⚡ electrical engineering

Modeling Coincident Peak Pricing in Electricity Markets: Challenges and Peak Shaving Effectiveness

本文提出了一个行为博弈论框架，用于分析电力市场中的重合峰定价，表明尽管总体灵活性至关重要，但削峰的有效性在很大程度上取决于学习动态、行动解析以及用于协调消费者响应的信息信号设计。

原作者： Qian Zhang, Sadie Zhao, Lucy Diao, Conleigh Byers, Yiling Chen, Derya Cansever, Le Xie

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Qian Zhang, Sadie Zhao, Lucy Diao, Conleigh Byers, Yiling Chen, Derya Cansever, Le Xie

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，电网就像一条巨大且拥挤的高速公路。通常交通流动顺畅，但有时所有人试图在同一时刻行驶，导致大规模拥堵。这种“拥堵”被称为重合峰值（Coincident Peak, CP）。

在美国，运营电网的人（如独立系统运营商 ISOs）需要建设足够的发电厂和输电线路，以应对这些最糟糕的拥堵情况。为了支付这些昂贵的基础设施费用，他们采用了一种名为**重合峰值定价（Coincident Peak Pricing）**的定价规则。

简单来说，其运作方式如下：如果你在整个系统最繁忙的确切时刻使用了大量电力，你将被收取一笔巨额费用。这就像在交通最糟糕的那一秒开车上高速，被收取一笔“拥堵费”。

本文提出了一个重大问题：这笔费用真的能阻止人们在高峰时段出行，还是仅仅让交通状况变得更糟？

作者采用了一种“博弈论”方法——本质上，这是一种数学方式，用于预测当人们试图省钱时，彼此之间会如何博弈。以下是他们利用一些日常类比得出的发现：

1. 人们反应的两种方式（“短视”玩家 vs. “聪明”玩家）

本文测试了人们对这种费用威胁可能做出的两种不同反应：

“短视”玩家（最佳响应动态）： 想象一群司机都看到一条交通警报，上面写着：“高峰时段在下午 5 点！”他们立即决定在下午 4 点 55 分出发，以避开高峰。但由于每个人都这样做，结果大家反而在 4 点 55 分制造了一场新的、更严重的交通拥堵。
- 结果： 如果每个人都对同一信号反应过快且盲目，他们往往会使峰值恶化而非改善。研究发现，如果人们缺乏足够的灵活性，这种方法具有风险，实际上可能会增加峰值负荷。
“聪明”玩家（虚构博弈动态）： 想象这些司机更有耐心。他们会观察其他人昨天和前天做了什么。他们会意识到：“哦，昨天每个人都试图在 4 点 55 分出发，结果被困住了。也许我应该改在 4 点 45 分或 5 点 15 分出发。”他们从历史中吸取教训，并分散开来。
- 结果： 这种方法效果要好得多。通过从过去的模式中学习，而不仅仅是对当下时刻做出反应，“聪明”玩家成功地平滑了交通流量，降低了峰值。

2. “方向盘”精度的重要性

本文还考察了人们对电力使用的控制程度。

粗略控制： 想象一个要么开要么关的普通电灯开关。如果你必须为了省钱而关闭整个工厂一小时，你们所有人可能会选择完全相同的那一小时。这会制造新的拥堵。
精细控制： 想象一个调光开关，你可以将灯光调暗 10%、20% 或 30%。有了这种更精细的控制，人们可以进行微小的调整。一个人在 4 点 50 分稍微调暗一点，另一个人在 4 点 52 分，再一个人在 4 点 55 分。
- 结果： 拥有“调光开关”（更精细的控制）至关重要。它允许人们分散负荷，避免所有人同时扎堆。

