2. 商学院,山东 青岛 266071
2. School of Business, Qingdao University, Qingdao 266071, China
能源是制约现代社会工业发展的关键因素,作为电力系统重要组成部分及未来电网的重要表现形式,智能电网在解决能源短缺方面扮演着重要角色,是我国现阶段电网的研究重点之一[1]。需求响应[2-3](demand response,DR)是解决智能电网能源管理问题的主要手段之一,具体指用户在供电方价格调整或补偿等手段引导下改变其用电行为。电价作为DR机制的关键要素,受到国内外学者的广泛关注。对于电价的主要研究类型包括阶梯电价、关键峰荷电价、自适应电价和实时电价等,其中实时电价(realtime pricing,RTP)是未来最为理想的定价机制[4]。近年来,随着先进智能技术的发展,实时电价的真正实现已经在技术上有了可能。
国内外许多学者从不同视角对智能电网实时定价建模分析或设计求解算法。归结起来,RTP研究方法主要有基于经典优化理论的RTP研究与基于博弈理论的RTP研究。基于优化理论的RTP研究是智能电网RTP研究的主流,其主要表现为用户直接针对电价进行需求响应以达到调节电力负荷目的。如Samadi等[5]首次提出了基于社会福利最大化的多用户向单一供电商购买电力的智能电网实时定价机制,并使用新算法求解;Samimi等[6]构造一种综合效用函数仍以最大化社会福利为目的建立了实时交互定价机制;Zhu等[7]最近又将上述研究推广到多阶段情形,建立了多阶段最大化社会福利的实时定价机制。
基于博弈理论的RTP研究则立足于供、售电商与用户三者之间的合作与竞争,大致可分为以下方向。1) 从住宅用户家用电器与供电商之间的博弈入手,如Srinivasan等[8]依据博弈理论研究了住宅用户智能电网需求响应的动态定价策略;刘晓峰等[9]则将家用电器负荷分为三类,建立了用户、电网公司与负荷聚合商之间的分层调度博弈模型。2) 针对用户之间的博弈进行研究,如Ye与Hu[10]从综合博弈角度研究了博弈决策与分析对需求响应中价格要素的影响,此模型中用户只需与自己“邻居”进行交流便可得到纳什均衡,且在交流中不需要透露自己的能源消耗从而保护了隐私。3) 考虑到电力市场的层次结构,在供电商与用户之间建立Stackelberg博弈进行RTP研究,如Zhang等[11]将用户之间信息分享的智能电网需求响应问题用两层博弈的形式表示,在证明上述两个博弈均衡存在性后设计分布式算法进行求解;代业明等[12]则构建基于贝叶斯需求预测更新的一主多从Stackelberg博弈模型研究实时定价问题;在他们的另一个工作中又建立了研究住宅用户实时定价机制的多主多从Stackelberg博弈模型,并分别用演化博弈和非合作博弈刻画用户之间协调和供电商之间价格竞争,最后设计算法进行求解[13]。
相比一般优化手段,应用博弈理论更贴近真实电力市场,但上述成果对局中人行为刻画多局限于离散情况。如果要描述局中人在连续时间内的状态变化,则需要微分博弈理论。微分博弈是在连续时间变化情形下描述冲突控制的数学模型[14],其思想被运用在智能电网的各个领域。如Srikantha等[15]利用微分博弈理论研究智能电网系统对网络攻击的缓解能力,并给出网络攻击下具有更强恢复力智能电网的可能性证明;Arai等[16]探索了分散式能源管理系统中信息公开情况下的微分博弈解。Forouzandehmehr等[17]则建立微分博弈模型描述水力发电厂与热电厂之间的竞争互动,以达到优化发电与电力存储目的。Zhu等[18]基于动态微分博弈理论构建分布式需求侧管理模型,并使用粘性价格模型描述价格变化及供电商之间的策略互动行为;他们也研究风险中性和风险敏感用户,采用随机微分博弈理论建立智能电网需求响应管理的大型人口博弈框架,给出闭环对称平均场纳什均衡[19]。在上述应用微分博弈的研究中,主要关注依然集中在用户对电价响应上,供电商则对用户电力负荷做出最优反应进行价格调整,至于供电商如何采取激励措施吸引用户未加考虑。实际上,供电商作为利益趋向的个体,在决策时考虑其行为的商业性是必要的,因此将广告销售这一商业活动行为引入智能电网需求响应合乎现实需要。
广告微分博弈是经典广告竞争研究的扩展,核心思想是从微分博弈所具有的“连续”及“博弈”视角出发,丰富传统广告竞争研究。与传统广告竞争研究不同,微分博弈理论背景为其增添了动态和竞争因素[20],使得局中人决策时不仅要考虑当前结果,更要考虑未来情形。
本文使用广告微分博弈描述供电商之间的非合作博弈行为,并构建Stackelberg博弈[21]模型描述供电商与用户之间的策略互动行为。其中从电厂购买电力并销售给用户的供电商作为领导者,向供电商购买电力并使用的用户作为跟随者。供电商垄断市场并以他们期望的价格销售电力,彼此之间同时存在争抢用户的广告微分博弈。
1 系统模型考虑一个拥有N个供电商和M个用户的智能电网系统。
假设一个供电周期长度是一天,被分为若干时段,
