⚡ electrical engineering

Coalition Formation with Limited Information Sharing for Local Energy Management

该论文提出了一种基于有限信息交换的联盟形成算法，通过构建候选联盟价值上界来避免求解优化问题，并结合 ADMM 分布式优化与模型预测控制，在保障隐私和降低计算复杂度的同时，实现了比分散式控制更优的经济性能。

原作者： Luke Rickard, Paola Falugi, Eric C. Kerrigan

发布于 2026-03-31

📖 1 分钟阅读☕ 轻松阅读

原作者： Luke Rickard, Paola Falugi, Eric C. Kerrigan

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

这篇论文讲述了一个关于如何让一群“能源小老板”（比如自家有太阳能板的家庭）聪明地抱团省钱的故事，同时还能保护大家的隐私。

为了让你更容易理解，我们可以把整个能源系统想象成一个巨大的“邻里互助集市”。

1. 背景：从“大工厂”到“邻里集市”

过去，我们用电就像去一家超级大超市（大型发电厂）买东西，只能单向购买。
现在，很多家庭（被称为“产消者”）自己装了太阳能板，既能用电，也能卖电。这就像每个家庭都开了一家小杂货铺。

问题：如果每家杂货铺都单独跟大超市（电网）做生意，有时候买贵了，有时候卖便宜了，总成本很高。
理想情况：如果邻居们能互相交易（比如 A 家中午太阳能多了卖电，B 家正好需要电），大家都能省钱。

2. 核心难题：想抱团，但怕“交心”

以前有一种方法叫“结盟控制”（Coalitional Control），就是让邻居们组成小团体（联盟），一起商量怎么买卖最划算。

旧方法的毛病：为了算出怎么合作最省钱，大家必须把所有的家底（每天几点用多少电、电池剩多少、甚至生活习惯）全部告诉别人。
- 比喻：这就像你想和邻居拼单买菜，结果必须把家里冰箱里每一样东西、每一顿吃了什么都拍下来发给邻居看。这既侵犯隐私（怕被坏人知道家里没人），又太麻烦（数据量太大，算不过来）。

3. 这篇论文的妙招：只谈“大概”，不谈“细节”

作者提出了一种**“有限信息共享”**的新算法。

核心思想：在决定要不要和邻居组队之前，大家不需要交换所有隐私数据，只需要交换**“我大概想从电网买多少，或者卖多少”这个汇总计划**。
创意比喻：
- 旧方法：两个邻居想合伙做生意，必须把各自的账本、库存、甚至未来的进货计划全部摊开在桌子上，谁看谁尴尬，而且算起来头都要炸了。
- 新方法：两个邻居只需要互相说：“我明天大概想从外面进 10 个苹果，你大概想卖 8 个苹果。”
- 怎么算账？：作者发明了一个**“省钱计算器”（数学上的“上界”）。只要看到“我想买”和“你想卖”能对上号，就估算一下“如果我们合作，最多能省多少钱”**。
- 结果：如果估算出来能省大钱，那就组队；如果省不了多少，就不组。这样既保护了隐私（不用看对方账本），又算得飞快。

4. 组队之后怎么分蛋糕？（ADMM 算法）

一旦决定组队了，他们怎么具体分配谁买谁卖呢？

作者用了另一种叫ADMM的分布式算法。
比喻：这就像一群人在玩“传纸条”游戏。每个人只告诉中间人（协调员）“我打算买/卖多少”，中间人把大家的数字加起来看看是不是平衡（比如总买入等于总卖出），然后告诉每个人“调整一下你的计划”。
好处：大家不需要把详细数据给中间人，只需要交换调整后的“计划数字”。这样既保证了大家合作时内部平衡，又继续保护了隐私。

5. 动态调整：像“天气预报”一样灵活

现实情况是变化的（比如突然阴天了，太阳能少了）。

作者把这个系统做成了**“滚动预测”**（模型预测控制 MPC）。
比喻：这就像你每天出门前看天气预报。如果预报明天有雨（用电需求变了），你就重新调整今天的购物计划。
在这个系统里，联盟不是死板的。每天早上，大家根据最新的预测重新算一遍：现在的组合还是最划算的吗？如果某个组合突然不划算了，就解散，大家各回各家。这保证了永远比“单打独斗”更省钱。

6. 实验结果：既省钱，又快，还安全

作者用真实的家庭数据做了测试：

省钱：比大家各顾各的（去电网单独买卖）省了很多钱。
速度快：计算速度比那些需要交换所有隐私数据的“全知全能”方法快得多。
隐私好：不需要暴露具体的家庭用电细节。

总结

这篇论文就像教一群邻居如何在不互相窥探隐私、不互相打扰的情况下，通过简单的“喊话”（交换汇总计划）组成“互助小组”，从而在能源市场上买到最便宜的电。

它解决了一个两难问题：以前想合作就得“裸奔”（交隐私），现在可以“穿件外套”（只交汇总数据）也能合作，而且算得更快、更聪明。

论文技术总结：面向本地能源管理的有限信息共享联盟形成

1. 研究背景与问题定义

随着能源系统从集中式化石燃料发电向分布式可再生能源（特别是“产消者”Prosumers，即既消费又生产电力的用户）转型，传统的集中式控制方法面临挑战。

核心问题：现有的自下而上（Bottom-up）联盟形成（Coalition Formation）方法虽然能通过分组合作降低能源成本，但通常要求代理（Agent/建筑）在形成联盟时共享完整的局部信息（如详细的负荷、发电、储能状态及约束条件）。
主要痛点：
1. 隐私泄露：共享详细数据可能导致用户行为特征被推断，存在安全隐患。
2. 计算负担：为评估每一对潜在合并的联盟，需要求解完整的优化问题，导致计算复杂度呈组合爆炸式增长，难以扩展。
研究目标：提出一种有限信息共享的联盟形成算法，仅在代理间交换聚合信息（如电网交易计划），在保护隐私的同时降低计算成本，并保证性能优于完全去中心化的操作。

