Demand Response Under Stochastic, Price-Dependent User Behavior

1. Il Problema

Il documento affronta le sfide legate all'implementazione della Demand Response (DR) basata sui prezzi nei sistemi di distribuzione elettrica residenziale.

• Contesto: Con l'aumento dell'integrazione di risorse energetiche distribuite e l'elettrificazione dei settori, mantenere l'affidabilità della rete è diventato complesso. La DR è uno strumento chiave per gestire picchi di carico e violazioni di tensione.
• Limiti degli approcci esistenti:
  • I modelli deterministici tradizionali assumono un comportamento razionale e prevedibile degli utenti, ignorando l'incertezza intrinseca nelle decisioni umane.
  • I modelli stocastici esistenti spesso aggiungono solo "rumore" fisso, non catturando il fatto che la risposta degli utenti è dipendente dal prezzo (la sensibilità al prezzo cambia al variare dello stesso).
  • L'incertezza epistemica (mancanza di conoscenza precisa sulla elasticità della domanda dei clienti) rende le strategie a ciclo aperto (open-loop) basate su modelli imprecisi inefficaci e potenzialmente instabili.
• Obiettivo: Sviluppare una strategia di pricing in tempo reale che sia robusta all'incertezza della risposta degli utenti e garantisca il rispetto dei vincoli operativi della rete (es. limitare il flusso di potenza alla sottostazione).

2. Metodologia

Gli autori propongono un quadro teorico basato sull'ottimizzazione stocastica con distribuzioni dipendenti dalle decisioni (decision-dependent distributions).

• Modellazione della Risposta Utente:
  • La variazione di carico $w_n$ in risposta a un aggiustamento di prezzo $x_n$ è modellata come una variabile casuale $w_n \sim \mathcal{D}_n(x_n)$.
  • Viene introdotta un'assunzione di linearizzazione per il valore atteso della risposta: $\mu_n(x_n) = \delta_n - \beta_n x_n$, dove $\beta_n$ è la sensibilità al prezzo (spesso sconosciuta o stimata con errore).
• Formulazione del Problema di Ottimizzazione:
  • L'obiettivo è minimizzare un costo che include la differenza tra costo di generazione e pagamenti degli utenti, più una penalità per le variazioni di prezzo (per mantenerle vicine al prezzo nominale).
  • È soggetto a un vincolo probabilistico: il flusso di potenza totale $p_0$ deve essere inferiore a un riferimento $p_{ref}$ con alta probabilità (formalizzato come vincolo sul valore atteso).
  • Il problema risultante è un programma quadratico lineare vincolato (LCQC), ma la sua soluzione diretta è impraticabile perché richiede la conoscenza esatta dei parametri $\beta$ e di tutti i carichi in tempo reale.
• Algoritmo Proposto: Stochastic Inexact Performative Optimum (Stochastic InPO):
  • Per superare la mancanza di dati completi, gli autori propongono un algoritmo basato sul feedback (online).
  • L'algoritmo combina:
    1. Ottimizzazione Performative: Aggiorna le decisioni basandosi sulla distribuzione indotta dalla decisione stessa.
    2. Metodi Lagrangiani Regolarizzati: Per gestire i vincoli e garantire la convergenza.
    3. Feedback in Tempo Reale: Utilizza misurazioni reali del flusso di potenza $p_0(t)$ dalla rete per correggere l'errore, invece di affidarsi esclusivamente a modelli predittivi.
  • L'algoritmo aggiorna iterativamente il prezzo $x(t)$ e il moltiplicatore di Lagrange $\lambda(t)$ utilizzando stime approssimate delle sensibilità ($\hat{\beta}$) e misurazioni in tempo reale, senza richiedere una strumentazione di misurazione pervasiva su ogni nodo.

3. Risultati Teorici e Numerici

• Risultati Teorici:
  • Vengono stabiliti teoremi di stabilità e convergenza per l'algoritmo Stochastic InPO.
  • Proposizione 1 (Carichi fissi): Dimostra che l'errore di convergenza verso la soluzione ottima è limitato da un "pavimento" (error floor) che dipende dall'errore di stima delle sensibilità ($\|\hat{\beta} - \beta\|$) e dal rumore stocastico delle misurazioni.
  • Proposizione 2 (Carichi dinamici): Estende i risultati al caso in cui i carichi non dispacciabili variano nel tempo, dimostrando che l'algoritmo può tracciare la traiettoria ottima con un errore legato alla variabilità dei carichi.
• Simulazioni Numeriche (IEEE 37-bus feeder):
  • Sono stati confrontati quattro algoritmi: PO (Performative Optimum - modello perfetto), PS (Performative Stable), InPO (Inexact PO - modello imperfetto senza feedback) e Stochastic InPO (proposto).
  • Scenari testati: Carichi costanti e carichi variabili nel tempo (dati reali di Pecan Street).
  • Confronto delle prestazioni:
    • Gli algoritmi PS e InPO (senza feedback o con modelli imprecisi) falliscono nel rispettare il vincolo di potenza ($p_0 \le p_{ref}$), portando a costi operativi apparentemente bassi ma a violazioni di sicurezza.
    • L'algoritmo PO (che richiede conoscenza perfetta delle distribuzioni) raggiunge la performance ottima ma è irrealizzabile nella pratica.
    • L'algoritmo Stochastic InPO proposto riesce a regolare il flusso di potenza vicino al riferimento desiderato anche con stime imperfette delle sensibilità e senza misurazioni complete dei carichi. Sebbene il costo operativo sia leggermente superiore a quello ottimo teorico, garantisce la sicurezza della rete.

4. Contributi Chiave

1. Nuovo Modello Stocastico: Introduzione di una modellazione della risposta degli utenti come variabile casuale la cui distribuzione dipende esplicitamente dal prezzo, superando i modelli di rumore additivo fissi.
2. Strategia di Feedback Robusta: Sviluppo di un algoritmo online che integra misurazioni reali della rete per compensare l'incertezza dei parametri del modello e l'errore di stima.
3. Analisi di Convergenza: Dimostrazione teorica che la strategia basata sul feedback garantisce il rispetto dei vincoli operativi anche in presenza di errori di modellazione, a differenza delle strategie a ciclo aperto.
4. Validazione Pratica: Dimostrazione attraverso simulazioni su una rete reale (IEEE 37-bus) che l'approccio proposto è efficace sia in scenari statici che dinamici.

5. Significato e Implicazioni

Il lavoro è significativo perché sposta il paradigma della Demand Response da un approccio puramente model-based (che fallisce quando i modelli sono imprecisi) a un approccio feedback-based.

• Robustezza: Consente ai gestori di rete (SO) di implementare programmi DR efficaci anche senza una conoscenza perfetta del comportamento degli utenti o di infrastrutture di misurazione costose e pervasive.
• Affidabilità della Rete: Garantisce che i vincoli di sicurezza (come i limiti di flusso sulla sottostazione) siano rispettati, prevenendo instabilità o blackout causati da risposte di domanda non previste.
• Futuro delle Reti Intelligenti: Dimostra che l'integrazione di ottimizzazione stocastica e controllo in retroazione è una via promettente per gestire sistemi energetici interattivi e complessi, rendendo la rete più resiliente all'incertezza umana e operativa.