國(guó)外的演進(jìn)軌跡和核心前沿：純能源市場(chǎng)稀缺電價(jià)導(dǎo)致系統(tǒng)成本增加，容量市場(chǎng)成為熱點(diǎn)；同時(shí)，去中心化的市場(chǎng)機(jī)制設(shè)計(jì)仍在實(shí)行與探索中。在電價(jià)預(yù)測(cè)方面發(fā)展迅猛，在此領(lǐng)域中，機(jī)器學(xué)習(xí)算法仍具有研究?jī)r(jià)值；聚合商是中介中心性最高的關(guān)鍵詞，以虛擬電廠、電動(dòng)汽車為代表的聚合商，鼓勵(lì)其主動(dòng)為電網(wǎng)提供靈活性。

圖1 國(guó)外電力市場(chǎng)演化路徑

1 國(guó)外電力市場(chǎng)的演進(jìn)軌跡

本節(jié)以“主題：（electricity NEAR/5 market），文獻(xiàn)類型：（Article），語(yǔ)種：（English），索引=SCI-EXPANDED，時(shí)間跨度=2011~2020”等組配索引式，基于Web of Science檢索電力市場(chǎng)相關(guān)的5106篇文章，對(duì)國(guó)外電力市場(chǎng)的研究演進(jìn)軌跡進(jìn)行梳理。單個(gè)時(shí)間切片的網(wǎng)絡(luò)信息見表1，以2020年的網(wǎng)絡(luò)結(jié)構(gòu)為例，2020年558篇g-index指數(shù)36以上的代表性文獻(xiàn)集合，組成253個(gè)節(jié)點(diǎn)、759條連線的單年切片網(wǎng)絡(luò)。

整合單個(gè)的時(shí)間網(wǎng)絡(luò)形成的研究演進(jìn)軌跡如圖1所示，圖1呈現(xiàn)了國(guó)外近十年電力市場(chǎng)研究演化路徑?；趯?duì)數(shù)似然比算法抽取網(wǎng)絡(luò)圖譜的標(biāo)簽詞，共劃分了23個(gè)集群標(biāo)簽。附錄中顯示聚類標(biāo)簽0~4號(hào)。

表1 電力市場(chǎng)切片網(wǎng)絡(luò)結(jié)構(gòu)

以集群規(guī)模較大的0~8號(hào)分析集群結(jié)構(gòu)特征，如圖2所示。0號(hào)集群有44個(gè)成員，規(guī)模最大，是最具有代表性的集群之一。同時(shí)集群0~8號(hào)的輪廓性均超過(guò)0.8，說(shuō)明集群內(nèi)的各成員之間連接緊密。

圖2 集群結(jié)構(gòu)特征

接下來(lái)，以0號(hào)集群（負(fù)荷預(yù)測(cè)）為例對(duì)演化路徑的時(shí)間線進(jìn)行解讀，其演進(jìn)軌跡如圖3所示。

圖3 0號(hào)集群演進(jìn)軌跡

應(yīng)用場(chǎng)景：?jiǎn)蝹€(gè)市場(chǎng)支撐電力交易的難度大且風(fēng)險(xiǎn)較高，因此負(fù)荷預(yù)測(cè)的應(yīng)用場(chǎng)景需要考慮市場(chǎng)之間的耦合，例如“能源+容量”、“能源+輔助服務(wù)”等。由圖3可知，2015年純能源市場(chǎng)引起廣泛的討論，長(zhǎng)期而言純能源市場(chǎng)促進(jìn)轉(zhuǎn)型低碳，然而可能出現(xiàn)能源短缺的風(fēng)險(xiǎn)，稀缺電價(jià)導(dǎo)致系統(tǒng)成本增加。因此容量市場(chǎng)受到投資者支持，其發(fā)電能力可靠，供應(yīng)安全穩(wěn)定，同時(shí)需求響應(yīng)和儲(chǔ)能的加入可實(shí)現(xiàn)發(fā)電充足性。

近些年P(guān)2P(peer to peer)能源交易平臺(tái)率先在瑞士落地實(shí)施，去中心化的市場(chǎng)機(jī)制設(shè)計(jì)是雙邊能源交易的基礎(chǔ)。聯(lián)合雙向能源和輔助服務(wù)市場(chǎng)中交互式電網(wǎng)系統(tǒng)的協(xié)同優(yōu)化，對(duì)分布式能源與配電網(wǎng)運(yùn)營(yíng)商的經(jīng)濟(jì)性、靈活性以及可靠性進(jìn)行評(píng)估。

解決方法：隨著市場(chǎng)的轉(zhuǎn)變與發(fā)展，負(fù)荷預(yù)測(cè)已成為一個(gè)重要的研究領(lǐng)域，是電力市場(chǎng)運(yùn)營(yíng)和規(guī)劃的關(guān)鍵任務(wù)。短期負(fù)荷預(yù)測(cè)常用長(zhǎng)短期記憶、回聲狀態(tài)網(wǎng)絡(luò)等模型，分布式學(xué)習(xí)算法對(duì)于預(yù)測(cè)復(fù)雜地理分布的用戶非常具有潛力。近些年采用相似日法衡量氣候的影響因素，最新的發(fā)展軌跡為機(jī)器學(xué)習(xí)模型，用于預(yù)測(cè)技術(shù)的發(fā)展，支撐后續(xù)投標(biāo)策略和估算盈利。

