集成风电不确定性和基于激励的需求响应的电力市场运行框架：采用概率、鲁棒和模糊优化

《Unconventional Resources》：Integrated Wind Uncertainty and Incentive-Based Demand Response Framework for Electricity Market Operation Using Probabilistic, Robust, and Fuzzy Optimisation

　　

风电集成程度越高，电力市场引入的不确定性就越大，影响调度决策、价格形成和系统可靠性。同时，基于激励的需求响应（Incentive-Based Demand Response, IBDR）为处理供需不平衡提供了灵活手段。然而，目前大多数研究孤立地考察不确定性建模和需求响应，导致对不确定性表征方式与需求侧参与结合时如何影响市场结果的理解有限。本研究提出一个分层多阶段优化框架，该框架在能源市场中包含风电发电不确定性，并涉及独立系统运营商（Independent System Operator, ISO）、负荷服务实体（Load-Serving Entity, LSE）和消费者。概率、鲁棒和模糊风电不确定性模型被纳入多层建模结构，以实现一致比较。所提方法采用混合技术求解，该技术结合线性规划与Stackelberg粒子群优化（Stackelberg Particle Swarm Optimisation, SPSO），并在PJM 5节点系统和IEEE 118节点系统上测试，以考察运行性能和可扩展性。结果表明，将不确定性建模与需求响应相结合，在多个关键市场指标上带来显著改善。对于PJM 5节点系统，概率方法使发电成本降低9.6%，需求削减增加21.2%，LSE收入提升9.5%。在IEEE 118节点系统中，发电成本降低12.1%，总需求减少18.3%，LSE收入上升9.6%。结果证明，概率模型通过有效利用预测信息，实现了更低的节点边际电价和更高的需求灵活性。鲁棒模型在不利风电条件下产生更保守但稳定的结果，而模糊方法在数据受限情况下表现出中间性能。

**论文解读文章**

**研究背景与问题**
随着可再生能源大规模并网，电力系统面临日益突出的风电不确定性，这影响调度决策、电价形成和系统可靠性。传统电力市场运行中，风电的间歇性增加了备用需求、节点边际电价波动以及高峰负荷期间的甩负荷风险。为应对这些挑战，需求响应（Demand Response, DR）尤其是基于激励的需求响应（Incentive-Based Demand Response, IBDR）成为灵活平衡供需的重要手段。然而，现有研究大多孤立地处理不确定性建模或需求响应，缺乏对两者结合后不同不确定性表征方式如何影响市场结果的系统理解。此外，在分层市场结构中，独立系统运营商（Independent System Operator, ISO）、负荷服务实体（Load-Serving Entity, LSE）和消费者之间的交互尚未被充分建模，尤其是考虑风电不确定性时各参与方的经济效益。因此，本研究旨在提出一个集成风电不确定性与IBDR的分层多阶段优化框架，以评估概率、鲁棒和模糊三种风电不确定性模型对市场关键指标的影响。该论文发表在《Unconventional Resources》。

**研究内容与结论**
研究人员提出了一个包含ISO、LSE和消费者的三层市场结构，并在IBDR框架下整合了概率、鲁棒和模糊风电不确定性模型。通过混合线性规划与Stackelberg粒子群优化（LP-SPSO）方法求解，并在PJM 5节点和IEEE 118节点系统上验证。结果表明，与仅实施DR相比，将不确定性建模与DR结合显著提升了市场性能：概率模型在PJM 5节点系统上使发电成本降低9.6%，需求削减增加21.2%，LSE收入提升9.5%；在IEEE 118节点系统上，发电成本降低12.1%，总需求减少18.3%，LSE收入上升9.6%。鲁棒模型在不利风电条件下提供更保守但稳定的结果，而模糊模型表现出中间性能。该研究首次在统一框架下比较了三种不确定性模型对市场效率、价格形成、需求灵活性和收益分配的影响，证明了概率模型在经济效益上的优势，鲁棒模型在可靠性上的价值，以及模糊模型在数据受限时的实用性。

