⚡ electrical engineering

Context-Aware Stochastic Modeling of Consumer Energy Resource Aggregators in Electricity Markets

本文提出并评估了三种高效的两阶段随机优化方法——风险中性、鲁棒以及机会约束法，旨在帮助澳大利亚国家电力市场的消费者能源资源聚合商有效应对屋顶太阳能和电池储能带来的不确定性，从而提高盈利能力并为市场参与提供具备上下文感知能力的指导。

原作者： Chatum Sankalpa, Ghulam Mohy-ud-din, Erik Weyer, Maria Vrakopoulou

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Chatum Sankalpa, Ghulam Mohy-ud-din, Erik Weyer, Maria Vrakopoulou

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一支小型船队（这些就是你的屋顶太阳能电池板和蓄电池）的船长，正试图向一个庞大且快速移动的市场出售电力。问题在于，天气是不可预测的（太阳可能会躲在云层后面），而邻居们用电的情况也是个谜。如果你承诺出售一定数量的电力却无法交付（因为这些突发状况），你会面临巨额罚款。

这篇论文就像是一份给船长的策略指南，旨在帮助他们如何在充满不确定性的市场中赚取最高利润，同时避免罚款。作者测试了三种不同的决策规划方式。

以下是他们方法的简单拆解：

1. 三种策略（“如何做”指南）

论文对比了三种不同的决策心态：

“平庸之辈”（风险中性 - Risk-Neutral）：
- 比喻： 想象你在进行一场硬币投掷赌博。你知道胜率是50/50。你会根据一千次投掷的平均情况来计算利润。你不会过于担心某一次糟糕的投掷，因为从统计学上讲，你以后会赚回来的。
- 论文观点： 这种方法观察所有可能的天气场景，计算平均利润，并选择能使该平均值最大化的计划。当你的预测通常比较准确时，这种方法效果极佳。
“偏执的准备者”（鲁棒优化 - Robust Optimization）：
- 比喻： 这位船长假设最坏的风暴一定会来袭。他们会准备好额外的毯子和食物，以防天空变黑。他们不在乎阳光是否灿烂；他们只为灾难做计划。
- 论文观点： 这种方法针对“最坏情况”进行规划。它保证即使情况变得非常糟糕，你也不会被罚款。然而，由于过于谨慎，它往往会因为没有尽可能多地出售电力而错失赚钱机会。
“带有安全网的赌徒”（机会约束 - Chance-Constrained）：
- 比喻： 这位船长说：“我愿意承担一小部分风险（比如10%的可能性）被风暴困住，但我会确保我有90%的时间是安全的。”他们在追求利润与承担可控的失败风险之间寻找平衡。
- 论文观点： 这种方法试图在允许极小概率违反规则（被罚款）的前提下，获取最佳利润。它处于另外两种策略之间。

2. 重大挑战：“电池难题”

论文强调了一个特定的头疼问题：蓄电池。

问题： 电池要么充电（接入），要么放电（卖电），但不能在同一时间既充电又放电。在数学上，这是一个棘手的“非此即彼”规则，使得计算变得非常缓慢且复杂，尤其是当你需要检查成千上千种可能的天气场景时。
解决方案： 作者发现了一个聪明的捷径。他们没有每次都去完美解决那个超难的“非此即彼”谜题，而是使用了一个“惩罚”系统。他们告诉计算机：“如果你尝试同时充电和放电，我会收取微小的费用。”这个技巧让数学运算速度大幅提升，且几乎没有损失精度，使得系统能够处理海量数据。

