基于最优闭环动态能源价格控制的数据驱动型需求侧能源市场管理模型

《Engineering Science and Technology, an International Journal》：Data-driven demand-side energy market management model based on the optimal closed loop dynamic energy price control

　　

间歇性可再生能源（renewable energy）占比的持续提升，使现代电力市场中维持供需平衡成为关键挑战。为应对这一问题，本研究提出了一种数据驱动的需求侧市场管理框架，将基于人工神经网络的价格–需求模型与闭环动态能源价格控制器相结合。该人工神经网络（ANN）模型利用电价和气象指标预测市场需求，而其参数由Marine Predators Algorithm（MPA）整定的比例–积分–微分控制器（PID）则用于调节动态价格，以最小化能源失衡。研究构建了一个多目标优化函数，用以同时降低供需失配并防止负价格出现，因为负价格会破坏自由化能源市场的稳定性。所提出方案在澳大利亚电力市场上进行了测试，仿真结果表明，该集成的ANN–PID–MPA框架能够调控需求变化并实现最优能量平衡。研究结果证实，数据驱动闭环价格控制可作为未来智能电网环境中一种有效的需求侧管理策略。

该论文发表于《Engineering Science and Technology, an International Journal》，聚焦于智能电网背景下需求侧能源市场的优化管理问题。随着人口增长、生活电气化程度提高以及可再生能源并网比例不断上升，现代电力系统正在由传统电网向智能电网转型。智能电网不仅要求提升发电与输配电效率，还强调需求侧管理（DSM）的主动参与能力，以便通过负荷转移、削峰填谷和需求响应实现供需平衡、降低系统成本、增强系统可靠性并支撑低碳转型。然而，现实电力市场中风能、光伏等间歇性能源具有明显波动性，容易造成供需失衡；同时，自由化电力市场中的动态电价虽然为需求调节提供了手段，但若控制不当，则可能引发负电价、价格波动失控以及市场参与者收益受损等问题。已有闭环动态电价控制研究证明了价格反馈调节需求的可行性，但不少工作依赖简化的弹性模型或解析模型，难以反映真实市场中受气象、社会和经济因素共同影响的复杂需求响应。因此，开展面向真实市场的数据驱动闭环需求侧管理研究具有明显必要性。

围绕这一问题，研究人员构建了一种数据驱动的需求侧能源市场管理框架，将人工神经网络（ANN，Artificial Neural Network）需求预测模型、比例–积分–微分控制器（PID，Proportional–Integral–Derivative controller）以及Marine Predators Algorithm（MPA，海洋捕食者算法）相集成，用于实现动态电价的闭环最优控制。研究的核心思想是：先利用真实市场数据训练价格–需求响应模型，再在闭环控制系统中根据供需误差在线调节电价，通过优化控制器参数使总需求尽可能跟踪总发电，并同时抑制负电价状态。研究结论表明，该ANN–PID–MPA一体化框架能够在澳大利亚电力市场案例中有效调节需求变化，减少供需失衡，并显著降低负电价发生率，显示出其在未来智能电网需求侧市场管理中的应用潜力。论文的重要意义在于，其不仅将控制理论与数据驱动建模结合起来，而且将需求侧管理、动态定价和智能优化统一在一个较为贴近真实市场行为的仿真框架中，从而为智能电网市场管理提供了可扩展、可适应的技术路径。

从方法上看，研究人员主要采用了三类关键技术。其一，基于澳大利亚Victoria州电力市场数据建立价格–需求响应的ANN回归模型，输入变量包括电价、最低/最高日温度、日总太阳辐照和日降雨量，样本共2106条，其中20%用作测试集，并采用10折交叉验证与随机森林（RF）和支持向量回归（SVR）比较。其二，在MATLAB Simulink中构建闭环动态电价控制系统，将ANN嵌入为被控对象，并引入一阶动态环节与白噪声扰动以模拟消费者响应惯性及需求不确定性。其三，采用MPA对PID控制器参数进行离线优化，并设计兼顾供需失衡与负电价抑制的多目标目标函数，以完成控制器整定。

以下结合论文主体部分，对研究结果进行分项解读。

在“Introduction”部分，研究人员首先系统阐述了智能电网和需求侧管理的研究背景，指出传统电力市场在高需求、可再生能源波动和供需失衡风险加剧条件下面临挑战。动态电价被视为协调供需的重要工具，而闭环价格控制则进一步实现了价格信号的自动反馈调节。该部分还明确指出现有工作在现实市场适应性方面存在不足，尤其缺乏针对澳大利亚市场、负电价条件以及数据驱动闭环控制的系统性研究，因此为本文研究目标奠定了理论和应用基础。

在“Related work”部分，研究人员梳理了闭环动态定价、需求侧管理、数据驱动预测控制、人工智能在智能电网中的应用等相关文献。文献综述显示，既有研究往往分别关注预测、优化或控制某一环节，较少形成将数据驱动需求建模、最优PID控制和闭环市场管理仿真整合为统一框架的研究方案。由此，本文的定位被清晰界定为弥合动态定价需求管理与数据驱动建模之间的研究空白。

在“Theoretical Background”部分，论文首先介绍了闭环动态能源价格控制原理。研究人员指出，智能电表（smart meter）及其物联网（IoT）化基础设施为需求侧响应提供了执行平台，价格服务器可以向终端广播动态价格信号，用户群体的聚合响应则使总需求得以调整，从而接近总发电水平。最优电价对应于总发电曲线与总需求曲线交点处的价格。随后论文介绍了MPA的基本机制，包括高速阶段、单位速度比阶段和低速阶段三个搜索过程，分别模拟捕食者与猎物在不同速度关系下的行为，以实现由全局搜索向局部开发的过渡。这一部分为后续PID参数优化提供了算法基础。

