邊曉燕 張璐瑤 周 波 徐 波 林順富

（上海電力大學電氣工程學院 上海 200090）

0 引言

當前國外已形成相對成熟的電力市場，擁有豐富的建設經驗及教訓，例如，美國PJM 電力市場實現(xiàn)了系統(tǒng)的集中控制與調度，保障市場的有效運作，其成功經驗值得借鑒。但2021 年美國德州遭受極端天氣造成大面積停電，電力供需的極端不平衡在高度市場化中反映為極高的電價，在一定程度上增加了公共風險。而我國還處于電力市場改革的進程之中，電力市場化進程緩慢，產生過不平衡資金等問題[1]，這表明可再生能源發(fā)電的不確定性難以適應滯后的市場機制，新能源去補貼[2]后如何提升市場競爭力成為挑戰(zhàn)。同時，國內外針對電力市場方面的研究不斷深入，涌現(xiàn)出了大量新興研究主題，我國學術界對電力市場研究的動態(tài)熱點追蹤提出更高的要求。因此有必要對近年來國內外電力市場方面的研究進行系統(tǒng)性梳理，深刻把握研究的熱點與動向，有序推進我國電力市場相關理論的發(fā)展。

目前關于電力市場熱點與動向綜述方面，已有許多學者開展研究。文獻[3]歸納了我國八個試點省份現(xiàn)貨市場建設特點和促進可再生能源消納的相關機制。文獻[4-5]從政治背景、技術條件、市場驅動力、組織機構與電網架構等方面，對比分析歐洲統(tǒng)一電力市場、美國區(qū)域電力市場與我國電力市場的建設。文獻[6]總結了各國面向高比例可再生能源電力市場研究的最新成果。然而，已有的電力市場綜述研究[3-6]主要基于專家經驗，并結合電力市場發(fā)展現(xiàn)狀，從而總結出市場理論的內在演化邏輯。目前，如何利用國內外海量學術文獻，基于數(shù)據技術進行文獻綜述與研究熱點追蹤成為難題。

知識圖譜是科學計量學的新方法，為國內外電力市場研究的追蹤熱點提供了新的途徑。與傳統(tǒng)的文獻綜述[3-6]不同，文獻的知識圖譜能夠從大量的文獻數(shù)據中提取篩選結構化的知識序列，進而展現(xiàn)研究熱點的演進歷程、映射知識群體之間的交叉互動，從而實現(xiàn)對熱點和新興趨勢的挖掘。目前，常見繪制圖譜的工具有CiteSpace[7]等，它為學者提供了一種高效、可重復、快速應用的分析方法，在各個領域都具有應用前景。本文從文獻的數(shù)據分析角度，調研了國內近十年1 495 篇、國外近十年5 106 篇電力市場相關文獻。首先提出基于知識圖譜的分析框架以及圖譜合成與解讀；然后基于共詞網絡結構的可視化，從時間維度系統(tǒng)性梳理出近十年發(fā)展的演進軌跡，聚焦近五年追蹤熱點，呈現(xiàn)電力市場領域的核心前沿；最后，總結電力市場的研究軌跡與學術熱點。

1 知識圖譜分析框架

電力市場研究具有多領域交叉融合且復雜的特點。知識圖譜是結構化的語義知識庫，其從文本數(shù)據中以結構化的方式提取知識，通過相互聯(lián)結的關系，構成可視化圖譜的網狀知識結構[8]。針對電力市場研究的知識圖譜分析包括合成圖譜和圖譜解讀，從而獲得演進軌跡和核心前沿，其分析框架如圖1 所示。

圖1 知識圖譜分析框架 Fig.1 Knowledge graph analysis framework

本文利用合成圖譜處理海量的文獻數(shù)據，從海量文獻信息中生成共詞矩陣，通過譜聚類降低矩陣維數(shù)，利用可視化技術將共詞矩陣可視化為共詞網絡。基于尋徑網絡算法或者最小生成樹算法進行網絡簡化，并以聚類模塊值和輪廓值來評估圖譜聚類效果，選擇剪枝后聚類效果最佳的網絡圖譜。

