⚡ electrical engineering

Demand Response Under Stochastic, Price-Dependent User Behavior

تقترح هذه الورقة وتتحقق من صحة استراتيجية تسعير عشوائية قائمة على التغذية الراجعة للاستجابة للطلب السكني، والتي تعالج عدم اليقين المتأصل وأخطاء التقدير في سلوك العملاء من خلال نمذجة الاستجابات كمتغيرات عشوائية تعتمد على السعر ضمن إطار توزيع يعتمد على القرار.

المؤلفون الأصليون: Guido Cavraro, Andrey Bernstein, Emiliano Dall'Anese

نُشر 2026-03-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Guido Cavraro, Andrey Bernstein, Emiliano Dall'Anese

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل الشبكة الكهربائية كأنها نظام طرق سريعة ضخم ومزدحم. السيارات هي الكهرباء التي تستهلكها المنازل، وشرطة المرور هم شركات المرافق الذين يحاولون الحفاظ على تدفق حركة المرور بسلاسة.

أحياناً، تحاول سيارات كثيرة جداً دخول الطريق السريع في وقت واحد (وهو ما يسمى بـ "ذروة الحمل")، مما يتسبب في ازدحام مروري قد يؤدي إلى انهيار النظام بأكمله. ولمنع حدوث ذلك، تحاول شرطة المرور عادةً إرسال رسالة إلى السائقين: "مهلاً، إذا انتظرت 15 دقيقة قبل الانطلاق، فسنمنحك خصماً على رسوم العبور!" وهذا ما يسمى الاستجابة للطلب (Demand Response).

ومع ذلك، هناك مشكلة كبيرة: لا أحد يعرف بالضبط كيف سيتفاعل السائقون.

بعض السائقين حساسون للغاية تجاه السعر وسينتظرون فوراً.
البعض الآخر لا يهتمون على الإطلاق.
البعض قد يكون مشتتاً، أو متعباً، أو في حالة مزاجية سيئة.
البعض قد يواجه حالة طوارئ مفاجئة ويجب عليه المغادرة الآن، بغض النظر عن السعر.

إذا أخطأت شرطة المرور في تقدير الخصم المثالي، فقد يرسلون عدداً قليلاً جداً من السيارات (مما يهدر المال) أو عدداً غير كافٍ (مما يسبب انهياراً). تحاول الطرق التقليدية تخمين "الخصم المثالي" بناءً على نموذج رياضي جامد، بافتراض أن الجميع عبارة عن روبوتات تستجيب بشكل مثالي. لكن البشر ليسوا روبوتات.

فكرة الورقة البحثية الكبرى: "حلقة التغذية الراجعة"

تقترح هذه الورقة طريقة أذكى لإدارة حركة المرور. فبدلاً من تخمين السعر المثالي مرة واحدة والالتزام به، يجب على شركة المرافق استخدام حلقة تغذية راجعة عشوائية (stochastic feedback loop).

إليك كيف تفصل الورقة ذلك باستخدام تشبيهات بسيطة:

1. "لعبة التخمين" (الطريقة القديمة)

تخيل طباخاً يحاول خبز كعكة لـ 1,000 شخص. يفترض الطباخ أن كل شخص سيأكل شريحتين بالضبط. لذا، يخبز الطباخ 2,000 شريحة بالضبط.

المخاطرة: إذا كان الضيوف جائعين حقاً وأكلوا 3 شرائح، سينفد الكعك من الطباخ (انهيار الشبكة). وإذا كانوا شبعى وأكلوا شريحة واحدة، فسوف يهدر الطباخ الطعام (هدر المال).
نقد الورقة: الطريقة القديمة تفترض أننا نعرف بالضبط مدى "جوع" (حساسية السعر) كل عميل. لكننا لا نعرف ذلك، لدينا فقط فكرة غامضة.

2. النموذج "العشوائي" (الطريقة الجديدة)

يقول المؤلفون: "دعونا نتوقف عن التظاهر بأننا نعرف المستقبل". بدلاً من ذلك، هم يمثلون سلوك العملاء كـ متغيرات عشوائية.

التشبيه: بدلاً من افتراض أن الجميع سيأكل شريحتين، يفترض الطباخ: "معظم الناس سيأكلون شريحتين، لكن البعض قد يأكل واحدة، والبعض قد يأكل ثلاث شرائح، والعدد الدقيق يعتمد على تكلفة هذه الكعكة."
الرياضيات: يستخدمون نوعاً متطوراً من الرياضيات يسمى "التحسين العشوائي مع التوزيعات المعتمدة على القرار". وباللغة البسيطة: هم يقرون بأن عدم اليقين بشأن رد فعل العملاء يتغير بناءً على السعر الذي يحددونه.

