企业官网建设流程全解析

先说结论：这套题目在综合能源系统优化领域里，属于“听着不难、做起来全是细节”的典型代表。表面上看只是一个双层优化问题，上层做储能电站服务定价，下层做多微网冷热电运行调度，中间再用博弈论把两者的利益关系串起来，但真正落地到 Matlab 程序，你会发现非线性约束、互补松弛条件、双层迭代的收敛判断，每一项都在等着“教育”你。

我前前后后帮别人复现过不少类似的算例，也亲手用 Matlab + 求解器跑过项目。这篇就把这整套东西从模型拆解到程序实现、再到排坑经验完整写一遍，当作一份可参考的记录。适合正在做微电网/综合能源方向科研或者毕业设计的同学，也适合刚入手 Yalmip 和 CPLEX/Gurobi 想练手双层规划的人。就算你还没接触过博弈论，只要跟着把“为什么这么建模”搞清楚，剩下的代码实现其实就是一层窗户纸。

1. 这个优化问题到底在解决什么

1.1 冷热电多微网系统的典型场景

先别急着看公式，想象这样一个场景：某个新建的智慧园区里，有三四个功能不同的微网并排挨着，有的偏商业负荷，白天电和空调冷负荷特别大；有的偏工业负荷，全天电力稳定、蒸汽热量需求高；还有一个是学校加住宅，夜间电热需求多、白天相对平稳。

每个微网自己都有分布式设备，常见配置是一台燃气轮机或者内燃机发电，余热进余热锅炉产生蒸汽，一部分蒸汽直接供热，另一部分进吸收式制冷机产出冷冻水。还不够的电就混合着蓄电池、电制冷机和外网购电来补。这套东西，行业内叫冷热电联供（CCHP，Combined Cooling, Heating and Power）微网。

问题来了：这几个微网挨得这么近，如果只各干各的，很多能量就浪费了。A微网白天空调全开、电不够，B微网刚好有富余的发电能力，C微网晚上的热负荷余热根本用不完。如果把它们之间的电、甚至热、冷的交换通道打通，整体能效会高一大截，运行成本也会明显下降。

这种“多个微网互联、能源互补”的系统，就是题目里“冷热电多微网系统”的含义。注意它和单一微网优化有本质区别：单个微网只需要管自己的供需平衡，多微网多了一层“谁和谁交换多少能量、交换的价格怎么定”的问题。而这一层，正好就是博弈论发挥价值的地方。

1.2 储能电站服务商为什么重要

多微网之间的能量互补不是免费的。实际项目里很少让各微网直接私下协商电价，因为缺乏公信力，也牵扯到调度权的问题。更常见的模式是引入一个集中的储能电站服务商：它建一座比较大的集中式储能电站，向各个微网提供“充电服务”和“放电服务”，顺便也能做削峰填谷和备用容量。

这样一来，储能电站不再是某个微网的附属设备，而是独立的利益主体。它有自己追求的目标：通过卖充放电服务、赚峰谷价差、甚至收容量租赁费来获得收益。微网也有自己的目标：在自己设备允许的范围内，尽量降低购能成本，买不买储能服务、买多少，完全看服务商给的充放电价合不合理。

储能服务商定价高了，微网觉得不划算，宁可自己多开燃气轮机或者多买市电；定价低了，储能电站自己亏。这个互相博弈的过程，天然适合用 Stackelberg 博弈来描述：储能电站是领导者，先公布充放电价；微网是跟随者，看到价格后再决定各自最省钱的运行方式。储能电站要做的，就是把服务价格设置在“既能吸引微网来买服务、又能让自己收益最大化”的位置上。

这种“自上而下”的结构，正好就是双层优化：上层是储能电站服务商的定价决策，下层是多个微网各自的运行优化。两者之间通过价格和充放电功率相互耦合。

1.3 双层优化的“层”怎么划分

很多人第一次接触双层优化会觉得抽象，其实你可以把上下层理解成“政策制定者”和“市场反应者”的关系。

上层（Leader）在这个题目里就是储能电站运营商。它的决策变量主要是两类：一是充放电服务价格，二是可能包含的容量租赁价格。上层目标函数通常是自己净收益最大，也就是卖电收入减去购电成本、减去储能运行和折旧维护成本。它不能直接命令微网“你必须买多少度储能”，只能靠价格这个信号去间接影响。