基于文獻網絡，從時間切片和關鍵詞聚類進行圖譜解讀，強化圖譜的可解讀性。時間線圖譜中，劃分并提取集群標簽詞，形成近十年演進路徑；關鍵詞聚類方面，當圖譜節(jié)點眾多、連接復雜時以節(jié)點的突現(xiàn)性、中介中心性作為識別關鍵節(jié)點，把握整個圖譜最核心部分，形成近五年核心前沿。

1.1 共詞網絡結構的可視化

共詞分析的基本原理是在同一組文獻中對一組詞所出現(xiàn)的次數(shù)進行兩兩統(tǒng)計，通過這種共現(xiàn)次數(shù)來測度它們之間的親疏關系。具體而言，從文獻信息中基于共詞分析將數(shù)據描繪成一個圖表，根據圖表關系計算相似度，生成共詞的相似矩陣。

樣本點i和j之間的相似度s(i,j)為

式中，d(i,j)為樣本點i和j之間的距離；σ為轉換因子。

譜聚類算法是基于圖論的算法，適應共詞網絡下以連接關系為主的應用場景?；诠铂F(xiàn)的關鍵詞相似矩陣一般比較稀疏，可采用奇異值分解進行特征值分解，計算出相似矩陣的最小特征向量；特征分解后得到的特征向量進行聚類，利用相似矩陣的譜信息進行特征降維，將數(shù)據聚類到少數(shù)幾個維度。最后，利用可視化技術，將矩陣可視化為共詞網絡。

1.2 網絡圖譜的簡化

基于尋徑網絡算法或者最小生成樹算法進行網絡剪枝的選擇，最大程度簡化網絡，保留最重要的連接。其中，簡化網絡的圖譜聚類效果是以聚類模塊值和輪廓值來評估。

聚類模塊值（Modularity）是衡量網絡結構強度的劃分質量，最早由M.Newman[9]提出。模塊值Q(i)為

式中，Eii為集群i內所有的邊數(shù)占整個網絡所有邊數(shù)的比值；ai為經過集群i內所有節(jié)點的邊數(shù)（包含一點在集群i內、一點在集群i外的邊）占整個網絡的所有邊數(shù)的比值。Q(i)值在0～1 之間，其值越接近1，表示劃分網絡結構的強度越高。

輪廓值（Silhouette）是評價聚類效果好壞的一種方式，其最早由P.J.Rousseeuw 提出。它結合內聚度和分離度兩種因素。

輪廓值S(i)的公式為

式中，a(i)為內聚度，即i到同簇其他樣本的平均距離；b(i)為分離度，即i到其他類簇的所有樣本的平均距離。S(i)越接近1，則說明樣本i聚類合理輪廓越明顯。

1.3 圖譜解讀

時間線圖譜中，對劃分的各聚類集群采用對數(shù)似然比算法，提取最具代表性的詞作為該集群的標簽。聚類圖譜中，以突現(xiàn)性以及中介中興性作為節(jié)點權重衡量，反映出核心關鍵部分。

1.3.1 集群標簽詞抽取

對數(shù)似然比算法是一種用于信息檢索與勘探的加權聚類技術，用以評估一個詞對語料庫的相關程度，提取出具有類別區(qū)分能力的標簽詞。

H1表示元素w1、w2之間是相互獨立的；H2表示元素w1、w2之間具有相關性。H1和H2符合二項式分布，其似然值L(H1)、L(H2)分別為

式中，N為所有元素出現(xiàn)的總次；c1、c2和c12分別為元素w1、w2和w12在語料庫中出現(xiàn)的次數(shù)；p1、p2和p12分別為采用極大似然估計法計算元素w1、w2和w12出現(xiàn)的概率；b(·) 為二項式分布。

H1和H2的差異度表示為LLR，其中似然比λ對數(shù)值是以2 為底，具體公式為

對數(shù)似然比算法不會過分放大高頻詞的領域相關性，通過考慮一個詞對領域的正負面貢獻，能夠比較準確地反映領域的特性，保證抽取結果的穩(wěn)定性[10]。

1.3.2 節(jié)點權重計算

1）突現(xiàn)性是指研究點突然爆發(fā)。采用突發(fā)性檢測技術，識別被引次數(shù)的突然變化，根據發(fā)生的時間序列來建立一種突發(fā)檢測模型——Kleinberg 狀態(tài)機模型[11]，其公式為