2 國(guó)外電力市場(chǎng)的核心前沿

本節(jié)數(shù)據(jù)來(lái)源于Web of science檢索3238篇相關(guān)文獻(xiàn)。生成關(guān)鍵詞網(wǎng)絡(luò)圖譜，并采取不同的優(yōu)化算法進(jìn)行圖譜剪枝，結(jié)果見表2。對(duì)比聚類效果可知，綜合聚類效果最佳為0.8779。

表2 不同聚類裁剪算法效果對(duì)比

基于尋徑網(wǎng)絡(luò)算法對(duì)綜合網(wǎng)絡(luò)裁剪，聚類效果明顯優(yōu)于單年網(wǎng)絡(luò)。這是由于文獻(xiàn)數(shù)量增加，導(dǎo)致單年裁剪的網(wǎng)絡(luò)劃分模糊，使得其聚類模塊值較低，進(jìn)而影響了整體的聚類效果。因此，選擇對(duì)綜合網(wǎng)絡(luò)裁剪，得到關(guān)鍵詞的聚類圖譜，如圖4所示。

關(guān)鍵詞網(wǎng)絡(luò)圖譜中出現(xiàn)頻次最高的有模型、優(yōu)化、需求響應(yīng)、可再生能源、電價(jià)以及不確定性等。完整的圖譜展示了全部的信息，但由于數(shù)據(jù)過(guò)多使得圖譜節(jié)點(diǎn)眾多、連接復(fù)雜，從而缺乏可讀性。因此，接下來(lái)依據(jù)節(jié)點(diǎn)的權(quán)重，提煉出關(guān)鍵節(jié)點(diǎn)，聚焦于局部圖譜。

圖4 關(guān)鍵詞網(wǎng)絡(luò)圖譜

以最小持續(xù)時(shí)間為一年，尋找16個(gè)突現(xiàn)關(guān)鍵詞，結(jié)果見表3。

表3 關(guān)鍵節(jié)點(diǎn)-突現(xiàn)詞表

從表3中可知，突現(xiàn)強(qiáng)度比較高的關(guān)鍵詞有隨機(jī)過(guò)程、最優(yōu)潮流以及電價(jià)預(yù)測(cè)。區(qū)別于中國(guó)的定價(jià)機(jī)制，國(guó)外在電價(jià)預(yù)測(cè)方面發(fā)展迅猛。在此領(lǐng)域中，機(jī)器學(xué)習(xí)算法仍具有研究?jī)r(jià)值。最新突現(xiàn)的關(guān)鍵詞有能量樞紐、區(qū)塊鏈，例如考慮信息勾鴻決策能量樞紐的管理仍需提高其決策靈活性。

隨機(jī)過(guò)程節(jié)點(diǎn)兼具突現(xiàn)性高以及時(shí)間最新的特點(diǎn)，以此節(jié)點(diǎn)為例展示其在網(wǎng)絡(luò)圖譜中的具體連接，如圖5所示。從圖中可以看出，隨機(jī)過(guò)程方法，應(yīng)用于不確定性因素的量化處理，或者計(jì)及發(fā)電側(cè)經(jīng)濟(jì)性的最優(yōu)運(yùn)行策略。

圖5 隨機(jī)過(guò)程節(jié)點(diǎn)

從高到低排列節(jié)點(diǎn)的中介中心性，選取前8個(gè)中介中心性詞，結(jié)果見表4。應(yīng)用場(chǎng)景中最新穎的是能量交易。能量交易中，需求響應(yīng)的環(huán)境效益是一個(gè)相對(duì)較新的話題，碳排放交易是其中不可或缺的環(huán)節(jié)。通過(guò)跟蹤需求響應(yīng)的碳排放量，有效地指導(dǎo)排放交易計(jì)劃。從表4中可以看出，聚合商是中介中心性最高的節(jié)點(diǎn)，接下來(lái)以此節(jié)點(diǎn)為例進(jìn)行解析。

表4 關(guān)鍵節(jié)點(diǎn)-中介中心詞表

聚合商節(jié)點(diǎn)及其連接如圖6所示。常見的聚合商有虛擬電廠、電動(dòng)汽車聚合商。虛擬電廠的靈活運(yùn)行緩解網(wǎng)絡(luò)堵塞，提高其集成能源的附加價(jià)值；電動(dòng)汽車聚合商的管理，需考慮駕駛模式、市場(chǎng)價(jià)格的不確定性。

圖6 聚合商節(jié)點(diǎn)

此外，電動(dòng)汽車通過(guò)V2G(vehicle-to-grid）提供電網(wǎng)輔助服務(wù)，提高車網(wǎng)系統(tǒng)靈活性。市場(chǎng)機(jī)制對(duì)于充分開發(fā)產(chǎn)消者的潛力是非常有必要的，鼓勵(lì)本地配電網(wǎng)內(nèi)的發(fā)電和消費(fèi)，同時(shí)利用機(jī)器學(xué)習(xí)等算法為聚合商提供決策支撐。

本文編自2022年第11期《電工技術(shù)學(xué)報(bào)》，論文標(biāo)題為“基于知識(shí)圖譜的國(guó)內(nèi)外電力市場(chǎng)研究綜述”。本課題得到了國(guó)家自然科學(xué)基金和上海市科學(xué)技術(shù)委員會(huì)資助項(xiàng)目的支持。