基于在线动态定价的配电系统负荷管理

电动汽车（EV）的日益普及正在增加配电系统的峰值需求，这可能威胁电网稳定性并降低运营效率。动态电价是缓解此类峰值的有前景的手段，通过转移灵活需求来实现。然而，大多数现有方法依赖详细的用户级消费数据和行为模型，这些数据在实际中往往难以获取，可能引发隐私问题。本文提出一种 Online Feedback Optimization（OFO）算法，用于在数据有限的情况下进行 day-ahead 价格设计，其中仅观测到aggregate loads。OFO 通过 aggregate load 测量迭代更新价格，无需获取 individual user 数据即可实现有效的峰值削减。该 formulation 还包括对总电费偏离参考 tariff 的惩罚项。尽管仅依赖 aggregate load 测量，OFO 价格更新仍能高效收敛至最优价格。在有限时域模拟中，OFO 实现的峰值削减接近 Stackelberg 基准（该基准拥有完整模型信息），同时计算复杂度显著降低。额外的在多种初始条件和延迟充电窗口不匹配情况下的测试进一步确认了所提方法的鲁棒性。总体而言，这些结果表明，OFO 是一种可扩展且计算高效的配电系统峰值需求管理方法，尤其适用于可观测性有限的场景。