技術要約：電力市場における消費者エネルギーリソース・アグリゲーターのコンテキスト依存型確率論的モデリング

1. 問題提起

屋根設置型太陽光発電（PV）や蓄電池システム（BES）などの消費者エネルギーリソース（CER）を管理するアグリゲーターは、発電量および負荷予測に内在する不確実性による重大な課題に直面している。これらの不確実性を適切に管理しなければ、電力市場（具体的にはオーストラリアの国家電力市場、NEM）への参加において、不適切なディスパッチ決定や大幅な収益損失を招く可能性がある。

核心となる問題は、アグリゲーターによるエネルギーおよび調整力（FCAS：周波数制御補助サービス）の入札戦略の最適化である。アグリゲーターは、不確実性が実現する前（日前段階）に「今、ここでの（here-and-now）」段階として入札を確定させる必要がある一方で、予測誤差を補償しつつ市場へのコミットメントを遵守できるように、リアルタイムの調整（「待機・観察（wait-and-see）」段階）を可能にする必要がある。主な課題は以下の通りである：

• スケーラビリティ（拡張性）： BESを伴う確率論的最適化問題を解くことは、時間的に結合された制約、相補性制約（充電と放電の相互排他性）、および複数のサービスを共同最適化する必要性により、計算上困難である。
• コンテキスト（文脈）への感受性： 既存の文献では、特定の運用設定、不確実性の特性、または意思決定の好みに基づく正当化を行うことなく、確率論的手法（リスク中立、ロバスト、またはチャンス制約）を適用していることが多く、これが潜在的に最適ではない結果を招く可能性がある。
• ディスパッチへの遵守： アグリゲーターは、金融ペナルティや契約解除を回避するために、集約ディスパッチ適合性（ADC）を維持しなければならない。特にFCASのコミットメントにおいて重要である。

2. 手法

本論文は、これらの課題に対処するために、2段階確率最適化フレームワークを提案する。アグリゲーターは、柔軟な資産（PV、BES、および負荷）を制御しながら、エネルギーおよび調整力（上昇/下降）市場に参加する小売業者かつ供給業者として機能する。

A. 最適化定式化

3つの異なる2段階確率的アプローチが、混合整数線形計画法（MILP）または線形計画法（LP）としてモデル化されている：

1. リスク中立確率最適化： 不確実なパラメータ（PVおよび負荷の予測誤差）の確率分布に基づく期待利益を最大化する。これには、リアルタイムのADC違反に対するペナルティ項が含まれる。
2. ロバスト最適化： 確率分布を必要とせず、定義された不確実性集合（ボックス不確実性）内でのワーストケースの実現に対して利益を最大化する。これにより、集合内のすべてのシナリオに対して実行可能性を確保する。
3. チャンス制約確率最適化： 制約違反のあらかじめ定義された小さな確率（$\epsilon$）を許容することで、最適化されたより小さな不確実性集合上で利益を最適化する。これは、収益性とリスクのバランスを取るものである。

B. 解法とスケーラビリティ

連続的な不確実性の無限次元性と大規模なシナリオセットを扱うために、著者らは以下を採用している：

• シナリオ生成： 予測誤差は自己回帰（AR）モデルを用いてモデリングされ、時間的な相関を捉えるためにマルコフ連鎖モンテカルロ（MCMC）法を介して生成される。
• アフィン・リコース政策（Affine Recourse Policies）： 計算の複雑さを軽減するため、第2段階の決定を、第1段階の決定および不確実なパラメータの線形関数（$y_\xi = y + d^\top \xi$）として近似する。
• 相補性制約の処理： 非線形条件 $P_{c} \cdot P_{d} = 0$ （充電と放電の同時発生禁止）は、以下によって対処される：
  • フォルトゥニ・アマト変換（Fortuny-Amat Transformation）： バイナリ変数を用いたMILPとして再定式化する（正確であるが、大規模なシナリオセットに対しては計算負荷が高い）。
  • LP緩和： バイナリ変数を削除し、同時充電・放電を抑制するためのペナルティ項を目的関数に追加する。
  • マコーミック包絡線（McCormick Envelopes）： 補助変数を用いた凸緩和アプローチ。
• チャンス制約の処理： サンプリングされたシナリオから導出された最小体積の不確実性集合上で、チャンス制約をロバスト制約へと再定式化する「確率的ロバスト」アプローチが使用される。