3. “天气预报员”问题

在现实世界中，人们不会猜测峰值何时发生，而是听取信息提供商（预测峰值的公司）的意见。

天真的预测者： 这位预测者查看天气后说：“下午 5 点会很热，所以峰值将在下午 5 点出现。”
- 问题： 如果每个人都听从这位预测者，他们都会将负荷转移到下午 4 点 30 分，从而在那里制造一个新的峰值。
“响应感知”预测者： 这位预测者更聪明。他们会想：“如果每个人都听从天真的预测者并转移到 4 点 30 分，峰值实际上会移动到 4 点 30 分。所以，我会预测 4 点 30 分为峰值。”
- 结果： 研究发现，拥有一组不同的预测者（有些天真，有些聪明）实际上比所有人都只听信一位预测者要好。这防止了所有人“羊群效应”（随大流）涌向同一个新的拥堵点。

4. 更多人会有帮助吗？

你可能会认为，如果更多人试图省钱，峰值下降得会更多。

发现： 令人惊讶的是，如果可用的总灵活电力量保持不变，那么拥有 5 家大工厂还是 100 家小工厂，差别并不大。关键不在于玩家的数量，而在于他们拥有的总“灵活性”有多少，以及他们协调得有多好。

结论

本文得出结论，重合峰值定价是一个强大的工具，但也充满挑战。

如果人们盲目且迅速地做出反应，他们可能会无意中使问题恶化。
如果他们从过去中学习，拥有精细的控制（调光开关），并听取多样化的预测，他们就能成功地削减峰值。

对于电网运营商： 他们应尝试提供“平滑”的信号（而不仅仅是一个单一的可怕警报），并鼓励用户对电力进行精细控制。
对于消费者： 你越灵活，控制越精细（能够调整少量电力），你节省的钱就越多，对电网的帮助也越大。

简而言之：不要仅仅因为有人大喊“着火了！”就所有人同时冲向出口；看看其他人要去哪里，也许选择一条稍微不同的路径。

技术摘要：电力市场中的重合峰定价建模

1. 问题陈述

重合峰（CP）定价是美国电力市场（如 ERCOT、ISO-NE）中一种普遍机制，用于根据客户在系统最高需求时段的需求来分配输电和容量成本。尽管透明且易于实施，但 CP 定价引入了消费者复杂的策略性行为。

本文解决的核心挑战是建模 CP 定价下的用户行为之难。与短期能源市场不同，CP 涉及：

内生峰形成：峰时段并非固定的外部参数，而是聚合消费者行为的结果。随着更多用户参与策略性负荷转移，峰时段变为随机内生变量。
非线性成本分配：消费者的收费取决于其在峰时段的个人需求与同一时刻系统总负荷的相对比例。这造成了个人行动与聚合结果之间的非线性耦合。
信息不对称与羊群效应：消费者依赖（来自独立系统运营商或第三方）的预测来预测峰时段。对相同预测的广泛依赖可能引发“羊群效应”，即许多用户将负荷转移至相同时段，从而可能产生新的、非预期的峰时段。

本文旨在回答 CP 定价是否能可靠地激励削峰，以及灵活性、行动分辨率和信息多样性等因素如何影响这些结果。

2. 方法论

A. 建模框架

作者开发了一个行为博弈论框架，将非线性成本分配模型与日前市场和实时市场中的决策过程相结合。

成本分配模型：消费者 $i$ 的输电费用 $c_i$ 建模为系统总成本 $C$ 的一部分，与其在重合峰时段 $t^*$ 的需求成正比。该模型承认了非线性特性，即个人需求会影响分母（系统总负荷）。文中讨论了一种线性化近似，但指出其在高灵活性系统中忽略了关键的策略性互动。
消费者约束：响应性消费者受以下约束：
- 容量边界： $X_i \le x_i(t) \le \bar{X}_i$ 。
- 能量平衡：窗口 $W$ 内的总能量固定（ $\sum x_i(t) = E_i$ ）。
- 行动表示：需求被建模为基准曲线加上转移行动 $a_i(t)$ ，其中 $\sum a_i(t) = 0$ 。

B. 决策过程与动态

本文区分了两个市场阶段，并分析了两种典型的学习动态：

日前市场：建模为一次性博弈，用户提交单一报价。文中指出，由于信息不对称，在此处计算纳什均衡在计算上是不可行的（PPAD-hard），且在行为上是不现实的。
实时市场：建模为序贯学习过程，用户根据观察到的历史更新策略。考察了两种动态：
- 最优反应动态（BRD）：用户短视地选择针对他人当前观察到的行动的最佳行动。
- 虚拟博弈动态（FPD）：用户根据过去行动的经验频率形成对他人的策略信念，并针对该信念分布做出最优反应。

