技术推广
您所在的位置: 首页 » 技术推广 » 学术分享

清华大学郭鸿业,陈启鑫等:从数据驱动视角开展电力市场研究


我国电力市场建设如火如荼,市场研究方法亟须开拓创新


自2015年我国启动新一轮电力体制改革以来,电力市场迅猛发展。目前,我国第一批现货试点中多个地区已开始长周期不间断试运行,第二批现货试点中也逐渐进入模拟试运行阶段。伴随着市场改革的逐渐深化,产业界和学术界对于切实可用的电力市场研究方法的需求也逐渐高涨。

电力市场研究自二十一世纪伊始,到现在已经经过20余年的发展,形成了一套独特的理论体系。传统意义上的电力市场研究多建立在经典、简化的经济学模型之上,采用理性人假设与理想化的博弈模型。其优势在于数学原理清晰、可解释性强;但其缺点在于在引入理论化模型时需要对市场细节进行大量简化,这样会不可避免地导致市场研究结果与实际市场运行状态产生较大偏差。近年来,电力市场数据逐渐开放,数据驱动研究方法快速发展,数据驱动的电力市场研究逐步成为了一个研究热点,取得了一系列的理论成果及实际应用,对于传统电力市场研究的短板实现了较好的补充替代作用。
为此,本文尝试对数据驱动的电力市场研究进行梳理。首先,总结了传统电力市场研究的发展现状,分析其局限性;其次,介绍并比较了目前全球不同电力市场的信息发布与数据开放政策;进一步,对采用数据驱动技术路线开展电力市场研究的现状进行综述;最后,归纳出数据驱动电力市场研究的关键挑战。                                                                                                 


电力市场相关领域研究现状与局限性


根据电力市场中的研究对象进行划分,针对不同对象开展的研究大致可以分为4类,分别是市场状态参数研究、投标优化决策、市场均衡分析与市场机制设计,如图1所示。


image.png


图1  电力市场研究领域划分


市场状态参数研究方向,主要开展针对影响电力市场运行的 关键状态边界及市场运行结果的研究,前者包括系统、母线、节点负荷、新能源出力、电力合约等,后者包括系统与节点电价、机组出清量及系统潮流等。
投标优化决策研究方向,主要开展从市场主体视角对报价决策进行优化以实现个体更高收益的研究。
市场均衡分析研究方向,主要开展从市场组织者视角对特定市场环境下多个主体的行为互动及其产生的市场结果的研究。
市场机制设计研究方向,主要开展从市场设计者视角对市场现有机制进行修改或提出新的机制,以更好地实现激励相容的研究。
总的来说,传统的研究方法对市场行为建模通常采用微观经济学的理论模型,为确保研究的理论完备性和数学可解性,对市场主体和市场本身进行了大量理想化的假设和简化。这种理论假设与实际市场间存在的偏差,大大限制了相关研究在实际电力市场中的应用效果,无法满足实际市场多业务场景的需求。因此,在很多实际市场的运行评估与机制设计流程中,还充斥着以专家经验法为主的决策模式,缺乏基于实际数据的研究提供理论支撑。为此,电力市场研究领域逐渐涌现出一批面向市场实际数据开展的研究,其在传统假设的基础上,充分挖掘市场数据中隐藏的信息量,并将其应用于电力市场领域四个研究方向。                                                                                                  



实际电力市场的信息发布与数据开放


近年来,许多电力市场的交易数据逐渐公开化,大量的真实运行数据在市场运营商的网站上被 定期分类发布,并向全社会开放。这些数据包括市场出清价格、系统供给与需求、公开或匿名化的市场主体投标及出清情况、检修运维情况等。由于市场政策的不同,不同地区的电力市场对数据的公开程度有所区别。

本节对各市场的数据公开和可获取情况,按照数据类型进行分别总结,图2给出了各市场的各类型数据的概览。总体而言,各市场基本上都会及时、完整地公开市场边界数据和市场结果数据,而市场行为数据则大多进行隐名、聚合或延迟公布。其中,只有澳大利亚电力市场的行为数据是完全公开的,这为许多市场行为研究提供了重要的数据基础。