式中，σ(i,rt,dt)為t時刻狀態(tài)產生的成本；st為第t時刻的突發(fā)狀態(tài)序列；dt為總共的序列；rt為相關性的序列；pi為相關序列發(fā)生的期望。

在[t1，t2]時段，序列突現(xiàn)的強度Burst 定義為

突現(xiàn)節(jié)點通常揭示了有潛力的研究主題。在本文的網絡圖譜中，突現(xiàn)性用紅色引用環(huán)表示。

2）中介中心性是指網絡中經過某點并連接這兩點的最短路徑占這兩點之間的最短路徑線總數(shù)之比，用以測度點在網絡中的重要性[12]，中介中心性CB(v)為

式中，σst(v)為節(jié)點s到節(jié)點t的最短路徑中經過節(jié)點v的數(shù)量；σst為節(jié)點s到節(jié)點t的最短路徑數(shù)量。

在圖譜中具體表現(xiàn)可分為兩類：第一類為本領域中高度相連的樞紐節(jié)點；第二類為連接不同集群的轉折點。一般而言，跨領域的研究會導致新興趨勢的誕生，因此更傾向于關注第二類轉折點。在本文的網絡圖譜中，中介中心性用紫色引用環(huán)表示。這種節(jié)點權重計算，可只研究網絡中少量的連接點，而不是整個網絡，大大提高了圖譜的可解讀性。

2 電力市場研究演進軌跡

針對國內近十年1 495 篇、國外近十年5 106 篇電力市場的相關研究，采用基于知識圖譜的方法進行系統(tǒng)化梳理，劃分并提取集群標簽詞，從而提煉出隨時間發(fā)展的演進軌跡。

2.1 國內電力市場的演進軌跡

本小節(jié)以“主題SU=（批發(fā)+零售+中長期+現(xiàn)貨），文獻來源：（SCI，EI 及北大核心期刊），時間跨度=2011-2020”等組配索引式，基于中國知網CNKI 中電力市場相關的總共1 495 篇文章，對國內電力市場的研究演進軌跡進行梳理。依據一年時間間隔內的數(shù)據構成每個單獨的時間切片網絡，整合這些獨立的網絡形成隨時間推移的演變軌跡。單個時間切片的網絡結構見表1。以2020 年的單個切片網絡為例，2020 年515 篇表征影響力的g-index 指數(shù)[13]為12 以上的代表性文獻集合，組成81 個節(jié)點、132 條連線的單年切片網絡。

表1 電力市場切片網絡結構 Tab.1 Slicing network structure of power market

整合單個的時間網絡形成國內近十年電力市場研究的關鍵詞演化路徑。從時間維度表示知識演進的視圖，勾畫聚類之間的關系和某個聚類的歷史跨度，展示了知識群體之間的更新和相互影響。其中，橫軸為研究時間，縱軸為依次排列劃分后的知識集群。每個集群的變化軌跡通過包含時間線的演化路徑來顯示。本小節(jié)得出了17 個聚類集群，并采用1.3 節(jié)提及的對數(shù)似然比算法，提取群體的標簽詞，在集群序號之后加以顯示。選取0～4 號進行展示，如附圖1 所示。

附圖1 國內電力市場演化路徑 App.Fig.1 The evolution path of domestic electricity market

知識圖譜中，劃分后的集群結構的特征量綱包括規(guī)模、輪廓值、代表年份以及標簽詞。以集群規(guī)模較大的0～8 號分析集群結構特征，如圖2 所示。關鍵詞集群內成員較多的，表示集群規(guī)模較大，比較具備代表性。聚類輪廓值接近于1，說明聚類相似度高。從圖2 中可以看出，集群的規(guī)模超過20 個，集群具有代表性；僅有6 號集群輪廓值較低，其余集群輪廓值都接近于1，表明同一關鍵詞集群的同質程度高，相似度高。

圖2 集群結構特征 Fig.2 Cluster structure characteristics

接下來，以1 集群（調峰輔助服務）為例對演化路徑的時間線進行解讀，其演進軌跡如圖3 所示。按年份對應到集群中的節(jié)點，依次遞進解讀節(jié)點。關鍵詞節(jié)點中包含篩選后最相關的文獻數(shù)據，以此展現(xiàn)研究軌跡的演變。

