基于Stackelberg微分博弈的房屋定价模型

stackelberg博弈的数学表达式Stackelberg博弈是博弈论中的一种重要形式，它是由德国经济学家海因茨·斯塔克尔贝格（Heinrich von Stackelberg）于1934年提出的，用于描述具有领导者和追随者的博弈情形。

在Stackelberg博弈中，领导者会先行选择策略，而追随者在知晓领导者选择的策略后再作出自己的决策。

这种不对称信息的情形使得领导者在选择策略时能够考虑到追随者的反应，从而获得更优的收益。

在实际生活中，Stackelberg博弈经常被用来分析企业之间的竞争策略、政府对市场的监管策略等方面。

在Stackelberg博弈中，参与者通常会通过数学模型来描述其决策过程。

对于一个简单的Stackelberg博弈，可以用以下的数学表达式来表示：1.定义参与者：在一个Stackelberg博弈中，通常会有两个参与者，分别是领导者和追随者。

2.定义策略集合：领导者和追随者分别有自己的策略集合，可以用S1和S2来表示。

其中，S1为领导者的策略集合，S2为追随者的策略集合。

3.定义效用函数：每个参与者在选择完策略后都会获得一个效用值，表示其收益情况。

通常会用u1和u2来表示领导者和追随者的效用函数。

4.定义约束条件：在实际情况下，参与者的选择可能会受到一些限制条件的约束。

这些约束条件通常会用c1和c2来表示。

通过上述的数学表达式，可以清晰地描述Stackelberg博弈中的参与者、策略、效用函数和约束条件，从而帮助分析者更好地理解其博弈模型。

接下来，我们将通过一个实例来说明Stackelberg博弈的具体应用。

假设有两家电信运营商A和B在同一个市场上竞争，A是市场领导者，B是追随者。

A可以选择提供高速网络服务或提供低价格服务两种策略之一，而B在A做出选择后可以选择跟随A提供相同的服务或采取不同的策略。

现在我们用数学模型来描述这个问题。

1.参与者：A是领导者，B是追随者。

基于行为博弈的Ｓｔａｃｋｅｌｂｅｒｇ模型分析通过对经典的Stackelberg博弈模型的某些假设进行改进的基础上构建Stackelberg博弈模型，主要研究当每个厂商并不知道市场需求函数，只能对其进行估计的情况下，基于行为博弈的一些原理对Stackelberg博弈模型进行求解，并把解和经典的Stackelberg博弈模型的解进行比较，通过比较分析，对竞争市场中的一些现象给予解释。

标签：Stackelberg博弈模型；市场需求；需求估计；行为博弈1 对市场需求函数估计不同的情况下的Stackelberg模型首先简单回顾经典的Stackelberg博弈模型。

假设有两个厂商进行先后确定产量水平的两阶段动态博弈，第一阶段，作为领导者的厂商1首先制定产量；第二阶段，在观察到厂商1的产量水平后，作为跟随者的厂商2按照利润最大化原则制定其产量。

假设两个厂商的边际成本相等，c1=c2=c；市场的需求函数为p=a-（q1+q2），其中a>0为常数，q1为厂商i的产量，i=1,2。

两个厂商都确切知道这个市场需求函数。

利用后退归纳法求解：首先考虑第2阶段。

给定厂商1的产量q1，厂商2的最优产量q S2为q S2∈argg Max q2｛π2（q1，q2）=［a-（q1+q2）-c］q2｝由一阶条件，得到厂商2的最优反应函数q2=R2（q1）=a-q1-c2。

再考虑第1阶段，预见到厂商2的反应函数q2=R2（q1）=a-q1-c2，厂商1的最优产量q S1为q S1∈argg Max q1｛π1（q1，q2）=［a-（q1+R2（q1））-c］q1＝［a-q1+a-q1-c2-c］q1｝由一阶条件，得到厂商1的最优产量q S1=a-c2。