3. 结果：哪种策略胜出？

作者使用来自澳大利亚家庭和电力市场的真实数据测试了这些策略。以下是他们的发现：

当天气预报准确时： **“平庸之辈”（风险中性）**策略是赢家。它持续获得最高利润，因为它不会浪费时间担心那些不太可能发生的灾难。
当电池容量较小时： 如果你没有足够的电池储能来应对巨大的变化，**“偏执的准备者”（鲁棒型）和“赌徒”（机会约束型）**策略会开始亏钱。它们会因为过于胆小而不愿卖电，最终不得不购买昂贵的电力来履行承诺。
当预报出错时： 如果实际天气比预测的要糟糕得多（例如，天色比预期的要阴暗得多），**“平庸之辈”会遭受重创。在这种情况下，“偏执的准备者”**会胜出，因为他们已经为最坏的情况做好了准备。
速度 vs. 精度： 作者还发现，使用一种简化的“捷径”方法（称为仿射回溯 - affine recourse）来进行实时调整，就像使用一个能立即更新路线的GPS一样。它能让计算机更快地解决问题，且几乎不会损失利润。

核心结论

论文得出结论：并没有一种“绝对最好”的策略。这取决于你的具体情况：

如果你信任你的天气预报并且拥有大型电池，请选择**“平庸之辈”**（风险中性）来最大化利润。
如果你担心巨大的、不可预测的误差或者电池容量较小，“偏执的准备者”（鲁棒型）更安全，尽管收益可能较低。
如果你想在赚钱和承担微小风险之间取得平衡，“赌徒”（机会约束型）是你的最佳选择。

主要的启示是，聚合商（即管理这些太阳能电池板和电池船队的人）需要根据自己的具体情况来选择策略，而不是盲目地选择一种方法并固守不变。

技术摘要：电力市场中消费者能源资源聚合器的上下文感知随机建模

1. 问题陈述

管理消费者能源资源（CER，如屋顶光伏 PV 和电池储能系统 BES）的聚合器面临着由于发电和负荷预测中固有的不确定性而带来的重大挑战。当参与电力市场（特别是澳大利亚国家电力市场 NEM）时，如果管理不当，这些不确定性可能导致不可行的调度决策或重大的收入损失。

核心问题涉及优化聚合器在能量和调节频率控制辅助服务（FCAS）方面的竞价策略。聚合器必须在“此时此刻”（日前阶段）提交报价，此时不确定性尚未实现，同时必须确保实时调整（“等待观察”阶段）可以在不违反市场承诺的情况下补偿预测误差。主要挑战包括：

可扩展性： 由于存在时间耦合约束、互补约束（充放电互斥）以及需要协同优化多种服务，求解带有 BES 的随机优化问题在计算上非常困难。
上下文敏感性： 现有文献通常应用随机方法（风险中性、鲁棒或机会约束），但并未根据特定的运行设置、不确定性特征或决策偏好来证明其选择的合理性，这可能导致次优结果。
遵循调度： 聚合器必须维持聚合调度符合度（ADC），以避免财务处罚和潜在的合同终止，特别是对于 FCAS 承诺。

2. 方法论

本文提出了一个两阶段随机优化框架来解决这些挑战。聚合器既作为零售商也作为供应商，控制灵活资产（PV、BES 和负荷）以参与能量和调节 FCAS（上升/下降）市场。

A. 优化公式

三种不同的两阶段随机方法被建模为混合整数线性规划（MILP）或线性规划（LP）：

风险中性随机优化： 在不确定参数（PV 和负荷预测误差）的概率分布上最大化期望利润。它包含一个针对实时 ADC 违规的惩罚项。
鲁棒优化： 在预定义的确定性集合（箱型不确定性）内，针对最坏情况的实现情况最大化利润，无需概率分布。它确保在集合内的所有场景下均可行。
机会约束随机优化： 在缩减的不确定性集合上优化利润，允许极小的、预定义的约束违反概率 ( $\epsilon$ )。这平衡了盈利能力与风险。