圖3 1 號集群演進軌跡 Fig.3 No1.cluster evolution trajectory

應用場景：探索促進新能源消納的市場機制，例如去中心化的市場機制可充分反映成員之間的良性競爭；泛在電力物聯(lián)網下有更多的挑戰(zhàn)[14]，例如“邊緣-云”計算架構[15]、區(qū)塊鏈去中心化[16]等。

市場主體：參與主體由分布式能源轉變到多能源耦合。對于分布式能源的管理涉及虛擬電廠、微電網等多種主體的管理方式[17]，商業(yè)虛擬電廠的運營機制[18]是目前的研究難點，可考慮其加入輔助服務等交易品種；電儲熱與風電場聯(lián)動參與調峰輔助服務，促進消納棄風；發(fā)展到現(xiàn)今考慮控制因素的交互能源機制[19]，從而實現(xiàn)系統(tǒng)能源互動，同時利用分布式調度彌補信息不對稱的缺陷[20]。此外，調峰輔助服務市場應發(fā)揮火電等傳統(tǒng)發(fā)電商的深度調峰效益[21]，刺激具備靈活穩(wěn)定性的市場成員主動參與調峰。

政策機制：商業(yè)模式節(jié)點同時連接1 號集群內市場機制、分布式能源、泛在電力物聯(lián)網等多個節(jié)點，推動市場改革歸根于商業(yè)模式的摸索[22]。例如規(guī)模化分布式儲能提供輔助服務的自盈利模式以及協(xié)同共贏的共享儲能模式等；從北歐及美國市場機制建設中吸取先進的經驗[23]，能源轉型的階段結合國情因地制宜建設中國特色電力市場的頂層設計[24]，同時調峰輔助服務也是中國特色的交易品種。

2.2 國外電力市場的演進軌跡

本小節(jié)以“主題：（electricity NEAR/5 market），文獻類型：（Article），語種：（English），索引=SCI-EXPANDED，時間跨度=2011～2020”等組配索引式，基于Web of Science 檢索電力市場相關的5 106 篇文章，對國外電力市場的研究演進軌跡進行梳理。單個時間切片的網絡信息見表2，以2020 年的網絡結構為例，2020 年558 篇g-index指數(shù)36 以上的代表性文獻集合，組成253 個節(jié)點、759 條連線的單年切片網絡。

表2 電力市場切片網絡結構 Tab.2 Slicing network structure of power market

整合單個的時間網絡形成的研究演進軌跡如附圖2 所示，附圖2 呈現(xiàn)了國外近十年電力市場研究演化路徑?；趯?shù)似然比算法抽取網絡圖譜的標簽詞，共劃分了23 個集群標簽。附錄中顯示聚類標簽0～4 號。

附圖2 國外電力市場演化路徑 App.Fig.2 The evolution of foreign electricity market

以集群規(guī)模較大的0～8 號分析集群結構特征，如圖4 所示。0 號集群有44 個成員，規(guī)模最大，是最具有代表性的集群之一。同時集群0～8 號的輪廓性均超過0.8，說明集群內的各成員之間連接緊密。

圖4 集群結構特征 Fig.4 Cluster structure characteristics

接下來，以0 號集群（負荷預測）為例對演化路徑的時間線進行解讀，其演進軌跡如圖5 所示。

圖5 0 號集群演進軌跡 Fig.5 No.0 cluster evolution trajectory

應用場景：單個市場支撐電力交易的難度大且風險較高，因此負荷預測的應用場景需要考慮市場之間的耦合，例如“能源+容量”、“能源+輔助服務”等。由圖5 可知，2015 年純能源市場引起廣泛的討論，長期而言純能源市場促進轉型低碳，然而可能出現(xiàn)能源短缺的風險，稀缺電價導致系統(tǒng)成本增加。因此容量市場受到投資者支持[25]，其發(fā)電能力可靠，供應安全穩(wěn)定，同時需求響應和儲能的加入可實現(xiàn)發(fā)電充足性。近些年P2P(peer to peer)能源交易平臺率先在瑞士落地實施[26]，去中心化的市場機制設計[27]是雙邊能源交易的基礎。聯(lián)合雙向能源和輔助服務市場中交互式電網系統(tǒng)的協(xié)同優(yōu)化[28]，對分布式能源與配電網運營商的經濟性、靈活性以及可靠性進行評估[29]。