考虑某一智能小区同类型家庭用户,设用户
由于供电商购买量有限,故设供电商
$ \begin{split} \qquad &U_{g,l}^i = \omega _{g,l}^iq_{g,l}^i - \frac{{\alpha _{g,l}^i}}{2}{(q_{g,l}^i)^2} - {p_g}q_{g,l}^i,\\ &q_{g,l}^i {\text{≤}} \mathop {\min }\limits_j \{ \frac{N}{M}Q_{g,l}^j\}\text{。} \end{split} $ |
其中,
$\begin{split} \qquad & \mathop {\max }\limits_{q_{g,l}^i,i \in {\rm{\mathcal{M}}}} U_{g,l}^i = \omega _g^{}q_{g,l}^i - \frac{{\alpha _g^{}}}{2}{(q_{g,l}^i)^2} - p_g^{}q_{g,l}^i \text{。}\\ &{\rm{s.t}}.\;q_{g,l}^i {\text{≤}} \mathop {\min }\limits_j \left\{ \frac{N}{M}Q_{g,l}^j\right\} \text{。} \end{split} $ |
可得用户在
$\qquad q_{g,l}^* = \frac{{{\omega _g} - {p_g}}}{{{\alpha _g}}}\text{。}$ | (1) |
由于技术进步,小时段
设供电商
供电商会对其他供电商的用户采取广告方式进行拉拢,因此会产生一部分额外支出。需要指出的是,为了避免不正当竞争,本文研究供电商广告对用户影响仅限于消费行为因素,供电商并不通过折扣,赠券等直接或间接金钱手段拉拢用户,因此用户用电量不直接受此影响。这些广告行为给供电商带来了额外成本,从而影响电价并间接影响用户电力消费行为。本文中
为了更详细刻画供电商之间互相争抢用户的行为,在将时段
由于技术进步,每个小时段长度大大缩短,因此对于较长时段
$\qquad\mathop {{s^j}\left( {{g_l}} \right)}\limits^ \bullet = \mathop {s_g^j\left( t \right)}\limits^ \bullet = u_g^j\left( t \right) - \sum\limits_{k \in {\rm{\mathcal{N}}},k \ne j} {\frac{{u_g^k\left( t \right)}}{{N - 1}}} \text{。}$ | (2) |
式(2)表明在每个时段内,供电商
$\qquad J_g^j = \int_0^T {[(p_g^{} - c_g^{})s_g^j(t)q_{g,t}^{} - a_g^ju_g^j{{(t)}^2}]} {\rm d}t\text{。}$ | (3) |
鉴于微分博弈能够生动刻画用户数量这一状态实时变化特征,并且能够体现局中人间的相互作用,因此可以有效解决多目标动态决策问题。故本文采用微分博弈理论将供电商之间的非合作博弈转化为最优控制问题,供电商通过控制自己转化其他供电商的用户数来改变自身收益,同时其收益也被其他供电商控制所影响。
$ \quad\left\{ \begin{array}{l} \mathop {\max }\limits_{u_g^j,j \in {\rm{\mathcal{N}}}} J_g^j = \int_0^T {[(p_g^{} - c_g^{})s_g^j(t)q_{g,t}^{} - a_g^ju_g^j{{(t)}^2}]} {\rm d}t {\text{,}} \\ {\rm{s.t}}.\;\;\;\;\mathop {s_g^j(t)}\limits^ \bullet = u_g^j(t) - \sum\limits_{k \in {\rm{\mathcal{N}}},k \ne j} {\frac{{u_g^k(t)}}{{N - 1}},} u_g^j(t) {\text{≥}} 0{\text{,}} \\ s_g^j(0) = s_{g,0}^j{\text{。}} \\ \end{array} \right. $ | (4) |
命题1 供电商
$\qquad u_g^{j*} = \frac{{ - (p_g^{} - c_g^{})q_{g,t}^{}t + (p_g^{} - c_g^{})q_{g,t}^{}T}}{{2a_g^j}}\text{。}$ | (5) |
最大支付为
