深度学习加速的夏普利值在电力系统公平分配中的应用：以碳排放责任为例
系统与控制
2025-11-04 v1 系统与控制
摘要
在电力系统参与实体之间公平地分配成本、收益和排放是一个持续的挑战。夏普利值提供了一种公理上公平的解决方案，但计算障碍限制了其在小规模应用之外的采用。本文提出了SurroShap，一个可扩展的夏普利值近似框架，它结合了高效的联盟采样和加速特征函数评估的深度学习代理模型。以电网中的碳排放责任分配为例，SurroShap首次实现了对拥有数千个实体的电力系统进行基于夏普利值的公平分配。我们推导了理论误差界，证明了时间平均的SurroShap分配收敛到与精确夏普利值ε-接近。在从26到1,951个实体的九个系统上的实验表明，即使在最大规模下，也能在实时运行窗口内完成计算，与其他基于采样的方法相比实现了10^4-10^5倍的加速，同时保持了严格的误差界。由此产生的基于夏普利值的碳分配具有六个理想属性，使个体利益与脱碳目标保持一致。在德克萨斯州2000节点系统上进行的为期一年的模拟验证了其现实世界的适用性，区域分析揭示了可再生能源丰富的地区如何通过出口来抵消排放责任，而负荷中心则承担了驱动系统范围发电的责任。
引用
@article{arxiv.2511.01229,
title = {Deep Learning-Accelerated Shapley Value for Fair Allocation in Power Systems: The Case of Carbon Emission Responsibility},
author = {Yuanhao Feng and Tao Sun and Yan Meng and Xuxin Yang and Donghan Feng},
journal= {arXiv preprint arXiv:2511.01229},
year = {2025}
}