所以q S2=R2（q S1）=a-q S1-c2=a-c4。

因此，Stackelberg博弈的结果为q S=q S1+q S2=3（a-c）4；p S=a-q S=a+3c4。

房地产定价模型房地产定价是一个重要的经济问题，对于买房和卖房的双方来说都至关重要。

通过建立合理的房地产定价模型，可以提供参考价值，并帮助市场有效运行。

一、市场需求和供给房地产定价模型的基础是理解市场需求和供给的关系。

市场需求受到诸多因素的影响，包括人口增长、就业情况、收入水平等。

同时，供给方面的因素也是不可忽视的，包括土地利用政策、建设成本等。

在建立定价模型时，需要综合考虑这些因素，并进行分析。

二、回归分析模型在房地产定价模型中，回归分析是常用的建模方法之一。

回归分析可以通过统计数据，揭示不同因素对房地产价格的影响程度。

例如，可以考虑房屋面积、地理位置、楼层高度等变量，并通过回归分析得到各个变量对房价的影响系数。

三、博弈论模型房地产市场是一个典型的买方市场和卖方市场相互作用的过程。

博弈论模型可以用来分析买方和卖方在定价过程中的策略选择。

通过博弈论模型，可以预测双方的理性行为，并了解竞争、谈判等因素对定价结果的影响。

四、基于比较市场分析的模型比较市场分析是一种常用的房地产定价模型。

该模型通过比较相似房屋的市场价格来确定某一房屋的合理价格。

通过该模型，可以考虑到不同房屋之间的差异，如建筑面积、户型结构、周边设施等因素。

五、资本资产定价模型资本资产定价模型是一种广泛应用于金融领域的定价模型，也可以用于房地产定价。

该模型通过考虑房地产的风险和预期收益，综合考虑资产负债比、市场利率、通货膨胀率等因素，来确定房地产的合理价格。

六、地价评估模型在房地产定价中，地价是一个重要的组成部分。

地价评估模型可以根据土地利用政策、地理位置、周边设施等因素，对土地价值进行评估，并作为房地产定价的参考。

七、市场调研和专业判断除了以上各种模型，市场调研和专业判断也是定价的重要依据。

通过对市场需求和供给的调研，以及房地产行业的专业知识和经验，可以对房地产价格进行合理的预测和评估。

总结：房地产定价模型是一个复杂的系统工程，需要综合考虑市场需求和供给、回归分析、博弈论模型、比较市场分析、资本资产定价模型、地价评估模型以及市场调研和专业判断等因素。

国家自然科学基金项目支持（项目批准号：60873114）、中国博士后基金支持（项目批准号：20080440073）、天津市自然科学基金支持（基金号：09JCYBJC27700）、晨光计划支持（项目批准号：20065004116-03）Analysis and Modeling of Housing Price Based onCobweb TheoryDong Wenyong 1,Zhong Anyuan 1,Mao Wentao 1,Wu Bin 1,Bao Lei 2,Wang Hao 1and Liu Ran 11)School of Computer,Wuhan University,Wuhan (hubei_001@ )2)School of Mathematics and Statistics,Wuhan University,Wuhan (dwy77@)Abstract —A ccording to economic theory theory,,the housing prices must fluctuate around the true value of the house values,which mainly affected by the supply-demand relationship.In 20082008,,the global financial crisis mak makeses that the model of housing price fluctuations has become a hot issue.In this paper,the cobweb model is used to model the housing prices,and on this basis,to study the law of price fluctuations.The cobweb model proposed by us is an attempt to discuss how the game between the government,home-based buyers,investment investment-oriented-oriented buyers and real estate businessmen affect the houses prices,to maximize their own profits.In this model,the objective of government objective is to stabilize houses prices,that is,when houses prices deviate from the value the houses,to take macro-control ways to make the houses prices back to normal.Instead of the existing ways of researching on the correlation between various data,a n improved cellular automaton is used to simulate the different decisions made by different parts,to summarize the average housing prices fluctuation fluctuation..In the end end,,We study the performance of predicting by The cobweb model proposed by us for the housing price in the next stage,and the experiments show that the cobweb model is efficient to study the fluctuation of housing price.Keywords —cobweb model,cellular automata,grey Correlation,housing prices forecast基于蛛网理论的房价构成和分析模型董文永1钟安原1毛文韬1武斌1鲍蕾2王豪1刘然11)武汉大学计算机学院，武汉，中国2)武汉大学数学与统计学院，武汉，中国摘要根据经济学的理论，房屋价格一定是围绕着房屋的价值作波动，决定波动的主要影响因素是供需关系。

基于stacking集成模型的重庆市主城区二手房成交价格影响因素及预测研究2023-10-27•引言•二手房交易市场概述•基于stacking集成模型的二手房目录价格影响因素分析•重庆市主城区二手房成交价格预测研究•结论与展望目录•参考文献01引言研究背景与意义二手房市场是整个房地产市场的重要组成部分，其成交价格的影响因素及预测对于政府、开发商和消费者都具有重要意义。

