With the increasing penetration of wind power into the power grid, maintaining system reliability has been a challenging issue for ISOs/RTOs, due to the intermittent nature of wind power. In addition to the traditional reserves provided by thermal, hydro, and gas generators, demand response (DR) programs have gained much attention recently as another reserve resource to mitigate wind power output uncertainty. However, the price-elastic demand curve is not exactly known in advance, which provides another dimension of uncertainty. To accommodate the combined uncertainties from wind power and DR, we allow the wind power output to vary within a given interval with the price-elastic demand curve also varying in this paper. We develop a robust optimization approach to derive an optimal unit commitment decision for the reliability unit commitment runs by ISOs/RTOs, with the objective of maximizing total social welfare under the joint worst-case wind power output and demand response scenario. The problem is formulated as a multi-stage robust mixed-integer programming problem. An exact solution approach leveraging Benders' decomposition is developed to obtain the optimal robust unit commitment schedule for the problem. Additional variables are introduced to parameterize the conservatism of our model and avoid over-protection. Finally, we test the performance of the proposed approach using a case study based on the IEEE 118-bus system. The results verify that our proposed approach can accommodate both wind power and demand response uncertainties, and demand response can help accommodate wind power output uncertainty by lowering the unit load cost.

Due to increasing penetration of intermittent renewable energy and introduction of demand response programs, uncertainties occur in both supply and demand sides in real time for the current power grid system. To address these uncertainties, most ISOs/RTOs perform reliability unit commitment runs after the day-ahead financial market to ensure sufficient generation capacity available in real time to accommodate uncertainties. Two-stage stochastic unit commitment and robust unit commitment formulations have been introduced and studied recently to provide day-ahead unit commitment decisions. However, both approaches have limitations: 1) computational challenges due to the large scenario size for the stochastic optimization approach and 2) conservativeness for the robust optimization approach. In this paper, we propose a novel unified stochastic and robust unit commitment model that takes advantage of both stochastic and robust optimization approaches, that is, this innovative model can achieve a low expected total cost while ensuring the system robustness. By introducing weights for the components for the stochastic and robust parts in the objective function, system operators can adjust the weights based on their preferences. Finally, a Benders' decomposition algorithm is developed to solve the model efficiently. The computational results indicate that this approach provides a more robust and computationally trackable framework as compared with the stochastic optimization approach and a more cost-effective unit commitment decision as compared with the robust optimization approach.

Considering recent development of deregulated energy markets and the intermittent nature of renewable energy generation, it is important for power system operators to ensure cost effectiveness while maintaining the system reliability. To achieve this goal, significant research progress has recently been made to develop stochastic optimization models and solution methods to improve reliability unit commitment run practice, which is used in the day-ahead market for ISOs/RTOs to ensure sufficient generation capacity available in real time to accommodate uncertainties. Most stochastic optimization approaches assume the renewable energy generation amounts follow certain distributions. However, in practice, the distributions are unknown and instead, a certain amount of historical data are available. In this research, we propose a data-driven risk-averse stochastic unit commitment model, where risk aversion stems from the worst-case probability distribution of the renewable energy generation amount, and develop the corresponding solution methods to solve the problem. Given a set of historical data, our proposed approach first constructs a confidence set for the distributions of the uncertain parameters using statistical inference and solves the corresponding risk-averse stochastic unit commitment problem. Then, we show that the conservativeness of the proposed stochastic program vanishes as the number of historical data increases to infinity. Finally, the computational results numerically show how the risk-averse stochastic unit commitment problem converges to the risk-neutral one, which indicates the value of data.

Abstract Severe fever with thrombocytopenia syndrome virus (SFTSV) is spreading rapidly in Asia. It is transmitted by Haemaphysalis longicornis (Asian longhorned tick, ALT), which has both parthenogenetically and sexually reproducing populations. Parthenogenetic populations were found in at least 15 provinces in China and strongly correlated with the distribution of SFTS. The distribution of SFTS cases was however poorly correlated with the distribution of populations of bisexual ALTs. Phylogeographic analysis suggested that the parthenogenetic population spread much faster than bisexual population because colonization is independent of sexual reproduction. A higher proportion of parthenogenetic ALTs were collected from migratory birds captured at an SFTS endemic area, implicating the contribution to the long-range movement of ALTs in China. The SFTSV susceptibility of parthenogenetic females was like that of bisexual females under laboratory conditions. These results suggest that parthenogenetic ALT, probably transported by migratory birds, play a major role in the rapid spread of SFTSV. Article Summary Line The parthenogenetic population of Asian longhorned tick is broadly distributed in China and plays a major role in the long-distance spread of SFTSV and perhaps future invasion of countries outside of Asia.

Model personalization has attracted widespread attention in recent years. In an ideal situation, if individuals’ data are sufficient, model personalization can be realized by building models separately for different individuals using their own data. But, in reality, individuals often have data sets of varying sizes and qualities. To overcome this disparity, collaborative learning has emerged as a generic strategy for model personalization, but there is no mechanism to ensure fairness in this framework. In this paper, we develop fair collaborative learning (FairCL) that could potentially integrate a variety of fairness concepts. We further focus on two specific fairness metrics, the bounded individual loss and individual fairness, and develop a self-adaptive algorithm for FairCL and conduct both simulated and real-world case studies. Our study reveals that model fairness and accuracy could be improved simultaneously in the context of model personalization. Funding: This work was supported by the Breakthrough T1D Award [Grant 2-SRA-2022-1259-S-B]. Supplemental Material: The online appendix is available at https://doi.org/10.1287/ijds.2024.0029 .

Abstract Severe fever with thrombocytopenia syndrome virus (SFTSV) is rapidly expanding its range in China, because of the accelerated spread of the parthenogenetic Haemaphysalis longicornis , Asian long-horned tick (ALT). In this letter, we report the urban circulation of SFTSV between ALTs and hedgehogs in Beijing, China. Highlights Hedgehogs and ALTs can maintain the natural circulation of SFTSV in the city ecosystem. Hedgehogs and ALTs are becoming common in Beijing. Parthenogenetic ALTs are discovered in Beijing.