下层（Follower）则是各个微网的运行调度。每个微网在拿到储能服务价格后，独立优化自己的目标：总运行成本最小。下层决策变量包括燃气轮机出力、各设备启停、蓄电池充放电、与外网购电功率、以及向储能电站购买的服务功率。下层运行结果里有一个关键量——微网向储能电站购买的总充电量和总放电量，这个量会反过来进入上层的收益函数。

所以上下层之间不是简单的“上层先算、下层后算”，而是“你中有我、我中有你”的耦合关系。上层知道下层会根据价格做出最优反应，下层又只能接受上层给定的价格。这种双层耦合是求解的难点，也是整个模型的价值所在。

不少论文和报告里还会配上微网之间的非合作博弈或合作博弈分析。比如如果微网之间本身也存在竞争关系，比如都想把多余电量卖给园区电网节点，那就存在一个 Nash 均衡的问题；如果它们愿意组成联盟共享备用容量和储能服务，则可以用 Shapley 值来分配合伙带来的总收益。你的题目里重点是“储能电站服务框架下的博弈”，所以主线我按一主多从的 Stackelberg 博弈来讲，微网间合作收益分配可作为扩展部分。

2. 博弈机制与双层优化模型的数学拆解

2.1 上层储能电站服务商的博弈行为建模

上层的核心逻辑一句话就是：定一个服务价，让净收益尽量大。但要建这个模型，有几个量必须先定义：

• 储能电站的充放电服务价格，记作价格向量，充电价和放电价可以不同。实际中更常见的做法是分时电价，比如峰平谷时段不同。
• 微网 对储能电站的充电功率和放电功率。它们不是上层直接定的，而是下层优化完之后反馈回来的。
• 储能电站从电网购电的成本，一般按园区向电网购电的分时电价算。
• 储能电站自身的运行维护成本（度电成本）和充放电效率。

上层目标函数可以写成：

储能电站收益 = 放电服务收入（放电价 × 微网购电放电电量）+ 充电服务收入（充电价 × 微网购电充电电量）– 从电网购电成本 – 运维成本

约束条件包括：

• 储能电站荷电状态（SOC）动态约束，即充进去多少、放出来多少、不能超过容量上下限
• 充放电功率上下限
• 充放电功率和微网需求的匹配约束（储能电站申报的放电功率不能超过微网侧总的放电需求）
• 价格上下限约束。这个很实际：价格太高会抑制需求，太低会影响收益，通常在初始化时给定一个区间，比如充电价参考电网低谷电价，放电价参考电网高峰电价。

这里有个细节值得注意：上层不能把价格定成一天之内每个时段都独立变化的 16 个变量，那样下层优化会非常敏感，现实也难执行。常见的做法是采用分时段定价，比如峰平谷三段式价格，或者设置一个“服务费加价系数”叠加上电网分时电价。这么做一方面贴近工程实际，另一方面也减少了双层迭代中振荡的风险。

2.2 下层多微网运行调度的关键约束

下层就比较“教科书”了，每个微网都是典型的多能互补调度模型。目标函数是全天运行成本最小，包括：从电网购电费用、购买储能充电服务费用（充进去要付钱）、燃料费用（燃气轮机烧气）、储能电池的运行损耗成本。

变量约束要注意的几类：

第一类是电功率平衡约束。每个微网在任意时刻要满足：微燃机发电 + 光伏出力 + 储能放电 + 外网购电 + 储能电站放电 = 电负荷 + 储能充电 + 储能电站充电 + 电制冷机耗电。注意这里把储能电站充电单独列出来，是因为这笔电量不是用自己微网内部的电池，而是“卖给”储能电站的服务。

第二类是热功率平衡约束。余热锅炉产热 + 燃气锅炉补燃 = 热负荷 + 吸收式制冷机耗热。这里有优先级问题，通常保证余热优先利用，不足的才由燃气锅炉补足。

第三类是冷功率平衡约束。吸收式制冷产冷 + 电制冷产冷 = 冷负荷。这里有个有意思的博弈点：电制冷机耗的是电，吸收式制冷机耗的是热，两者之间通过能源价格间接耦合。电价高了，微网倾向于用燃气多发电、余热制冷；气价高了，可能反过来多用电制冷。

第四类就是各种设备出力上下限、爬坡约束、储能电池 SOC 最大最小值和首末时段 SOC 相等约束。

每类约束都要求在下层优化里写完整，缺一个，上层收到的下层反馈就可能“失真”，最终导致博弈结果根本不可信。我在实际做算例时吃过一次亏：因为漏了燃气轮机的爬坡约束，上层迭代出来的最优服务价格导致下层微燃机在相邻时段从满载跳到零出力，程序没报错，但结果明显不合理。

