科研速递 | 理工学院赵俊华教授团队论文被电力系统顶刊IEEE TPWRS 接收

近日，香港中文大学（深圳）理工学院赵俊华教授团队在IEEE旗下电力系统领域顶级期刊IEEE Transactions on Power Systems发表以“Interpretable Hybrid Experimental Learning for Trading Behavior Modeling in Electricity Market”为题的论文。

01

期刊介绍

IEEE Transactions on Power Systems是IEEE旗下的电力系统领域顶级期刊，侧重于从系统层面对电力系统问题的改善和解决。其范围涵盖一般工业、商业、公共和家庭消费的发电、输电和配电系统的教育、分析、运营、规划和经济学等，还包括与其他能源载体的交互。IEEE Transactions on Power Systems最新影响因子为6.663，JCR分区Q1。

02

研究背景

现代电力市场是一个包括了网络通信、物理系统和社会主体之间交互的复杂网络市场。其中，社会主体的交易行为建模是电力市场研究中最具挑战的问题之一，即难以用明确的规则或清晰定义的模型来描述人的行为。一方面，社会主体难以被直接识别内部状态（如意图、目标、偏好、性格等），使得行为模型的结构与参数难以观测；另一方面，现实中的交易行为往往不符合“理性经济人”假设，呈现出有限认知和计算能力这一“有限理性”特征，甚至出现不了解自身偏好等“非理性”特征。上述问题都为社会行为的准确建模引入了极大障碍。现有的研究或基于过多理论假设而脱离了工程应用，或基于纯数据驱动而呈现不可解释性，都难以满足现实应用的需求。

03

研究方法

本文提出了一种名为混合实验学习（Hybrid Experimental Learning, HEL）的电力市场交易行为建模方法。HEL结合了实验经济学和机器学习的优势，包括以下特点：（1）对人的行为不需要强的假设；（2）基于仿真实验和历史数据的机器学习模型；（3）具有局部可解释性。HEL包括3个核心模块：人机混合实验、机器学习生成模型和模型解释器，如图1所示。

图1  HEL框架的架构与元素

混合实验环境的设定需考虑物理系统的物理规律和社会系统的运行机制。物理规律指物理系统所遵循的运行规律（在电力系统中，指潮流等理论模型）。社会系统的运行机制具体包括成本结算机制、交易成本、风险测度、利润计算规则和时间价值计算规则等。这两种系统的规则最终表现在实验参与者的收益上，并直接影响参与者的行为。

人机混合实验参与者分为2类，分别是真实参与者和计算机代理。真实参与者需充分了解实验规则、各自损益计算方式、各自决策的可行范围和可能出现的结果。并要求其在实验过程中能够秉持认真的态度以最大化任务目标的状态参与实验。计算机代理分为3类：基于历史数据的代理、基于解析模型的代理和基于实验数据由生成模型产生的代理。基于历史数据的代理是由现实环境中的数据通过机器学习算法生成，其在混合实验中可充当有历史经验的参与者。基于解析模型的代理以相应领域中的优化或控制问题为基础，用于验证相关理论在现实环境中的可行性。这2类参与者与真实参与者以一定比例参与混合仿真。由于是基于仿真数据所构建的模型，生成模型产生的代理（图1中橙色部分）不会参与第一轮实验。用于生成模型训练的数据主要来自多次实验的真实参与者和历史数据。生成模型以机器学习算法为基础，捕捉混合实验中的行为特征，产生可复现行为的生成模型。

当混合实验收集到足够的训练数据，便可进入生成模型训练环节。针对采用算法的不同，训练环节可选择线上或线下进行。生成模型训练完成后，在下一次混合实验中替代一部分真实参与者。这样既能保证决策专业性，同时也可减少混合仿真用于搜寻真实参与者的时间成本。

当混合实验环境中指定数量的真实参与者被生成模型替代后，行为建模到此完成，最终得到一个能产生混合实验环境下决策数据的生成模型。这个生成模型本质上是一个逆概率密度函数，由于机器学习方法的“黑盒特性”，无法被明确的公式表现出来。由于某些研究追求行为模型的可解释性，可在生成模型后接一个模型解释器，由此得到人可理解的解析行为模型。如果混合实验的目的是市场整体行为仿真分析，则不需要微观交易行为模型的解析式，便可省去模型解释器。

