💻 computer science

Resource Allocation in Electricity Markets with Budget Constrained Customers

本文提出了一种对偶上升算法，证明了其在预算约束下能收敛至唯一的竞争均衡，并揭示了该均衡等价于将用户效用函数在预算约束处与对数函数拼接后的凸福利最大化问题的解。

原作者： Lila Perkins, Baosen Zhang

发布于 2026-03-24

📖 1 分钟阅读☕ 轻松阅读

原作者： Lila Perkins, Baosen Zhang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文探讨了一个非常现实的问题：当大家买电（或任何资源）时，如果手里预算有限，市场该怎么公平、高效地分配？

想象一下，你正在参加一个热闹的“电力大集市”。

1. 核心难题：价格是个“捣蛋鬼”

在传统的经济学模型里，假设大家想买多少就买多少，只要付得起钱。这时候，市场会自动形成一个“均衡价格”：大家想买的总量刚好等于发电厂能提供的总量。

但是，现实是残酷的。很多人（或者像大型 AI 公司这样的“大胃王”）手里只有固定的预算（比如每月只能花 500 元）。
这就产生了一个死循环：

你想买多少电，取决于价格是多少。
但价格是多少，又取决于大家总共买了多少电（供需关系）。
更麻烦的是，你的预算限制是“价格 × 数量 ≤ 500 元”。如果价格变了，你最多能买多少电也跟着变。

这就好比你在问：“如果我不知道苹果卖多少钱，我怎么知道我能买几个苹果？但如果我不知道大家买多少苹果，我又怎么知道苹果卖多少钱？”
这种“自我指涉”让数学模型很难建立，以前的经济学家觉得这很难算清楚。

2. 作者的解决方案：两个“魔法”

作者 Lila Perkins 和 Baosen Zhang 提出了两个巧妙的办法来解决这个死循环。

魔法一：聪明的“讨价还价”算法（Algorithm 1）

他们设计了一个像“拍卖师”一样的迭代算法：

喊价：拍卖师先喊一个价格（比如 1 元/度）。
大家反应：
- 如果你预算充足，你会按这个价格买你需要的量。
- 如果你预算紧张，你会算一下：“哎呀，500 元预算除以 1 元，我最多只能买 500 度，哪怕我再多想要也没用。”于是你只买 500 度。
调整：拍卖师看看大家买多了还是买少了。
- 如果买多了（需求 > 供给），他就涨价。
- 如果买少了，他就降价。
循环：重复这个过程。

神奇的结果：作者证明了，无论一开始价格喊多少，只要大家按这个规则反应，价格最终会自动收敛到一个唯一的、稳定的数字。在这个价格下，市场既没有浪费，也没有短缺，每个人的预算限制也被完美尊重了。这就像一群人在黑暗中摸索，最终都能走到同一个平衡点。

魔法二：给“欲望”换个马甲（Modified Utility）

这是论文最精彩的部分。作者发现，其实我们不需要每次都去算那个复杂的“价格限制”。我们可以把“预算限制”直接伪装成一种新的“快乐函数”（效用函数）。

打个比方：

原来的你：只要有钱，电越多越开心，快乐曲线是平滑上升的（比如二次函数）。
现在的你（被预算限制后）：
- 当你用得少时，你还是很开心，和原来一样。
- 但是，当你用得太多，快要超过预算时，你的“快乐感”会突然变慢。就像你吃蛋糕，吃到第 10 块时，虽然还能吃，但再吃下去你会撑得难受，或者你的钱包会报警。
- 作者发现，这种“被预算限制后的快乐”，在数学上完全等同于把原来的快乐函数，在超过预算的地方，强行换成了对数函数（ $b \log x$ ）。

对数函数是什么感觉？
它的特点是边际递减极快。刚开始增加一点，快乐增加很多；但后面每增加一点，快乐增加得越来越少，就像在“踩刹车”。

结论：
如果我们把每个人的“原始快乐”都换成这种“混合了刹车机制的新快乐”，然后假装没有预算限制，直接让市场去分配，结果竟然和那个复杂的“带预算限制”的市场一模一样！

这就像是你给每个人发了一张“魔法地图”，地图上把那些“太贵买不起”的区域画成了“虽然能走但走得很慢”的沼泽地。大家只要看着地图走（最大化自己的新快乐），最后自然就会走到那个完美的平衡点，完全不需要有人去管“价格”和“预算”的复杂计算。