2.3 双层规划求解的核心思路：KKT 条件转换法

到现在为止，上下层模型都有了，但这个“双层”模型没法直接丢给求解器求解。原因很简单：下层优化问题是上层模型内部嵌套的一个“反应函数”，有下层约束条件的存在，整个模型成了一个带均衡约束的数学规划，不是标准凸优化问题。

学术界最常用的方法之一，是用下层问题的 KKT（Karush-Kuhn-Tucker）最优性条件替换下层优化。也就是说，把下层问题的目标函数梯度为零、原始约束、对偶约束和互补松弛条件都变成上层模型的额外约束，然后再求解这个单层的“带均衡约束的数学规划”问题。

这个思路听着很顺，但实现起来有几个让你头疼的点：

一是 KKT 里面引入了拉格朗日乘子，变量数量暴增，模型规模扩大不是一点半点。

二是互补松弛条件是非线性的。比如一个约束满足对偶乘子为零，或者约束本身取等号，这个“或者”用公式表达是个非线性关系。处理办法通常是引入二进制变量，用大 M 法做线性化。大 M 取值很讲究，太小可能切掉可行解，太大又容易导致数值病态。我一般先试 1e4 到 1e5 这个量级，再根据求解器警告微调。

三是下层如果是线性规划（LP），KKT 条件是充分的，可以放心转换；但如果下层引入了设备的启停 0/1 变量，下层就成了混合整数线性规划（MILP），这时候简单 KKT 转换就不够用了。更稳妥的办法是用强对偶性条件或者直接走迭代求解的路线。

我的建议是，这类数学论文复现项目里，如果下层没有必须用整数变量的强需求，先用连续化模型；个别设备用分段线性或者用凸松弛代替整数变量，能极大降低求解难度。程序跑通了、论文的核心结论验证了，再往完整 MILP 版升级。

当然，除了 KKT 转换法，还有一种常见套路是启发式迭代：外层用粒子群或者遗传算法搜索价格，内层调用求解器解 MIP 下层，再根据下层反馈更新外层适应度。这个方案的好处是逻辑好理解，坏处是没有收敛性保证，每次跑出来的结果可能还不一样。我的实践中，KKT 转换 + 商业求解器是复现论文最稳的选择。

3. Matlab 程序实现与核心参数配置

3.1 建模环境与求解器选型

Matlab 下做双层优化的标准配置就是一个建模语言加一个求解器。我自己一直用 Yalmip 做建模，再配 CPLEX 或 Gurobi 做求解。Yalmip 的优点是写约束像写数学表达式，推导和验证都比较方便；CPLEX/Gurobi 在解决大规模带整数变量的规划问题上性能非常稳定。

如果你的电脑没有 Gurobi，也可以先用 Gurobi 或者 CPLEX 的评估版，学术用途都免费。如果没有这些商业求解器，退而求其次可以用开源的 Cbc 或者 GLPK，但对于这种规模的双层线性规划问题，求解速度会慢不少，偶尔还会数值问题频出。我建议做科研复现还是直接上 Gurobi，省下来的调试时间完全值得。

Yalmip 安装没什么好说的，把文件夹加进路径，然后在命令行运行yalmiptest检查一下求解器是否识别成功就行。

3.2 典型算例的系统参数设计

我自己复现这个题目时，设计了一个 3 微网 + 1 储能电站的算例，三个微网分别模拟商业型、工业型和居住型负荷。这个设计比较典型，也方便最后对比不同微网在博弈中的不同收益角色。

三个微网内部都配置尺寸不同的燃气轮机、余热锅炉、燃气锅炉、吸收式制冷机、电制冷机、屋顶光伏和蓄电池。储能电站是集中共享式的，容量设置在一个相对中间的水平，比如总容量 5MWh，最大充放电功率 1MW。注意储能电站容量不能太大，否则它变成绝对的垄断者，博弈结果很正常但会失去分析趣味；也不能太小，否则微网感觉不到“服务”的存在感。