解決方法：隨著市場的轉變與發(fā)展，負荷預測已成為一個重要的研究領域，是電力市場運營和規(guī)劃的關鍵任務。短期負荷預測常用長短期記憶、回聲狀態(tài)網絡等模型，分布式學習算法對于預測復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[30]，最新的發(fā)展軌跡為機器學習模型[31]，用于預測技術的發(fā)展，支撐后續(xù)投標策略和估算盈利。

3 電力市場的核心前沿

本節(jié)對國內近五年896 篇、國外近五年3 238篇電力市場的相關研究，采用基于知識圖譜的方法動態(tài)追蹤熱點，呈現(xiàn)電力市場領域的核心前沿?；陉P鍵詞出現(xiàn)頻次進行研究熱點的可視化；基于節(jié)點權重探測核心前沿，權重以突現(xiàn)性和中介中心性進行衡量，提煉出電力市場研究的關鍵核心。

3.1 國內電力市場的核心前沿

本小節(jié)數(shù)據來源于中國知網CNKI 中近五年電力市場相關的文獻，總計896 篇。結合1.2 節(jié)提及的圖譜剪枝，對生成的單年網絡或綜合網絡選擇尋徑網絡算法或者最小生成樹算法進行裁剪簡化，結果見表3。對比四種方式的綜合聚類效果可知，采用尋徑網絡算法裁剪單年網絡的效果最佳。

表3 不同聚類裁剪算法效果對比 Tab.3 Comparison of the effects of different clustering and clipping algorithms

3.1.1 關鍵詞網絡圖譜

圖譜剪枝后，優(yōu)化的關鍵詞網絡圖譜如圖6 所示。節(jié)點疊加成的樹環(huán)大小表示每年的被引頻次，出現(xiàn)頻次較高的熱點關鍵詞有現(xiàn)貨市場、輔助服務以及需求響應等。以現(xiàn)貨市場節(jié)點為例加以說明，梳理該節(jié)點及其連接關系。

圖6 關鍵詞網絡圖譜 Fig.6 Keywords network map

現(xiàn)貨市場節(jié)點以及連接如圖7 所示，從其連接關系中可以看出，目前現(xiàn)貨市場中存在不平衡費用、與中長期市場的銜接以及串謀競價等問題。這些問題歸根結底在于市場機制的不成熟，而市場機制中的重要環(huán)節(jié)之一是電價的機制設計。其大致可分為兩種思路：①采用新方法的傳統(tǒng)定價模式，如利用多智能體強化學習確定節(jié)點邊際電價[32]；②采用新的定價模式仍處于摸索階段，如凸包定價模式[33]。此外，新興的交易品種有金融輸電權，金融產品的衍生能夠更加還原電力的商品屬性。

圖7 現(xiàn)貨市場節(jié)點Fig.7 Spot market node

由此看來，在知識圖譜中可以選擇任意感興趣的節(jié)點并加以剖析，這種方式較為主觀，當節(jié)點眾多、連接復雜時難以把握整個圖譜最核心的部分。接下來本節(jié)從節(jié)點的權重角度，探測出圖譜的關鍵核心節(jié)點，以此捕捉電力市場相關的核心前沿。

3.1.2 關鍵核心節(jié)點

結合1.3 節(jié)提及的節(jié)點權重計算，以突現(xiàn)性和中介中心性作為衡量，探測出關鍵節(jié)點，并在圖譜中反映出關鍵節(jié)點。知識圖譜中，突現(xiàn)性表現(xiàn)為節(jié)點中心的紅色引用環(huán)，中介中心性表現(xiàn)為節(jié)點最外圍的粉色引用環(huán)。