**关键技术方法**
研究人员采用的主要技术方法包括：（1）分层市场结构建模，将ISO、LSE和消费者作为决策主体；（2）三种风电不确定性模型：概率场景法（基于蒙特卡洛采样和高斯分布误差）、鲁棒优化（基于不确定集和预算参数）、模糊优化（基于三角模糊数和α截集）；（3）混合线性规划与Stackelberg粒子群优化（LP-SPSO）算法，用于求解非线性分层问题；（4）在PJM 5节点系统（5节点、5台发电机、2个风电场）和IEEE 118节点系统（118节点、19台发电机、4个风电场）上测试，两个消费者参与IBDR，负荷数据来源于标准测试系统。

**研究结果**
- **PJM 5节点系统单小时分析**：在高峰时段（第15小时），概率+DR案例（Case 3）实现最高需求削减45 MW，发电成本降至48,000美元（较无DR降低26%），节点边际电价（LMP）降至32美元/MWh，消费者效用达2,200美元，均优于鲁棒和模糊模型。
- **PJM 5节点系统24小时分析**：概率+DR（Case 2）使平均LMP最低（20美元/MWh），总需求削减440.7 MWh（占峰值负荷48.97%），LSE日收入901,600美元（较DR-only提升9.58%），消费者效用79,523美元，发电成本降低9.6%。鲁棒模型（Case 3）LMP较高（33美元/MWh），需求削减399 MWh，LSE收入857,000美元；模糊模型（Case 4）介于两者之间。
- **IEEE 118节点系统24小时分析**：概率+DR（Case 2）使平均LMP降至31.87美元/MWh，总需求削减585.6 MWh（较DR-only提升18.3%），LSE日收入901,600美元（提升9.6%），发电成本降低12.1%。鲁棒模型需求削减548 MWh，LSE收入857,000美元；模糊模型削减570.9 MWh，收入882,600美元。
- **系统性能评估**：概率模型在所有指标上表现最优，鲁棒模型提供保守但可靠的运行，模糊模型实现平衡性能。在发电侧，概率模型使可再生能源利用率最大化，减少常规机组启停和碳排放。在消费者侧，低不适参数（μ=0.5）下需求削减提高56%，消费者效用提升44%。在LSE侧，概率模型LSE收入提升9.5-9.6%，鲁棒模型收入提升4.16-6.61%。
- **敏感性分析**：消费者不适参数μ从0.5增至1.0，需求削减减少56-44%，LSE收入下降13.6-18.6%。风电预测不确定性σ从5%增至20%，概率模型需求削减从465 MWh降至350 MWh，发电成本从207,645美元升至315,618美元，LMP从16.5美元/MWh升至39.0美元/MWh。鲁棒模型对不确定性参数Δ同样敏感。

**讨论与结论**
讨论部分指出，将风电不确定性与IBDR集成可显著改善市场效率和参与方收益。概率模型通过利用预测信息实现最优经济性，鲁棒模型在极端条件下保证系统可靠性，模糊模型在数据稀缺时提供实用折中。研究还分析了碳排放影响：概率模型减少CO₂排放与发电成本降低成正比（9.6-12.1%），鲁棒模型牺牲约4-7%的减排潜力，模糊模型实现60-75%的概率模型减排量。LSE通过降低LMP减少购电成本，消费者通过激励获得净收益。市场设计建议包括容量市场机制和灵活爬坡产品支持。

**结论翻译**：本文提出了一个基于分层市场的框架，用于分析风电不确定性与IBDR之间的交互。在多层结构中开发了包含概率、鲁棒和模糊不确定性模型的统一公式，以捕捉ISO、LSE和消费者之间的协调决策过程。所提模型采用混合LP-PSO方法求解，并在PJM 5节点和IEEE 118节点系统上测试。结果表明，与仅运行DR相比，将风电不确定性建模与IBDR集成显著提升了整体市场性能。在两个系统上，协调方法降低了发电成本和LMP，同时增强了需求灵活性、LSE收入和消费者效用。在不确定性表征中，概率模型通过有效利用预测信息实现更大的需求削减和更低的激励，提供了最经济高效的结果。鲁棒模型则因其保守性，确保了不利风电条件下的系统可行性，但导致更高的运营成本和价格尖峰。模糊模型表现出中间性能。两个测试系统的比较分析证实，所提方法具有可扩展性并保持一致性能。研究结果还表明，不确定性建模方法的选择直接影响市场结果，包括调度效率、定价行为以及经济收益在电力市场参与者之间的分配。