《International Journal of Electrical Power & Energy Systems》：Stochastic capacity expansion planning with flexible demand: A progressive hedging approach
编辑推荐：
考虑灵活需求的随机容量扩展规划：一种渐进对冲方法
•两阶段随机模型协同优化发电、储能、电动汽车（EV）和工业需求侧管理（DSM）。
•电池功率和能量容量在不确定性下独立确定规模。
•对未供电能量（ENS）的条件风险价值（CVaR）衡量最坏情况下的可靠性。
•渐
考虑灵活需求的随机容量扩展规划：一种渐进对冲方法
•两阶段随机模型协同优化发电、储能、电动汽车（EV）和工业需求侧管理（DSM）。
•电池功率和能量容量在不确定性下独立确定规模。
•对未供电能量（ENS）的条件风险价值（CVaR）衡量最坏情况下的可靠性。
•渐进对冲（Progressive Hedging）算法在超过140万二进制变量上经过31次迭代收敛。
•巴基斯坦案例：随机模型节省1.84%；需求侧管理（DSM）额外节省1.04%的成本。
【论文解读文章】
研究背景方面，许多发展中国家面临持续电力短缺和常规负荷削减，例如巴基斯坦因需求快速增长、发电投资不足及进口燃料依赖导致频繁停电，造成严重经济社会影响。传统滚动停电未利用消费者灵活性，而部分工业用户可通过维护停机或轮班调整提供灵活调度。需求侧管理（DSM）可协调此类灵活性以减少强制削减，但长期解决需联合投资发电和储能容量。现有研究通常单独处理发电投资、储能或需求响应，缺乏统一框架，且忽视需求不确定性。因此，研究人员提出一个联合优化需求灵活性与容量扩展的随机规划框架。
研究人员开展了以下研究：构建两阶段随机混合整数线性规划（MILP）模型，协同优化发电投资、电池储能系统（BESS）的功率转换系统（PCS）容量和电池能量容量、电动汽车（EV）充电调度以及工业DSM（维护和轮班两类）；采用条件风险价值（CVaR）度量未供电能量（ENS）以管理最坏情况可靠性；应用渐进对冲（PH）算法分解大规模问题；以巴基斯坦电力系统为案例，基于NTDC（国家输电调度公司）和NEPRA（国家电力监管局）数据重构2030年负荷、可再生能源容量因子（利用NASA MERRA-2和CERES数据）及EV充电行为（来自充电站经验数据），评估不同灵活性配置下的投资与运行结果。主要结论：随机模型比确定性公式（DF）节省1.84%总成本；DSM引入额外节省1.04%；PH算法在31次迭代中收敛，处理超过140万二进制变量。重要意义在于提供了一个可扩展的框架，证明联合优化灵活需求在容量扩展规划中的价值，论文发表在《International Journal of Electrical Power》。
技术方法（不超过250字）：主要关键技术方法包括：1）两阶段随机MILP模型，第一阶段决策发电和BESS投资，第二阶段决策发电调度、BESS运行、EV充电、工业DSM调度和负荷削减，CVaR约束管理可靠性；2）渐进对冲（PH）算法，通过增广拉格朗日松弛非预期性约束，将问题分解为独立场景子问题（每个子问题为MILP），采用成本比例惩罚参数初始化并更新共识目标和乘子；3）数据构建：基于巴基斯坦NTDC的IGCEP报告（2016年负荷数据）和NEPRA关税数据，重构2016年小时负荷曲线并缩放至2030年，利用NASA MERRA-2再分析风速数据（2016年）和CERES卫星辐照度数据（2024年）生成风能和太阳能容量因子，EV充电行为基于630kVA公共充电站经验数据，工业DSM参数来自文献[43]；4）CVaR风险度量，置信水平α=0.95，风险系数Csh=10,000�/MWh，加权惩罚最坏场景的未供电能量。
研究结果（保留每个小标题）：
在4.2.1节“分解方法的性能”中，通过比较三个案例的模型维度和收敛指标，研究人员发现案例2（全部灵活性）最复杂（78.8万连续变量、141.9万二进制变量），但PH算法在31次迭代后收敛，最终原始残差0.4 MW，相对残差0.001%，表明分解方法产生一致的投资决策。
在4.2.2节“两阶段随机规划模型的性能”中，通过将随机模型与确定性公式（DF）比较，研究人员发现随机模型总期望成本比DF低1.84%（对应2.67亿欧元价值）。随机模型推荐62.02 GW新发电容量，而DF仅56.89 GW，导致DF的短缺量是随机模型的9.26倍，短缺成本高89.19%。通过LP松弛下界（1.44%差异），随机模型至少获得56.6%的随机公式收益。
在4.2.3节“系统调度和需求侧灵活性资源分析”中，研究人员定义了三个案例并通过调度图和峰值日分析得出：案例1（无灵活性）导致最高发电投资和系统短缺，BESS主要用于能量套利而非削峰；案例2（全部灵活性）协同优化，总系统成本比案例1低1.04%，发电容量减少1.41%，通过工业削减和EV充电优化，峰值日未供电能量减少25.72%，系统峰值降低0.59%；案例3（仅工业DSM，无智能EV充电）成本比案例2高0.06%，表明工业DSM是短缺减少的主要驱动，而可控EV充电负责削峰。敏感性分析显示EV配置文件形状影响很小。
在4.2.4节“CVaR对系统成本和负荷削减的影响”中，通过求解25次模型（改变风险系数Csh和置信水平α），研究人员发现增加Csh或α促使模型增加投资，降低期望短缺。总成本在(α=0.70, Csh=10,000�/MWh)时最低，期望未供电能量从538,618 MWh降至15,327 MWh，为规划者提供了可靠性目标与成本权衡的明确关系。
总结讨论部分，研究人员指出本研究的局限性：EV充电模型为聚合灵活负荷，未考虑家庭和工作充电异质性及V2G能力；工业DSM未包含启停成本和最小启停时间；单母线模型忽略输电约束和DSM的位置依赖性。未来研究可扩展至更细粒度的EV模型、连续过程负荷转移以及网络拓扑。
翻译研究结论部分：本文开发了一种两阶段随机容量扩展规划模型，协同优化发电投资、独立定容的电池功率和能量容量、灵活电动汽车充电以及二进制工业需求侧管理调度，考虑需求和EV渗透率不确定性，通过渐进对冲分解和条件风险价值惩罚未供电能量，求解大规模混合整数线性规划。基于巴基斯坦电力系统的案例研究得出三个主要发现：第一，随机模型产生更稳健且成本效益更高的投资决策，总期望成本比确定性公式低1.84%，后者因依赖平均条件低估所需容量而更依赖短缺惩罚；第二，协调灵活需求使总系统成本比无灵活性基线案例1降低1.04%，表明工业需求侧管理在容量受限系统中提供关键运营灵活性而不需额外发电投资；第三，渐进对冲分解在31次迭代后达到共识投资决策，最终原始残差0.4 MW，使大规模混合整数线性规划变得可处理。
