A Deep Demand Response Program for Local Electricity Systems

Marie-Louise Arlt

doi:10.1177/10591478251363654

2025-07-25

Marie-Louise Arlt

Gunther Gust

Dirk Neumann

DOI：10.1177/10591478251363654

原文链接

原文求助

摘要

En 中文

电力系统的去碳化促进了电器的普及，其中许多电器可以灵活运行。需求响应（DR）计划可以通过零售价格调整利用这种灵活性，从而应对多项运营挑战。本文探讨了地方电力公司从批发市场采购电力以供应其客户时的社会福利优化问题。我们展示了如何为本地电力系统设计DR计划，其中电力需求及其对临时价格变化的响应是未知的。为此，我们提出一个新颖且复杂的定价问题——在未知、时间相关的离散需求下定价，并利用深度强化学习解决。通过基于加利福尼亚州电力市场数据的数值案例研究，我们发现这种“深度DR计划”有助于识别有效价格以提升社会福利，且其性能在各种系统条件下始终为正。此外，我们进一步证明，该方法平均在5天模拟后优于基于分时电价的基准，在19天模拟后优于参数化基准。其次，我们提供了关于DR计划设计中一个重要但常被忽视方面的全新见解：通知间隔的时长，即必须提前设定未来价格的时段。我们发现价格信息的时机至关重要，且更长的通知间隔能提升社会福利。最后，我们探讨了DR价格设定，发现DR价格与批发市场价格同向变动，但在更长的通知间隔和更短的事件序列下较低。所提出的深度DR计划展示了机器学习算法的进展如何帮助满足未来本地电力系统的复杂运营需求。

Keyword:

demand response

deep reinforcement learning

social welfare

electricity pricing

notification interval