區塊鏈下基于蛛網模型的新能源汽車能源交易機制研究

張海波 徐蓬勃* 王汝言 賀曉帆 劉 富

①(重慶郵電大學通信與信息工程學院 重慶 400065)

②(泛在感知與互聯重慶市重點實驗室 重慶 400065)

③(武漢大學電子信息學院 武漢 430000)

④(重慶市城市照明中心 重慶 400000)

1 引言

隨著人們逐漸意識到傳統燃油汽車對于環境的污染性難以逆轉，新能源汽車一躍成為最有可能替代燃油車幫助人們健康綠色出行的工具。而可再生能源作為一種解決方案受到了更多的關注。然而，現階段新能源汽車駕駛耐久性以及其電池更換成本使其成為未來人們理想代步工具的阻礙。所以，基于新能源汽車自身的優勢，通過建立新能源交易系統，加強新能源汽車之間的合作，以解決新能源汽車續航問題[1]。

智能車聯網是解決交通出行安全問題、提升城市運行效率的重要技術手段[2]。但由于新能源車主的數量呈指數式上升趨勢，新能源車主不約而同提出了新能源車里程數不夠的問題[3]。由此，現階段新能源汽車主要問題在于日益增長的新能源車數量與充電站資源分布不均、供不應求的矛盾。針對這一系列問題，許多學者通過無線電力傳輸技術來促進跨越廣闊地理區域的車對車(Vehicle to Vehicle,V2V)能源傳輸[4]。通過可移動設備對所需要能量的車輛進行能源供給，同時由所需能源的車輛為提供能源的車輛支付一部分報酬，不失為一種解決方案[5]。這一能源交易機制的設計與實施不僅讓新能源車主對新能源汽車里程數的焦慮大大降低，同時也極大地推動了當地的電網以及其附屬產業[6]。

由于車聯網涉及多個實體且交易分散，所以在車聯網中確保用戶信息安全是一個極具挑戰性的問題。正如文獻[7]指出當下的新能源汽車能源共享網絡是不可信的，能源供應方和能源需求方都不夠誠實，雙方可能在交易過程中產生糾紛。文獻[8]中也描述到，由于交易系統中存在潛在安全漏洞，電動汽車(Electric Vehicle, EV)隨時可能會受到外部的攻擊。同時由于電動汽車的自私性，對電動汽車進行最佳充電/放電是一個重大挑戰。針對這一問題，文獻[9]構建了將新能源汽車充放電交易與聯盟區塊鏈相結合的技術平臺，并利用區塊鏈的去中心化特點和人工智能算法，對新能源汽車的充放電交易和發展前景進行深入探討。因此，與傳統車載自組網(Vehicular Ad-hoc NETworks, VANET)中的通信方式相比，區塊鏈因其去中心化特性保證了車聯網中所進行交易的安全性。

為了保證能源傳輸的有效性并解決能源存儲問題，學者在新能源交易系統中納入了點對點(Peer to Peer, P2P)算法。文獻[10]充分了解了充電樁現狀，并在此基礎上對集中式方案和分布式方案進行了對比分析，實驗結果表明，采用分布式能源交易系統相比傳統集中式的用戶接受率提高了50%以上，且充電效率也有一定提升。文獻[11]在此基礎上進行了研究，試驗結果表明，在最小化電池充電成本和電動汽車費用方面，分布式方案優于傳統方案。文獻[12]區別于傳統電力方案，采用區塊鏈中的聯盟鏈，設計了分布式系統下能源迭代雙向拍賣算法，用以解決社會福利最大化問題。文獻[13]提出了分布式和集中式兩種不同的能源交換方案，結果表明分布式充電可以減少高峰期集中充電對電網的影響。文獻[14]在分布式交易系統中，根據每個時間步的交易量定義了電池充放電周期的具體規則，為后續分布式網絡中充電放電計算做出鋪墊。文獻[15]在分布式P2P交易系統中提出了一種蛛網模型，用于解決新能源的存儲以及能源交易問題，同時分析了集中式可再生能源的調度以及提出了一種分布式協商能源交易網絡，結果表明，分布式方案在同樣能滿足社會福利最大化的情況下效率更高。綜合上述研究表明，分布式系統在新能源交易領域優于傳統方案。