3. 实际效果与意义

作者用数学公式和计算机模拟（比如用二次函数和对数函数模拟不同人的用电习惯）证明了：

这个算法是稳的，不会乱跳。
这个“新地图”（修改后的效用函数）是凸的，意味着数学上很容易算出最优解。
对于电力公司、政策制定者来说，这意味着我们可以设计更智能的定价策略，既照顾到穷人的预算，又保证大用户（如 AI 数据中心）能按需用电，同时整个社会资源利用效率最高。

总结

这篇论文就像是在说：

“别担心预算限制会让市场乱套。只要大家学会‘看脸色行事’（根据价格调整购买量），市场会自动找到平衡点。而且，如果我们把‘没钱’这件事，翻译成‘吃到一定程度就不那么开心了’（修改效用函数），我们就能用一套简单的规则，解决最复杂的资源分配难题。”

这对于未来电力市场（特别是面对 AI 大算力这种巨额耗电需求）的定价和分配，提供了一个既严谨又实用的理论工具。

这是一份关于论文《Resource Allocation in Electricity Markets with Budget Constrained Customers》（预算约束下电力市场的资源分配）的详细技术总结。

1. 问题背景与定义 (Problem Definition)

核心挑战：
随着电价上涨，用户（包括居民和大型计算负载）的预算约束日益成为电力市场中的关键限制因素。传统的资源分配模型旨在最大化社会福利（用户效用总和减去系统成本），但在引入预算约束后，问题变得难以严格定义和求解。

问题的自指性（Self-referential Nature）：
预算约束的形式为 $p \cdot x \le b$ （价格 $\times$ 数量 $\le$ 预算）。

在电力市场中，价格 $p$ （即边际成本）是市场均衡的结果，由供需关系决定（即优化问题的对偶变量）。
因此，预算约束依赖于价格，而价格又依赖于包含预算约束的优化问题的解。这种循环依赖使得传统的集中式优化问题（Primal Problem）难以直接定义，因为约束条件中包含了一个尚未确定的变量（价格）。
现有的文献通常假设用户极小（价格不变）或仅进行实证研究，缺乏对一般性凸优化框架下的严格理论分析。

目标：

证明在预算约束下存在唯一的竞争均衡价格。
设计一种算法来求解该均衡。
寻找一个等价的原始问题（Primal Formulation），消除对偶变量（价格）在约束中的显式依赖，将问题转化为标准的凸优化问题。

2. 方法论 (Methodology)

作者提出了两种互补的方法来解决问题：

A. 对偶上升算法 (Dual-Ascent Algorithm)

作者扩展了标准的对偶上升算法（Dual Ascent），使其适用于预算约束场景：

用户侧优化： 给定价格 $\lambda$ $λ$ ，每个用户 $i$ $i$ 在满足预算约束 $\lambda x_i \le b_i$ $λ x_{i} \leq b_{i}$ 的前提下最大化效用 $u_i(x_i) - \lambda x_i$ $u_{i} (x_{i}) - λ x_{i}$ 。
- 用户的最佳需求量 $x^*_i(\lambda)$ 具有闭式解： $x^*_i(\lambda) = \max\left(0, \min\left((u'_i)^{-1}(\lambda), \frac{b_i}{\lambda}\right)\right)$ 。
- 当预算未绑定（Slack）时，需求由边际效用等于价格决定；当预算绑定（Binding）时，需求被限制为 $b_i/\lambda$ 。
系统运营商侧优化： 给定价格 $\lambda$ ，系统运营商最大化 $\lambda y - C(y)$ ，其中 $C(y)$ 是总成本函数。
价格更新： 通过梯度上升（Dual Ascent）更新价格： $\lambda_{k+1} = \lambda_k + \alpha_k (\sum x^*_i(\lambda_k) - y^*(\lambda_k))$ 。
收敛性证明： 利用 Lyapunov 函数证明了该算法从任意初始价格出发，都能收敛到唯一的均衡价格 $\lambda^*$ 。

B. 原始等价性与修正效用函数 (Primal Equivalence & Modified Utility)

这是本文的核心理论贡献。作者证明了上述迭代算法的均衡解，等价于一个无约束的凸福利最大化问题的解，前提是将用户的原始效用函数 $u_i(x)$ 替换为修正后的效用函数 $\hat{u}_i(x)$ 。