image.png


图2 世界典型电力市场中各类数据的可获取性



数据驱动的电力市场研究现状


数据驱动研究与传统研究方法的区别主要体现在几个方面,如图3所示。


image.png图3 数据驱动电力市场研究与传统研究的对比关系


总的来说,在 研究基础上,数据驱动的电力市场研究的基础是市场数据而非普适的经济学原理;在 研究假设上,数据驱动电力市场研究通常基于实际市场边界条件,较少像传统电力市场研究中使用较强的假设;在 研究对象上,数据驱动电力市场研究的范围更为广泛,除了类似传统电力市场研究是从已有知识建立模型并进行分析以外,还增加了从实际数据逆向发现知识的研究类型;在 技术手段上,数据驱动电力市场研究的方法通常是建立基于计算智能的模型开展研究,而非传统电力市场研究方法使用基于物理与经济学假设模型开展研究;在 解决问题上,数据驱动电力市场研究方法基于实际数据开展,较传统电力市场研究具有更高的实用性和更广的适用性,能够解决许多电力市场实际生产环境中的痛点问题。
当前,数据驱动的电力市场研究主要集中在以下几点:
一、数据驱动的市场状态参数研究。数据驱动方法,从市场未来竞争态势及电力系统拓扑结构这两个维度解决了传统电力市场研究中存在的边界数据假设过强的问题。基于对系统竞争态势预测和电力市场状态感知而开展的电力市场状态参数研究,为最优报价决策方法提供了有效的数据基础。
二、数据驱动的投标决策研究。与传统投标决策研究通常基于传统优化模型不同,数据驱动的投标决策研究通常基于强化学习等机器学习方法,无须再受制于传统优化方法在求解过程中需将模型转化为线性形式所带来的限制,可以在问题建模的过程中对实际的市场环境与电力系统运行过程进行更准确的刻画。
三、数据驱动的博弈均衡研究。其一,在个体行为建模方面,数据驱动方法能够发现行为历史数据与个体行为决策之间的映射关系,提高了个体行为建模的准确程度;其二,在博弈均衡分析方面,均衡状态的求解由特定的数学范式推导转向多主体模型间的交互迭代至纳什均衡的过程。因此,数据驱动模型在市场建模过程中的假设与简化大大减少,博弈均衡模型的建模精度得以提升,相关研究的实用性与准确度也得到了提高。
四、数据驱动的市场机制研究。数据驱动市场主体行为分析方法的提出,从历史数据中辨识市场主体的行为特性,使机制设计者深入了解主体的行为特性,并针对相关行为特点设计对应的激励相容市场机制成为可能。进一步,许多数据驱动的分析方法还可从海量数据中提炼关键信息,用于支持传统的机制设计研究。



数据驱动研究面临的关键挑战


目前的数据驱动电力市场研究尚处于发展阶段,还未形成通用的、系统化的研究体系。其面临的                                                                                                 关键挑战有以下几点:
一、交易行为数据属于电力市场特有的数据类型,存在较大的处理难度。其复杂性主要体现在非结构化的特点上,难以像负荷、价格那样直接通过数据驱动的机器学习方法进行研究,使其研究难度大大增加;二、电力市场数据的收集和整理具有一定的门槛,许多电力市场的数据也存在缺失、遗漏、异常值等情况;三、目前对于个体决策行为的建模多直接使用现成的强化学习框架,模型假设与电力市场环境仍存在偏差,导致市场主体建模不准确的问题;四、由于电力市场环境通常是信息不对称的,市场管理者与研究者很难获知包括市场主体运行成本在内的决策边界数据,因此对于边界数据辨识研究的准确性难以直接验证;五、数据驱动电力市场研究通常需要基于大量历史实际数据的训练,需满足电力市场机制环境没有发生较大的变化的前提,然而我国电力市场正在发展中,如何在数据驱动电力市场研究中考虑市场机制的变化是目前尚未解决的重要挑战。


结语


在电力市场迅速发展及新型电力系统建设的背景下,本文对数据驱动的电力市场研究进行了综述与展望。希望本文能抛砖引玉,为广大电力市场研究者、从业者、管理者与机制设计者提供新的研究思路与技术方法,推动中国电力市场研究的更好更快发展。

             
                       
                       

延伸阅读

                         

1

贾乾罡,陈思捷,李亦言,等.有限信息环境下基于学习自动机的发电商竞价策略[J].电力系统自动化,2021,45(6):133-139.

2

孙庆凯,王小君,王怡,等.基于多智能体Nash-Q强化学习的综合能源市场交易优化决策[J].电力系统自动化,2021,45(16):124-133.

3

华回春,邓彬,刘哲,等.基于变分自编码高斯混合模型的发电企业串谋智能预警[J].电力系统自动化,2022,46(4):188-196.

4

韩冬,黄微,严正.基于深度强化学习的电力市场虚拟投标策略[J].中国电机工程学报,2022,42(4):1443-1455.

5

GUO H, CHEN Q, XIA Q, et al. Deep inverse reinforcement learning for objective function identification in bidding models[J]. IEEE Transactions on Power Systems, 2021, 36(6): 5684-5696.

6

TANG Q, GUO H, CHEN Q. Multi-market bidding behavior analysis of energy storage system based on inverse reinforcement learning[J/OL]. IEEE Transactions on Power Systems [2022-02-11]. https://ieeexplore.ieee.org/document/9712169.


                       
                         

               

该文已在本刊网站优先出版,欢迎品读!

引文信息


                           

郭鸿业, 郑可迪, 唐庆虎, 等. 数据驱动的电力市场研究:挑战与展望[J/OL]. 电力系统自动化 [2022-08-17]. http://doi.org/10.7500/AEPS20211227007.

GUO Hongye, ZHENG Kedi, TANG Qinghu, et al. Data-driven Research on Electricity Markets: Challenges and Prospects[J/OL]. Automation of Electric Power Systems [2022-08-17].
http://doi.org/10.7500/AEPS20211227007.


                       

  

           

作者简介


郭鸿业


image.png                


博士,清华大学电机系助理研究员,主要研究方向:电力市场、智能用电、电力大数据分析。

image.png                

郑可迪

博士,清华大学博士后,主要研究方向:电力大数据分析、电力市场。

唐庆虎

image.png                

博士研究生,主要研究方向:电力市场、大数据分析。

image.png                

陈启鑫

长聘教授、博士生导师,清华大学能源互联网研究院副院长。获国家优秀青年科学基金项目、青年拔尖人才计划资助,获评MIT TR 35。主要研究方向:电力市场、低碳电力技术、电力调度、能源互联网。

TOP