$\begin{split} &\qquad J_g^{j*} = \frac{{({p_g} - c_g^{})q_{g,t}^{}A_g^j{T^3}}}{3} + \frac{{({p_g} - c_g^{})q_{g,t}^{}B_g^j{T^2}}}{2}+ \\ & ({p_g} - c_g^{})q_{g,t}^{}C_g^jT - \frac{{{{({p_g} - c_g^{})}^2}q{{_{g,t}^{}}^2}{T^3}}}{{12a_g^j}}\text{。} \\[-12pt] \end{split} $ | (6) |
其中,
$\qquad\begin{split} &A_g^j = \dfrac{{ - (p_g^{} - c_g^{})q_{g,t}^{}}}{{4a_g^j}} + \dfrac{1}{{N - 1}}\displaystyle\sum\limits_{k \in {\rm{\mathcal{N}}},k \ne j} {\dfrac{{(p_g^{} - c_g^{})q_{g,t}^{}}}{{4a_g^k}}}, \\ &B_g^j = \dfrac{{(p_g^{} - c_g^{})q_{g,t}^{}T}}{{2a_g^j}} - \dfrac{1}{{N - 1}}\displaystyle\sum\limits_{k \in {\rm{\mathcal{N}}},k \ne j} {\dfrac{{(p_g^{} - c_g^{})q_{g,t}^{}T}}{{2a_g^k}}},\\ & C_g^j = s_{g,0}^j \text{。} \end{split} $ |
证明 对于给定时段
$\begin{split}\qquad & \mathop {{\rm{ }}\max }\limits_{{\rm{ }}u_g^j,j \in {\rm{\mathcal{N}}}} {\rm{ }}J_g^j = \int_0^T {[(p_g^{} - c_g^{})s_g^j(t)q_{g,t}^{} - a_g^ju_g^j{{(t)}^2}]} {\rm d}t \\ &{\rm s.t.}\;\;\mathop {s_g^j(t)}\limits^ \bullet = u_g^j(t) - \sum\limits_{k \in {\rm{\mathcal{N}}},k \ne j} {\frac{{u_g^k(t)}}{{N - 1}},} \;\;\;\;\; u_g^j(t) {\text{≥}} 0, \\ &s_g^j(0) = s_{g,0}^j{\text{。}} \end{split} $ |
运用Pontryagin最大化原理[26],令
$\begin{split} & H_g^j = (p_g^{} - c_g^{})s_g^j(t)q_{g,t}^{} - a_g^ju_g^j{(t)^2} + \lambda _g^j\Big[u_g^j(t) -\sum\limits_{k \in {\rm{\mathcal{N}}},k \ne j} {\frac{{u_g^k}}{{N - 1}}} \Big] \text{。} \end{split} $ |
求解
由支付函数知残值始终为零,故
$\qquad u_h^{j*} = \frac{{ - (p_g^{} - c_g^{})q_{g,t}^{}t + (p_g^{} - c_g^{})q_{g,t}^{}T}}{{2a_g^j}},$ |
$\begin{split} &\qquad \mathop {s_g^j(t)}\limits^ \bullet = u_g^j(t) - \sum\limits_{k \in {\rm{\mathcal{N}}},{\rm{ }}k \ne j} {\frac{{u_g^k}}{{N - 1}}}= \\ & \frac{{ - (p_g^{} - c_g^{})q_{g,t}^{}t + (p_g^{} - c_g^{})q_{g,t}^{}T}}{{2a_g^j}}- \\ & \frac{1}{{N - 1}}\sum\limits_{k \in {\rm{\mathcal{N}}},{\rm{ }}k \ne j} {\frac{{ - (p_g^{} - c_g^{})q_{g,t}^{}t + (p_g^{} - c_g^{})q_{g,t}^{}T}}{{2a_g^k}}} , \end{split} $ |
$\begin{split} &\qquad s_g^{j*} = \dfrac{{ - (p_g^{} - c_g^{})q_{g,t}^{}{t^2} + 2[(p_g^{} - c_g^{})q_{g,t}^{}T]t}}{{4a_g^j}} - \\ & \dfrac{1}{{N - 1}}\sum\limits_{k \in {\rm{\mathcal{N}}},{\rm{ }}k \ne j} {\dfrac{{ - (p_g^{} - c_g^{})q_{g,t}^{}{t^2} + 2[(p_g^{} - c_g^{})q_{g,t}^{}T]t}}{{4a_g^k}}} + \\ & s_{g,0}^j{\text{。}} \end{split} $ |