1）突現(xiàn)節(jié)點

以最小持續(xù)時間1 年，尋找到12 個突現(xiàn)詞，結果見表5。黑色方塊對應時間軸2016～2020 年中的突現(xiàn)年份。

表5 關鍵節(jié)點-突現(xiàn)詞表 Tab.5 Key node-emergent vocabulary

（續(xù)）

由表5 可知，能源互聯(lián)網與電力市場改革屬于研究背景的突現(xiàn)。在此背景下，針對綜合能源系統(tǒng)的能源市場的推行，服務商參與市場的行為決策以及多能源耦合的網絡阻塞管理等問題仍在研究中。同時，電力市場改革突現(xiàn)的時間點與中央發(fā)布《進一步深化電力體制改革的（中發(fā)[2015]9 號）文件》的時間相吻合。此外，突現(xiàn)性還體現(xiàn)在市場主體、交易品種以及應用場景等。以輔助服務為代表的交易品種是近五年突現(xiàn)強度最高的關鍵詞，其包含的交易品種調頻與深度調峰持續(xù)突現(xiàn)3 年，這表明目前電力市場還在探索輔助服務相關的研究。因此，以此節(jié)點為例，回溯至網絡圖譜并加以解析，圖譜如圖8 所示。

圖8 輔助服務節(jié)點 Fig.8 Auxiliary service node

從網絡圖譜中輔助服務節(jié)點及其連接關系可以看出，分布式電源憑借靈活調節(jié)的優(yōu)勢成為輔助服務市場的核心成員，如何整合其靈活性挖掘潛在市場力仍需進一步探索。交易品種中廣泛應用的是深度調峰，在此環(huán)節(jié)中需求響應的參與[34]越來越受到重視，要加強需求響應主動參與市場，如利用強化學習等算法得出其最優(yōu)決策[35]。

2）中介中心節(jié)點

從高到低排列節(jié)點的中介中心性，選取前8 個中介中心性詞，結果見表6。尋找的中介中心性詞中，市場主體相關的最多，研究對象因更多考慮的為主動配電網、電動汽車等。同時，應用場景中最新穎的是商業(yè)模式。主動配電網是中介中心性最高的關鍵詞，接下來以此節(jié)點為例解析。

表6 關鍵節(jié)點-中介中心詞表 Tab.6 Key node-intermediary central vocabulary

主動配電網節(jié)點及其連接如圖9 所示。首先，主動配電網融合了多個領域內的研究，例如可再生能源、電動汽車等，目前研究借助區(qū)塊鏈的存儲技術優(yōu)化交易策略[36]，以此作為智能合約的基礎。其次，與魯棒優(yōu)化節(jié)點相連接，而魯棒優(yōu)化應用場景應考慮規(guī)劃與運行相結合的優(yōu)化配置[37]。同時，高比例可再生能源的電力市場，應更多地考慮以電動汽車為代表的產消者參與能量交易市場的商業(yè)模式。

圖9 主動配電網節(jié)點 Fig.9 Active distribution network Node

3.2 國外電力市場的核心前沿

本小節(jié)數(shù)據來源于Web of science 檢索3 238 篇相關文獻。生成關鍵詞網絡圖譜，并采取不同的優(yōu)化算法進行圖譜剪枝，結果見表7。對比聚類效果可知，綜合聚類效果最佳為0.877 9。

表7 不同聚類裁剪算法效果對比 Tab.7 Comparison of the effects of different clustering and clipping algorithms

基于尋徑網絡算法對綜合網絡裁剪，聚類效果明顯優(yōu)于單年網絡。這是由于文獻數(shù)量增加，導致單年裁剪的網絡劃分模糊，使得其聚類模塊值較低，進而影響了整體的聚類效果。因此，選擇對綜合網絡裁剪，得到關鍵詞的聚類圖譜，如圖10 所示。關鍵詞網絡圖譜中出現(xiàn)頻次最高的有模型、優(yōu)化、需求響應、可再生能源、電價以及不確定性等。完整的圖譜展示了全部的信息，但由于數(shù)據過多使得圖譜節(jié)點眾多、連接復雜，從而缺乏可讀性。因此，接下來依據節(jié)點的權重，提煉出關鍵節(jié)點，聚焦于局部圖譜。

