一种用于微电网经济调度的强大两阶段框架，整合了基于迁移学习的反馈机制与线性变分扩散方法：需求响应延迟的量化与影响分析

《Engineering Applications of Artificial Intelligence》：A robust two-stage framework for microgrid economic dispatch integrating transfer learning-based informer and linear variational diffusion: Quantification and impact analysis of demand response delays

　　李景正|赵志文|穆罕默德·A·穆罕默德|金涛 中国福建省福州市福州大学电气工程与自动化学院，邮编350116

摘要：随着可再生能源和灵活需求侧资源应用规模的不断扩大，微电网的经济调度越来越依赖于精准的预测、不确定性建模以及可靠的需求响应执行。然而，在实际操作中，需求响应往往会在接到调度信号后出现延迟，从而导致计划中的负荷调整与实际调整之间存在偏差。为解决这一问题，本文提出了一种考虑需求响应延迟的微电网经济调度框架，该框架整合了时间序列预测、生成式场景构建以及稳健的两阶段优化技术。在预测阶段，本文开发了一种基于迁移学习的Informer模型，并采用三阶段微调策略，以提高在数据量有限的条件下对短期负荷的预测精度。为量化预测不确定性，进一步提出了两阶段线性变分扩散生成框架。第一阶段，采用基于线性变换器的变分自编码器实现高效的长序列建模和异构特征嵌入；第二阶段，通过基于分数的扩散模型进行潜在空间采样与重构，从而提升生成场景的物理一致性和统计多样性。基于预测得到的负荷数据及生成的不确定性场景，本文建立了考虑需求响应延迟的稳健两阶段优化模型，用以量化延迟对运行成本和调度性能的影响。案例分析表明，需求响应延迟会显著影响微电网的调度决策，忽视此类延迟可能导致运行成本被低估且调度可靠性下降。研究结果证明了所提框架在支持考虑延迟的微电网调度及成本评估方面的实际应用价值。

引言：随着向低碳能源系统的持续转型，微电网因其在分布式能源整合、局部自主性以及运行韧性方面的优势而受到越来越多关注。然而，可再生能源的间歇性以及负荷需求的不确定性给微电网的经济调度带来了巨大挑战。传统的确定性调度方法通常依赖点预测，将可再生能源发电量和负荷需求视为已知数值。尽管这类方法简单且计算效率高，但无法充分应对实际运行中的预测误差和随机干扰。因此，当实际运行状况与预测情况出现偏差时，所制定的调度计划可能会变得不可行或经济效率低下。为此，提升微电网调度的适应性需要精准的预测、具有代表性的不确定性场景生成以及稳健的优化策略。

