面向更有效碳减排的大型负荷塑形的优选方法
机器学习
2026-01-27 v1 机器学习
系统与控制
系统与控制
摘要
对数据中心等多兆瓦级负荷进行塑形会影响电网上的发电机调度，进而影响系统二氧化碳排放和能源成本。由于缺乏准确归因所需的详细反事实数据，验证基于电网级平均碳强度、节点边际电价或边际排放等现行负荷塑形策略的有效性具有挑战性。本研究使用一系列经过校准的细粒度 ERCOT 日前直流最优潮流（DC-OPF）仿真，对广泛的负荷塑形策略在电网二氧化碳排放和电力成本方面进行反事实分析。在年度电网级二氧化碳减排方面，基于 LMP 的塑形优于其他常见策略，但仍有显著提升空间。研究不同电网条件下可行策略的性能，促使了一种更有效的负荷塑形方法的提出：该方法基于可观测的电网信号和历史数据，每日“优选”一种策略。这种电力负荷塑形的优选方法适用于电网上任何大型灵活用电主体，如数据中心、分布式能源和虚拟电厂（VPPs）。
引用
@article{arxiv.2601.17990,
title = {A Cherry-Picking Approach to Large Load Shaping for More Effective Carbon Reduction},
author = {Bokan Chen and Raiden Hasegawa and Adriaan Hilbers and Ross Koningstein and Ana Radovanović and Utkarsh Shah and Gabriela Volpato and Mohamed Ahmed and Tim Cary and Rod Frowd},
journal= {arXiv preprint arXiv:2601.17990},
year = {2026}
}