C. 评估

该框架使用ERCOT 峰日数据（2023 年）进行评估。研究在不同场景下模拟了大型可调节负荷（LFLs）：

行动空间：连续（实数调度）与有限（离散、基于菜单的选项）。
参数：变化的灵活性水平（容量裕度）、参与者数量（ $N$ ）以及信息提供商策略。

3. 主要贡献

非线性 CP 模型的形式化：本文形式化了非线性 CP 成本分配模型，以及针对连续和有限行动集下响应性需求的可行行为负荷模型，明确捕捉了个人行为与聚合行为之间的相互依赖。
连接时间跨度：它将日前一次性决策与实时序贯学习联系起来，分析了最优反应和虚拟博弈动态的理论及计算挑战。
信息提供商的作用：研究纳入了第三方信息提供商的作用，展示了其预测信号（朴素型与响应感知型）如何影响系统级削峰及羊群效应的潜在风险。
定量洞察：利用 ERCOT 数据，本文量化了灵活性、行动分辨率、参与规模和信息多样性如何塑造峰时段结果，超越了理论反例，转向实际案例研究。

4. 结果

A. 动态：BRD 与 FPD

FPD 优越性：虚拟博弈动态（FPD）可靠地降低了系统峰时段并快速收敛。通过基于历史平均值平滑反应，FPD 避免了 BRD 中出现的同步问题。
BRD 波动性：最优反应动态（BRD）变异性更大。在容量约束紧张的情况下，BRD 可能导致同步的短视转移，使用户聚集在同一时段，从而增加系统峰时段（例如，在最坏情况下增加 1.08%）。

B. 灵活性与行动分辨率

灵活性：更高的灵活性（更高的容量裕度）导致更可靠的削峰。当灵活性稀缺时，即使是最优策略也可能失败或适得其反。
行动分辨率：更细的行动分辨率（负荷转移中的更小步长）显著改善了削峰效果。粗糙的“开/关”式控制倾向于将转移集中在相同的少数时段，限制了协调收益。
参与者数量：当总灵活性保持不变时，参与者数量对削峰的影响基本中性。如果响应规则相同，从少数大负荷扩展到许多小负荷并不会固有地改善或降低性能。

C. 信息提供商

羊群风险：“朴素”信息提供商（仅根据基准需求对峰时段进行排名）可能引发羊群效应，在预测时间附近产生次级峰时段。
响应感知信号：能够预判用户行为（响应感知型）并针对初始响应后将成为峰时段的区间进行定位的提供商，改善了系统结果。
异质性：遵循不同信息信号（部分朴素型，部分响应感知型）的混合用户群体，通常比同质群体产生更好的削峰效果，因为多样性作为稳定缓冲，对抗了同步风险。

5. 意义与实际启示

本文结论认为，CP 定价降低峰时段的潜力是真实的，但受限于行为和结构因素。研究结果为利益相关者提供了具体指导：

对于系统运营商（ISOs）：
- 广播平滑的 CP 可能性信号（例如滚动平均值）可以诱发类似 FPD 的行为，减少同步羊群效应。
- 设定入网的最小可控容量阈值，确保参与者有足够的灵活性转移负荷，而不会导致次级峰时段。
- 鼓励多样化的预测信号，以减轻信息诱导的羊群效应风险。
对于消费者（LFLs）：
- 保持充足的灵活容量至关重要；容量不足可能导致在短视策略下产生适得其反的结果。
- 采用更细的控制分辨率（细粒度负荷转移）相比粗糙的二进制控制，能同时提高成本节约和削峰性能。

研究强调，虽然 CP 定价提供了协调信号，但其有效性高度依赖于消费者可用的控制粒度以及他们接收到的信息性质。该框架为理解行为动态如何与市场机制相互作用奠定了基础，有助于向更灵活、需求响应的电网转型。