[论文解读] Artificial Intelligence Assisted Power Grid Hardening in Response to Extreme Weather Events

Rozhin Eskandarpour, Amin Khodaei+2 more|arXiv (Cornell University)|Oct 5, 2018

Power Systems Fault Detection参考文献 13被引用 8

一句话总结

本文提出了一种由人工智能驱动的电网加固框架，通过联合优化电力系统在极端天气下的韧性与经济效率。利用机器学习模型预测元件故障，并通过协同优化模型战略性地部署分布式发电单元，该方法增强了系统鲁棒性，降低了IEEE 118节点系统中多个元件的停电风险。

ABSTRACT

In this paper, an artificial intelligence based grid hardening model is proposed with the objective of improving power grid resilience in response to extreme weather events. At first, a machine learning model is proposed to predict the component states (either operational or outage) in response to the extreme event. Then, these predictions are fed into a hardening model, which determines strategic locations for placement of distributed generation (DG) units. In contrast to existing literature in hardening and resilience enhancement, this paper co-optimizes grid economic and resilience objectives by considering the intricate dependencies of the two. The numerical simulations on the standard IEEE 118-bus test system illustrate the merits and applicability of the proposed hardening model. The results indicate that the proposed hardening model through decentralized and distributed local energy resources can produce a more robust solution that can protect the system significantly against multiple component outages due to an extreme event.

研究动机与目标

• 通过AI辅助加固提升电力系统在极端天气事件下的韧性。
• 在电网规划中协同优化经济性与韧性目标。
• 利用机器学习建模并预测极端天气下元件的故障情况。
• 确定分布式发电（DG）单元的最佳布设位置以增强系统鲁棒性。
• 在标准测试系统上展示去中心化、AI驱动加固方法的有效性。

提出的方法

• 利用机器学习模型基于极端天气影响预测元件状态（运行或故障）。
• 将预测的元件状态作为输入，输入至电网加固优化模型。
• 通过战略性部署分布式发电（DG）单元，该加固模型协同优化韧性与经济性目标。
• 该框架将预测分析与运行决策相结合，以提升电网韧性。
• 优化过程考虑了经济成本与韧性性能之间的复杂依赖关系。
• 在IEEE 118节点测试系统上开展数值仿真以验证该方法。

实验结果

研究问题

• RQ1 如何利用机器学习准确预测极端天气下电力系统中元件的故障？
• RQ2 在极端天气下，分布式发电单元的最优布设位置是什么，以最大化系统韧性？
• RQ3 如何在电网加固中协同优化经济性与韧性目标？
• RQ4 AI辅助加固在多元件故障情况下能将系统脆弱性降低到何种程度？
• RQ5 与传统方法相比，所提出的框架在提升电网鲁棒性方面的有效性如何？

主要发现

• 所提出的AI辅助加固模型显著提升了电力系统在极端天气事件下的韧性。
• 通过战略性部署DG单元，该模型降低了系统在多重元件故障下的脆弱性。
• 协同优化经济性与韧性目标可获得更鲁棒且更具成本效益的解决方案。
• 该框架在标准IEEE 118节点系统上展现出良好的适用性与有效性。
• 去中心化与分布式能源资源在极端条件下显著增强了系统鲁棒性。
• 结果证实，AI驱动的预测与优化可实现更优的韧性表现。