3. "حلقة التغذية الراجعة" (الحل)

بما أننا لا نستطيع التنبؤ بالمستقبل بشكل مثالي، تقترح الورقة نظام تغذية راجعة في الوقت الفعلي.

التشبيه: تخيل أن الطباخ يضع كمية صغيرة من الكعك أولاً.
1. الخطوة 1: حدد السعر (رسوم العبور).
2. الخطوة 2: راقب ما يحدث. هل تباطأت حركة المرور؟ هل انخفض استهلاك الطاقة؟
3. الخطوة 3: إذا كانت حركة المرور لا تزال ثقيلة جداً، ارفع السعر قليلاً. إذا كانت خفيفة جداً، اخفضه.
4. الخطوة 4: كرر هذه الدورة بسرعة.

هذه هي خوارزمية الاستمثال غير الدقيق العشوائي (Stochastic Inexact Performative Optimum - Stochastic InPO) المذكورة في الورقة. إنها تشبه منظم الحرارة (Thermostat) الذي لا يكتفي بتخمين درجة الحرارة فحسب؛ بل يتحقق باستمرار من الغرفة ويعدل الحرارة حتى يصل إلى النقطة المثالية، حتى لو كانت النافذة مفتوحة أو الشمس مشرقة.

لماذا يعد هذا أفضل؟

تقارن الورقة طريقتها الجديدة بثلاث استراتيجيات أخرى من "المدرسة القديمة":

"العراف المثالي" (PO): يفترض أن الطباخ يعرف بالضبط كم شريحة سيأكل الجميع. يعمل هذا بشكل رائع نظرياً، لكنه مستحيل في الحياة الواقعية لأننا لا نستطيع قراءة الأفكار.
"التخمين الثابت" (InPO): يستخدم تخميناً تقريبياً لكيفية استجابة الناس. هو أفضل من لا شيء، ولكن إذا كان التخمين خاطئاً، سيفشل النظام.
"السائق الجاهل" (PS): هذه الاستراتيجية تحدد سعراً وتتجاهل ما إذا كانت حركة المرور قد تباطأت بالفعل أم لا. وغالباً ما تفشل في حل المشكلة.

الفائز: هو Stochastic InPO (حلقة التغذية الراجعة).

المتانة (Robustness): حتى لو كان تخمين الطباخ حول مدى "جوع" الناس خاطئاً، فإن حلقة التغذية الراجعة تصحح الخطأ في الوقت الفعلي.
الاستقرار (Stability): تضمن أن النظام لن ينهار، حتى مع وجود عملاء غير متوقعين.
القرب من المثالية (Near-Optimal): تصل إلى السعر المثالي تقريباً دون الحاجة لمعرفة المستقبل.

الخلاصة

تجادل الورقة بأنه في عالم مليء بالسلوك البشري غير المتوقع، الخطط الجامدة تفشل، لكن التغذية الراجعة المرنة تنجح.

من خلال التعامل مع سلوك العملاء كـ "سحابة من الاحتمالات" بدلاً من رقم ثابت واحد، ومن خلال الاستماع المستمر لرد فعل الشبكة (التغذية الراجعة)، يمكن لشركات المرافق الحفاظ على استمرار الإضاءة وخفض الفواتير، حتى عندما لا يعرفون بالضبط ما يدور في أذهان عملائهم. إنها تحول لعبة التخمين الفوضوية إلى رقصة سلسة ذاتية التصحيح.

إليك ملخص تقني مفصل لورقة البحث بعنوان "الاستجابة للطلب تحت سلوك المستخدم العشوائي المعتمد على السعر" (Demand Response Under Stochastic, Price-Dependent User Behavior) من تأليف كافاراو، وبيرنشتاين، ودال أنيس.

1. بيان المشكلة

تتناول الورقة تحدي تنفيذ الاستجابة للطلب السكنية القائمة على السعر (DR) في شبكات التوزيع. وبينما تُعد الاستجابة للطلب أداة رئيسية لمشغلي الأنظمة (SOs) لإدارة أحمال الذروة واستقرار الشبكة، فإن الاستراتيجيات الحالية غالباً ما تفشل بسبب قصورين أساسيين:

الشك المعرفي (Epistemic Uncertainty): يصعب نمذجة مرونة أسعار العملاء (مدى الاستجابة لتغيرات الأسعار) بدقة؛ حيث تكون الاستجابات السلوكية صغيرة، وتتداخل مع عوامل خارجية (الطقس، الإشغال)، كما أن البيانات غالباً ما تكون محدودة.
قصور النماذج الحتمية/المفتوحة الحلقة (Deterministic/Open-Loop Models): تفترض النهج التقليدية وجود علاقة حتمية بين السعر والاستهلاك أو تضيف ضوضاء ثابتة. تعتمد هذه الاستراتيجيات "مفتوحة الحلقة" على معرفة مثالية بمعاملات حساسية المستخدم ( $\beta$ ). وعندما تكون هذه التقديرات غير دقيقة، تفشل الاستراتيجيات مفتوحة الحلقة في تلبية القيود التشغيلية (مثل الفشل في تقليل الحمل بشكل كافٍ) أو تتسبب في عدم استقرار النظام.