圖10 關鍵詞網絡圖譜 Fig.10 Keywords network map

以最小持續(xù)時間為一年，尋找16 個突現(xiàn)關鍵詞，結果見表9。

表9 關鍵節(jié)點-突現(xiàn)詞表 Tab.9 Key node-emergent vocabulary

從表9 中可知，突現(xiàn)強度比較高的關鍵詞有隨機過程、最優(yōu)潮流以及電價預測。區(qū)別于中國的定價機制，國外在電價預測方面發(fā)展迅猛。在此領域中，機器學習算法仍具有研究價值。最新突現(xiàn)的關鍵詞有能量樞紐、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。隨機過程節(jié)點兼具突現(xiàn)性高以及時間最新的特點，以此節(jié)點為例展示其在網絡圖譜中的具體連接，如圖11 所示。從圖中可以看出，隨機過程方法，應用于不確定性因素的量化處理，或者計及發(fā)電側經濟性的最優(yōu)運行策略。

圖11 隨機過程節(jié)點 Fig.11 Stochastic process node

從高到低排列節(jié)點的中介中心性，選取前8 個中介中心性詞，結果見表10。應用場景中最新穎的是能量交易。能量交易中，需求響應的環(huán)境效益[38]是一個相對較新的話題，碳排放交易是其中不可或缺的環(huán)節(jié)。通過跟蹤需求響應的碳排放量，有效地指導排放交易計劃。從表10 中可以看出，聚合商是中介中心性最高的節(jié)點，接下來以此節(jié)點為例進行解析。

表10 關鍵節(jié)點-中介中心詞表 Tab.10 Key node-intermediary central vocabulary

聚合商節(jié)點及其連接如圖12 所示。常見的聚合 商有虛擬電廠、電動汽車聚合商。虛擬電廠的靈活運行緩解網絡堵塞，提高其集成能源的附加價值；電動汽車聚合商的管理，需考慮駕駛模式、市場價格的不確定性[39]。此外，電動汽車通過V2G(vehicleto-grid）提供電網輔助服務，提高車網系統(tǒng)靈活性[41]。市場機制對于充分開發(fā)產消者的潛力是非常有必要的[42]，鼓勵本地配電網內的發(fā)電和消費，同時利用機器學習等算法為聚合商提供決策支撐。

圖12 聚合商節(jié)點 Fig.12 Aggregator node

4 結論

本文立足國內外電力市場相關研究，追蹤國內外在市場化進程中的研究成果，以十年為時間尺度刻畫研究聚類集群中發(fā)展演變軌跡，詳細而全面地展示各個集群內部隨時間的演進過程；以五年為時間尺度抓取研究熱點詞，形成關鍵詞網絡圖譜，采用中介中心性衡量關鍵節(jié)點以及重要連接，采用突現(xiàn)詞挖掘集群中具有潛力的研究主題，實現(xiàn)專業(yè)領域的研究前沿跟蹤。所得具體結論如下：

1）國內的演進軌跡和核心前沿：商業(yè)模式為研究軌跡中連接最多的節(jié)點，商業(yè)模式的探索例如規(guī)?；植际絻δ芴峁┹o助服務的自盈利模式等。輔助服務為近五年突現(xiàn)強度最高的關鍵詞，其交易品種中廣泛應用的有深度調峰，在此環(huán)節(jié)加強以需求響應為代表的靈活性資源的主動參與市場。主動配電網是中介中心性最高的關鍵詞，借助區(qū)塊鏈的存儲技術優(yōu)化交易策略；魯棒優(yōu)化等算法的應用場景應考慮規(guī)劃與運行相結合的優(yōu)化配置；高比例可再生能源的電力市場，應更多考慮以電動汽車為代表的產消者參與能量交易市場的商業(yè)模式。

2）國外的演進軌跡和核心前沿：純能源市場稀缺電價導致系統(tǒng)成本增加，容量市場成為熱點；同時，去中心化的市場機制設計仍在實行與探索中。在電價預測方面發(fā)展迅猛，在此領域中，機器學習算法仍具有研究價值；聚合商是中介中心性最高的關鍵詞，以虛擬電廠、電動汽車為代表的聚合商，鼓勵其主動為電網提供靈活性。

3）針對電力市場領域的發(fā)展前沿，本文提供了一種基于知識圖譜的可重復、系統(tǒng)化方法來刻畫研究領域的發(fā)展歷程，可廣泛應用于各個研究領域?？梢暬瘓D譜從視覺分析角度呈現(xiàn)領域專業(yè)的進化階段；利用視覺編碼中賦予的節(jié)點權重-中介中心性、突現(xiàn)性可識別專業(yè)領域的關鍵核心。