准确的短期预测为微电网调度提供了基础信息。包括多层感知器、长短期记忆网络、卷积神经网络以及深度神经网络在内的数据驱动模型已被广泛用于负荷和可再生能源发电量的预测。近年来，基于Transformer的模型在长序列建模方面展现出强大能力。Informer模型提升了内存利用效率和计算效率，而跨维度Transformer、具有自相关性的分解Transformer、频率增强型分解Transformer以及指数平滑Transformer则进一步增强了跨维度依赖关系的提取能力和季节性趋势的表征能力。不过，这些模型通常需要充足的历史数据，在样本量较小的微电网场景中其性能可能会下降。迁移学习通过从源领域获取通用时间特征并应用于目标任务，有效提升了在数据量有限条件下的预测精度和泛化能力。虽然精准的预测能够改善基线调度信息，但单纯的点预测无法描述未来运行条件的分布特征及极端偏差，因此需要通过不确定性场景生成来体现可再生能源发电量和负荷变化的多样性和依赖关系。基于生成对抗网络的方法可通过对抗训练生成多样化场景，但可能存在模式崩溃、训练不稳定以及时间一致性不足等问题。基于变分自编码器的方法则提供了更为稳定的潜在变量建模框架，但其高斯潜在变量假设可能限制了对复杂长期依赖关系的表征。相比之下，扩散模型通过逐步将数据转化为噪声，再通过反向去噪重建真实样本，其在场景生成方面展现出更强的潜力，能为考虑不确定性的调度提供更可靠的输入数据。然而，微电网运行中的不确定性不仅来源于可再生能源发电量和负荷的波动，还源于需求侧调控的执行过程。在实际操作中，需求响应并非纯粹的即时控制动作。用户在收到价格或调度信号后，还需要时间来理解信息、做出决策、调整行为并启动相关设备。此外，由于物理限制或聚合级协调过程，可控负荷也可能不会立即作出反应。因此，即便技术上具备需求响应能力，仍可能出现响应延迟。这类延迟会降低调度执行的及时性，导致计划中的负荷调整与实际调整出现偏差，进而引发电力失衡、能量存储设备运行效率降低、备用容量不足以及运行成本上升等问题。在可再生能源占比较高的微电网中，需求侧响应的延迟可能会进一步加剧调度计划与实际运行之间的矛盾，从而影响系统的经济性、可行性和安全性。最新的电力市场研究还表明，需求侧行为会受到有限理性、行为差异性、市场激励以及多主体战略互动等因素的影响。有研究通过整合前景理论与多阶段谈判机制，为虚拟电厂交易设计了进化智能合约框架，将损失厌恶、概率扭曲以及参考依赖型偏好纳入虚拟电厂的决策过程，从而为市场响应的异质性和非即时性提供了行为学解释。基于前景理论的动态定价研究进一步表明，政策激励和有限理性的参与者会显著影响定价策略的演变。除了个体行为偏好外，需求侧响应还会受到不同参与者之间策略传播的影响。复杂网络演化博弈研究显示，补偿价格、网络连通性以及领先企业能够影响不同市场参与者之间灵活性策略的传播。从更广泛的电力市场视角来看，近期关于演化博弈理论的综述进一步指出，用户响应、电价信号、激励机制以及需求侧参与共同决定了需求侧策略的演变。这些研究为理解需求侧行为提供了重要的市场层面见解，但它们主要聚焦于策略演变、市场均衡或技术传播，尚未将需求响应延迟纳入微电网调度模型之中。从电力市场设计的角度来看，需求响应延迟可能会削弱基于价格的需求响应机制的效力。分时电价和基于激励的需求响应计划旨在引导用户在高峰电价时段减少负荷或转移负荷，但响应延迟会导致实际负荷调整偏离预期的价格信号区间，进而降低削峰效果和需求响应计划的效率。因此，需求响应延迟不仅是操作执行层面的问题，还会影响市场层面激励机制的实际效果。目前，市场层面的行为建模与操作层面的微电网调度之间仍存在差距。现有的市场机制研究可以解释为何用户的响应会呈现差异性和动态性，但并未量化需求响应延迟对微电网调度成本和可行性的影响。为进一步弥补这一缺口，表1从主体、需求响应、电动汽车、需求响应延迟、可再生能源不确定性、负荷不确定性、调度策略以及解决方案等方面，对比了本文提出的策略与相关研究。尽管现有研究在微电网调度、电动汽车协调、随机调度、稳健优化以及深度强化学习等领域已取得一定进展，但很少有研究能够同时将电动汽车集群、需求响应、可再生能源/负荷不确定性以及明确的需求响应延迟纳入统一的、以预测场景为驱动的稳健调度框架之中。为应对这些挑战，本文提出了一种整合数据驱动预测、生成式场景构建以及考虑需求响应延迟的调度建模的两阶段稳健优化框架。在预测层面，本文开发了一种基于迁移学习的Informer模型，并采用三阶段微调策略，以提高在数据量较小的条件下的短期负荷预测精度。在场景生成层面，设计了一种两阶段线性变分扩散生成框架：首先，基于线性变换器的变分自编码器负责整合不同类型的特征并提取长期依赖关系；随后，基于分数的扩散模型进行潜在空间采样与重构，从而提升生成场景的物理一致性和统计多样性。最后，建立了考虑需求响应延迟的两阶段稳健优化模型，用于在最坏情况下评估运行成本和可行性。本文的主要贡献如下：1）提出了一种基于迁移学习的Informer预测方法，并通过三阶段微调策略，解决了在数据量有限条件下预测精度低和泛化能力弱的问题，实现了高精度的短期负荷预测。2）通过将基于线性变换器的变分自编码器与基于分数的扩散模型相结合，开发了一种两阶段线性变分扩散生成框架，显著提升了生成场景的物理一致性和统计多样性。3）建立了一种基于扩散模型的两阶段稳健优化框架，可系统量化需求响应延迟对经济性能和决策可靠性的影响，从而提升微电网调度在现实运行条件下的适应性和稳健性。本文的其余部分结构如下：第2节介绍基于迁移学习的改进型Informer预测模型；第3节阐述基于扩散模型的不确定性集场景生成方法；第4节构建两阶段稳健优化调度模型；第5节通过案例分析验证并评估所提方法；最后，第6节总结研究成果并展望未来工作。

Informer的整体架构：Informer是一种专为长序列预测设计的改进型基于Transformer的模型。其核心架构由编码器-解码器结构组成，编码器负责从长输入序列中提取关键的依赖特征，解码器则利用这些特征来预测未来序列的值。与标准Transformer相比，Informer的主要创新之处在于引入了ProbSparse自注意力机制，该机制能有效降低……

基于线性变换器的变分自编码器：为处理风能发电量中不同的数值型和分类型特征，本文设计了一种混合特征标记器，用于将各类特征映射到统一的低维嵌入空间中。数值型特征经过线性投影处理，而分类型特征则通过可学习的矩阵进行嵌入，所有特征最终都表示为相同的嵌入维度d。具体表达式为：{αn,i=xn,i·wn,i+bn,iβc,j=xc,j·ωc,j+ψc,j}，其中xn,i表示第i个数值特征的原始输入值，xc,j表示……

微电网系统的组件建模：为构建微电网的优化调度模型，需为其内部资源建立数学模型，这些资源包括可控的分布式发电机、能量存储系统、电动汽车集群、需求响应负荷以及与配电网的电力交换关系。微电网的整体配置及其各组成组件之间的交互关系如图8所示，该图为后续数学建模提供了依据。

基于迁移学习的Informer预测模型分析：为验证所提出的TL-Informer预测模型的有效性，本文在来自福建省泉州市的实际负荷预测数据集上进行了实验。该数据集以15分钟为间隔采集，包含历史负荷数据以及气象信息，如最高温度、最低温度、平均温度、平均相对湿度及降雨量。本研究以经过需求响应调整后的负荷作为预测目标……

结论：为应对需求响应延迟带来的调度不确定性，本文提出了一种融合迁移学习、扩散生成建模以及两阶段稳健优化的微电网调度框架。首先，利用基于迁移学习的Informer模型提高在数据量较小的条件下的短期负荷预测精度；其次，采用两阶段线性变分扩散生成方法，生成既具有物理合理性又……的不确定性场景。

CRediT作者贡献声明：李景正：概念构思、数据整理、形式分析、研究调查、方法设计、软件工具应用、模型验证、结果可视化、论文初稿撰写及修改。赵志文：概念构思、数据整理、软件工具应用、模型验证、结果可视化、论文初稿撰写及修改。穆罕默德·A·穆罕默德：概念构思、数据整理、形式分析、研究调查、方法设计、软件工具应用、研究指导、模型验证、结果可视化、论文初稿撰写。

利益冲突声明：作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。