關于新能源中的定價問題，過去的研究中僅采用博弈論的方法進行研究。文獻[16]提出了一個博弈論模型，首次將博弈論應用到新能源交易領域。文獻[17]基于Stackelberg博弈分析了三方的最優策略，并提出基于加速梯度下降(Accelerated Gradient Descent, AGD)的迭代算法用于找到Stackelberg均衡(Stackelberg Equilibrium, SE)。文獻[18]將貝葉斯博弈定價應用到新能源汽車能源交易系統中，并將此定價算法加入智能合約中，最后證明并得到線性策略下能源交易雙方的最優定價。但其只考慮了線性策略。文獻[19]在交易系統中使用了基于Stackelberg博弈模型的激勵機制來優化能源交易雙方以及驗證者節點之間的效用，并提出一種實用型信譽值共識(Practical Proof of Reputation, PPoR)的共識機制用于在每個集群中執行驗證器的選擇、區塊生成和共識流程。以上研究方法雖然在一定程度上能夠有效實現能源交易，并在保證交易安全性的情況下進行新能源傳輸，但是，對于定價方案僅采用了博弈論方法進行研究，并沒有為區塊鏈下的新能源交易系統，針對邊際成本幾乎為零的新能源設計一套不完全信息共享下非線性定價方案。

綜上所述，雖然許多方案將區塊鏈技術應用到能源交易中，實現了分布式能源交易，但是現有的定價方案尚不完善，對于邊際效應幾乎為零的新能源定價方案僅采用博弈論的方法來解決。所以，本文基于區塊鏈技術以及收斂型蛛網模型建立了新能源汽車能源交易系統，具體工作如下：

(1) 基于區塊鏈設計了區塊鏈下新能源交易系統，并使用Matlab進行仿真。該系統使用PoR共識機制進行共識，結合區塊鏈不可篡改的特性，實現新能源交易系統數據庫的安全分布式存儲。

(2) 提出基于改良后收斂型蛛網的自適應定價協商算法，并與其他算法進行對比，提出的算法能夠自適應優化調整迭代步長及其系數，通過收斂型蛛網，確保了交易雙方在不完全信息共享且至少滿足弱帕累托效應的情況下，得到最優定價。最后通過仿真驗證所提算法的有效性。

2 系統模型

本文假設的能源交易系統模型如圖1所示，其中包括車輛、路測單元(Road Side Unit, RSU)、絕對可信機構(Trust Authority, TA)，在此基礎上部署了具有無線回程和宏基站(Mobile Base System, MBS)的RSU。同時，使用了區塊鏈技術來確保V2V能源交易的安全性和隱私性。

圖1 車聯網中能源交易系統模型圖

2.1 系統網絡模型

在區塊鏈網絡中，每個EV都有一個唯一的身份驗證地址，以便能夠合法參與能源交易。本文假設i ∈B={1,2,...,B},j ∈S={1,2,...,S},g ∈G={1,2,...,G}分別表示能源購買者集合、能源銷售者的集合和該網絡中RSU的集合。參與能源交易的EV為了獲得證書，能源出售方必須證明其在能源交易過程中有剩余能源可出售，能源需求方還必須證明其錢包中有交易幣可用于購買所需能源。

首先，通過在TA中進行注冊，分別獲得證書CertSj, CertBi。選擇購買能源的EV可以使用其證書加入能源交易系統，并獲得公鑰/私鑰對(PKBi,SKBi) 和錢包地址 (AddBi)。其賬戶包括賬戶余額BalBi、證書 CertBi、當前能源硬幣價值ei、公鑰/私鑰對 (PKBi,SKBi) 和錢包地址 (AddBi)。同樣，出售能源的EV賬戶包含其賬戶余額 CoinSj、可用能量、公鑰/私鑰對( PKSj,SKSj)和 錢包地址 (AddSj)。為了保證發送方和接收方之間信息交換的真實性和完整性，在區塊鏈中應用了非對稱加密技術[20]，并表示為

