基于LSSVM-AKDE非参数方法的虚拟电厂多市场两阶段数据驱动自适应鲁棒投标模型研究

为解决可再生能源(RE)出力不确定性、多市场交互及用户有限理性响应等挑战，研究人员提出一种集成日前市场(DAM)、实时市场(RTM)和平衡市场(BM)的两阶段数据驱动自适应鲁棒投标模型(DDARBM)。该模型通过LSSVM-AKDE非参数框架构建动态边界不确定性集，结合用户响应机制优化资源调度，实现总成本降低最高达4.478%，显著提升虚拟电厂(VPP)的经济性与鲁棒性。

　　

随着可再生能源(RE)在电力系统中的渗透率不断提高，虚拟电厂(VPP)作为一种整合分布式资源的新型管理模式，在促进清洁能源消纳和降低CO₂排放方面展现出巨大潜力。然而，风电、光伏出力的强随机性、用户需求的动态变化以及多市场（日前市场DAM、实时市场RTM和平衡市场BM）的复杂交互，使得VPP在投标决策时面临严峻的经济性与鲁棒性挑战。传统随机优化方法依赖精确概率分布假设，而鲁棒优化则可能因过度保守导致经济性损失。如何平衡不确定性应对的精确性与成本效益，成为当前研究的核心难题。

针对这一科学问题，河南科研团队在《Renewable Energy》发表研究，提出基于最小二乘支持向量机-自适应核密度估计(LSSVM-AKDE)的两阶段数据驱动自适应鲁棒投标模型(DDARBM)。该研究创新性地将非参数估计与用户有限理性响应机制结合，通过多轮市场出清迭代优化资源调度，为电动汽车(EV)用户提供个性化充电方案。关键技术包括：LSSVM-AKDE构建动态边界RE不确定性集、基于Logistic函数的模糊响应机制建模、以及多市场协同出清算法。

不确定性能源输出集合
通过LSSVM预测RE出力趋势，结合AKDE在95%置信区间下拟合概率密度曲线，生成动态边界不确定性集。该方法较传统参数法减少边界宽度23.6%，同时保留原始分布特征。

用户有限理性响应
建立基于Logistic函数的电价响应模型，量化转移负荷、可中断负荷等灵活资源的调节潜力。仿真显示，用户行为建模使VPP投标成本降低0.605%。

多市场投标策略
在DAM阶段优先签订远期合约，RTM阶段通过EV充放电功率调整弥补预测偏差。参与DAM、RTM和BM分别实现成本降低0.442%、0.197%和4.478%。

模型对比验证
与随机优化和传统鲁棒优化相比，DDARBM在1000次蒙特卡洛模拟中保持成本标准差低于2.31%，证实其兼具经济性与鲁棒性。

研究结论表明，通过约束范式变量、调整置信区间及增加分时电价样本信息，VPP应对DAM不确定性的能力可提升19.8%。该模型为高比例RE并网系统提供了可扩展的决策框架，其动态边界构建方法可推广至其他能源预测场景。讨论部分强调，未来需进一步研究异构市场博弈对VPP投标策略的影响，并探索区块链技术在多主体协同调度中的应用潜力。