重庆市作为西南地区的代表性城市，其房地产市场的发展受到广泛关注。

基于此，本研究旨在运用基于stacking的集成模型，对重庆市主城区二手房成交价格影响因素进行分析，并对其未来成交价格进行预测。

通过构建基于stacking的集成模型，分析影响重庆市主城区二手房成交价格的因素，并对其未来成交价格进行预测。

研究目的采用定量与定性相结合的研究方法，首先对相关文献进行梳理，然后运用基于stacking的集成模型进行实证分析。

研究方法研究目的与方法研究内容3. 实证分析4. 结论与建议研究结构2. 文献综述1. 引言研究内容与结构本研究主要包括以下四个部分介绍研究背景、意义、目的和方法。

对国内外相关文献进行梳理和评价。

运用基于stacking的集成模型对重庆市主城区二手房成交价格影响因素进行分析和预测。

总结研究结果，提出相应的政策建议。

本研究采用“总—分—总”的结构形式，即先总体介绍研究背景和意义，然后分别从文献综述、实证分析和结论建议三个方面进行详细论述，最后总结研究成果并指出研究不足之处。

02二手房交易市场概述二手房交易市场概述二手房交易市场是指已经完成首次交易的房屋再次进入流通市场的现象。

这些房屋通常包括公寓、别墅、写字楼等。

二手房交易市场在房地产市场中占据重要地位，尤其是在一线和二线城市，二手房交易数量往往超过新房。

重庆市主城区二手房交易市场特点重庆市主城区二手房交易市场活跃，交易量逐年增长。

重庆市主城区二手房价格受到政策调控和市场供需关系等多重因素的影响。

房地产市场调控的Stackelberg微分博弈模拟陈光华;李红波【期刊名称】《河南科学》【年(卷),期】2013(000)005【摘要】房地产市场的发展是一个动态变化的过程，国家政策的调控也随市场的变化而变化.2011年初以来的房地产调控，通过限贷、限购，迫使开发企业主动降价以缓解现金压力，同时通过保障房和体制建设实现房地产长期稳定发展.研究从博弈论视角出发，针对房地产市场中政府与开发商之间的博弈建立完全但不完美信息动态博弈模型.结果表明政府的策略决定了房地产开发商和消费者的最优策略，调控的关键在于解决现阶段社会中低收入群体住房问题，平抑房价的过快上涨.% The real estate market development is a dynamic process of change,and the national policy and regulation are modified with market changes. The real estate regulation urged the developers to reduce prices of residential housing through property-purchasing limitations and credit limitations since the early 2011. And the government attempts to realize a sustainable development of real estate by building indemnificatory apartment and establishing mechanism. From the perspective of Game Theory,this paper researches the game between government and developers to establish complete but not perfect information dynamic game model in the real estate market. The results show that the government’s strategy determines the real estate developers and consumers’ optimal strategy,and the regulation key lies in how to solve the present social low-income housing problem and the control of house prices rising too fast.【总页数】5页(P704-708)【作者】陈光华;李红波【作者单位】昆明理工大学建筑工程学院，昆明 650500;昆明理工大学建筑工程学院，昆明 650500【正文语种】中文【中图分类】F293.35【相关文献】1.基于Stackelberg微分博弈的房屋定价模型 [J], 赵宏艳;马德山2.基于Stackelberg微分博弈模型的天然气管输定价研究 [J], 丁浩;董光亮;杜吉家;张琪3.基于Stackelberg微分博弈的林业碳汇价格形成机制研究 [J], 陈悦华;章昊4.基于Stackelberg微分博弈的绿色建筑定价模型与分析 [J], 严建援;师斌;黎甜甜5.基于Stackelberg微分博弈的北京自住房价格规制模型 [J], 陈俊华;吕林峰因版权原因，仅展示原文概要，查看原文内容请购买。