其中，SigSKx(·) 是發送方x的數字簽名及其私鑰，DPKx(·) 為發送方x公鑰的解密函數，H(m)是消息m的哈希摘要。

此外，假設能源提供者和請求者電動汽車位于2維空間，其位置坐標可以表示為 (xi,yi) 和 (xj,yj)，其中?i ∈B,?j ∈S，其中 (xi,yi) 代表第i個能源請求者的位置，(xj,yj) 表示第j個能源提供者的位置。交易過程中考慮了能源提供者和請求者之間的距離[21]。每個簇中的 EVi和 EVj之間的歐幾里得距離由式(2)定義

考慮到能源出售方和能源需求方關聯問題中的交叉信道干擾的影響。與第j個能量提供者相關聯的第i個能量請求者的信號干擾加噪聲比(?i,j)如式(3)所示

其中，SPR(i,j) 表 示第i個 能量請求者從第j個提供者接收的信號功率，SPR(j,i) 是第i個請求者遇到的總干擾，N0表示高斯噪聲的功率譜密度。此外，從能量提供者j到請求者i的傳輸速率表示為

其中，W表示每個鏈路的可用帶寬，N表示每個EV處的最大傳輸功率，gji表示能量傳輸從 EVj到EVi的信道功率增益，F表示加性高斯白噪聲信道容量的信號與干擾加噪聲比(Signal to Interference plus Noise Ratio, SINR)間隙，以及ω2表示接收側的噪聲功率。

2.2 能源交易模型

本文提出了如圖2所示的區塊鏈下V2V能源交易模型，其過程分為4個階段。

圖2 區塊鏈下V2V能源交易模型圖

階段1 所有參與能源交易的 EVi和 EVj必須在TA中進行注冊，然后由TA向參與能源交易的EV發布唯一標識符，使其成為本網絡下每個EV唯一的特性。

階段2 每當有EV需要進行能源交易時，該EV可以向RSU發送申請，通過認證后，由RSU發起共識。本文使用PoR機制進行共識，每一次良好的交易記錄會提高相應的信譽值分數，而每一次不良的交易行為都會降低 EVi的信譽值分數，當信譽值降低到閾值以下則該車輛會失去參與能源交易的權力。當共識通過后正式開始協商定價過程。

階段3 協商定價過程，能源需求方和能源出售方通過本文第4節所設計的基于收斂型蛛網協商定價算法確定其所需要的能源總量和對應的價格，在考慮 EVi和 EVj距離的同時最大化賣家利潤，以及盡量滿足買家對服務質量(Quality of Service, QoS)等方面的需求。

階段4 最后在達成本次能源交易之后，由RSU向TA申請，將 EVi系統中相應數額的電子貨幣轉移到 EVj所屬的錢包地址，并將此交易記錄在區塊鏈上。

2.3 電力系統模型

本文所提出的電力系統模型中，能源供應商

3 對等迭代協商算法設計

3.1 能源供應車輛優化問題分析

本文首先對交易系統中的能源出售方進行效用分析。EVj作為距離電網的自由車輛，負責將能量便捷地運送到有能量需求的 EVi處，但是由于距離等因素的影響，勢必會使價格發生對應的變化。所以 EVj從電網或其他能源供應商處獲得能源，然后通過給予 EVj更高的QoS來使自己最終的定價相應地提高。所以對于 EVj，其最佳報價方案為

其中，dj,i(t) 表 示能源需求量，λi,j表示為如果要進行此次能源交易在時間和路程上能源的額外消耗，pj(t) 為本次報價，psj,i為該車輛目標最高價，Ej(t)表示為如果進行此次交易，該車的剩余能量。

3.2 能源需求車輛優化問題分析

對于道路上行駛不同的 EVi會考慮到的因素也不同，EVi總是希望能夠以更低的價格來獲得更高的QoS，但由于其相較 EVj距離電網或其他能源供應商更遠，所以需要通過 EVj來獲得其完成剩余旅途所需要的能量。在本文中的對等協商過程中，在EVi向RSU發出能源申請之后，會有多個 EVj對EVi進行出價，EVi不僅僅需要考慮 EVj的出價，還需要通過路徑長度和QoS等因素進行判斷，最后做出進行最正確的決策。所以對于 EVi，其最佳報價方案為

其中，di,j(t)表示為如果進行此次交易，能源需求車輛所能夠得到的能量，pj(t)為購買能源所支付價格，λi,j為進行此次交易的能源損耗，Ei(t)為交易結束后該能源需求車輛的剩余能源。

