105 lines
18 KiB
Markdown
105 lines
18 KiB
Markdown
|
# 电力市场中的随机优化入门
|
|||
|
|
|
|||
|
|
## 1. 为什么不确定性是电力系统的核心问题
|
|||
|
|
|
|||
|
|
在各类商品中，电力颇为特殊：它必须在几乎与消费同一瞬间被生产出来，储能相对于需求而言仍然昂贵，而电网的物理规律又限制了功率的流动方式。因此，市场运营者必须在**尚不确切知道未来将出现何种运行状况之前**就对资源做出承诺——决定开启哪些电厂、保留多少备用、如何调度水库水电。决策做出的时刻与不确定性揭晓的时刻之间的这段间隔，正是使电力市场天然成为随机优化用武之地的原因。
|
|||
|
|
|
|||
|
|
不确定性的主要来源包括：负荷（需求随天气、行为习惯而波动，并且越来越多地受到表后分布式资源的影响）、可再生能源出力（风电和光伏出力可在数小时内摆动装机容量的相当大比例）、设备可用性（发电机组和输电线路会意外故障）、燃料和电价（对于做报价和套保决策的市场参与者而言尤为重要），以及来水（对于以水电为主的系统，指数周到数年尺度上的水库入流）。历史上，负荷的不确定性较为温和，用确定性预测加上备用裕度即可管理。风电和光伏的快速增长改变了这一算式：净负荷（需求减去可再生能源出力）的波动性大得多、也更难预测，这促使系统运营者和市场参与者都转向能够显式刻画不确定性的决策框架，而非用启发式裕度将其掩盖。
|
|||
|
|
|
|||
|
|
## 2. 从确定性到随机形式
|
|||
|
|
|
|||
|
|
电力市场中的主力问题——经济调度、机组组合、市场出清——传统上被表述为 **确定性** 优化问题。经济调度在功率平衡约束和机组出力限制下最小化发电成本，通常是一个线性或二次规划。机组组合则加入开/停二元决策、最小开/停机时间、启动成本和爬坡限制，使之成为一个 **混合整数规划（MIP）** 。两者都把需求和可再生能源出力的单一预测视为已知。
|
|||
|
|
|
|||
|
|
**随机** 形式用一个概率分布（通常以有限的 **场景** 集合来近似）取代单一预测，并围绕决策相对于不确定性揭晓的时序重新组织问题。其关键的概念工具是区分 **当前决策（here-and-now）** 与 **观望/补偿决策（recourse）** ：前者必须在不确定性揭晓之前做出，因而在所有场景中都相同；后者可以在结果被观测到之后加以调整（即观望，wait-and-see）。在机组组合中，慢启动火电机组的组合决策属于当前决策：一台需要数小时才能启动的燃煤或联合循环电厂必须提前一天做出组合决策。而调度出力水平、快启动机组的组合、备用的投用则属于补偿决策：它们根据实际实现的净负荷实时调整。
|
|||
|
|
|
|||
|
|
## 3. 两阶段随机规划与随机机组组合
|
|||
|
|
|
|||
|
|
标准模型是 **带补偿的两阶段随机规划** ：
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
minimize c'x + E_ω[ Q(x, ω) ]
|
|||
|
|
subject to x ∈ X
|
|||
|
|
|
|||
|
|
where Q(x, ω) = min { q(ω)'y : W y = h(ω) − T(ω) x, y ≥ 0 }
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
这里 `x` 收集第一阶段决策（机组组合），`Q(x, ω)` 是场景 `ω` 下的最优补偿成本（给定组合方案后的调度成本），目标函数最小化第一阶段成本加上第二阶段的 **期望** 成本。当场景集 {ω₁, …, ω_S} 有限、概率为 p_s 时，期望变为加权求和，整个问题成为一个庞大的「扩展式」MIP：为每个场景复制一份调度问题，全部通过共享的组合变量以及 **非预期性** 约束（第一阶段决策不能依赖于究竟出现哪个场景）耦合在一起。
