基于需求侧博弈的区域综合能源服务商最优运营策略

为了提高综合能源服务商运营服务的高效性、清洁性和经济性,提出了一种基于需求侧博弈的综合能源服务商最优运营策略。通过对综合能源服务商模型的分析,以用户能源消耗量确定系统碳排放量,建立了区域综合能源服务商碳排放模型,确定了园区的碳排放量。在此基础上,考虑了用户对用能成本波动的可承受能力和服务商应对用户用能变化的风险成本,分别以综合能源服务商全天利润最大、用户用能成本最小为目标函数,建立了综合能源服务商-多用户博弈优化模型。采用迭代搜索法得到纳什均衡解,从而确定服务商最优运营策略。最后以典型工业园区为例对所提策略进行仿真验证。结果表明,所研究的服务商运营策略有效降低了系统碳排放量,提高了综合能源服务商的经济效益和用户满意度。     

虚拟电厂参与电-碳联合市场运行的竞价策略研究

电力系统脱碳是全社会零碳发展的关键。近年来分布式小微主体发展迅速,成为未来我国能源结构的重要组成部分。首先,从虚拟电厂(virtual power plant, VPP)出发,在分析VPP参与我国现行碳交易市场方式的基础上,提出VPP参与电-碳联合市场的运行机制。其次,构建了联合市场运行机制下多主体互动博弈的两阶段双层竞价策略模型。第一阶段为VPP内部分布式小微主体预调度模型;第二阶段内层为VPP与多市场主体间非合作博弈竞价模型,以VPP参与日前现货市场和碳交易市场的总收益最大为目标,采用多场景描述竞争对手报价的不确定性;外层是以全社会福利最大化为目标函数的多主体互动决策出清模型。最后,采用Q-learning算法和路径跟踪内点法进行模型求解,算例验证了所提模型的可行性和有效性。     

联邦学习贡献评估综述

数据不动的联邦学习框架是多个数据持有方合作训练机器学习模型的新范式.多个数据持有方参与联邦学习时的贡献评估是联邦学习的核心问题之一.参与方贡献评估需要兼顾有效性、公平性和合理性等要素,在理论方法与实际应用中均面临多项挑战.贡献评估首先需要明确如何度量数据价值,然而数据估值存在主观性与依赖于实际任务场景的特点,如何设计有效、可靠并对恶意数据鲁棒的数据估值指标是第一大挑战.其次,联邦学习合作中的参与方贡献评估是经典的合作博弈问题,如何制定公平合理的参与方贡献评估方案,实现参与方一致认可的博弈平衡是第二大挑战.最后,参与方贡献评估往往计算复杂度高,同时,联邦学习中围绕模型的数据估值时间开销大,因此,在实践中如何设计高效且准确的近似算法是第三大挑战.近年来,为了有效地解决上述挑战,学术界对联邦学习中的贡献评估问题展开了广泛的研究.首先,简要介绍联邦学习与参与方贡献评估的背景知识;然后,综述数据估值指标、参与方贡献评估方案和相关优化技术;最后,讨论了联邦学习贡献评估仍面临的挑战并展望未来研究的发展方向.     

基于双重拍卖的移动边缘计算任务卸载和资源分配策略

在移动边缘计算(mobile edge computing, MEC)系统中,用户的卸载策略会影响能耗和计算成本,进而影响用户效益.然而,目前多数研究未考虑边缘服务器随机分布场景中用户的卸载策略和资源请求策略对效益的影响.针对该问题,提出了一种基于改进双重拍卖算法的计算卸载和资源分配策略.首先,该策略将用户与边缘服务器之间的交互过程建模为Stackelberg博弈,并且证明了在该博弈内存在唯一纳什均衡点;其次,计算出用户对于不同服务器的卸载意愿以及计算资源请求量,并将用户与最优服务器进行拍卖;最后,采用遍历法交换上一轮拍卖中部分交易中的用户与服务器,以实现系统整体效益最优.仿真实验结果表明,与其他基准算法相比,所提算法在服务器随机分布场景下提高了33.4%的系统用户总效益,有效降低系统损失.     

A matching game framework for users clustering and resource allocation with wireless power transfer in a CR-NOMA network

This paper investigates the resource allocation in a massively deployed user cognitive radio enabled non-orthogonal multiple access (CR-NOMA) network considering the downlink scenario. The system performance deteriorates with the number of users who are experiencing similar channel characteristics from the base station (BS) in NOMA. To address this challenge, we propose a framework for maximizing the system throughput that is based on one-to-one matching game theory integrated with the machine learning technique. The proposed approach is decomposed to solve users clustering and power allocation subproblems. The selection of optimal cluster heads (CHs) and their associated cluster members is based on Gale-Shapley matching game theoretical model with the application of Hungarian method. The CHs can harvest energy from the BS and transfer their surplus power to the primary user (PU) through wireless power transfer. In return, they are allowed to access the licensed band for secondary transmission. The power allocation to the users intended for power conservation at CHs is formulated as a probabilistic constraint, which is then solved by employing the support vector machine (SVM) algorithm. The simulation results demonstrate the efficacy of our proposed schemes that enable the CHs to transfer the residual power while ensuring maximum system throughput. The effects of different parameters on the performance are also studied.     