3.3 收斂型蛛網模型

蛛網模型本身是運用彈性原理分析商品供需關系在失去均衡時發生的不同波動情況的一種動態分析理論。而收斂型蛛網最初的開發是為了描述農業市場在時間滯后的情況下，生產者需根據去年的價格決定來年所需種植的數量的多少，但同時也適用于一般的價格-數量迭代。標準收斂型蛛網模型如圖3所示。

圖3 標準收斂型蛛網

在標準收斂型蛛網模型中，D, S分別代表產品的需求函數和供給函數。交點E為滿足弱帕累托條件下的最優價格。在傳統經濟學中，通過P1的數量來預測P2的價格，再通過P2的價格預測P3的數量，以此類推，最終求得E點的最優價格或數量。

在對新生兒展開的護理期間,臨床醫護人員所服務的是被家庭給予厚愛、關愛卻無法表達自我情感的生命,發育的不完全使其生理功能處于調節適應階段,加上免疫功能的發育不成熟,這在很大程度上增加了護理不安全因素的幾率,因此新生兒的護理工作仍在現階段醫患糾紛中表現高發[1]。本文選擇2016年1月——2017年12月于我院分娩的100例新生兒作為研究對象,總結新生兒護理中存在的不安全因素與防護措施,為臨床提供參考。

當能源交易雙方經過多次協商，在能源交易雙方的效用函數曲線首次相交后，即滿足收斂型蛛網條件時，算法進入交替迭代求解最優值過程。本文改良后的收斂型蛛網如圖4所示。通過圖4可以看出，當能源交易雙方效用函數曲線首次相交，說明至少本次交易并非發散，即本次交易收斂或發散可預見。此時，可以滿足進入交替迭代求解最值的條件。其中，通過二進制變量ok(i) 會根據價格p(i)的震蕩自動調整，增幅系數δk(i) 也 會根據ok(i)的變化而變化，直至收斂。

圖4 改良后收斂型蛛網

本文的算法收斂性可見圖4，最后能源交易雙方總能達到至少弱帕累托效應。當能源交易雙方至少達到弱帕累托效應時，說明通過本文算法得到了最優決策，隨后將結果發送給RSU以及能源交易雙方并進行交易，最后記錄在區塊鏈上。

3.4 自適應定價協商算法

由于 EVi和 EVj的自私性，當且僅當這兩條直線開始交叉迭代并且越來越接近時，既達到收斂時或至少達到弱帕累托效應時，得到最優決策 (p*,d*)。假設每一次迭代的步長是一個常數，在發散型蛛網的情況下將永遠不會收斂。但又由于傳統蛛網模型隨著迭代次數的增加，最后結果會趨于發散，步長也會越大。

為了保證算法能夠確定收斂或至少達到弱帕累托效用，本文引入一個二進制變量ok(i)和每一次價格的增幅系數δk(i) ，通過二進制變量ok(i)和增幅系數δk(i)步長來限制算法發散，幫助算法進行迭代

其中，γ ∈(0,1) 用于調整增幅系數δk(i)。二進制變量ok(i)標 識系統是否存在振蕩，當ok(i)=1時 ，δk(i)將縮小步長限制，當ok(i)=0 時 ，δk(i)將保持不變。

本文的協商算法在算法1中給出，EVi根據EVj所提供的最后價格和數量向 EVj提交其所需要的能源總量。EVi只有當交易無法達成弱帕累托效應時才允許退出此次交易。然后，EVi可以選擇更換 EVj并重復該過程，并進行電子貨幣地址交易。如果 EVi在交易中途強行中止交易，則會扣除EVi的信譽值，多次的不良交易會使得信譽值降低到閾值以下，當信譽值降低到閾值以下時，該EVi將被剝奪參與能源交易的資格。

4 模型的仿真與對比分析

4.1 能源交易在車聯網下仿真

為了本文所提方法的有效性，通過模擬交通事件產生車輛之間的通信，利用車輛之間的交互反饋來評估本文所提算法的功能與效率，在不同的場景設置下模擬了V2V交互過程。實驗部分參數如表1所示。