|
|||
|
|
|
|||
|
|
**随机机组组合（SUC）** 正是套用这一模板。慢启动机组的日前组合方案被选取来最小化跨净负荷场景的期望总成本，其中每个场景的调度都尊重输电限制、爬坡和备用。相比针对单点预测做组合决策，这样做的价值由两个标准指标量化。**随机解价值（VSS）** 将随机解的期望成本与实施确定性（期望值）解的期望成本相比较——它衡量刻画不确定性到底值多少。**完美信息期望价值（EVPI）** 将随机解与一个能分别求解每个场景的「先知」相比较——它给出更好的预测最多能值多少的上界。针对真实系统的研究通常发现，VSS 在生产成本的零点几个百分点到几个百分点这一量级——听起来不大，但一旦乘以一个大型市场每年流转的数十亿美元，就相当可观了。
|
|||
|
|
|
|||
|
|
一个密切相关的运行用途是 **备用确定** ：与其外生地固定备用需求（例如「负荷的 3% 加上最大单一故障」），随机模型 **内生地** 确定备用——模型恰好保留场景集所证明经济合理的那么多灵活容量，并且把它保留在相对于输电约束正确的位置上。
|
|||
|
|
|
|||
|
|
## 4. 多阶段问题与随机对偶动态规划
|
|||
|
|
|
|||
|
|
许多电力问题本质上是 **多阶段** 的：不确定性逐步展开，决策与观测交错进行。范式性的例子是巴西、挪威、哥伦比亚、新西兰等以水库为主的系统中的 **水火电联合调度** 。今天蓄存的水可以在日后替代昂贵的火电，但未来数月的来水是不确定的。放水过多，一旦来水不及预期就有缺水风险；囤水过多，一旦来水充沛就会因弃水而浪费免费能量。这个问题跨越数月到数年，在观测到当期入流后每周或每月做一次决策。
|
|||
|
|
|
|||
|
|
对于这样的问题，场景树会组合爆炸——即使每阶段仅有十种入流结果、共 60 个月度阶段，场景树也大得天文数字。**随机对偶动态规划（SDDP）** 由 Pereira 和 Pinto 于 1991 年恰恰为巴西系统开发，它通过利用随机性的逐阶段独立性（或马尔可夫结构）来驯服这一规模。SDDP 用一族线性割平面（Benders 割平面）构成的外包络来近似动态规划的 **未来成本函数** ——即作为水库蓄存量函数的期望未来成本——并通过前向模拟遍历和后向割平面生成遍历迭代地加以细化。由于在线性调度模型下未来成本函数关于蓄存量是凸的，这些割平面会收敛到真实函数。SDDP 及其后继方法在若干国家的全国性水电调度中投入生产使用，它产出的边际水价直接进入水电系统的市场价格。
|
|||
|
|
|
|||
|
|
## 5. 场景生成与场景削减
|
|||
|
|
|
|||
|
|
随机规划的好坏取决于其场景。**场景生成** 是统计技艺最为要紧的建模步骤，它有若干要求：场景必须刻画每个不确定量的边际分布、时间自相关性（有风的一个小时之后往往还是有风的一个小时）、跨站点的空间相关性（天气系统范围很大），以及变量之间的相依性（寒潮抬升负荷，并可能同时影响风电出力和火电机组可用性）。
|
|||
|
|
|
|||
|
|
常见方法包括：时间序列模型（对预测误差施加 ARMA/GARCH）、在边际预测分布上强加真实相依结构的高斯 copula 方法、从集合数值天气预报中采样（每个集合成员都是一个物理自洽的场景），以及日益增多的机器学习生成式模型。对于机组停运等离散事件，从马尔可夫可用性模型中做蒙特卡洛抽样是标准做法。
|
|||
|
|
|
|||
|
|
由于求解器的计算量随场景数量增长，实践者会先生成一个大的场景集，然后施加 **场景削减** ——选出一个小的代表性子集并对其重新赋权，使之（在诸如 Wasserstein 距离这样的概率度量下）尽量贴近原始场景集。Heitsch–Römisch 的前向选择与后向削减算法是经典工具。一个实用的告诫：激进的削减往往恰恰丢弃了那些驱动备用和组合决策的极端场景，因此削减准则常被修改以保留分布尾部。