المشكلة الجوهرية هي تصميم استراتيجية تسعير يمكنها توجيه طلب الطاقة الإجمالي إلى مرجع مستهدف ( $p_{ref}$ ) رغم:

سلوك المستخدم العشوائي: يتم نمذجة استجابة المستخدم كمتغير عشوائي تعتمد توزيعه على إشارة السعر (توزيع يعتمد على القرار).
المعاملات المجهولة: معاملات حساسية السعر ( $\beta$ ) الدقيقة مجهولة أو يصعب تقديرها بدقة.
قيود الوقت الفعلي: يفتقر مشغل النظام إلى بيانات الأحمال عند كل عقدة في الوقت الفعلي ويعتمد على قياسات إجمالية.

2. المنهجية

أ. نمذجة النظام وسلوك المستخدم

نموذج الشبكة: ينمذج المؤلفون مغذياً للتوزيع يتكون من $N$ من العقد. الطاقة الإجمالية $p_0$ هي دالة خطية للأحمال المرنة ( $w$ ) والأحمال غير القابلة للتحكم ( $\hat{d}$ ).
استجابة المستخدم العشوائية: بدلاً من دالة ثابتة، يتم نمذجة انحراف حمل المستخدم $w_n$ كمتغير عشوائي $w_n \sim \mathcal{D}_n(x_n)$ ، حيث يعتمد التوزيع على تعديل السعر $x_n$ .
متوسط الاستجابة الخطي: تفترض الورقة أن متوسط الاستجابة $\mu_n(x_n)$ يتناقص خطياً مع السعر بالنسبة للتعديلات الصغيرة:
$\mu_n(x_n) = \delta_n - \beta_n x_n$
حيث $\beta_n$ هي حساسية السعر المجهولة.

ب. صياغة التحسين

الهدف هو إيجاد متجه تعديل السعر $x$ الذي يقلل دالة التكلفة (تكلفة التوليد ناقص مدفوعات المستخدم بالإضافة إلى عقوبة الانحراف عن السعر) مع الالتزام بقيد احتمالي على إجمالي الطاقة:
$\min_{x} \mathbb{E}_{w \sim \mathcal{D}(x)} [c_0(x, w)] + \frac{\kappa}{2}\|x\|^2$
$\text{s.t. } \mathbb{E}_{w \sim \mathcal{D}(x)} [\xi(w)] \leq 0$
حيث يمثل $\xi(w)$ انتهاك هدف الطاقة.

ج. الحل المقترح: الأمثلية غير الدقيقة العشوائية (Stochastic Inexact Performative Optimum - Stochastic InPO)

إدراكاً بأن حل مسألة التحسين مباشرة أمر غير ممكن دون معرفة مثالية بـ $\beta$ ورصد كامل للأحمال، يقترح المؤلفون خوارزمية عبر الإنترنت تعتمد على التغذية الراجعة (Feedback-based online algorithm).

هيكل الخوارمازمية: هي خوارزمية تدرج عشوائي ثنائية المبدأ (Primal-dual stochastic gradient descent).
- تحديث المبدأ (السعر): يقوم بتحديث متجه السعر $x(t)$ باستخدام مصفوفة حساسية مقدرة $\hat{B}$ وتدرج لاجرانج المنظم.
- تحديث المزدوج (مضاعف لاجرانج): يقوم بتحديث المضاعف $\lambda(t)$ بناءً على القياس في الوقت الفعلي لخطأ الطاقة الإجمالية $(p_0(t) - p_{ref})$ ، بدلاً من التوقع القائم على النموذج.
الابتكار الرئيسي: تفصل الخوارزمية الحاجة إلى معرفة مثالية بالنموذج عن تحقيق القيود. حتى لو كانت $\hat{\beta}$ المقدرة غير دقيقة، فإن حلقة التغذية الراجعة (باستخدام قياسات $p_0(t)$ الفعلية) تصحح المسار لتحقيق قيد الطاقة.

