[论文解读] Deep Learning based Model-free Robust Load Restoration to Enhance Bulk System Resilience with Wind Power Penetration

Jin Zhao, Fangxing Li+2 more|arXiv (Cornell University)|Sep 16, 2021

Electric Power System Optimization参考文献 24被引用 4

一句话总结

本文提出了一种基于深度学习的、无需模型的鲁棒负荷恢复方法，适用于高比例风电渗透的电力系统。通过使用DNN和CNN模拟最坏情况场景，并结合负荷恢复检查清单生成（LPCG）算法以实现最优性，该方法实现了实时、计算高效的在线恢复，其速度和适应性优于传统鲁棒优化方法，在IEEE 30节点和118节点系统上得到验证。

ABSTRACT

This paper proposes a new deep learning (DL) based model-free robust method for bulk system on-line load restoration with high penetration of wind power. Inspired by the iterative calculation of the two-stage robust load restoration model, the deep neural network (DNN) and deep convolutional neural network (CNN) are respectively designed to find the worst-case system condition of a load pickup decision and evaluate the corresponding security. In order to find the optimal result within a limited number of checks, a load pickup checklist generation (LPCG) algorithm is developed to ensure the optimality. Then, the fast robust load restoration strategy acquisition is achieved based on the designed one-line strategy generation (OSG) algorithm. The proposed method finds the optimal result in a model-free way, holds the robustness to handle uncertainties, and provides real-time computation. It can completely replace conventional robust optimization and supports on-line robust load restoration which better satisfies the changeable restoration process. The effectiveness of the proposed method is validated using the IEEE 30-bus system and the IEEE 118-bus system, showing high computational efficiency and considerable accuracy.

研究动机与目标

• 解决大规模电力系统中因高比例风电波动性和不确定性带来的韧性负荷恢复挑战。
• 克服传统鲁棒优化在高维不确定性下因计算负担过重而难以应用于在线场景的问题。
• 开发一种实时、无模型的方法，确保在最坏风电与负荷条件下的系统安全。
• 实现快速、最优的负荷恢复，能够动态适应恢复过程中的系统条件变化。
• 以数据驱动、可扩展的替代方案取代传统鲁棒优化，适用于在线部署。

提出的方法

• 设计深度神经网络（DNN）以预测任意给定负荷恢复决策下的最坏系统状态。
• 使用深度卷积神经网络（CNN）评估在预测的最坏情景下的系统安全性。
• 开发负荷恢复检查清单生成（LPCG）算法，系统性地探索并选择在有限检查次数内的最优负荷恢复序列。
• 实施单线策略生成（OSG）算法，从最优检查清单快速生成完整且鲁棒的恢复策略。
• 利用历史系统数据和最坏情况场景仿真训练DNN与CNN，避免显式系统建模。
• 将DNN与CNN与LPCG和OSG算法集成，实现实时、无模型的鲁棒决策。

实验结果

研究问题

• RQ1 基于深度学习的无模型方法是否能在实现与传统鲁棒优化相当的鲁棒负荷恢复性能的同时，实现实时计算？
• RQ2 DNN与CNN模型在高比例风电不确定性下预测最坏系统状态的效率如何？
• RQ3 在计算资源受限条件下，LPCG算法在负荷恢复序列中确保最优性的程度如何？
• RQ4 与传统鲁棒优化相比，该方法在动态恢复过程中的计算速度和适应性表现如何？
• RQ5 该方法是否可有效应用于大规模系统（如IEEE 118节点系统）且具有高比例风电渗透？

主要发现

• 所提方法具有极高的计算效率，实现了实时在线负荷恢复，而传统鲁棒优化因计算负担过重而难以实现此目标。
• DNN与CNN模型能有效预测最坏系统状态并评估安全性，其准确性已在IEEE 30节点和IEEE 118节点系统上得到验证。
• LPCG算法在有限检查次数内确保了接近最优的负荷恢复序列，显著缩小了搜索空间，同时不牺牲鲁棒性。
• OSG算法成功从最优检查清单生成完整且鲁棒的恢复策略，确保在最坏情景下的系统安全。
• 该方法在高比例风电渗透系统中表现出显著的准确性与韧性，在速度和适应性方面优于传统方法。
• 在IEEE 118节点系统上的验证结果证实了其可扩展性与鲁棒性，表明该方法已具备在实际电力系统中在线部署的可行性。