|
|||
|
|
|
|||
|
|
## 6. 替代方案与近亲：鲁棒、机会约束与分布鲁棒优化
|
|||
|
|
|
|||
|
|
随机规划优化的是一个期望，这需要一个可信的概率分布，并且如果坏场景不太可能发生，就会接受在这些坏场景中的糟糕结果。若干替代框架针对面对不确定性的不同态度，且都在电力领域找到了应用。
|
|||
|
|
|
|||
|
|
**鲁棒优化（RO）** 完全抛开概率：不确定性存在于一个集合之中（例如净负荷落在一个多面体带内，并带有一个「不确定性预算」来限制同时处于极端的小时数），模型在该集合内的 **最坏情形** 下最小化成本。两阶段自适应鲁棒机组组合在 2010 年代初崭露头角，ISO New England 是最早认真研究它的系统运营者之一。RO 的吸引力在于它无需分布、并能给出强有力的可靠性保证；其缺点是保守性——对最坏情形做套保可能贵得离谱。预算参数为运营者提供了在经济性与安全性之间调节的旋钮。
|
|||
|
|
|
|||
|
|
**机会约束优化** 要求约束以至少某个给定概率成立——例如「在风电预测误差下，输电线路潮流以 0.99 的概率保持在限值之内」。在高斯误差假设下，许多机会约束可重构为可处理的 **二阶锥** 约束，这使得机会约束 **直流最优潮流** 成为一个流行的研究载体。它提供了一个透明的可靠性旋钮，但也继承了对所假设分布的敏感性。
|
|||
|
|
|
|||
|
|
**分布鲁棒优化（DRO）** 在两者之间做折中：它针对一个 **模糊集** 内的最坏分布进行优化（模糊集可以是匹配观测矩的分布，或经验分布周围一个 Wasserstein 球内的分布）。DRO 已成为备用采购和最优潮流（OPF）的一个活跃研究方向，因为它承认分布本身也是从有限数据中估计出来的。
|
|||
|
|
|
|||
|
|
一个粗略的实用分类：当你信任自己的场景并关心期望成本时，用随机规划；当失效不可接受而分布又不可靠时，用鲁棒优化；当可靠性目标本身就是概率性的时，用机会约束；当你有数据但又不足以完全信任它时，用 DRO。
|
|||
|
|
|
|||
|
|
## 7. 随机市场出清与定价问题
|
|||
|
|
|
|||
|
|
在 **市场出清** 本身内部使用随机优化——而不仅仅作为运营者的辅助工具——会引出深刻的经济学问题。在随机市场出清中，日前与实时（平衡）两个阶段被协同优化：日前排程被选取来最小化跨场景的期望总成本，并预判平衡动作。研究一致表明，相比顺序的、确定性的出清，这能改善系统期望成本，在高可再生能源渗透率下尤为明显，因为日前排程会把灵活性预置在场景所指示的需要之处。
|
|||
|
|
|
|||
|
|
其难点是制度性和经济性的，而非计算性的：
|
|||
|
|
|
|||
|
|
**定价与成本回收。** 在一个确定性的凸市场中，由对偶变量得出的 **节点边际电价（LMP）** 支撑着调度——每个被排程的资源在该价格下至少能保本。而在随机市场出清中，一般不存在单一的一组日前价格能逐场景地支撑该解：那些保证 **在期望意义上** 回收成本的价格，可能在某些实际实现的结果中让参与者亏钱，这削弱了可接受性。关于「支撑均衡」的定价方案以及随机出清的 **收入充足性** 性质的研究仍然活跃，但迄今没有任何主要市场采用完整的随机出清，部分正是由于这个原因。
|
|||
|
|
|
|||
|
|
**公平性与透明度。** 场景的选取直接塑造了谁被排程、谁获得报酬。市场运营者将不得不像准监管事务那样为其场景生成方法学辩护。
|
|||
|
|
|
|||
|
|
