[论文解读] Optimizing Service Restoration in Distribution Systems with Uncertain Repair Time and Demand

Anmar Arif, Shanshan Ma+4 more|arXiv (Cornell University)|Jun 28, 2018

Optimal Power Flow Distribution参考文献 16被引用 11

一句话总结

本文提出了一种两阶段随机混合整数规划模型，用于在修复时间（对数正态分布）和负荷需求（截断正态分布）不确定的情况下，协同优化抢修人员调度与配电系统恢复。结合一种新颖的分解方法与渐进凸化法（Progressive Hedging），该方法能高效求解大规模故障管理问题，在分钟级内获得接近最优的解，且在计算可扩展性和大规模网络的可行性方面优于传统方法。

ABSTRACT

This paper proposes a novel method to co-optimize distribution system operation and repair crew routing for outage restoration after extreme weather events. A two-stage stochastic mixed integer linear program is developed. The first stage is to dispatch the repair crews to the damaged components. The second stage is distribution system restoration using distributed generators, and reconfiguration. We consider demand uncertainty in terms of a truncated normal forecast error distribution, and model the uncertainty of the repair time using a lognormal distribution. A new decomposition approach, combined with the Progressive Hedging algorithm, is developed for solving large-scale outage management problems in an effective and timely manner. The proposed method is validated on modified IEEE 34- and 8500-bus distribution test systems.

研究动机与目标

• 解决极端天气事件后，修复时间与负荷需求不确定时，抢修人员调度与配电系统恢复的协调问题。
• 开发一种计算高效的求解方法，平衡大规模配电系统恢复问题的解质量与计算负担。
• 将修复时间的随机建模（对数正态分布）与负荷预测误差（截断正态分布）整合到统一的优化框架中。
• 通过协同优化抢修人员调度与含分布式电源的网络重构，实现及时可靠的供电恢复。
• 在IEEE 34-和8500-bus测试系统上验证该方法，展示其在不确定性下的可扩展性与鲁棒性。

提出的方法

• 构建一个两阶段随机混合整数线性规划（SMIP）模型，其中第一阶段将抢修人员分配至受损元件，第二阶段通过分布式电源与网络重构恢复供电。
• 采用对数正态分布建模修复时间的不确定性，采用截断正态分布的预测误差模型描述负荷需求的不确定性。
• 提出一种新型分解方法，将问题分解为两个子问题：识别需优先修复的关键元件，以及规划人员前往这些元件的路径。
• 应用并行渐进凸化法求解随机规划问题，独立求解每个场景的子问题，并迭代更新对偶乘子。
• 使用蒙特卡洛采样生成场景，并采用SCENRED2方法减少场景数量，同时保持解的质量。
• 通过深度优先搜索施加辐射状网络约束，以识别环路并确保恢复过程中的配电网呈辐射状运行。

实验结果

研究问题

• RQ1 在修复时间与负荷需求不确定的条件下，如何协同优化抢修人员调度与配电系统恢复？
• RQ2 何种分解策略可实现大规模随机配电系统恢复问题的高效求解？
• RQ3 与求解扩展形式或使用标准渐进凸化法相比，所提方法在解质量与计算时间方面表现如何？
• RQ4 场景削减与采样在多大程度上能准确反映修复与负荷行为的真实不确定性？
• RQ5 该方法能否在大规模配电网络（如IEEE 8500-bus系统）上保持可行性与收敛性？

主要发现

• 在IEEE 34-bus系统中，D-PH方法在10分钟内求解，最优性间隙为0.1%，目标函数值为30,588.18加权kWh，而扩展形式方法耗时25小时。
• 在IEEE 8500-bus系统中，D-PH方法在79分钟内完成四次调度周期的收敛，而EF与PH方法在24小时内均未能找到可行解。
• 在8500-bus案例中，该方法在五小时内实现95%负荷恢复，其中37%的负荷通过网络重构与分布式电源供电。
• 敏感性分析表明，仅使用30个场景即能保证解的稳定性，表明该场景集能充分代表不确定性。
• 在34-bus系统中，VSS（随机解价值）为64.05，EVPI（完美信息期望值）为94.87，证明了建模不确定性的价值。
• D-PH方法的解质量与扩展形式相当，最优性间隙极小，同时显著降低了计算时间。