表1 車聯網網絡節點性能參數表

在仿真環境中，模擬正常城市環境進行車輛之間的能源交易，由于城市限速政策，車輛最大速度設置為60 km/h，能夠參與能源交易的聲譽值閾值設為0.5，只有當車輛聲譽值大于0.5時才能向系統發出能源交易的申請，低于0.5則無法參與能源交易。

4.2 本文算法有效性和收斂性仿真

為了驗證本文方法的有效性和收斂性，本文在Matlab2022a上對γ和δk(i)對迭代次數的影響進行了仿真。并與文獻[17]和文獻[18]中關于能源定價方案進行了對比。本文仿真參數設置如表2 所示。

表2 調幅參數及其系數

對于每一對(γ,δk(i))，本文在相同場景下，模擬EVi和 EVj的交互過程。圖5為380對 (γ,δk(i))在不同情況下算法收斂所需要迭代次數的散點圖。圖6是380對不同的 (γ,δk(i))值，在本算法下迭代收斂平均次數以及每組最大值的曲面圖。

圖5 迭代次數散點圖

圖6 迭代次數曲面圖

通過散點圖以及曲面圖的情況可以看出，最大收斂次數往往在γ取值較小時得到，這是因為γ本身為調節δk(i) 的系數，所以當γ較小時，倘若此時能源交易雙方初始出價就相差較大，這時需要的迭代次數自然就會較大。但隨著γ的增大，無論是最大收斂次數還是平均收斂次數都有明顯的降低。但當γ ＞0.7 以后，迭代次數再次增大，這是因為γ對于δk(i)的過度調節，導致了在迭代次數較小時無法使算法收斂。

文獻[18]中對于不完全信息定價方案僅采用線性定價的方式進行研究，本文為了進一步探究γ和δk(i) 對于算法收斂性的影響，固定了γ或δk(i)的范圍，在單一變量情況下，探究以上兩個參數對算法收斂情況的影響，其結果如圖7所示。

圖7 γ和δ對收斂次數的影響

圖7中虛線表示的是不同情況下最大迭代次數的情況，實線表示的是在該情況下的平均迭代次數。我們可以看出，在δk(i) 不變的情況下，γ對迭代次數的影響相較于δk(i)明顯更大。圖7(a)表明，隨著γ的增大，收斂次數呈現出先下降再上升的趨勢，并且對于不同的δk(i)，收斂次數都在0.2～0.4這個區間內取得最小收斂次數，約為12次。同樣圖7(b)也可以看出，隨著δk(i)的 增大，對于相同的γ取值，δk(i) 的改變對于迭代次數的影響遠不如γ的變化明顯，而最低迭代次數同樣在 0.275≤γ ≤0.5這個區間內取得，與本文之前所得出結論相同。綜上所述，相較于δk(i),γ對收斂速率的影響更加顯著。

算法1 基于蛛網模型的迭代自適應定價協商算法

為了繼續驗證本文算法的有效性，本文選擇了梯度下降(Gradient Descent, GD)算法、文獻[17]所提出的AGD算法、傳統粒子群優化算法(Particle Swarm Optimization, PSO)以及遺傳算法進行了仿真對比，結果如圖8所示。通過仿真結果不難看出，在本文算法選擇最合理的步長及其系數的情況下，僅用了12次就可以在當前情況下收斂，如果當前案例能夠很早進入交叉迭代過程，本文算法就能更快收斂。而GD, AGD算法需要在大約16次迭代后才能達到收斂，傳統遺傳算法和PSO算法則需要在約20次迭代后能夠收斂達到穩定值。

圖8 不同方法下的迭代次數對比圖

5 結束語

本文針對車聯網中能源交易設計了一種區塊鏈下的新能源汽車能源交易定價方案，特別是基于收斂型蛛網的定價方案被設計用于處理分布式系統中不完全信息共享下的能源交易問題。通過區塊鏈技術不可篡改及其可追溯性為交易系統提供安全性保證。在保證最后能源交易雙方至少能夠達到弱帕累托效應的情況下，通過仿真，得出該定價方案下不同步長及其系數組合下的最快收斂組合。并與GD,AGD, PSO以及遺傳算法進行對比，數值證明了本文所提方案的可行性以及有效性。在未來，將考慮新型共識機制下區塊鏈中的新能源汽車能源交易方案。