2. 方法论

2.1 系统建模

对象： $N$ 栋建筑，每栋建筑具有固定的负荷 $d_i(t)$ 和发电 $g_i(t)$ 曲线，配备电池（含充放电效率 $\rho$ ）。
交易机制：建筑可与电网买卖电（价格 $P_{buy} > P_{sell}$ ），也可在联盟内部与其他成员交易。
优化目标：最小化所有建筑的总成本（购买成本减去销售收益）。
控制框架：采用模型预测控制（MPC），基于预测数据动态调整联盟结构和控制策略。

2.2 核心算法：有限信息共享联盟形成

作者提出了一种改进的自下而上联盟形成算法（基于 Algorithm 1 的变体），其核心创新在于利用上界估计替代完整优化求解：

上界估计（Upper Bound Construction）：
- 传统方法需为每对候选联盟求解完整的优化问题 $V(C_j)$ 来判断合并是否有利。
- 本文提出仅利用聚合的电网交易计划（Aggregate Grid Trades）来构建联盟价值的上界 $\bar{V}(C_j)$ 。
- 逻辑：如果两个代理在某一时刻一个向电网买电（正交易），另一个向电网卖电（负交易），则它们合并后可以直接内部交易，节省 $(P_{buy} - P_{sell})$ 的差价。
- 公式：通过计算 $\sum (P_{buy} - P_{sell}) \cdot \min(|Q_j|，|Q_k|)$ 来估算合并带来的潜在收益，无需知道对方的具体约束或内部模型。
合并决策：
- 仅当上界估计显示合并能带来正收益（即 $\bar{V}(A_j \cup A_k) < \bar{V}(A_j) + \bar{V}(A_k)$ ）时，才进行合并。
- 这避免了求解完整优化问题，大幅减少了通信量（仅交换净交易计划）和计算量。
联盟内分布式优化（ADMM）：
- 联盟形成后，使用**交替方向乘子法（ADMM）**进行分布式优化。
- 代理仅交换临时的联盟交易计划（Consensus Variables），不共享私有数据（如具体负荷曲线或电池状态），由协调器更新对偶变量。
- 通过截断迭代并重新计算电网交易以满足功率平衡，确保解的可行性。

2.3 理论保证

定理 1：证明了该算法生成的联盟结构是有效的，且算法在有限步内终止。
性能下界：证明了最终形成的联盟总成本绝不会高于完全去中心化操作的成本（即 $J_{coal} \le J_{dec}$ ）。即使预测不准或联盟解散，系统也能回退到去中心化状态，保证“不更差”。

3. 主要贡献

提出有限信息共享算法：通过构建联盟价值的可计算上界，消除了为每个候选合并求解完整优化问题的需求，显著降低了计算复杂度。
隐私保护：算法仅需交换聚合的电网交易计划，无需共享详细的本地需求、发电、储能及约束数据。
理论保证：证明了该方法生成的联盟结构总成本优于或等于去中心化操作，且算法具有收敛性。
集成框架：将联盟形成与基于 ADMM 的分布式优化及模型预测控制（MPC）相结合，实现了动态环境下的实时调整。
实证验证：使用真实世界数据（70 栋建筑）进行了验证，展示了经济性能的提升和计算成本的降低。

4. 实验结果

实验基于真实数据集（15 分钟时间分辨率），对比了去中心化、集中式、有限信息共享、传统自下而上（Bottom-Up）及最优联盟（Brute-force）五种方案。

开环优化（Open-loop）：
- 成本：有限信息共享方案（232 欧元）显著优于去中心化方案（239 欧元），且接近集中式方案（101 欧元，注：此处集中式可能因规模限制未完全收敛或数据差异，但在 8 栋建筑场景下有限信息共享达到了最优）。
- 计算：对于 70 栋建筑，寻找“最优联盟”的暴力法在 24 小时内无法收敛（TO），而有限信息共享方法计算可行。
模型预测控制（MPC）：
- 成本：有限信息共享方案（489 欧元）优于去中心化（496 欧元），略高于集中式（475 欧元）。
- 效率：有限信息共享的 ADMM 迭代次数（1362 次）和运行时间（4067 秒）远低于传统自下而上方法（18652 次，63432 秒）。
可扩展性：随着建筑数量 $N$ 增加，有限信息共享方法的 ADMM 迭代次数增长缓慢，表现出良好的可扩展性，而传统方法在大规模场景下计算负担过重。
联盟规模影响：较大的联盟规模能进一步降低成本，但会增加计算量。实验表明 6 栋建筑为最佳权衡点。

5. 意义与结论

实际意义：该研究为解决智能电网中隐私保护与协同优化之间的矛盾提供了可行方案。它允许建筑在不泄露敏感数据的前提下，通过简单的聚合信息交换实现能源互济，降低整体用能成本。
技术突破：打破了传统联盟形成必须依赖全信息交换的局限，证明了“次优但高效”的近似策略在大规模分布式能源管理中的巨大潜力。
未来展望：研究指出了信息量与最优性之间的权衡（Trade-off）是未来研究的重要方向，同时也需进一步探索更复杂的联盟形成问题及 MPC 中的不确定性处理。

总结：本文提出了一种创新的、基于有限信息共享的联盟形成框架，通过上界估计和分布式优化，在保护用户隐私的同时，实现了比去中心化控制更优的经济效益，且计算效率远高于全信息方法，非常适合大规模分布式能源系统的实际应用。