Environment-Dependent Components Identification of Behind-the-Meter Resources via Inverse Optimization

📄 arXiv: 2510.21136v1 📥 PDF

作者: Chengming Lyu, Zhenfei Tan, Xiaoyuan Xu, Chen Fu, Zheng Yan, Mohammad Shahidehpour

分类: eess.SY

发布日期: 2025-10-24

💡 一句话要点

提出一种基于逆优化的方法，用于识别用户侧资源中环境相关的组件，解决负荷建模难题。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 用户侧资源 负荷分解 逆优化 数据驱动 物理建模 电力市场 需求侧响应

📋 核心要点

  1. 现有方法难以在保护用户数据隐私的前提下，准确识别用户侧资源的组成和行为模式，阻碍了电力系统的优化运行。
  2. 该论文提出了一种混合框架，结合数据驱动的逆优化和受物理启发的建模，将总负荷分解为与环境相关的多个组件。
  3. 数值实验验证了所提方法的建模精度和鲁棒性，并证明其在降低电力市场运营成本方面的应用价值。

📝 摘要（中文）

随着用户侧（BTM）资源渗透率的提高，监测这些资源的组成部分并推断其对外部环境的响应行为至关重要。然而，由于数据隐私，电力系统运营商无法获得精细的设备级测量数据，这阻碍了负荷识别的准确建模。为此，本文提出了一种混合的、受物理启发和数据驱动的框架，用于基于总负荷和环境因素的外部测量来分解BTM组件。总负荷被分解为不同的环境相关组件，即类储能组件、光伏发电组件、温控负荷组件和周期性组件。总体负荷识别采用双层迭代求解框架。开发了一种数据驱动的逆优化算法来识别类储能组件的参数。提出了受物理启发的模型来识别其余组件的容量和响应。数值试验证明了该方法的建模精度和鲁棒性。所提出的BTM识别方法在电力市场出清中降低系统运行成本的应用意义也得到了验证。

🔬 方法详解

问题定义：论文旨在解决电力系统运营商难以准确识别用户侧资源（BTM）中各个组件的运行特性，从而影响电力系统优化调度的问题。由于数据隐私保护的要求，运营商无法直接获取用户侧详细的设备级数据，这使得传统的负荷建模方法难以应用。现有方法要么依赖于侵入式的测量，要么精度不足，无法满足电力系统精细化运行的需求。

核心思路：论文的核心思路是将总负荷分解为多个与环境相关的组件，包括类储能组件、光伏发电组件、温控负荷组件和周期性组件。通过分析总负荷与环境因素之间的关系，利用逆优化和物理模型相结合的方法，推断出各个组件的参数和行为模式。这种方法既能保护用户隐私，又能提供足够准确的负荷信息。

技术框架：整体框架是一个双层迭代求解过程。第一层使用数据驱动的逆优化算法识别类储能组件的参数。第二层使用受物理启发的模型识别光伏发电组件、温控负荷组件和周期性组件的容量和响应。两个层次之间进行迭代，直到收敛。框架的输入是总负荷和环境因素的外部测量数据，输出是各个组件的参数和行为模式。

关键创新：论文的关键创新在于提出了一种混合的、受物理启发和数据驱动的框架。传统的负荷分解方法要么完全依赖数据，要么完全依赖物理模型，而该论文将两者结合起来，充分利用了数据的优势和物理模型的先验知识。此外，使用逆优化算法识别类储能组件的参数也是一个创新点，因为储能系统的行为通常比较复杂，难以用简单的物理模型描述。

关键设计：逆优化算法的具体设计未知，但可以推测其目标函数是最小化模型预测的总负荷与实际总负荷之间的误差。受物理启发的模型可能包含一些关键参数，如光伏发电组件的容量、温控负荷组件的制冷系数等。这些参数的估计可能采用最小二乘法或其他优化算法。

📊 实验亮点

论文通过数值实验验证了所提方法的建模精度和鲁棒性，但具体的性能数据（如分解精度、误差率等）未知。实验还证明了该方法在电力市场出清中降低系统运行成本的应用价值，但具体的降低幅度未知。与现有方法的对比情况也未知。

🎯 应用场景

该研究成果可应用于电力市场的优化调度、需求侧响应管理、配电网规划和运行等领域。通过准确识别用户侧资源的组成和行为模式，电力系统运营商可以更好地预测负荷需求，优化资源配置，提高电网的可靠性和经济性。此外，该方法还可以用于评估用户侧资源对电网的影响，为制定合理的激励政策提供依据。

📄 摘要（原文）

With the increasing penetration of behind-the-meter (BTM) resources, it is vital to monitor the components of these resources and deduce their response behavior to external environment. Owing to data privacy, however, the appliance-wise measurement is invisible to the power system operator, which hinders the accurate modeling of load identification. To this end, this paper proposes a hybrid physics-inspired and data-driven framework for decomposing BTM components based on external measurement of total load and environmental factors. The total load is decomposed into different environment-dependent components, namely storage-like component, PV generation component, thermostatically-controlled load component, and periodic component. The overall load identification adopts a double-layer iterative solution framework. A data-driven inverse optimization algorithm is developed to identify parameters of the energy storage-like component. The physics-inspired model is proposed to identify the capacity and response of the rest components. The modeling accuracy and robustness of the proposed method are validated by numerical tests. The application significance of the proposed BTM identification method is also validated in electricity market clearing for reducing system operation costs.