[论文解读] Multi-period Power System Risk Minimization under Wildfire Disruptions

Hanbin Yang, Noah Rhodes+3 more|arXiv (Cornell University)|May 4, 2023

Optimal Power Flow Distribution被引用 4

一句话总结

本文提出一种两阶段随机混合整数规划模型，用于在同时存在外生和内生野火风险的条件下，优化电力系统多时段可 preemptive（预停）停电策略，采用拉格朗日割分解算法求解。与确定性和鲁棒基准相比，该方法将野火损害和负荷削减成本降低了25–30%，同时保持对不确定性扰动的鲁棒性。

ABSTRACT

Natural wildfire becomes increasingly frequent as climate change evolves, posing a growing threat to power systems, while grid failures simultaneously fuel the most destructive wildfires. Preemptive de-energization of grid equipment is effective in mitigating grid-induced wildfires but may cause significant power outages during natural wildfires. This paper proposes a novel two-stage stochastic program for planning preemptive de-energization and solves it via an enhanced Lagrangian cut decomposition algorithm. We model wildfire events as stochastic disruptions with random magnitude and timing. The stochastic program maximizes the electricity delivered while proactively de-energizing components over multiple time periods to reduce wildfire risks. We use a cellular automaton process to sample grid failure and wildfire scenarios driven by realistic risk and environmental factors. We test our method on an augmented version of the RTS-GLMC test case in Southern California and compare it with four benchmark cases, including deterministic, wait-and-see, and robust optimization formulations as well as a comparison with prior wildfire risk optimization. Our method reduces wildfire damage costs and load-shedding losses, and our nominal plan is robust against uncertainty perturbation.

研究动机与目标

• 为应对由电力系统故障和气候变化加剧的野火威胁增长问题。
• 建模外生（外部）和内生（电网引发）野火对电力系统运行的双重影响。
• 开发一种随机优化框架，以捕捉多时段内野火干扰在时间和空间上的不确定性。
• 通过引入现实的野火动态和场景采样，改进确定性和鲁棒优化方法。
• 在不确定性条件下实现电力系统停电规划的运行鲁棒性和成本效率。

提出的方法

• 构建一个两阶段随机混合整数规划（SMIP）模型，联合优化在野火不确定性下的停电与潮流决策。
• 将野火事件建模为具有随机发生时间和强度的随机扰动，利用元胞自动机过程生成场景。
• 引入二元参数以在每个时间段内表示外生和内生野火对元件造成的损坏。
• 采用拉格朗日割分解算法，通过利用二元变量结构并生成有效割线，高效求解大规模SMIP实例。
• 结合逐步优化法与场景分解方法，处理多时段、多场景优化的复杂性。
• 在南加州的增强版RTS-GLM测试系统上验证模型，采用真实的气象和植被数据。

Figure 4 : Illustration of the RTS-GMLC system.

实验结果

研究问题

• RQ1 同时包含外生和内生野火风险时，对电力系统最优停电决策有何影响？
• RQ2 两阶段随机规划模型是否能在最小化总野火损害和负荷削减成本方面优于确定性和鲁棒优化模型？
• RQ3 所提出的拉格朗日割分解算法如何提升含二元变量的大规模SMIP问题的计算效率？
• RQ4 在混合野火情景下，最小化野火损害与最小化负荷削减之间存在何种权衡？
• RQ5 在包含不同类型和强度野火的样本外情景下，基准计划的鲁棒性如何？

主要发现

• 在混合外生与内生野火情景下优化得到的基准计划（X*）在最小化负荷削减与损害成本之间实现了良好平衡，优于仅针对单一野火类型优化的计划。
• 与确定性和鲁棒优化基准相比，X*将总期望成本降低了25–30%，在混合情景下总成本为4,792.8美元。
• 仅考虑外生野火的X^exo计划在存在内生野火时导致高额负荷削减成本（3,380.4美元），表明其鲁棒性差。
• 仅考虑内生野火的X^end计划过于保守，在第16时段切断了31条输电线路，即使在非扰动条件下也造成高额负荷削减成本（3,147.0美元）。
• 在混合情景下，X*计划总成本为3,612.7美元，其中负荷削减1,678.2兆瓦，损害成本1,333.6美元，展现出有效的风险权衡。
• 分解算法成功求解了包含500个场景的大规模实例，显示出计算效率和面向实际部署的可扩展性。

Figure 5 : Confidence intervals (bar) and point estimates (circle) of the lower and upper bounds for solutions with different sample sizes. The shaded area indicates the range of extreme values (maximum and minimum).