**市场的实际做法。** 真实市场是逐步而非整体性地采纳感知不确定性的元素：用净负荷预测误差分布来定量确定的概率性备用需求和新的 **爬坡产品** （CAISO 的灵活爬坡产品、MISO 的爬坡能力产品）；与确定性市场引擎并行运行的鲁棒前瞻组合工具；以及由概率预测提供信息的市场外运营者动作。因此，随机优化如今主要通过 **需求设定** 和 **辅助工具** 影响市场，而非通过出清引擎本身。
|
|||
|
|
|
|||
|
|
## 8. 参与者一侧：报价、交易与资产优化
|
|||
|
|
|
|||
|
|
市场参与者面对着他们自己的随机问题，在这一侧采纳速度更快，因为无需任何制度性共识——一家企业只要用更好的模型去赚更多的钱即可。
|
|||
|
|
|
|||
|
|
**可再生能源报价。** 一个向日前市场售电的风电生产商必须在知道其出力之前报出一个数量，然后按不平衡价格结算偏差。这是一个 **报童型问题** ：最优日前报价是出力分布的一个分位数，由欠交付与过交付的惩罚之比决定。更丰富的版本把日前、日内和平衡市场的报价作为多阶段随机规划协同优化。
|
|||
|
|
|
|||
|
|
**储能/水电估值。** 一个对不确定价格进行套利的电池或抽水蓄能运营者，在 **荷电状态** 上求解一个随机动态规划；由此得到的蓄存能量的边际价值（「机会成本曲线」）恰恰就是该资产应当报出的价格。对于季节性水电，SDDP 导出的水价起到同样的作用。
|
|||
|
|
|
|||
|
|
**虚拟报价与金融交易。** 在日前与实时市场之间下达虚拟（纯金融）报价的交易者，实际上是在交易日前—实时价差（DA–RT spread）的分布，而对这类头寸构建投资组合是一个带风险约束的经典随机优化。
|
|||
|
|
|
|||
|
|
**风险度量。** 由于市场参与者很少是风险中性的，期望成本通常被风险度量取代或增补，最常见的是 **条件风险价值（CVaR）** ——即最坏 α 比例场景中的期望损失。CVaR 是 **一致性风险度量** ，并且关键在于它保持线性性：它只向基于场景的 LP/MIP 中添加线性约束和变量（Rockafellar–Uryasev 形式），因此风险规避型随机规划仍然可处理。期望与 CVaR 的加权组合是交易和资产优化模型中事实上的标准目标函数。
|
|||
|
|
|
|||
|
|
## 9. 计算：分解与实用战术
|
|||
|
|
|
|||
|
|
扩展式随机 MIP 很快就会变得庞大：一个含 1,000 台机组、36 小时、50 个场景的机组组合，有数千万个变量。三大分解方法族占据主导：
|
|||
|
|
|
|||
|
|
**Benders 分解（L 形法）** 把问题拆分为一个关于第一阶段变量的主问题和若干场景子问题，后者的对偶产生最优性割和可行性割。当第二阶段是连续 LP（给定组合的调度）时它十分自然，并且可以在场景之间平凡地并行。SDDP 是它的多阶段、采样版近亲。
|
|||
|
|
|
|||
|
|
**拉格朗日松弛** 对耦合约束做对偶化——要么是非预期性约束，要么是系统级平衡约束——从而使问题按场景或按机组分离。它数十年来是机组组合的主力，并能提供强下界，尽管恢复原始可行解需要启发式方法。
|
|||
|
|
|
|||
|
|
**渐进对冲（PH）** （Rockafellar 和 Wets）用增广拉格朗日罚项松弛非预期性：每个场景子问题独立求解，并带有一个把其第一阶段决策拉向场景加权平均的罚项，迭代直至达成一致。PH 在混合整数情形下是一个没有收敛保证的启发式方法，但在 SUC 上实践效果良好，并且高度并行。
|
|||
|
|
|
|||
|
|
除分解之外，实践者还依赖：带样本外验证的 **样本平均近似（SAA）** 来选择场景数量、从确定性解 **热启动** 、机组约束的收紧型 MIP 形式（这与分解同样要紧），以及充裕的并行硬件。开源工具大大降低了门槛：用于通用随机规划的 PySP/mpi-sppy 和 StochasticPrograms.jl、用于多阶段问题的 SDDP.jl，以及诸如 PowerSimulations.jl、PLEXOS 和 PSR 的 SDDP 实现等电力系统专用平台。
