24); %微网经过需求响应后实际的热负荷P_e_cutsdpvar(1,24); %微网的可削减电负荷P_e_transdpvar(1,24); %微网的可转移电负荷P_h_DRsdpvar(1,24); %微网的可削减热负荷E_batsdpvar(1,24); %微网中的储电设备的储电余量P_batcsdpvar(1,24); %储电设备的充电功率P_batdsdpvar(1,24); %储电设备的放电功率U_absbinvar(1,24); %储电设备的放电状态位,取1时为放电,0为未放电U_releabinvar(1,24); %储电设备的充电状态位,取1时为充电,0为未充电P_e_wdsdpvar(1,24); %风力的实际出力值P_e_GTsdpvar(1,24); %燃气轮机的发电功率P_h_GTsdpvar(1,24); %燃气轮机的产热功率P_h_GBsdpvar(1,24); %余热锅炉的产热功率P_buysdpvar(1,24); %微网向外电网的购买的电功率P_sellsdpvar(1,24); %微网向外电网的售出的电功率Gas_GTsdpvar(1,24); %GT的耗气量Gas_GBsdpvar(1,24); %GB的耗气量Gassdpvar(1,24); %系统的总耗气量%P2GCCSP_e1sdpvar(1,24); %CHP的供电功率P_e3sdpvar(1,24); %CHP的供给P2G的功率P_e2sdpvar(1,24); %CHP的供给CCS的功率P_hsdpvar(1,24); %CHP的输出热功率P_gssdpvar(1,24); %P2G的产气功率C_ccssdpvar(1,24); %CCS的碳捕集二氧化碳量C_p2gsdpvar(1,24); %P2G所用的二氧化碳量Soc_C sdpvar(1,24); %CCS的碳捕集量/P2G所用的二氧化碳量P_e_21 sdpvar(1,24); %微网2给微网1的电量%% 导入电/热负荷和电网购电电价Predict_wd [3716,3646,3617,3469,3401,3373,3168,2865,2712,2528,2572,2645,2681,2588,2594,2701,2638,2593,2674,2745,2851,2949,3529,3704 ];L_e0 [7764,6828,6116,6290,6377,6224,6420,7655,8761,11253,12184,13009,13809,13940,14005,13763,13671,14117,13216,11604,11197,9682,8960,8496] ;L_h0 [7783,7740,7842,7449,7772,7876,7639,7567,7246,7071,6940,6691,6486,6516,6486,6558,6556,6761,6763,6921,7109,7348,7755,7842]*0.4 ;Predict_wd floor(Predict_wd );pri_e[0.40*ones(1,7),0.75*ones(1,4),1.20*ones(1,3),0.75*ones(1,4),1.20*ones(1,4),0.40*ones(1,2)];grid_sw 0.2*ones(1,24);%% 约束条件C[];%微网的电/热负荷需求响应部分for t1:24C[C,L_e(t)L_e0(t)-P_e_cut(t)-P_e_tran(t), %微网的电负荷功率平衡约束L_h(t)L_h0(t)-P_h_DR(t), %微网的热负荷功率平衡约束0 P_e_cut(t) 0.05*L_e0(t), %微网的可削减电功率上下限约束-0.1*L_e0(t)P_e_tran(t) 0.1*L_e0(t), %微网的可转移电功率上下限约束-0.1*L_h0(t)P_h_DR(t)0.1*L_h0(t), %微网的可削减热功率上下限约束];endC[C,sum(P_e_tran)0,]; %转移的电负荷总量为0约束C[C,sum(P_h_DR )0,]; %转移的热负荷总量为0约束%微网的储电设备约束部分%储能电站荷电状态连续性约束C[C,E_bat(1) 10000.95*P_batc(1)-P_batd(1)/0.96,]; %1时段约束for t2:24C[C,E_bat(t)E_bat(t-1)0.95*P_batc(t)-P_batd(t)/0.96,]; %储电设备容量变化约束end%储能容量大小约束for t1:24C[C,500E_bat(t)2500,]; %储电量上下限约束end%始末状态守恒C[C,E_bat(24)1000,];%储能电站的充放电功率约束,Big-M法进行线性化处理M1000; %这里的M是个很大的数3参考文献文章中一些内容引自网络会注明出处或引用为参考文献难免有未尽之处如有不妥请随时联系删除。4 Matlab代码、数据、文献