令
$A_g^j = \frac{{ - (p_g^{} - c_g^{})q_{g,t}^{}}}{{4a_g^j}} + \frac{1}{{N - 1}}\sum\limits_{k \in {\rm{\mathcal{N}}},k \ne j} {\frac{{(p_g^{} - c_g^{})q_{g,t}^{}}}{{4a_g^k}}}, $ |
$ B_g^j = \frac{{(p_g^{} - c_g^{})q_{g,t}^{}T}}{{2a_g^j}} - \frac{1}{{N - 1}}\sum\limits_{k \in {\rm{\mathcal{N}}},k \ne j} {\frac{{(p_g^{} - c_g^{})q_{g,t}^{}T}}{{2a_g^k}}} , $ |
$ C_g^j = s_{g,0}^j\text{。} $ |
代入式(4),积分后可得最大化支付。
2 供电商与用户间Stackelberg博弈根据题设,
命题2 供电商与用户之间Stackelberg博弈的均衡如下。
对于给定时段
$\qquad p_g^* = \frac{{({\omega _g} + c_g^{})}}{2} + \sqrt {\frac{{{{({\omega _g} - c_g^{})}^2}}}{4} + \frac{{{\alpha _g}\displaystyle\sum\limits_{j \in {\rm{\mathcal{N}}}} {E_g^j} }}{{2\displaystyle\sum\limits_{j \in {\rm{\mathcal{N}}}} {D_g^j} }}_{}^{}} {\text{。}}$ | (7) |
当
$ \quad\quad p_g^* = \frac{{{\omega _g} + {c_g}}}{2}\text{。} $ | (8) |
其中,
证明详见附录。
3 数值仿真与分析在智能电网配置的高性能智能设备下,用户安装的智能仪表对价格及广告信息具有快速分析和传输能力。考虑一个由3个供电商和150名用户组成的智能电网系统。每个时段长度为3 h,供电商向电力市场购买的电力价格为0.3元/(kW·h),即
固定供电商2、3的广告参数,分析广告参数对供电商1最大支付影响,可得图2。由图2可知,当供电商2、3广告参数不变时,供电商1最大支付随其广告参数
在原系统下固定其他参数,分析用户规模对供电商支付的影响,得到图3。图3显示供电商最大支付随着用户规模增加而增加。在能够满足用户对电力需求的前提下,用户规模越大,各供电商能够拉拢的用户也就越多,收入自然会增大。
另外,在其他参数不变前提下,分别分析统一定价对用户效用及供电商支付的影响,得到图4。
图4反映了随着统一定价增加,供电商支付先增后减。在价格到达一定程度之前,价格增加带来最大支付增加,然而过高价格会降低用户购买力,最终造成支付减少。另外,由图4可知,用户的最大效用与电价成反比。在其他参数不变情况下,随着电价增加,用户最大效用逐渐减少。用电给用户带来的满足感(看电视、上网等等)不变时,用电成本越高,用户效用越差,这与实际情况相吻合。
在原系统下通过模拟均衡状态下24 h电价与用户购电量变化情况如图5所示。
图5(a)反映了24 h内实时电价变化趋势,体现出的用电高峰与低谷与实际情况也符合,体现了模型合理性。图5(b)表明模型能够达到调节用电的效果。
接下来,为体现采取广告行为供电商的优势,考虑一个由2个供电商和300名用户组成的智能电网系统,每个时段长度为3 h,供电商向发电商购买的电力价格为0.3元/(kW·h),其中,
由图6可知,采取广告行为的供电商1最大支付严格大于不采取广告行为的供电商2,且随着广告参数增加,供电商2最大支付增加而供电商1最大支付减少。原因在于投放广告一方使得不投放广告一方用户大量流失,从而导致其支付减少,说明了实施广告行为可以给供电商带来更大收益。在单位广告成本较高时(
另外,为表明同时采取广告行为的供电商所采用的广告参数影响,考虑一个由两个供电商和100名用户组成的智能电网系统,每个时段长度为3 h,供电商批发电价为0.3元/(kW·h)。其中,
由图7可知,不采取广告行为时的统一电价严格低于采取广告时情形,这意味着供电商将一部分广告成本转嫁到用户身上,导致了统一电价的增加。另外,当一个供电商的广告参数给定时,统一电价随另一供电商广告参数的增加而减少,表明随着广告竞争的愈加激烈(单位广告成本的增加),统一电价逐渐降低(但是始终高于无广告行为时的统一电价)。