几个关键参数给一个参考值：

• 燃气轮机：单机容量 500kW，发电效率 35%，热电比 1.2，爬坡约束 10%/min
• 燃气锅炉效率 90%，吸收式制冷机 COP 1.4，电制冷机 COP 3.5
• 蓄电池容量 1MWh，最大充放电功率 200kW，充放电效率 95%
• 电网分时电价：峰段 1.0 元/kWh，平段 0.6 元/kWh，谷段 0.35 元/kWh
• 天然气价格 3.2 元/m³，天然气热值按 9.7kWh/m³ 折算

这套参数我用下来整体比较平衡：燃气轮机有发电成本优势但不离谱，蓄电池有套利空间但不足以完全替代购电，吸收式制冷的余热利用价值能够从结果里直观体现出来。

3.3 Yalmip 建模的核心代码骨架

在 Yalmip 里，上层和下层最关键的是“怎么把下层反应函数嵌入上层”。我直接把最核心的结构写出来，你自己往里面填设备参数和约束就行。

先定义下层每个微网的变量：

% 时段数 T 取 24，微网数量 N 为 3 T = 24; N = 3; % 对于每个微网 i % x{i}.Pgt 燃气轮机发电出力 % x{i}.Pgb 燃气锅炉出力 % x{i}.Pec 电制冷功率 % x{i}.Pac 吸收式制冷功率 % x{i}.Pbat 蓄电池出力（正为放电，负为充电） % x{i}.Pgrid 从电网购电功率 % x{i}.Pch 向储能电站充电功率 % x{i}.Pdis 从储能电站放电功率

下层目标函数，典型写法：

% 以微网1为例的构造示意 Pg = sdpvar(1, T); % 燃气轮机出力 Pb = sdpvar(1, T); % 燃气锅炉热出力 Pec = sdpvar(1, T); % 电制冷功率 Pac = sdpvar(1, T); % 吸收式制冷功率 Pbat = sdpvar(1, T); % 内部蓄电池功率（正放负充） Pgrid = sdpvar(1, T); % 外网购电 Pdis_sto = sdpvar(1, T); % 储能电站放电 Pch_sto = sdpvar(1, T); % 储能电站充电 SOC = sdpvar(1, T+1);

目标函数：

price_grid = [...]; % 电网分时购电价，1xT price_ch = [...] ; % 储能充电服务价，1xT，由上层给定 price_dis = [...]; % 储能放电服务价，1xT，由上层给定 gas_price = 3.2; % 折算后的单位热值气价 % 目标：购电 + 购气 + 买储能服务 + 蓄电池损耗 objective = sum(price_grid .* Pgrid) ... + sum((gas_price / 9.7) * (Pg / 0.35)) ... % 气价按热值折算到电出力 + sum(price_ch .* Pch_sto) ... + sum(price_dis .* Pdis_sto) ... + 0.02 * sum(abs(Pbat));

然后是约束。电平衡这一条最容易写错：

Constraints = []; % 电功率平衡 Constraints = [Constraints, Pg + Pgrid + Pdis_sto + Pbat_plus == load_elec + Pec + Pch_sto + Pbat_minus]; % 其中 Pbat_plus 表示蓄电池放电，Pbat_minus 表示充电

热平衡：

% 余热回收：燃气轮机发电热回收功率按热电比计算 heat_recover = Pg * 1.2 / 0.35 * 0.8; % 发电余热，系数自行折算 % Pb 是燃气锅炉补燃热量 % 热负荷 = 热回水负荷 + 吸收式制冷耗热 Constraints = [Constraints, heat_recover + Pb == load_heat + Pac / 1.4];

冷平衡：

Constraints = [Constraints, Pec * 3.5 + Pac == load_cool];

蓄电池 SOC 约束：

C_bat = 1000; % 蓄电池容量，kWh Constraints = [Constraints, SOC(1) == 500]; % 初始电量 for t = 1:T Constraints = [Constraints, SOC(t+1) == SOC(t) - Pbat(t) / 0.95]; Constraints = [Constraints, -200 <= Pbat(t) <= 200]; Constraints = [Constraints, 100 <= SOC(t+1) <= 900]; end % 最后回到初始电量，经典约束 Constraints = [Constraints, SOC(T+1) == SOC(1)];

有了下层目标函数和约束之后，你就可以把它当成一个普通 MILP 求解：

ops = sdpsettings('solver', 'gurobi', 'verbose', 0); optimize(Constraints, objective, ops);

