利用逆优化估计电力需求响应的不可观测组成部分

理解和预测电力需求对价格的响应对于系统运营商、零售商和监管机构至关重要。虽然传统的机器学习和时间序列分析方法足以应对多年来变化缓慢的常规用电模式，但拥有灵活资产（如光伏储能系统和电动汽车）的主动型消费者的出现带来了新的挑战。这些主动型消费者表现出更复杂的用电模式，其驱动因素对于零售商和系统运营商而言通常是不可观测的。实际上，系统运营商和零售商只能监测净需求（在电网连接点计量），这反映了与电网交换的总能量消耗或生产。因此，所有“表后”活动——例如灵活性的使用——对这些实体来说都是隐藏的。这些表后行为可能由第三方代理控制或受电价激励，无论哪种情况，零售商的收入和系统负荷都会受到这些活动的影响，但其细节只能被推断。我们将净需求的主要组成部分定义为基本负荷、灵活负荷和自发电，它们对市场价格信号均呈现非线性响应。随着灵活需求响应和自发电的增长，一个紧迫的问题浮现：现有方法是否仍然有效？如果无效，是否存在其他方式来估计和预测这些不可观测的行为组成部分？针对这一实际挑战，我们评估了一种数据驱动的逆优化（IO）方法的潜力。该方法能够在无需直接观测表后行为或设备级计量数据的情况下，刻画分解后的消费模式。