利用四个不确定因素的耦合关联关系进行建模,同时利用 Stackelberg 博弈(见微经笔记 P12)来解决 IT 用户和数据中心运营商之间的利益分配问题。在博弈的过程中,IT 用户 i i i 充当跟随者,各 t t t 时段的决策变量是负荷削减量 P ~ D R , i , t {\widetilde{P}}_{DR,i,t} P DR,i,t。运营商扮演领导者,其决策变量是给予 IT 用户 i i i 的激励价格 r ~ i {\widetilde{r}}_i r i。
1. 效用函数
IT 用户
i
i
i 在
t
t
t 时段的效用函数以
O
i
,
t
O_{i,t}
Oi,t 表示,定义为:
O
i
,
t
=
r
i
~
P
~
D
R
,
i
,
t
−
w
i
(
P
~
D
R
,
i
,
t
P
~
D
R
,
i
,
t
max
)
α
i
P
~
D
R
,
i
,
t
max
O_{i,t} = \widetilde{r_i}{\widetilde{P}}_{DR,i,t} - w_i \left( \frac{{\widetilde{P}}_{DR,i,t}}{{\widetilde{P}}_{DR,i,t}^{\text{max}}} \right)^{\alpha_i} {\widetilde{P}}_{DR,i,t}^{\text{max}}
Oi,t=ri
P
DR,i,t−wi(P
DR,i,tmaxP
DR,i,t)αiP
DR,i,tmax
上式中,左项是 IT 用户
i
i
i 在
t
t
t 时间段从数据中心运营商处获得的激励大小;右式的第二项表示由功率削减所造成的不变成本;
w
i
(
P
~
D
R
,
i
,
t
P
~
D
R
,
i
,
t
max
)
α
i
P
~
D
R
,
i
,
t
max
w_i \left( \frac{{\widetilde{P}}_{DR,i,t}}{{\widetilde{P}}_{DR,i,t}^{\text{max}}} \right)^{\alpha_i} {\widetilde{P}}_{DR,i,t}^{\text{max}}
wi(P
DR,i,tmaxP
DR,i,t)αiP
DR,i,tmax 表示成本和削减能力、削减量在削减能力中的占比有关;
w
i
w_i
wi 和
α
i
\alpha_i
αi 分别表示 IT 用户
i
i
i 削减功率的单位损失和敏感系数(其中
α
i
≥
2
\alpha_i \geq 2
αi≥2)。
与 IT 用户
i
i
i 博弈,数据中心运营商(领导者)在
t
t
t 时段的效用函数为
U
i
,
t
U_{i,t}
Ui,t,定义如下:
U
i
,
t
=
z
~
P
~
D
R
,
i
,
t
−
r
~
i
P
~
D
R
,
i
,
t
U_{i,t} = \widetilde{z}{\widetilde{P}}_{DR,i,t} - {\widetilde{r}}_i {\widetilde{P}}_{DR,i,t}
Ui,t=z
P
DR,i,t−r
iP
DR,i,t
2. 决策变量的最优解
逆向归纳法可以推算出决策变量最优解
r
~
i
{\widetilde{r}}_i
r
i 和
P
~
D
R
,
i
,
t
{\widetilde{P}}_{DR,i,t}
P
DR,i,t 的解析式。为了便于推导最优解的解析式,可以引入辅助变量
e
i
,
j
e_{i,j}
ei,j:
e
i
,
j
=
P
~
D
R
,
i
,
t
P
~
D
R
,
i
,
t
max
e_{i,j} = \frac{{\widetilde{P}}_{DR,i,t}}{{\widetilde{P}}_{DR,i,t}^{\text{max}}}
ei,j=P
DR,i,tmaxP
DR,i,t
再对
O
i
,
j
O_{i,j}
Oi,j 求
e
i
,
j
e_{i,j}
ei,j 的一次偏导,可得:
∂
O
i
,
j
∂
e
i
,
j
=
(
r
~
i
−
α
i
w
i
(
e
i
,
t
)
α
i
−
1
)
P
~
D
R
,
i
,
t
max
\frac{\partial O_{i,j}}{\partial e_{i,j}} = \left( {\widetilde{r}}_i - \alpha_i w_i \left( e_{i,t} \right)^{\alpha_i - 1} \right) {\widetilde{P}}_{DR,i,t}^{\text{max}}
∂ei,j∂Oi,j=(r
i−αiwi(ei,t)αi−1)P
DR,i,tmax
令上式等于
0
0
0,可得:
e
i
,
j
=
(
r
~
i
w
i
α
i
)
1
α
i
−
1
e_{i,j} = \left( \frac{{\widetilde{r}}_i}{w_i \alpha_i} \right)^{\frac{1}{\alpha_i - 1}}
ei,j=(wiαir
i)αi−11
将上式带入后,求
U
i
,
t
U_{i,t}
Ui,t 关于
r
~
i
{\widetilde{r}}_i
r
i 的一次偏导,令其等于
0
0
0 可得到:
∂
U
i
,
t
∂
r
~
i
=
z
~
−
α
i
r
~
i
w
i
α
i
(
α
i
−
1
)
(
r
~
i
w
i
α
i
)
1
α
i
−
1
−
1
P
~
D
R
,
i
,
t
max
=
0
\frac{\partial U_{i,t}}{\partial {\widetilde{r}}_i} = \frac{\widetilde{z} - \alpha_i {\widetilde{r}}_i}{w_i \alpha_i (\alpha_i - 1)} \left( \frac{{\widetilde{r}}_i}{w_i \alpha_i} \right)^{\frac{1}{\alpha_i - 1} - 1} {\widetilde{P}}_{DR,i,t}^{\text{max}} = 0
∂r
i∂Ui,t=wiαi(αi−1)z
−αir
i(wiαir
i)αi−11−1P
DR,i,tmax=0
此时我们可以得到
r
~
i
=
z
~
α
i
{\widetilde{r}}_i = \frac{\widetilde{z}}{\alpha_i}