基于遗传算法的房屋价格预测模型随着社会的发展和经济水平的提升，购房成为了许多人的重要问题。

房价的涨跌直接影响到人们的购房计划和财产增值。

因此，能够准确预测房价的模型对于很多人来说具有重要意义。

在大数据时代，机器学习和数据挖掘成为了解决这一问题的热门方法。

本篇文章将介绍一种基于遗传算法的房屋价格预测模型。

一、什么是遗传算法？遗传算法是一种模拟自然进化过程的优化算法。

它通过模仿生物进化中的基因交叉、变异等操作，不断搜索最优解。

遗传算法的优点在于可以处理非线性、多变量、高维度的问题，并且不需要预先确定函数形式。

因此，它适用于许多实际问题的求解。

二、房屋价格预测中的变量选择房屋价格受许多因素的影响，如房屋面积、房龄、位置等。

因此，在建立预测模型时需要考虑哪些变量对房价的影响比较大。

为了确定哪些变量应该被纳入模型中，可以使用相关系数等统计方法进行初步筛选。

在本文中，我们选择房屋面积、所在位置、房龄和房屋类型等四个变量来构建预测模型。

三、遗传算法的应用首先，需要建立一个适应度函数来评价每个个体（即不同的变量组合）的优劣。

在本文中，我们采用均方根误差（Root Mean Square Error，RMSE）作为适应度函数。

RMSE可以衡量预测值和实际值之间的差异，公式如下：RMSE = sqrt(1/n * sum((y_pred - y_true)^2))其中，n表示样本数量，y_pred和y_true分别表示预测值和实际值。

通过不断迭代，遗传算法可以找到最优解（即适应度函数最小值）。

接下来，需要确定遗传算法的参数，如种群大小、交叉概率、变异概率等。

这些参数的取值对结果影响较大，需要进行不断调整。

在本文中，我们将种群大小设为100，交叉概率设为0.8，变异概率设为0.2。

最后，我们将数据集按照80%的比例划分为训练集和测试集。

使用训练集进行模型训练，得到优化后的变量组合和最小的RMSE值。

然后在测试集上进行预测，并计算RMSE值。

基于机器学习的住宅定价模型研究近年来，随着人类社会的不断发展和进步，房产市场已经成为了现代社会重要的一部分。

在面对复杂多变的市场情况时，行业从业者不得不采取各种手段来作出准确的判断和决策。

其中，住宅定价模型是一种非常重要的工具，它能够较为准确的预测住宅的价格等关键参数，为房产从业者提供参考。

而基于机器学习的住宅定价模型则是近年来房产市场中的热门研究方向之一。

一、机器学习简介机器学习是一种通过人工智能技术进行数据分析和学习，从而让机器能够自行完成某些任务的方法。

在机器学习方法中，系统通过学习已有数据的经验和规律，来预测未知数据的结果。

与之相对，传统的计算机程序需要人工设置指令和判断条件，因此对于复杂问题处理效率低下。

因此，机器学习在多个领域中都受到极大的关注和研究。

二、住宅定价模型住宅定价模型是一种用于预测房价的模型，通过多种因素的考虑，从而得出房屋的合理市场价格。

在住宅定价模型中，需要考虑的因素包括地理位置、建筑质量、房屋年龄、居住面积等。

同时，住宅定价模型还需要对市场行情进行分析，从而判断市场承受价格和供需关系等参数，来提高精度和可靠性。

三、机器学习在住宅定价模型中的应用由于房价的预测涉及到多个因素的分析和计算，传统的住宅定价模型处理效率低下，依赖人工判断，不能适应高速发展的房地产市场。

而基于机器学习的住宅定价模型则能够通过大量正在活跃的市场数据学习并预测未知因素下的房价趋势，从而提高预测精度。

在基于机器学习的住宅定价模型研究中，主要涉及到以下内容：(一)数据预处理：数据预处理是机器学习模型中非常重要的一步。

在住宅定价模型中，数据预处理体现于对原始数据进行清洗、去重、分割、特征提取和归一化等处理，以保证数据可靠性和预测精度。

(二)模型训练：在机器学习模型中，模型训练是通过实际的房价数据进行模型学习的过程。

在住宅定价模型中，模型训练过程应该充分考虑到特征之间的相关性和影响，确定好训练数据的样本数和特征选取，从而保证模型的准确性和实用性。

Welfare Analysis and Pricing Model of Differential Game of Affordable Housing
作者： 李红波;陈光华;刘亚丽
作者机构： 昆明理工大学土木工程学院,昆明650500
出版物刊名： 昆明理工大学学报：社会科学版
页码： 67-71页
年卷期： 2013年 第5期
主题词： 经济适用房;定价机制;Stackelberg微分博弈模型;福利分析
摘要：经济适用房存废之争日益激烈,尤其是经济适用房定价问题广受质疑.地方政府与开发商博弈经济行为影响到经济适用房的定价和供给量.本研究采用Stackelberg微分博弈模型演绎了经济适用房定价、供给量和政府补偿的收敛趋势,进一步阐释了限价房摇号随机配给机制可能造成的住房福利损失.结论是地方政府采取的激励强度和开发商的利润追求动力驱动了经济适用房定价过程,经济适用房不能废弃,并且供给量需要维持在一定的水平,切实保障对经济适用房的住房边际效用高的群体购买,才能减少公共住房福利损失.。