B. 解法与可扩展性

为了处理连续不确定性的无限维特性和大型场景集，作者采用了以下方法：

场景生成： 使用自回归（AR）对预测误差进行建模，并通过马尔可夫链蒙特卡洛（MCMC）方法生成，以捕捉时间相关性。
仿射后撤策略（Affine Recourse Policies）： 为了降低计算复杂度，第二阶段决策被近似为第一阶段决策和不确定参数的线性函数 ( $y_\xi = y + d^\top \xi$ )。
处理互补约束： 通过以下方式处理非线性条件 $P_{c} \cdot P_{d} = 0$ $P_{c} \cdot P_{d} = 0$ （充放电不能同时发生）：
- Fortuny-Amat 变换： 使用二进制变量将其重新表述为 MILP（精确但对于大型场景集计算量巨大）。
- LP 松弛： 移除二进制变量，并添加惩罚项到目标函数中以抑制同时充放电。
- McCormick 包络（McCormick Envelopes）： 一种使用辅助变量的凸松弛方法。
机会约束处理： 使用“概率鲁棒”方法，将机会约束重新表述为基于从减少后的采样场景中提取的最小体积不确定性集合上的鲁棒约束。

3. 主要贡献

本文做出了两个主要贡献：

上下文感知的方法选择： 它提供了对 NEM 中 CER 聚合器使用的风险中性、鲁棒和机会约束方法的全面比较。它将最优方法的选择与特定上下文联系起来，包括运行设置（BES 容量、市场价格）、不确定性特征（预测误差水平）和决策偏好（风险承受能力）。
可扩展的建模策略： 它通过以下方式增强了随机公式的可扩展性：
- 通过精确的状态荷电（SoC）动力学和互补约束捕捉 BES 的灵活性。
- 降低大规模 CER 聚合的维度。
- 证明了 LP 松弛和仿射后撤策略在准确性和计算时间之间提供了实际的权衡。

4. 实验结果与验证

研究使用来自 Ausgrid 网络（包含 PV、负荷和 BES 的 300 户家庭）的真实数据以及 2012 年 7 月 1 日的 NEM 市场数据对方法进行了验证。实验在三个上下文中进行：

运行与市场设置：
- 当不确定性被正确捕捉且 BES 容量充足时，风险中性方法通过优化期望实现情况，始终优于其他方法。
- 在 BES 容量有限的情况下，保守方法（鲁棒和机会约束）会遭受利润下降（有时为负），因为它们会为极端场景保留灵活性。风险中性方法在这些场景下仍然更具盈利性。
- 联合参与能量和 FCAS 市场会显著增加所有方法的收入。
不确定性特征：
- 当实际功率偏差较小（不确定性被准确捕捉）时，风险中性方法表现最好。
- 当不确定性被错误捕捉或偏差较大（例如，实际负荷显著高于预测值）时，鲁棒和机会约束方法优于风险中性方法，因为它们能够处理极端偏差并避免严重的处罚。
- 鲁棒方法提供了针对高违规的最强保护，而机会约束方法则提供了一种平衡，在惩罚成本较低时通常优于鲁棒方法。
决策偏好：
- 使用 仿射后撤策略 可以显著减少训练和测试阶段的计算时间，且对利润的影响微乎其微，使其适用于需要更快求解时间的场景。
可扩展性发现：
- 用于 BES 互补约束的 基于惩罚的 LP 松弛 提供了最实际的权衡，其实现的利润与精确的 MILP 公式几乎相同，但计算时间大幅缩短，且互斥违规可以忽略不计。

5. 意义与主张

本文声称，为 CER 聚合器选择随机优化方法必须具备 上下文感知性。不存在单一的“最佳”方法；相反，最优选择取决于具体的运行环境和风险特征：

当不确定性在典型市场条件下被准确建模时，建议使用 风险中性方法，因为它可以最大化期望利润。
当不确定性较高或建模不准确，特别是可能出现大幅功率偏差时，鲁棒方法更为合适，因为它能针对极端偏差提供强有力的保护。
当需要在盈利能力与受控的约束违反风险之间取得平衡时，机会约束方法是首选。

研究强调，忽视使用案例的上下文可能会导致问题不可行或收入损失。此外，所提出的可扩展建模策略（LP 松弛和仿射后撤）使得这些复杂的随机模型能够在实时市场中得到实际应用。