|
|||
|
|
|
|||
|
|
## 10. 一个微型算例：两场景组合的直觉
|
|||
|
|
|
|||
|
|
为了把补偿逻辑讲具体，考虑一个小时、两台机组、两个等概率的净负荷场景——400 MW 与 700 MW。机组 A 是一台慢机组：容量 500 MW，40 美元/MWh，启动成本 10,000 美元，必须现在做组合决策。机组 B 是一台快速调峰机组：300 MW，120 美元/MWh，可实时组合。确定性模型看到 550 MW 的期望负荷，组合 A，并计划让它出 550 MW——但在高场景下 A 单独无法供应 700 MW，于是调峰机组以高成本出力 200 MW，而在低场景下 A 处于部分负荷运行。随机模型针对两个场景评估每个组合方案的 **实际** 期望成本，正确地权衡 A 的启动成本与按概率加权的调峰机组使用，并且还能识别出确定性方案在尾部不可行的情形（例如，若高场景为 900 MW，期望值组合会让系统供电不足）。一般性的教训可以推而广之：确定性模型对场景之间的不对称性存在系统性盲区，而这种盲区的代价随净负荷方差增大而增长——这恰恰是可再生能源增长所带来的。
|
|||
|
|
|
|||
|
|
## 11. 开放前沿
|
|||
|
|
|
|||
|
|
若干方向定义了当前的研究与近期实践。第一，**学习增强的优化** ：用机器学习来热启动组合决策、预测起作用的约束，或学习未来成本函数，把求解时间削减到足以使随机出清在计算上成为常规。第二，**分布鲁棒与数据驱动的形式** ，把场景生成步骤和优化步骤连接成一条统计上有原则的流水线。第三，**面向非凸、随机市场的定价理论** ——把凸包和扩展 LMP 的思想推广到带场景的情形，使随机出清能够产出经得起辩护的结算价格。第四，**多阶段市场设计** （连续日内交易、更短的门闩闭锁时间），通过让更多决策变为补偿决策来减轻当前决策的负担。第五，**需求侧与储能补偿** ：随着柔性需求和电池激增，针对不确定性最廉价的套保越来越多地落在消费一侧，模型也在演进以对其加以协同优化。
|
|||
|
|
|
|||
|
|
## 12. 推荐阅读
|
|||
|
|
|
|||
|
|
关于基础，参见 Birge 和 Louveaux，*Introduction to Stochastic Programming*，以及 Shapiro、Dentcheva 和 Ruszczyński，*Lectures on Stochastic Programming*。关于电力应用，Conejo、Carrión 和 Morales 的 *Decision Making Under Uncertainty in Electricity Markets* 是标准参考文献；Morales、Conejo、Madsen、Pinson 和 Zugno 的 *Integrating Renewables in Electricity Markets* 深入涵盖了随机出清和可再生能源报价。Pereira 和 Pinto 1991 年的论文 "Multi-stage stochastic optimization applied to energy planning" 引入了 SDDP；Bertsimas 等人的 "Adaptive robust optimization for the security constrained unit commitment problem"（2013）是鲁棒替代方案的试金石；而 Rockafellar 和 Uryasev 的 "Optimization of conditional value-at-risk"（2000）为整个行业所使用的风险规避型形式奠定了基础。
|