文章编号:1001-4098(2008)02-0031-04具有Stackelberg博弈和网络外部性的扩展Hotelling模型刁新军,杨德礼,胡润波(大连理工大学管理学院,辽宁大连　116024)摘　要:在具有不对称网络外部性的Ho telling模型中,引入Stackelber g博弈价格均衡。

在放松厂商定位必须局限于消费者分布空间的假设后,相比较于传统的N ash博弈价格均衡结果,厂商通过Stackelberg价格博弈中可以选择更大的产品差异性,市场先进入者在均衡价格、市场份额和利润方面比后进入者具有先动优势。

当网络效用系数相同时,市场先进入者所获得价格、市场份额和利润都大于其Na sh均衡时所获得结果;市场后进入者所获得市场份额小于其N ash均衡的结果,但其价格和利润则根据网络效用系数的不同而变化。

关键词:产品差异性;Stackelber g博弈;Hot elling模型;网络外部性中图分类号:F273 文献标识码:A1　引言产品差异性是企业形成市场力量的重要手段,是现代产业组织理论有关市场结构和组织的重要内容。

Hot elling 模型是研究产品差异性的经典模型[1],常被用来分析竞争性市场中的选址和定价问题,C.D.Asprem ont等指出,在线性运输成本条件下,当两个企业的产品定位接近一定值以后,纯策略的均衡解不存在,随后他们给出均衡解存在的条件,并在假设运输成本是二次函数的条件下得到同Hot elling相反的结论,即“横向差异最大化原则”[2],以后的文章大多是在此基础上来研究Hot elling模型的。

Economides把横向产品差异空间从一维拓展到二维和三维空间,并认为企业在各个维度上差异化原则同各个纬度上运输成本的权重相关,在权重相对较大的维度上表现为“最大差异化原则”,而在其他维度上变现为“最小差异化原则”[3-5]。

产品差异性不仅表现在纵向差异(如质量、功能等)和横向差异(如品牌、地域等),还表现在网络外部性上,在互联网、电信、银行卡,软件等产业中普遍存在网络外部性特征,网络外部性表现为消费者使用某种产品的价值会随着使用该产品及其兼容性产品用户总量的增加而无偿增加[6]。

Stackelberg主从递博弈模型，也被称为斯塔克尔伯格竞争模型，是一个描述领导者和追随者之间互动关系的博弈模型。

这个模型是以德国经济学家赫尔曼·冯·斯塔克尔贝格（Heinrich Freiherr von Stackelberg）的名字命名的。

在Stackelberg博弈中，参与者被划分为两个角色：领导者和追随者。

这个博弈中，领导者首先做出决策，而追随者在观察到领导者的决策后作出反应。

领导者可以看作是博弈的先行者，他可以考虑追随者的反应并相应地制定策略。

而追随者则根据领导者的策略来选择自己的最佳决策。

Stackelberg博弈通常应用于市场竞争和企业战略研究中。

在这种博弈模型中，领导者通常是市场上的主导者或垄断者，而追随者是市场上的竞争对手。

这个模型的关键在于领导者和追随者之间的决策次序和信息结构。

领导者在作出决策时，必须考虑到追随者可能的反应，并据此优化自己的策略。

因此，领导者的决策不再需要自己的反应函数，而是需要了解并预测追随者的反应函数。

斯塔克尔伯格均衡是两个参与人的战略组合，其中领导者的战略是给定追随者战略的情况下最优的，而追随者的战略是给定领导者战略的情况下最优的。

因此，斯塔克尔伯格均衡是一种纳什均衡，但并非所有的纳什均衡都是斯塔克尔伯格均衡。

这种模型在市场定价、产量决策、广告策略等多个领域都有广泛的应用。

例如，在寡头市场中，一家大型企业可能会作为领导者首先设定价格或产量，而其他较小的企业则会作为追随者根据领导者的决策来调整自己的策略。

基于微分博弈的房屋定价模型本文从网络收集而来，上传到平台为了帮到更多的人，如果您需要使用本文档，请点击下载按钮下载本文档（有偿下载），另外祝您生活愉快，工作顺利，万事如意！摘要伴随着住房体制改革，房屋商品化及土地有偿使用，使我国房地产业迅速发展和壮大。