د. التحليل النظري

تضع الورقة ضمانات تقارب صارمة:

الحالة الساكنة: إذا كانت الأحمال غير المرنة ثابتة، تقترب الخوارزمية من منطقة الحل الأمثل. يعتمد حد الخطأ على حجم الخطوة، وعدم التطابق بين الحساسيات الحقيقية والمقدرة ( $\|\hat{\beta} - \beta\|$ )، والضوضاء العشوائية في القياسات.
الحالة الديناميكية: إذا كانت الأحمال غير المرنة تتغير بمرور الوقت، فإن الخوارزمية تتبع المسار الأمثل المتغير زمنياً. يتم تحديد خطأ التتبع بحد أقصى لتقلب الأحمال وأخطاء التقدير.

3. المساهمات الرئيسية

إطار عمل عشوائي يعتمد على القرار: تتجاوز الورقة نماذج الضوضاء الثابتة من خلال اعتماد إطار عمل حيث يعتمد توزيع استجابة المستخدم صراحة على متغير القرار (السعر)، باستخدام أدوات من التحسين العشوائي مع التوزيعات المعتمدة على القرار.
استراتيجية تسعير قائمة على التغذية الراجعة: تقترح خوارزمية "Stochastic InPO" مبتكرة تجمع بين التحسين الأدائي (Performative Optimization) والتغذية الراجعة في الوقت الفعلي. يسمح هذا للمشغل بتعويض أخطاء التقدير في مرونة المستخدم دون الحاجة إلى عدادات ذكية منتشرة في كل عقدة.
الضمانات النظرية: يثبت المؤلفون أن الخوارزمية المقترحة مستقرة وتحقق قرب المثالية، مع تقديم حدود صريحة لخطأ التقارب بالنسبة لعدم دقة النموذج والضوضاء العشوائية.
المتانة تجاه عدم اليقين: يوضح العمل أن آليات التغذية الراجعة يمكن أن تضمن تحقيق القيود (مثل تحقيق أهداف تقليل الحمل) حتى عندما تكون النماذج السلوكية الأساسية غير كاملة.

4. النتائج

تحقق المؤلفون من نهجهم باستخدام محاكاة عددية على مغذي IEEE 37-bus في سيناريوهين:

سيناريو الحمل الثابت:
- تمت المقارنة مع استراتيجيات الحلقة المفتوحة (الأمثلية الأدائية ذات المعلومات الكاملة، والأمثلية غير الدقيقة، والأمثلية المستقرة الأدائية).
- النتيجة: فشلت الاستراتيجيات مفتوحة الحلقة (InPO, PS) في تلبية قيد الطاقة عندما كانت تقديرات الحساسية غير دقيقة. نجحت استراتيجية Static InPO المقترحة في تنظيم الطاقة بالقرب من الهدف $p_{ref}$ بغض النظر عن خطأ التقدير، وإن كانت كفاءة التكلفة التشغيلية تنخفض قليلاً مع زيادة الأخطاء.
سيناريو الحمل المتغير زمنياً:
- تم استخدام بيانات حقيقية بمستوى الدقيقة (مشروع Pecan Street) لمحاكاة الأحمال الديناميكية غير المرنة.
- النتيجة: حافظت Stochastic InPO على تحقيق متين للقيود ( $p_0 \approx p_{ref}$ )، بينما انتهت الطرق الأخرى إما بانتهاك القيد (PS) أو بالإفراط في تلبية القيد مما أدى لتكاليف عالية (InPO). كانت الطريقة (PO - المعلومات الكاملة) هي المثلى ولكنها غير عملية؛ وقدمت Stochastic InPO أفضل مقايضة بين المتانة والتكلفة.

5. الأهمية

تكتسب هذه الورقة أهمية كبيرة للتحول نحو أنظمة الطاقة التفاعلية مع الشبكة.

الواقعية: تعالج "فجوة البيانات" في برامج الاستجابة للطلب. غالباً ما تفتقر المرافق إلى بيانات دقيقة أو نماذج سلوكية دقيقة؛ وتسمح هذه الطريقة للمرافق بتنفيذ استجابة فعالة للطلب باستخدام القياسات الإجمالية والتقديرات التقريبية فقط.
الموثوقية: من خلال دمج التغذية الراجعة، تضمن هذه الطريقة تلبية قيود الشبكة الحرجة (مثل تقليل حمل الذروة) حتى في ظل عدم اليقين، مما يمنع "الآثار الضارة" (مثل تزامن الأحمال) التي قد تنجم عن التسعير ضعيف الضبط مفتوح الحلقة.
التوجه المستقبلي: ترسم مساراً لاستخدام التحسين العشوائي والتحكم بالتغذية الراجعة لإدارة التباين المتأصل في السلوك البشري في قطاع الطاقة، والابتعيد عن التحكم الصارم المعتمد على النموذج نحو استراتيجيات تكيفية قائمة على البيانات.