[论文解读] Robust Optimal Power Flow with Wind Integration Using Conditional Value-at-Risk

Yu Zhang, Georgios B. Giannakis|arXiv (Cornell University)|Oct 28, 2013

Electric Power System Optimization参考文献 12被引用 6

一句话总结

该论文提出了一种适用于高比例风电接入系统的鲁棒直流最优潮流（DC-OPF）框架，采用条件风险价值（CVaR）作为风险感知正则化项，以最小化在风电出力不确定性下的常规发电成本与电力交易成本。该方法利用样本平均近似（SAA）技术，规避了计算上难以处理的高维积分问题，从而将问题转化为凸优化问题，相较于风险不敏感的经济调度，显著降低了期望成本与方差。该方法在IEEE 30节点系统上基于真实风电数据进行了验证。

ABSTRACT

Integrating renewable energy into the power grid requires intelligent risk-aware dispatch accounting for the stochastic availability of renewables. Toward achieving this goal, a robust DC optimal flow problem is developed in the present paper for power systems with a high penetration of wind energy. The optimal dispatch is obtained as the solution to a convex program with a suitable regularizer, which is able to mitigate the potentially high risk of inadequate wind power. The regularizer is constructed based on the energy transaction cost using conditional value-at-risk (CVaR). Bypassing the prohibitive high-dimensional integral, the distribution-free sample average approximation method is efficiently utilized for solving the resulting optimization problem. Case studies are reported to corroborate the efficacy of the novel model and approach tested on the IEEE 30-bus benchmark system with real operation data from seven wind farms.

研究动机与目标

• 为应对高比例风电接入系统中风电出力的随机性，通过引入风险感知经济调度策略，解决最优潮流（OPF）中的挑战。
• 在最小化总系统成本（包括发电成本与电力交易成本）的同时，降低风电供应不足的风险。
• 构建一种计算上可处理的凸优化框架，即使在风电预测存在高维不确定性的情况下亦能有效求解。
• 通过基于CVaR的正则化方法，结合位置相关的风电价格与风险阈值，实现对风能的智能利用。
• 基于实际风电场数据，在IEEE 30节点系统上，于不同负荷与风电条件下验证所提模型的有效性。

提出的方法

• 构建一种基于CVaR正则化的鲁棒直流OPF问题，通过惩罚损失分布尾部的高额交易成本，从而限制风电出力不足的风险。
• 采用置信水平β = 0.95的条件风险价值（CVaR）度量，量化超出VaR阈值的预期交易成本，确保调度策略具有风险规避特性。
• 应用样本平均近似（SAA）方法，将CVaR正则化项中难以计算的高维期望替换为有限样本平均，实现高效计算，且无需假设概率分布。
• 通过SAA求解所得的凸优化问题，将随机规划转化为可计算、无分布假设且可扩展的形式。
• 引入物理约束，如功率平衡、发电机出力上下限，以及负值风电出力截断为零，确保解的可行性。
• 基于真实风电数据（589小时，2012年）进行经验协方差估计，以建模多个母线间风电预测的相关性。

实验结果

研究问题

• RQ1 如何构建风险感知的最优潮流模型，以缓解高比例风电接入系统中风电出力不足带来的高昂成本？
• RQ2 基于CVaR的正则化项是否能在DC-OPF的凸优化框架中有效平衡发电成本与交易成本？
• RQ3 在真实风电数据条件下，所提出的基于SAA的方法相较于风险不敏感调度，在期望成本与方差方面表现如何？
• RQ4 在CVaR感知的风险控制机制下，负荷过载率对交易成本与节点边际电价（LMP）的影响程度如何？
• RQ5 位置相关的风电价格在风险感知框架下如何影响风电出力的最优调度？

主要发现

• 基于CVaR的风险控制调度将总成本的均值从无风险控制时的419.87降低至396.40，降幅5.6%，同时方差从856.24显著降低至126.09。
• 随着正则化权重μ的增加，最优成本持续下降，因为更高的μ对交易成本施加更强惩罚，导致风电出力承诺减少，常规发电增加。
• 总成本的累积分布函数（CDF）显示，基于CVaR的方案始终低于风险不敏感方法，证实其在鲁棒性与风险缓解能力方面的优越性。
• 最优调度在母线7（风电购买价格最低）安排了更高的风电出力，从而减少常规发电与总成本，体现了对风能的智能利用。
• 随着负荷过载率从γ = 0增加至0.3，总成本如预期上升，但因CVaR风险控制机制的存在，交易成本基本保持稳定。
• 节点边际电价（LMP）随过载率上升而增加，并表现出阻塞效应，证实高负载下输电约束显现，而CVaR模型能有效管理此类约束。