修正效用函数 $\hat{u}_i(x)$ 的构造：

该函数是分段定义的，基于预算是否绑定：
- 非绑定区域（ $u'_i(x) \le b_i/x$ ）： $\hat{u}_i(x) = u_i(x) + \text{常数}$ 。
- 绑定区域（ $u'_i(x) > b_i/x$ ）： $\hat{u}_i(x) = b_i \log(x) + \text{常数}$ 。
关键性质：
- 在预算绑定的区域，效用函数被“拼接”为对数函数 $b \log x$ 。这是因为 $b/\lambda$ 恰好是 $b \log x - \lambda x$ 的最大化点。
- 修正后的效用函数 $\hat{u}_i(x)$ 是严格凹的（Strictly Concave）且连续可微的。
- 这种构造消除了原始问题中价格 $\lambda$ 作为约束条件的需要，将问题转化为标准的凸优化问题：
  $\max_{x,y} \sum \hat{u}_i(x_i) - C(y) \quad \text{s.t.} \quad \sum x_i = y, x_i \ge 0$

3. 主要贡献 (Key Contributions)

严格的均衡存在性与唯一性证明： 证明了在用户效用严格凹、系统成本严格凸的假设下，预算约束电力市场存在唯一的竞争均衡价格，且该价格支持市场出清。
算法收敛性： 提出并证明了自然扩展的对偶上升算法（Algorithm 1）能够收敛到该唯一均衡。
原始等价定理（Primal Equivalence Theorem）：
- 揭示了预算约束问题本质上等价于一个修改了效用函数的无约束凸优化问题。
- 提供了修正效用函数 $\hat{u}_i(x)$ 的显式分段构造方法（原始效用与对数函数的拼接）。
- 这一发现使得大量现有的资源分配理论结果可以直接应用于预算约束场景，无需处理复杂的自指约束。
数值验证： 通过二次效用函数和平方根效用函数的例子，验证了理论结果，展示了均衡价格、分配量及支出的变化。

4. 研究结果 (Results)

均衡特性： 在预算约束下，均衡价格通常低于无约束情况（因为预算限制了总需求），导致总消费量减少，但系统成本降低。
分配变化：
- 对于预算紧张的用户，其消费量被限制在 $b_i/\lambda^*$ ，无法达到无约束时的最优消费量。
- 对于预算宽松的用户，其消费量可能增加（因为价格下降），或者保持不变。
修正效用函数的形态：
- 如图 1 和图 2 所示，修正后的效用函数在预算绑定区域（阴影部分）由原始曲线变为斜率更缓的对数曲线。这反映了随着消费量增加，边际效用被预算限制“截断”的行为。
数值模拟：
- 二次效用案例： 展示了算法在约 2.743 的价格处收敛。预算约束导致用户 1 和用户 2 的支出分别达到其预算上限（5.0 和 4.0），而无约束情况下支出远超预算。
- 混合效用案例（5 用户）： 验证了算法在更复杂场景下的收敛性（收敛至 4.845），并展示了不同预算约束对用户分配的具体影响。

5. 意义与未来方向 (Significance & Future Directions)

学术与实践意义：

理论突破： 解决了预算约束导致市场模型“自指”和“非凸”的理论难题，为分析现代电力市场（特别是包含大型 AI 负载等预算敏感型用户）提供了严格的数学工具。
工程应用： 提出的修正效用函数方法允许市场运营商使用标准的凸优化求解器来计算均衡，无需复杂的迭代对偶过程（尽管迭代算法在分布式实现中依然有效）。
政策制定： 为设计考虑用户支付能力的电价机制和补贴策略提供了理论依据。

未来方向：

动态与长期视角： 当前模型为单期（Single-shot）设置，未来需研究长期 tariff 设计。
公平性（Fairness）： 当前模型追求效率（社会福利最大化），未考虑用户间的公平性（如比例公平），这是预算约束下的重要议题。
网络约束： 当前假设单节点系统，未来需扩展至包含输电限制和节点电价（Nodal Pricing）的多节点网络。
聚合行为： 研究大量小用户（Small Agents）在预算约束下的聚合行为及合作机制。

总结：
该论文通过巧妙的数学构造，将复杂的预算约束市场均衡问题转化为标准的凸优化问题，不仅证明了均衡的存在唯一性，还给出了具体的算法和等价原始形式，为电力市场在预算受限环境下的资源分配提供了坚实的理论基础。