3. 主な貢献

本論文には、主に2つの貢献がある：

1. コンテキスト依存型のメソッド選択： リスク中立、ロバスト、およびチャンス制約の手法を、NEMにおけるCERアグリゲーター向けに包括的に比較している。最適な手法の選択を、特定のコンテキスト（運用設定（BES容量、市場価格）、不確実性の特性（予測誤差レベル）、および意思決定の好み）に関連付けている。
2. スケーラブルなモデリング戦略： 以下の手法により、確率論的定式化のスケーラビリティを高めている：
   • 精密な充電状態（SoC）ダイナミクスと相補性制約を通じて、BESの柔軟性を捉える。
   • 大規模なCER集約の次元削減を行う。
   • LP緩和とアフィン・リコース政策が、精度と計算時間の間の実用的なトレードオフを提供することを実証する。

4. 実験結果と検証

手法は、Ausgridネットワークのリアルデータ（PV、負荷、およびBESを備えた300軒の住宅）と、2012年7月1日のNEM市場データを用いて検証された。実験は3つのコンテキストで実施された：

• 運用および市場設定：

  • 不確実性が正しく捉えられ、BES容量が十分である場合、リスク中立法は期待される実現値を最適化するため、他の手法を一貫して上回る。
  • BES容量が限定的な場合、保守的な手法（ロバストおよびチャンス制約）は、極端なシナリオのために柔軟性を控えるため、収益の減少（時にはマイナス）を招く。リスク中立法はこのシナリオにおいても高い収益性を維持する。
  • エネルギー市場とFCAS市場への共同参加は、すべての手法において収益を大幅に増加させる。

• 不確実性の特性：

  • 実際の電力ミスマッチが小さい（不確実性が正確に捉えられている）場合、リスク中立法が最も優れた性能を示す。
  • 不確実性が不正確に捉えられている場合や、ミスマッチが大きい場合（例：実際の負荷が予測よりも大幅に高い場合）、ロバスト法およびチャンス制約法は、極端な偏差を回避し深刻なペナルティを防ぐ能力があるため、リスク中立法よりも優れた性能を発揮する。
  • ロバスト法は、高い違反に対する最強の保護を提供するが、チャンス制約法は、ペナルティコストが低い場合にはロバスト法を上回ることが多く、収益性と制御された違反リスクのバランスを提供する。

• 意思決定の好み：

  • アフィン・リコース政策の使用は、訓練およびテストの両フェーズにおいて計算時間を大幅に短縮し、利益への影響はごくわずかであるため、より速い解法を必要とするシナリオに適している。

• スケーラビリティに関する知見：

  • BESの相補性制約に対するペナルティベースのLP緩和は、最も実用的なトレードオフを提供し、厳密なMILP定式化とほぼ同一の利益を達成しつつ、計算時間を大幅に短縮し、相互排他性の違反も無視できるレベルに抑えている。

5. 意義と主張

本論文は、CERアグリゲーターのための確率的最適化手法の選択は**コンテキスト依存型（context-aware）**でなければならないと主張している。単一の「最良」の手法は存在せず、最適な選択は特定の運用環境とリスクプロファイルに依存する：

• リスク中立法は、典型的な市場条件下で不確実性が正確にモデル化されている場合に推奨される。これは期待利益を最大化するためである。
• ロバスト法は、不確実性が高く、あるいは不正確にモデル化されている場合、特に大きな電力ミスマッチが発生する可能性が高い場合に適しており、深刻なペナルティに対する強力な保護を提供する。
• チャンス制約法は、収益性と制御された制約違反のリスクとの間でバランスを取りたい場合に好ましい。

本研究は、ユースケースのコンテキストを無視すると、実行不可能な問題や収益の損失を招く可能性があることを強調している。さらに、提案されたスケーラブルなモデリング戦略（LP緩和およびアフィン・リコース）により、これらの複雑な確率論的モデルを大規模な集約においてリアルタイム市場へ実用的に適用することが可能となる。