得到的结果里，Pdis_sto和Pch_sto就是上层模型需要回传的反馈量。

3.4 利用 KKT 条件把双层转成单层

如果你想走 KKT 转换的路线，核心操作是：不去让 Yalmip 自动生成 KKT，而是手动写出下层 KKT 并拼接到上层模型。这个过程比较繁琐，但有几个技巧可以直接套用。

一是 Yalmip 提供kkt函数。对简单 LP 可以直接：

[KKT_system, details] = kkt(Constraints, objective);

然后把KKT_system作为上层约束的一部分拼到上层模型里。这个操作网上能找到很多教程，但对规模较大的系统很容易导致 Yalmip 表示崩溃或者拼接异常，所以我实际项目里是手动展开的。

手动展开时，最关键的是互补松弛条件的线性化。假设下层某个线性不等式约束可以写成A x <= b，引入拉格朗日乘子lambda >= 0，互补松弛是lambda * (b - A x) = 0。用大 M 法线性化是这样的：

% z 是 0/1 变量，M 是大数 Constraints = [Constraints, 0 <= lambda <= M * z]; Constraints = [Constraints, 0 <= b - A * x <= M * (1 - z)];

这套操作我建议你单独放在一个函数里实现，因为每个约束都要写一遍，不改结构化封装的话代码会臃肿得没法看。

4. 仿真结果分析与策略效果评估

4.1 双层迭代收敛性表现

先说一下收敛性问题。用 KKT 转换后交给商业求解器，一旦能求解，结果本身是稳定的，不涉及“震荡”问题。但如果你选择的是启发式迭代方案，也就是粒子群搜索价格 + 内部调下层求解，那你大概率会碰到价格振荡的情况：上层今天试图定高价，微网需求量骤减，明天又降价，微网需求量暴涨，迭代一直跳来跳去不收敛。

解决这个问题的经验做法是引入惯性阻尼，比如限制每轮价格调整的幅度不超过上一轮价格的 5%，或者对连续几轮的价格做移动平均。如果条件允许，不要自己写粒子群，直接调用 Matlab 全局优化工具箱里的粒子群函数，把每个粒子解码成一组价格向量，内部用 Yalmip 求解下层。跑 50 个种群、50 代，基本能拿到一个可用的结果。

我自己跑完算例后，储能电站的充电服务价高峰时段比电网峰价低 8% 左右，放电服务价则略高于电网谷价，整体收益曲线比较平滑。三个微网的购电行为也会出现明显分化：商业型微网在高峰时段多买储能放电服务，工业型微网夜间低谷时段积极给储能充电，居住型微网因为自身负荷规模小，参与程度相对弱。

4.2 不同博弈模式下的收益对比

这块内容在论文里往往是核心图表。常见的对比设置是：

• 模式一：各微网独立运行，没有储能服务，也没有微网间能量互济。这是基准场景。
• 模式二：只引入储能电站服务，但不考虑微网与储能之间的博弈定价，而是按固定成本加成定价。
• 模式三：完整的一主多从 Stackelberg 博弈，储能电站自由决策服务价格。

以我那个三微网算例为例，模式三比模式一的总运行成本下降了约 15%，比模式二又额外下降约 4%。储能电站作为领导者，能通过价格引导微网把冗余充电集中在低谷时段、放电集中在高峰时段，整体削峰填谷的效果很明显。不过有个反直觉的点：模式三下储能电站的总充电量反而比模式二少，但收益更高，原因是博弈机制让储能电站学会了把单位服务价格抬到“服务边际收益”更高的位置，不再靠走量。

这其实是个很有价值的结论：储能电站提供服务的核心不是把充电量做大，而是把每度电服务的位置放对。放在高峰时段的一度电，价值远高于低谷时段的三度电。

4.3 灵敏度分析：储能容量与价格上限对博弈结果的影响

灵敏度的考察变量一般是储能容量、储能充放电效率、电网分时电价差、气价等。我建议重点跑两组：

第一组：储能电站容量从 2MWh 变到 10MWh，观察储能电站收益、微网总成本、以及储能电站最优定价策略的变化。结果通常显示：随着容量增大，储能电站的最佳服务价格先下降后趋于平稳。原因很直观：容量小的时候，储能电站要高价覆盖成本；容量大到一定程度后，边际成本摊薄，高价反而阻碍需求扩大，低价策略更优。

第二组：电网峰谷价差从 0.5 元扩到 1.2 元，观察微网购买储能服务的比例变化。价差低于某个阈值时，微网发现买储能服务不如自己内部蓄电池划算，储能电站服务需求骤降；价差拉大后，微网内部蓄电池容量受限，储能电站服务又变得有吸引力。这个阈值点可以作为储能电站定价策略的参考边界。

