近日，上海交通大学电子信息与电气工程学院电气工程系谭振飞、严正等人的论文“Data-Driven Inverse Optimization for Modeling Intertemporally Responsive Loads”（面向灵活负荷建模的数据驱动反向优化方法）以快报的形式发表于IEEE Power Engineering Letters。该论文提出了通过历史数据辨识灵活负荷响应行为的新型建模框架。

研究内容

随着能源互联网和电力市场的发展，电力负荷由刚性转变为弹性，具备了根据电价信号调整用电行为的能力和动力。这一背景下，如何精准刻画灵活负荷的价格响应行为，对电网调度运行和电力市场交易至关重要。

基于DDIO的负荷响应建模框架

智慧楼宇、充电站等灵活负荷根据实时电价自主决策用电需求，电网调度机构仅可观测负荷响应之后的总功率曲线，但无法获知灵活负荷内部的设备参数和具体决策过程，因而难以对负荷响应进行精准预判和有序引导。为此，本文提出了一种基于数据驱动反向优化（Data-Driven Inverse Optimization, DDIO）的负荷响应建模框架。所谓反向优化，是指通过模型的最优响应反推模型结构和参数。具体到负荷响应建模，根据对负荷类型的先验认知建立含参数的代理模型。基于历史数据，优化确定代理模型的参数，使其对电价的最优响应尽可能贴近实际观测的负荷曲线，实现对灵活负荷自决策、自响应行为的最优解析建模。基于DDIO的负荷响应建模具有精度高、小样本学习、泛化能力强、易于嵌入优化决策等优势。通过DDIO辨识得到的负荷响应模型可应用于电网优化调度程序，通过预判用户响应行为提升电力系统运行经济性。随着国内售电市场的发展，所提方法也可帮助售电商制定最优定价策略和需求响应引导策略。

技术特征

相比于神经网络等通用机器学习方法，基于DDIO的灵活负荷建模方法具有如下特征：

具有线性形式，易于优化决策应用

神经网络等方法建模结果为非线性函数，将其嵌入进电网优化调度问题将极大增加求解难度。本文提出的DDIO方法采用线性代理模型模拟负荷响应行为，可作为线性约束嵌入电网或售电商的优化决策模型，且不会增加求解难度。

小样本学习和强泛化能力

基于DDIO的建模方法将先验知识融入代理模型，待定参数数量少，可通过少量样本进行训练和高频在线更新，且在新样本上具有较强泛化能力。

高建模精度

如下图所示，相比多层感知机(MLP)、支持向量机(SVM)、长短期记忆网络(LSTM)，基于DDIO的负荷响应建模精度提升15%以上，且误差分布范围更小，有助于提升电网优化运行和售电商优化定价的精准性。

负荷响应建模精度对比

论文与期刊信息

论文第一作者为谭振飞，通讯作者为上海交通大学严正教授，合作者包括清华大学夏清教授、北京清能互联科技有限公司汪洋高工。

IEEE Power Engineering Letters是IEEE 汇刊的一部分，提供加速创新成果发表的载体，重点关注电气工程领域的新问题和新见解，相比常规论文更强调对研究领域边界的拓展以及对技术升级方向的指引，每年平均发表论文70余篇。本文经Power Engineering Letters录用后发表于IEEE Transactions on Smart Grid（IF=10.275）。

论文链接（或点击“阅读原文”）：

https://ieeexplore.ieee.org/document/10138510