[论文解读] Optimal pricing for electricity retailers based on data-driven consumers' price-response

Román Pérez-Santalla, Miguel Carrión+1 more|arXiv (Cornell University)|Oct 4, 2021

Smart Grid Energy Management参考文献 22被引用 4

一句话总结

本文提出了一种数据驱动、风险规避的随机优化模型，用于电力零售商基于智能电表数据制定最优分时电价（ToU）。该模型利用线性回归对消费者的价格响应弹性进行建模，将其整合进一个基于条件风险价值（CVaR）的两阶段随机规划中以实现风险管控，并表明即使在现货市场价格和可再生能源发电量不确定的情况下，高消费者价格敏感度也能实现具有竞争力的定价和更高的利润。

ABSTRACT

In the present work we tackle the problem of finding the optimal price tariff to be set by a risk-averse electric retailer participating in the pool and whose customers are price-sensitive. We assume that the retailer has access to a sufficiently large smart-meter dataset from which it can statistically characterize the relationship between the tariff price and the demand load of its clients. Three different models are analyzed to predict the aggregated load as a function of the electricity prices and other parameters, as humidity or temperature. More specifically, we train linear regression (predictive) models to forecast the resulting demand load as a function of the retail price. Then we will insert this model in a quadratic optimization problem which evaluates the optimal price to be offered. This optimization problem accounts for different sources of uncertainty including consumer's response, pool prices and renewable source availability, and relies on a stochastic and risk-averse formulation. In particular, one important contribution of this work is to base the scenario generation and reduction procedure on the statistical properties of the resulting predictive model. This allows us to properly quantify (data-driven) not only the expected value but the level of uncertainty associated with the main problem parameters. Moreover, we consider both standard forward based contracts and the recently introduced power purchase agreement contracts as risk-hedging tools for the retailer. The results are promising as profits are found for the retailer with highly competitive prices and some possible improvements are shown if richer datasets could be available in the future. A realistic case study and multiple sensitivity analyses have been performed to characterize the risk-aversion behavior of the retailer considering price-sensitive consumers.

研究动机与目标

• 解决风险规避型零售商在现货市场价格波动和可再生能源发电不确定的情况下制定最优电价的挑战。
• 利用2013年英国1,000户家庭的真实智能电表数据，对消费者需求响应电价的机制进行建模。
• 开发一个随机优化框架，整合远期合约和电力购售协议（PPA）作为对冲金融风险的工具。
• 量化消费者价格敏感度和零售商风险规避程度对最优定价与采购策略的影响。
• 基于英国电力市场案例研究，评估模型在真实市场条件下的表现。

提出的方法

• 基于半小时一次的智能电表数据（包括电价、温度、湿度）训练线性回归模型，以预测总户均用电量对零售电价和环境变量的函数关系。
• 利用预测模型的统计特性，生成并减少现货市场价格、可再生能源可用性及消费者响应的随机情景。
• 构建一个使用条件风险价值（CVaR）的两阶段随机混合整数优化问题，以最小化最坏情况损失，实现风险规避目标。
• 整合多种采购来源：日前现货市场、远期合约以及输出不确定的PPA合约。
• 在需求预测约束和风险约束下，同时优化零售分时电价和采购策略。
• 基于英国2013年电力市场数据进行模型校准，并对风险规避程度和价格弹性进行敏感性分析。

实验结果

研究问题

• RQ1 消费者价格弹性如何影响最优分时电价和零售商盈利能力？
• RQ2 远期合约和PPA在面对现货市场价格波动和可再生能源输出不确定性时，能在多大程度上对冲金融风险？
• RQ3 风险规避程度如何影响零售商的采购与定价决策？
• RQ4 能否有效将基于数据的消费者响应预测模型整合进随机优化框架，以实现电力零售定价？
• RQ5 历史数据中价格变动有限对优化模型可行性有何影响，以及如何缓解这一问题？

主要发现

• 在无约束问题中，零售商的期望利润显著提高——分别为530.34英镑（χ=0）和514.01英镑（χ=1），而受限版本中仅为137.64英镑和132.54英镑，表明高价格敏感度具有显著价值。
• 即使在高风险规避水平下，最优售电价格仍对消费者价格弹性高度敏感，风险规避程度对最终定价无显著影响。
• 零售商愿意为PPA合约支付溢价（在风险规避下最高达4.92便士/千瓦时），以对冲高峰时段的高现货价格。
• 在风险规避下，远期合约被更积极地使用，即使价格高达4.70便士/千瓦时，表明其在降低对波动现货市场暴露方面具有重要作用。
• 当消费者价格弹性较高时，零售商可在无显式价格上限的情况下设定具有竞争力的电价（例如约25便士/千瓦时），从而实现更高盈利。
• 通过βshift = 52人为提高模型中的价格敏感度，可消除对限制性边界的依赖，并使利润水平接近无约束情况，表明更丰富的数据集可显著提升模型的可行性。