基于博弈论的多服务器多用户视频分析任务卸载算法

在过去的近10年中,人工智能相关的服务和应用大规模出现,它们要求高算力、高带宽和低时延.边缘计算目前被认为是这些应用最适合的计算模式,尤其是视频分析相关应用.研究多服务器多用户异构视频分析任务卸载问题,其中用户选择合适的边缘服务器,并将他们的原始视频数据上传至服务器进行视频分析.为了有效处理众多用户对有限网络资源的竞争和共享,并且能够获得稳定的网络资源分配局面,即每个用户不会单方面地改变自己的任务卸载决策,该多服务器多用户异构视频分析任务卸载问题被建模为一个多玩家的博弈问题.基于最小化整体时延的优化目标,先后研究非分布式视频分析场景和分布式视频分析场景两种情形,分别提出基于博弈论的潜在最优服务器选择算法和视频单元分配算法.通过严格的数学证明,两种情形下提出的算法均可以达到纳什均衡,同时保证较低的整体时延.最后,基于真实数据集的大量实验表明,所提方法比其他现有算法降低了平均26.3%的整体时延.     

基于博弈资源分配的认知异构网络干扰协调算法

基于underlay频谱共享模式的认知异构网络可有效缓解频谱资源短缺问题,但同时会加剧网络中的干扰。针对该问题,提出了一种基于非合作博弈模型的动态频谱分配和功率控制算法进行干扰协调。首先,考虑频谱共享造成的干扰问题,引入认知用户优先等级,将问题构建为联合动态频谱分配与功率控制的频谱定价博弈模型;其次,通过两阶段动态博弈得到纳什均衡解,实现认知网络层频谱资源合理分配和发射功率控制。仿真表明,所提算法能够实现不同优先级用户频谱资源的合理分配和认知基站发射功率控制,有效抑制认知异构网络的跨层干扰和层内干扰。     

基于区块链的电力交易模型及博弈定价方法

为解决传统能源中心化交易模式缺少灵活性、透明性和可监督性等问题,满足新型电力系统中电网各主体间电力交易市场化、定价灵活化等新要求,提出一种基于区块链的电力交易模型及博弈定价方法。该电力交易模型具有分布式、去中心化、不可篡改和加密安全等优势。首先,建立基于区块链的电力交易模型,协调发、供、用等主体间的生产和消费行为,形成统一的市场机制;其次,提出了基于博弈的多时间尺度电力交易竞价机制,利用蚁群优化(ACO)算法求解可得每小时的最佳竞拍价格。最后,通过仿真验证了交易模型及博弈定价方法,在激励政策下各交易方收益最优化。结果表明,交易模型及定价方法在新能源参与交易背景下能有效地平衡市场各主体的效益;基于区块链的智能合约可实现电力交易过程的智能化、透明化和可追溯性。     

基于社交网上演化博弈的光伏台区用户需求响应特性研究

“双碳”背景下,通过实施需求侧响应实现新型电力系统的协调运行是解决新能源出力不确定性的主要手段。然而,现实中的用户具有有限理性,其对电价或激励措施的响应呈现出异质性和不确定性。针对此,文章计及有限理性用户对电价或激励措施响应过程中的信息交互以及策略学习特征,提出了一种基于社交网上演化博弈模型的用户需求响应分析模型。首先,考虑到现实经济人在决策中存在信息交互以及策略学习与更新,且该信息交互背后为复杂社群系统,通过构建社交网刻画了用户之间的信息交互关系;其次,根据电价理论和电力供需平衡关系,单个用户的响应决策将会影响其他用户利益,采用博弈模型描述了群体用户的决策过程;最后,考虑到用户对所获取信息处理的有限理性特征,基于社交网上演化博弈模型来描述用户对电价和激励措施的响应过程。仿真分析了不同社交网络结构以及电价或激励措施对用户响应的影响。结果表明,用户社交网小世界属性的增强将会提高用户的响应,价格系数的提高会降低用户的用电意愿。     

基于MADDPG和智能合约的微电网交易决策优化

为解决微电网在传统集中化交易模式下面临的决策耗时长、信任成本高和隐私安全等问题,提出了基于多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient, MADDPG)算法与智能合约的微电网去中心化市场交易体系。首先,对微电网市场中多智能体进行划分后设计了适用于各主体参与分布式交易的微电网去中心化交易机制,以保障市场主体利益。其次,为实现交易确认阶段微电网市场主体的交易策略优化,采用MADDPG算法对各主体追求利益最大的竞价模型进行求解。最后,通过算例仿真验证了MADDPG算法在智能合约下微电网市场主体交易策略优化过程中的可行性和经济性。