以中国广东试运行电力现货市场为例，本文采用生成对抗网络（Generative adversarial network, GAN）作为生成模型，Local Interpretable Model-Agnostic Explanations (LIME)作为模型解释器，对比了HEL与传统方法在现货市场竞价行为上的差异，如表1和2所示。与传统理论建模相比，HEL可输出小概率的竞价行为（Type II & III）；与实验经济学相比，HEL的输出更接近现实环境，更容易被专业从业者认可。

表1  HEL生成的燃气机组竞价行为

表2  经济学实验统计得到的燃气机组竞价行为

此外，LIME的解释性如表3所示。表3说明了，燃气机组通常习惯于将大部分出力置于竞价的最后一段。燃气机组的竞价决策通常还与市场规则的价格下限、可变成本、固定成本和市场规则的价格上限有较强的关联度。

表3  LIME的解释结果

实验还表明，HEL可真实仿真广东省电力现货试运行场景，如图2所示。

图2  混合实验日内广东省统一出清电价曲线

04

研究结论

本文提出了一种结合实验经济学和机器学习的数据驱动方法HEL以解决电力市场交易行为建模。在分析过程中对交易行为不需要强的假设，从而避免了理论建模无法普遍适用的问题。通过混合实验捕捉真实参与者的“小概率”行为数据，再结合历史数据，对行为进行建模，并可给出解释模型下的各种行为的相关性分析，为模型的可解释性提供了依据。基于广东省电力市场改革，本文设计了电力现货市场混合实验，验证HEL在电力现货市场竞价行为建模中的适用性。结论表明，HEL可对现货竞价行为高度还原建模，并对策略的几个部分进行显著解释，尤其是策略的价格段与成本信息和市场规律高度相关。此外，HEL的竞价策略应用于实际的广东电力市场，模拟结果与现实情况非常接近。HEL可用于电力市场的高精度模拟，可作为情景或政策分析的基准。

05

作者简介

香港中文大学（深圳）赵俊华教授为本文的通讯作者。

赵俊华教授分别于2003年和2007年在西安交通大学和澳大利亚昆士兰大学获得学士和博士学位。赵俊华教授是香港中文大学（深圳）理工学院长聘副教授，深圳高等金融研究院能源市场与能源金融实验室主任，深圳人工智能与机器人研究院研究员，招商银行总部特聘能源行业专家。长期从事智能电网、能源经济、低碳转型、人工智能等领域研究。在加入港中大（深圳）之前，他担任澳大利亚纽卡斯尔大学智能电网中心的高级讲师，并兼任主任科学家。他已发表了200多篇学术论文，其中80多篇发表在国内外的顶尖期刊上。他一次获得浙江省自然科学奖，两次获得湖南省科技进步奖，一次获得中电联“电力科技创新奖”，2014年IEEE电力与能源大会最佳论文奖，并4次获得国家科学技术部“F5000”中国精品科技期刊顶尖学术论文奖。2021年入选爱思唯尔“中国高被引学者”。2020-21年两次被斯坦福大学与Mendeley Data评为“全球前2%顶尖科学家”；同时入选“终身科学影响力排行榜”和“年度科学影响力排行榜。2017年，因对澳大利亚能源系统研究做出突出贡献，赵俊华教授被澳大利亚达沃斯论坛（ADC Forum）授予了青年科学家奖（Young Scientist of the Future）。他领导或参与了30多个重要的研究和工业项目，包括由澳大利亚政府资助的“智能电网，智能城市”大规模试点项目，由澳洲联邦科学院（CSIRO）资助的两个旗舰研究项目，国家自然科学基金重大研究计划、国家自然科学基金面上项目等。先后参与了国内多个电力市场的规则设计工作，其研究成果在工业界产生了重要影响，参与开发的多个软件产品先后应用于纽约爱迪生公司、港灯集团、广东省能源集团、中海油、大唐发电等大型能源企业。他是《Frontiers in Smart Grids》的领域主编，以及《IEEE Transactions on Network Science and Engineering》和《Energy Conversion and Economics》的编委会委员。

本文第一作者：柳文轩

柳文轩博士于2013年和2016年在电子科技大学获得金融学、电子信息工程双学士和应用经济学硕士，2021年在香港中文大学（深圳）获得计算机与信息工程哲学博士。现任香港中文大学（深圳）理工学院博士后研究员和深圳市人工智能与机器人研究院兼职助理研究员。发表学术论文12篇，部分研究成果已应用于工业界。先后参与国家自然科学基金项目、深圳市科技创造委员会基础项目、国家电网科技项目和南方电网科技项目等电力市场和碳市场相关重大研究课题。研究领域包括能源经济学、实验经济学、机器学习、电力市场和碳市场等。

点击以下链接，进入理工时刻：