4 结论本文通过引入广告微分博弈刻画供电商之间的用户拉拢竞争并使用Stackelberg博弈描述供电商和用户之间的策略互动行为来研究智能电网多供电商多用户下的实时定价问题,通过求解最终得到供电商广告微分博弈的最优控制及Stackelberg博弈的最优实时定价。数值仿真发现采取广告行为供电商的最大支付受其广告成本参数的影响,且随广告成本参数增加先增后减。在其他条件不变时,随着用户规模的增加,单一供电商最大支付会增加,且供电商定价的增加会使自身支付先增再减。因此,供电商可通过扩大用户规模来增加收益。后续对比分析发现,采取广告行为供电商支付大于不采取广告行为的供电商支付,验证了广告行为对供电商最大支付的正向作用。另外也发现供电商采取广告活动时会将一部分广告成本以电价增量的形式转移到用户身上,并且随着单位广告成本的增加统一电价逐渐降低,相应带来用户效用提高,而在其他条件不变时拥有较低广告成本参数的供电商售出电量较多。
本文着重刻画供电商之间的博弈,对用户用电偏好行为着墨较少,进一步研究方向放在复杂化用户侧的非合作博弈以及更多形式的广告博弈等方面。在现实生活中,由于一些技术原因(比如信息交流的延迟与操作延迟),决策往往无法即时产生效果。为了更贴近现实,时滞微分博弈亦应被考虑纳入研究。
[1] |
ZHANG B, HAO Z, BO Z. New development in relay protection for smart grid[J].
Protection & Control of Modern Power Systems, 2016, 1(1): 121-127.
|
[2] |
梁甜甜, 高赐威, 王蓓蓓. 智能电网下电力需求侧管理应用[J].
电力自动化设备, 2012, 32(5): 81-85.
LIANG Tiantian, GAO Ciwei, WANG Beibei. Applications of demand side management in smart grid[J]. Electric Power Automation Equipment, 2012, 32(5): 81-85. DOI: 10.3969/j.issn.1006-6047.2012.05.015. |
[3] |
SIANO P. Demand response and smart grids—A survey[J].
Renewable & Sustainable Energy Reviews, 2014, 30(2): 461-478.
|
[4] |
FARHANGI H. The path of the smart grid[J].
IEEE Power & Energy Magazine, 2009, 8(1): 18-28.
|
[5] |
SAMADI P, MOHSENIAN-RAD A H, SCHOBER R, et al. Optimal real-time pricing algorithm based on utility maximization for smart grid[C]. IEEE International Conference on Smart Grid Communications. Oct 4-6, 2010, Gaithersburg, MD, USA: IEEE, 2010: 415-420.
|
[6] |
SAMIMI A, NIKZAD M, MOHAMMADI M. Real-time electricity pricing of a comprehensive demand response model in smart grids[J].
International Transactions on Electrical Energy Systems, 2017, 27(3): 1-15.
|
[7] |
ZHU H, GAO Y, HOU Y, et al. Multi-time slots real-time pricing strategy with power fluctuation caused by operating continuity of smart home appliances[J].
Engineering Applications of Artificial Intelligence, 2018, 71: 166-174.
DOI: 10.1016/j.engappai.2018.02.010. |
[8] |
SRINIVASAN D, RAJGARHIA S, RADHAKRISHNAN B M, et al. Game-Theory based dynamic pricing strategies for demand side management in smart grids[J].
Energy, 2017, 126: 132-143.
DOI: 10.1016/j.energy.2016.11.142. |
[9] |
刘晓峰, 高丙团, 罗京, 等. 基于非合作博弈的居民负荷分层调度模型[J].
电力系统自动化, 2017, 41(14): 54-60.