其中房价是调节房地产业利润和促进房地产经济迅速发展的有利杠杆。

然而，房地产业近年的快速发展也引发了一系列问题，其中最为突出的就是高房价问题，把其从民生产业转变为谋求暴利的产业。

高房价问题不仅是房地产市场本身的扭曲，而且也将影响我国的可持续发展、社会稳定和国家经济安全。

美国的金融危机也是由房产泡沫引起的，可见房地产业对整个国家的经济起着至关重要的作用。

因此，确定正确的定价模型，对开发商在竞争中处于有力地位，进而促进我国房地产业的健康发展具有重要意义。

目前比较常用的房屋定价模型多为静态的定价法，即短期内不改变房屋价格，可是这已经很难适应现今瞬息万变的房地产市场。

本文引入房价的微分状态方程，同时考虑时间变量，通过确定政府与房地产商的决策变量及支付函数建立两者间的主从微分博弈模型。

并通过构造两者的HJB方程使用逆向归纳法对模型求解。

得到了政府的最优决策及房地产商的最优决策的值，进而确定房价的值。

并且通过数值仿真图像可以看出房价将成下降趋势，而政府的决策变量补偿支付(税收)及房地产商的的决策变量供房量将成上升趋势。

关键词：房地产；定价模型；微分博弈模型；最优决策第1章绪论住房作为每个公民的基本生活需求，不仅是民生需要，也是我国经济与社会得以健康协调发展的基本要求。

党的十六大提出了全面建设小康社会的奋斗目标，其中住房成为了小康社会的关键指标。

然而，近年来国内房价的持续走高，特别是一线城市住房价格已远远高出居民收入水平，使得很多居民只能“望房生叹”。

房价问题成为了社会各界关注的焦点，怎样控制房价也成为了各方讨论的重点。

在市场经济的环境下，价格是调节供应关系的重要工具。

基于Stackelberg博弈的微网价格型需求响应及供电定价优化李晅;马瑞;罗阳【摘要】In the context of smart grid,development of micro-grid endows itself with demand response (DR) character.Current price-based DR model based on elasticity price theory is not effective in evaluating the active game behavior between micro-grid and the power supply company.To this end,this paper proposes price-based DR model of micro-grid and optimal pricing strategy based on Stackelberg game.Cost and consumption comfort level are together considered to build benefit function of micro-grid based on fuzzy satisfaction-maximizing method.Then price-based DR and optimal pricing model are proposed based on 1-n Stackelberg game,and solved by genetic algorithm (GA) based backward induction.The simulation obtains the Stackelberg game balance point of the model of power supply company and three different micro-grids.Corresponding pricing strategy and micro-grid's response characteristics are analyzed,proving the feasibility of the proposed method,and providing theoretical reference for prediction and estimation of micro-grid's response characteristic to help the power supply company scientifically optimize electricity price.%智能电网背景下,微网的发展赋予其自身主动响应特性.目前基于价格弹性理论的价格响应模型未能有效衡量微网与供电公司间的主动博弈行为,为此提出基于Stackelberg博弈的微网价格响应及供电定价优化方法.基于模糊最大满意度法建立了兼顾用电成本和用电舒适度的微网用户效用函数,从而构建基于1-n型Stackelberg博弈的微网价格响应及供电定价优化模型,采用基于遗传算法的逆向归纳法求解.算例仿真求得供电公司与三个不同响应程度微网的Stackelberg博弈均衡点,分析对应供电公司电价优化策略和各微网响应特征,验证了所提方法的可行性,为预测评估微网主动响应特性以实现供电公司科学优化定价提供理论参考.【期刊名称】《电力系统保护与控制》【年(卷),期】2017(045)005【总页数】8页(P88-95)【关键词】微电网;需求响应;Stackelberg博弈;遗传算法;模糊【作者】李晅;马瑞;罗阳【作者单位】长沙理工大学电气与信息工程学院,湖南长沙410114;长沙理工大学电气与信息工程学院,湖南长沙410114;国网湖南省电力公司岳阳供电分公司,湖南岳阳414022【正文语种】中文近年来微网以其灵活运行、安全可靠、清洁能源友好接入等优势成为智能电网研究热点[1-3]。