[论文解读] Just-In-Time Learning for Operational Risk Assessment in Power Grids

Oliver Stover, Pranav Karve+5 more|arXiv (Cornell University)|Sep 26, 2022

Electric Power System Optimization被引用 4

一句话总结

该论文提出JITRALF，一种即时机器学习框架，通过训练每小时的风险代理模型，加速高比例可再生能源渗透电力系统中的实时运行风险评估。通过使用非对称损失函数，优先保证在不安全运行区域的预测准确性，JITRALF在保持对备用不足、负荷削减和运行成本风险估计高精度的同时，显著降低计算负担，从而实现成本效益高、及时的风险缓解决策。

ABSTRACT

In a grid with a significant share of renewable generation, operators will need additional tools to evaluate the operational risk due to the increased volatility in load and generation. The computational requirements of the forward uncertainty propagation problem, which must solve numerous security-constrained economic dispatch (SCED) optimizations, is a major barrier for such real-time risk assessment. This paper proposes a Just-In-Time Risk Assessment Learning Framework (JITRALF) as an alternative. JITRALF trains risk surrogates, one for each hour in the day, using Machine Learning (ML) to predict the quantities needed to estimate risk, without explicitly solving the SCED problem. This significantly reduces the computational burden of the forward uncertainty propagation and allows for fast, real-time risk estimation. The paper also proposes a novel, asymmetric loss function and shows that models trained using the asymmetric loss perform better than those using symmetric loss functions. JITRALF is evaluated on the French transmission system for assessing the risk of insufficient operating reserves, the risk of load shedding, and the expected operating cost.

研究动机与目标

• 解决高比例可再生能源波动下基于蒙特卡洛方法的实时风险评估在计算上不可行的问题。
• 克服日前与实时运行中电网拓扑结构和机组出清组合随时间变化带来的挑战。
• 提升在高风险运行区域的预测精度，因为这些区域的低估会带来更大的系统可靠性风险。
• 使电网调度员能够基于最新、准确的风险估计，延迟并最小化风险缓解措施的实施。
• 开发一种可扩展、实用的实时风险评估框架，结合概率预测与数字孪生仿真。

提出的方法

• 为每一天的每一小时训练专用的机器学习代理模型，以反映机组出清组合与系统拓扑结构的变化。
• 采用即时学习策略：在日前安全约束经济调度（DA-FRAC）之后，使用日前风险评估的仿真数据训练模型。
• 采用一种新型的灾害感知非对称损失函数，对风险低估的惩罚远高于对高估的惩罚，尤其在接近或超出运行极限区域。
• 训练模型以预测关键关注量（QoIs），如备用不足风险、负荷削减风险和预期运行成本，而无需求解SCED问题。
• 将风力、光伏发电和负荷的概率预测作为输入，利用数字孪生仿真生成高保真度的训练数据。
• 在法国输电网系统中，针对高、中、低风险情景，通过实时风险估计验证模型性能。

实验结果

研究问题

• RQ1 在电力系统中，通过即时训练的机器学习代理模型能否显著降低实时运行风险评估的计算成本？
• RQ2 与对称损失函数相比，使用非对称损失函数在关键不安全运行区域是否能显著提升模型性能？
• RQ3 JITRALF在使用最新预报数据的情况下，能否在实时场景中准确预测备用不足、负荷削减和运行成本的风险？
• RQ4 实时风险估计是否能使电网调度员延迟并最小化高成本风险缓解措施，同时保持系统可靠性？
• RQ5 每小时训练代理模型的方式如何应对电网拓扑结构和机组出清组合模式的动态变化？

主要发现

• JITRALF在备用不足风险、负荷削减风险和预期运行成本风险的预测中均表现出高精度，低风险情景下平均绝对误差（MAE）低至0.02×10⁴$。
• 采用非对称灾害感知损失函数训练的模型优于对称损失模型，尤其在高风险情景下，关键区域的误差最高可降低50%。
• 在高风险情景下，JITRALF能正确识别出大规模备用承诺的必要性；而在低风险情况下，能准确预测出最小干预需求。
• 实时风险估计使调度员能够将额外机组的投入时间推迟至风险真实可信时，从而可能降低运行成本和排放。
• 该框架成功实现实时识别高风险运行状态，负荷削减风险预测的MAE为18.1×10⁴$（HAL: 21.6×10⁴$），高风险情况下表现优异。
• 负荷削减的平均风险值分别为83（高）、14.9（中）和0（低），JITRALF的预测结果与这些基准值高度一致，显示出极强的保真度。