[论文解读] Fairness in Robust Unit Commitment Problem Considering Suppression of Renewable Energy

Ichiro Toyoshima, Pierre-Louis Poirion+5 more|arXiv (Cornell University)|Mar 10, 2026

Electric Power System Optimization被引用 0

一句话总结

本文提出 RE-RP 公平版，一种鲁棒机组预算模型，通过增加基于PV输出偏差的公平性惩罚来确保PV输出分配的公平性，采用Benders分解求解，并在一个人工岛格网上进行评估。结果显示PV所有者之间的不平等（基尼系数）降低。

ABSTRACT

Power company operators make power generation plans one day in advance, in what is known as the Unit Commitment (UC) problem. UC is exposed to uncertainties, such as unknown electricity load and disturbances caused by renewable energy sources, especially PVs. In previous research, we proposed the Renewable Energy Robust Optimization Problem (RE-RP), which solves these uncertainties by considering suppression. In this paper, we propose a new model called RE-RP with fairness (RE-RPfair), which aims to achieve fair allocation among PVs allocation. This model is an expansion of the original RE-RP, and we prove its effectiveness through simulation. To measure the degree of fairness, we use the Gini Index, which is well-known in social science.

研究动机与目标

• 在不确定性下的鲁棒机组预算中凸显PV削减的公平性需求。
• 开发新型 RE-RP fair 模型，通过公平性惩罚确保PV机会的平等。
• 证明 RE-RP fair 可以高效地通过Benders分解求解。
• 使用合成岛屿型数据的Gini-like指标评估公平性改善。

提出的方法

• 在目标函数中加入惩罚项 chi*L1(a+,a-) 以促进PV公平性，从而扩展 RE-RP。
• 在两阶段自适应鲁棒框架内，通过开/关决策及PV不确定性对PV输出进行抑制建模。
• 为需求和PV输出定义不确定性集合，并利用对偶性和双线性项线性化将鲁棒问题改写。
• 证明得到的 RE-RP fair 问题可通过Benders分解算法求解至最优解。
• 使用线性化技术处理基于绝对值的公平性项。
• 使用人工数据在小型岛屿格网上评估该方法，并与无公平性的 RE-RP 进行对比。

实验结果

研究问题

• RQ1 在带PV抑制的鲁棒UC中加入公平性惩罚是否能降低PV输出分配的不平等？
• RQ2 在不损及可行性的前提下，RE-RP fair 是否能被有效地通过Benders分解求解？
• RQ3 在不确定性下，公平性惩罚模型对总成本和PV削减行为有何影响？
• RQ4 将基尼指数（作为绝对偏差之和的改编形式）作为该情境下公平性的合适度量吗？

主要发现

• 与 RE-RP 相比，RE-RP fair 在测试的PV模式下能降低PV输出不平等。
• 通过 chi 的公平性惩罚在初步实验中提高了公平性（偏差降低），对总成本的负面影响很小。
• Benders分解算法可以在有限迭代内将 RE-RP fair 求解到最优。
• 在使用人工岛格数据的实验中，RE-RP fair 的公平性指标（基尼指数）有统计学显著的改善。
• 基尼指数用于评估，而线性化的 L1 偏差项被优化。
• 该方法表明在PV抑制情境下将公平性整合到鲁棒UC中并不带来难以承受的计算负担。