LIU Xiaofeng, GAO Bingtuan, LUO Jing, et al. Non-cooperative game based hierarchical dispatch model of residential loads[J]. Automation of Electric Power Systems, 2017, 41(14): 54-60. DOI: 10.7500/AEPS20170104004. |
[10] |
YE M, HU G. Game design and analysis for price-based demand response: an aggregate game approach[J].
IEEE Transactions on Cybernetics, 2016, 47(3): 1-11.
|
[11] |
ZHANG Z, DENG R, YUAN T, et al. Bi-level demand response game with information sharing among consumer[J].
Ifac Papersonline, 2016, 49(7): 663-668.
DOI: 10.1016/j.ifacol.2016.07.252. |
[12] |
代业明, 高岩, 高红伟, 等. 具有电力需求预测更新的智能电网定价机制[J].
电力系统自动化, 2018, 42(12): 58-63.
DAI Yeming, GAO Yan, GAO Hongwei, et al. Real-time pricing mechanism in smart grid with forecasting update of power demand[J]. Automation of Electric Power Systems, 2018, 42(12): 58-63. DOI: 10.7500/AEPS20170614008. |
[13] |
DAI Y, GAO Y, GAO H, et al. Real-time pricing scheme based on Stackelberg game in smart grid with multiple power suppliers[J].
Neurocomputing, 2017, 260: 149-156.
DOI: 10.1016/j.neucom.2017.04.027. |
[14] |
高红伟. 动态合作博弈[M]. 北京: 科学出版社, 2009: 302-303.
|
[15] |
SRIKANTHA P, KUNDUR D. A DER attack-mitigation differential game for smart grid security analysis[J].
IEEE Transactions on Smart Grid, 2017, 7(3): 1476-1485.
|
[16] |
ARAI R, YAMAMOTO K, NISHIO T, et al. Differential game-theoretic analysis on information availability in decentralized demand-side energy management systems[J].
IEICE Transactions on Communications, 2014, 97(9): 1817-1825.
|
[17] |
FOROUZANDEHMEHR N, HAN Z, ZHENG R. Stochastic dynamic game between hydropower plant and thermal power plant in smart grid networks[J].
IEEE Systems Journal, 2016, 10(1): 88-96.
DOI: 10.1109/JSYST.2014.2317555. |
[18] |
ZHU Q, HAN Z, BASAR T. A differential game approach to distributed demand side management in smart grid[C]// IEEE International Conference on Communications. Ottawa, Canada: IEEE, 2012: 3345-3350.
|
[19] |
ZHU Q, BASAR T. A multi-resolution large population game framework for smart grid demand response management[C]. Network Games, Control and Optimization (NetGCooP), 2011 5th International Conference on IEEE, Paris, France: IEEE, 2011: 1-8.
|
[20] |
蔡希杰. 基于微分博弈模型的寡头企业广告策略研究[D]. 上海: 同济大学, 2007.
CAI Xijie. Study on advertising strategy of oligopoly based on differential game model[D]. Shanghai: Tongji University, 2007. |
[21] |
张维迎. 博弈论与信息经济学[M]. 上海: 格致出版社, 2012: 107-110.
|
[22] |
代业明, 高岩. 基于智能电网需求侧管理的多零售商实时定价策略[J].
中国电机工程学报, 2014, 34(25): 4244-4249.
DAI Yeming, GAO Yan. Real-time pricing strategy with multi-retailers based on demand-side management for the smart grid[J]. Proceedings of the CSEE, 2014, 34(25): 4244-4249. |
[23] |
DAI Y, GAO Y, GAO H, et al. A demand response approach considering retailer incentive mechanism based on Stackelberg game in smart grid with multi-retailers[J/OL]. (2018-03-06). https://doi.org/10.1002/etep.2590.
|
[24] |
MAHARJAN S, ZHU Q, ZHANG Y, et al. Dependable demand response management in the smart grid: A Stackelberg game approach[J].
IEEE Transactions on Smart Grid, 2013, 4(1): 120-132.
DOI: 10.1109/TSG.2012.2223766. |
[25] |
BOYD S VANDENBERGHE L. Convex optimization[M]. New York, NY, USA: Cambridge University Press, 2004: 136-138.
|
[26] |
DOCKNER E J, JØRGENSEN S, LONG N V, et al. Differential games in economics and management science[M]. Cambridge; Cambridge University Press, 2000: 46-58.
|