在“Data-driven demand-side market management by closed loop dynamic energy price control”部分，研究人员提出了本文的核心模型框架。

在“4.1. Data-driven price-demand market modeling”中，研究人员利用电价与气象变量构建价格–需求ANN模型，形式为D=f_ANN(p,T_min,T_max,S_sol,r)。网络结构为三层回归网络：第一层100个神经元、第二层50个神经元，均使用双曲正切激活函数，输出层为线性激活。训练算法采用Levenberg–Marquardt（LM）算法，最大训练轮次为20。结果表明，该模型对市场需求具有可接受的刻画能力。10折交叉验证显示，ANN模型的平均绝对误差（MAE）为0.85×10⁴ MWh，平均相对误差（MRE）为7.29%，R²为0.35，性能略优于RF与SVR。研究人员据此认为，在真实市场高噪声、高不确定性的前提下，7%–8%量级的相对误差已足以支撑仿真环境中的市场行为表征。该结果说明ANN模型能够作为闭环控制系统中的被控对象，替代过于理想化的解析模型。

在“4.2. Optimization of closed loop dynamic price control for demand-side market management”中，研究人员给出了PID价格控制器及其多目标优化设计。供需平衡误差定义为e(t)=G(t)-D_pred(t)，电价由PID控制律产生。优化目标由两部分组成：其一为供需失衡目标E_b，通过最小化∑(G_i-D_pred,i)²实现需求跟踪发电；其二为负价格目标E_p，通过惩罚负电价状态降低自由化市场中不合理的负定价现象。最终总目标函数写为E=λE_b+(1-λ)E_p。这一设计表明，研究并非仅追求技术上的供需平衡，还同时考虑市场经济运行的稳定性。

在“A numerical case study on the Australian energy market”部分，论文展示了基于澳大利亚市场的数值案例分析。研究人员在MATLAB Simulink中实现整个闭环系统，将ANN模型嵌入市场仿真，并使用真实气象数据驱动模型输入。为模拟需求动态过程，研究在ANN输出后接入一阶环节D(s)=1/(τs+1)，同时加入白噪声扰动，以反映真实市场中的测量误差与需求不确定性。MPA与仿真系统联动，迭代优化PID参数，并得到收敛曲线，显示目标函数在搜索过程中稳定收敛。

在结果层面，图示结果表明总需求能够较好跟踪总发电变化，说明所提闭环动态电价机制具备实现能量平衡的能力；对应的在线动态电价随系统状态自动调整，而能量平衡误差多数时间保持在零附近，仅在发电快速波动时出现轻微偏移。这说明该方法在存在扰动和动态惯性的情况下仍具有较好的控制效果。

关于优化结果，论文报告了10次重复MPA整定实验。所有实验均实现收敛，说明该优化框架具有稳定性。所得最优PID参数中，k_p与k_i多为负值，反映出市场需求对价格呈反向响应特征，因此价格控制器需要通过负反馈来抑制不利价格状态并消除稳态误差；k_d接近零，表明高频短期扰动对整体控制策略影响较小。研究人员据此认为，系统对积分作用依赖较强，以消除持续性的供需偏差。

在市场管理性能评价方面，论文使用总电价成本、最小电价以及负价格率N_pr进行评估。10次重复仿真显示，这些指标变化不大，验证了算法和仿真框架的一致性。负价格率整体维持在较低水平，说明多目标优化成功抑制了负定价现象。研究人员同时指出，若要进一步避免负电价，可在未来将储能系统与发电侧结合，在负价时段储存冗余电能，以增强市场调节能力。

在不同PID整定方式的比较中，未优化PID、粒子群优化（PSO）、遗传算法（GA）与MPA均被纳入分析。结果显示，三种优化算法均优于未优化PID；其中MPA在负价格率这一关键指标上表现最佳，因此被确定为本研究框架中的优选整定方法。该结果证明，启发式优化在闭环动态定价控制中的价值不仅体现在误差收敛，也体现在更符合市场运行目标的价格行为塑造上。

在讨论层面，研究人员强调，尽管仿真结果显示出良好性能，但真实部署仍需考虑电价调整频率和幅度受监管约束、消费者行为异质性、社会经济不确定性、通信与测量延迟、市场参与者操作限制等现实问题。这表明论文对方法适用边界持审慎态度，并未夸大其可直接工程化部署的程度。同时，研究指出基于规则的静态DSM方法虽然容易实施，但可能限制系统在最优性与灵活性上的表现；相比之下，本文提出的数据驱动闭环框架更适合动态复杂的未来能源市场。

论文结论部分可译述如下：本研究提出了一种综合性的数据驱动需求侧市场管理模型，将基于ANN的价格–需求预测与经MPA优化的闭环动态定价机制相结合。该方案能够学习电力市场的需求响应，并利用最优整定的PID控制器调节动态能源价格，以实现预定义的管理目标。针对澳大利亚电力市场的案例仿真表明，该方法能够最小化能量失衡并降低负电价出现频率，这对于维持自由化电力市场的经济稳定性至关重要。该框架验证了闭环ANN–PID结构在发电波动和气象变化条件下支持主动电网平衡、缓解负电价问题的能力，并且通过数据驱动市场模型增强了仿真的现实代表性。总体而言，该研究为智能电网提供了一种可扩展、可自适应的动态定价机制。未来工作可进一步纳入区域运行约束、监管机制、产消者行为、随机可再生能源预测、分数阶控制、强化学习价格调节器以及储能集成与经济调度等内容，以提升其实用性与鲁棒性。