r
i=αiz
,我们很容易知道两个边界点是没有意义的,因此该解为最优解。
接下来我们把这个解代回,可以得到:
P
~
D
R
,
i
,
t
=
(
z
~
α
i
2
w
i
)
1
α
i
−
1
P
~
D
R
,
i
,
t
max
{\widetilde{P}}_{DR,i,t} = \left( \frac{\widetilde{z}}{{\alpha_i}^2 w_i} \right)^{\frac{1}{\alpha_i - 1}} {\widetilde{P}}_{DR,i,t}^{\text{max}}
P
DR,i,t=(αi2wiz
)αi−11P
DR,i,tmax
为了确保
P
~
D
R
,
i
,
t
{\widetilde{P}}_{DR,i,t}
P
DR,i,t 的物理意义成立,需要判断
z
~
\widetilde{z}
z
和
(
α
i
)
2
w
i
{(\alpha_i)}^2 w_i
(αi)2wi 的大小关系。
3. 削减量与关系
-
如果 z ~ ≤ ( α i ) 2 w i \widetilde{z} \le \left( \alpha_i \right)^2 w_i z ≤(αi)2wi,此时削减量一直在 P ~ D R , i , t max {\widetilde{P}}_{DR,i,t}^{\text{max}} P DR,i,tmax 范围之内:
最优 r ~ i = z ~ α i {\widetilde{r}}_i = \frac{\widetilde{z}}{\alpha_i} r i=αiz ;
最优 P ~ D R , i , t = ( z ~ α i 2 w i ) 1 α i − 1 P ~ D R , i , t max {\widetilde{P}}_{DR,i,t} = \left( \frac{\widetilde{z}}{{\alpha_i}^2 w_i} \right)^{\frac{1}{\alpha_i - 1}} {\widetilde{P}}_{DR,i,t}^{\text{max}} P DR,i,t=(αi2wiz )αi−11P DR,i,tmax -
如果 z ~ > α i 2 w i \widetilde{z} > \alpha_i^2 w_i z >αi2wi,此时削减能力前面的系数会大于 1 1 1,超过自身负荷削减能力。因此虽然数学上成立,但物理意义上不存在。由:
e i , j = ( r ~ i w i α i ) 1 α i − 1 < 1 e_{i,j} = \left( \frac{{\widetilde{r}}_i}{w_i \alpha_i} \right)^{\frac{1}{\alpha_i - 1}} < 1 ei,j=(wiαir i)αi−11<1
则 r ~ i < w i α i {\widetilde{r}}_i < w_i \alpha_i r i<wiαi,此时:
最优 r ~ i = w i α i {\widetilde{r}}_i = w_i \alpha_i r i=wiαi;
最优 P ~ D R , i , t = P ~ D R , i , t max {\widetilde{P}}_{DR,i,t} = {\widetilde{P}}_{DR,i,t}^{\text{max}} P DR,i,t=P DR,i,tmax
4. 不确定因素取值范围
给定不确定因素 z ~ \widetilde{z} z 和 P ~ D R , i , t max {\widetilde{P}}_{DR,i,t}^{\text{max}} P DR,i,tmax 的范围 [ z − , z + ] [z^-, z^+] [z−,z+] 和 [ P ~ D R , i , t max − , P ~ D R , i , t max + ] [{{\widetilde{P}}_{DR,i,t}^{\text{max}}}^-, {{\widetilde{P}}_{DR,i,t}^{\text{max}}}^+] [P DR,i,tmax−,P DR,i,tmax+]:
-
如果 z ~ ≤ ( α i ) 2 w i \widetilde{z} \le \left( \alpha_i \right)^2 w_i z ≤(αi)2wi:
r ~ i ∈ [ z ~ − α i , z ~ + α i ] {\widetilde{r}}_i \in \left[ \frac{{\widetilde{z}}^-}{\alpha_i}, \frac{{\widetilde{z}}^+}{\alpha_i} \right] r i∈[αiz −,αiz +]
P ~ D R , i , t ∈ [ ( z ~ ( α i ) 2 w i ) 1 α i − 1 P ~ D R , i , t max − , ( z ~ ( α i ) 2 w i ) 1 α i − 1 P ~ D R , i , t max + ] {\widetilde{P}}_{DR,i,t} \in \left[ \left( \frac{\widetilde{z}}{{(\alpha_i)}^2 w_i} \right)^{\frac{1}{\alpha_i - 1}} {{\widetilde{P}}_{DR,i,t}^{\text{max}}}^-, \left( \frac{\widetilde{z}}{{(\alpha_i)}^2 w_i} \right)^{\frac{1}{\alpha_i - 1}} {{\widetilde{P}}_{DR,i,t}^{\text{max}}}^+ \right] P DR,i,t∈ ((αi)2wiz )αi−11P DR,i,tmax−,((αi)2wiz )αi−11P DR,i,tmax+ -
如果 z ~ > ( α i ) 2 w i \widetilde{z} > \left( \alpha_i \right)^2 w_i z >(αi)2wi 同理。
注意,多重不确定因素具有叠加效应,两个不确定因素会共同作用于 P ~ D R , i , t {\widetilde{P}}_{DR,i,t} P DR,i,t,导致取值范围变大。