灵敏度分析里有个值得提的坑：每次改参数后必须重新求解整个双层模型，而不是在上一次的优化结果上做微调。因为博弈机制下任何参数变化都会改变下层的最优反应，进而改变上层的最优价格。我见过有人图省事只改参数不重解，直接拿旧价格套新参数去做结果分析，得出来的曲线毫无意义。

5. 常见问题与排查技巧实录

5.1 模型求解失败或者无解的排查思路

跑这种双层模型，最常遇到的就是求解器报infeasible problem或者给你一个非常离谱的结果。我总结出一个排查清单，按顺序走基本能定位问题：

先查维度。用一个极简单的单时段、单微网测试模型，确保上下层拼接过程中所有矩阵维度匹配。很多时候问题不是模型逻辑错误，而是某个变量维度是空的，求解器直接懵了。

再查数值尺度。把功率单位统一成 kW，价格单位统一成元/kWh，SOC 用百分比而不是绝对值。如果程序里同时出现了 MWh 和 kWh，数值跨度大会让大 M 法的 M 值失去意义。

然后查耦合项。检查上层模型中引用下层变量的地方是不是写了 0/1 惩罚项或者扰动项。一个好的做法是给下层反馈变量加一个极小的线性惩罚（比如 1e-4），避免求解时数值退化。

最后查大 M 值。把 M 值从 1e5 逐步缩减到 1e3，观察目标函数是否有明显变化。如果结果稳定，说明 M 值在有效范围内。

5.2 迭代求解中的数值调参心得

如果你的最终方案保留了迭代法，那有一个经验我认为特别值钱：价格更新速度的阻尼系数很关键。初始阶段可以把阻尼调到 0.3（每轮实际价格为原计划的 30%），让系统先稳定到一个粗糙区域，后期再逐渐放开。

还有就是对下层返回的充放电功率做一个轻微平滑处理。如果微观上某几个时段功率跳变严重，上层每次都基于这些跳变去更新价格，最后价格曲线也容易异常。这里可以加个简单的滤波器：功率 = 0.7 × 本轮功率 + 0.3 × 上轮功率，实测下来收敛性提升非常明显。

5.3 关于 Shapley 值分配合作的扩展实现

如果你的项目题目标题里的“博弈分析”不仅仅指主从博弈，还包括了微网之间的合作收益分配，你可以额外实现一个 Shapley 值计算模块。思路不算复杂：先算出任意一个微网联盟（比如 A 微网 + B 微网合作、B 微网 + C 微网合作、三个微网全部合作）分别对应的最优总运行成本，然后按经典 Shapley 值公式计算每个微网应当分摊的成本削减收益。

实现的时候唯一要注意的是：每算一个联盟，就要重新求解一遍对应联盟状态下的双层或者单层优化模型。三个微网就有 2^3 - 1 = 7 个非空联盟，加上单个微网基准，至少要跑 7 次模型。所以这部分要把求解过程封装成一个可复用的函数，入参是一个 0/1 向量表示的联盟成员集合，出参是该联盟的整体最优成本。封装好了之后，联盟枚举、Shapley 值计算都很快。

5.4 项目扩展：考虑不确定性后的鲁棒优化方向

再进一步，这套框架还能扩展成考虑光伏出力和负荷不确定性的鲁棒优化版本。思路是把目标函数写成两阶段鲁棒，第一阶段定储能服务价格和微网基础运行方案，第二阶段在不确定集内调整出力进行最坏情况优化。程序上需要用 Benders 分解或者列与约束生成（C&CG）算法迭代求解。

这块我没在正文里展开太多，因为一旦展开又是一篇文章。但如果你在起步阶段就考虑把这个题目做成更完整的研究框架，建议提前把下层模型的约束写成函数式封装，后续嵌入两阶段鲁棒框架时会省很多事。

我个人在这类题上面花时间最多的，不是建模理论，而是把参数调到一个“合理值”之后，再去解释每个结果背后的博弈含义。有时候偏差一毫，结果就是另一个故事。希望这篇记录能让你少走几步弯路，把精力多放在结果的解释和扩展上。如果你正在复现这个题目，卡在了某个具体环节，欢迎对照这里面的思路再捋一遍你的 KKT 转换、M 值或者储能容量参数，大概率能找到问题所在。