[论文解读] Scenario-based Optimization Models for Power Grid Resilience to Extreme Flooding Events

Ashutosh Shukla, Erhan Kutanoğlu+1 more|arXiv (Cornell University)|Feb 21, 2023

Flood Risk Assessment and Management被引用 4

一句话总结

该论文提出了两种基于情景的优化模型——随机优化与鲁棒优化，以增强电力系统在飓风引发极端洪水情况下的韧性。通过将水文洪水预报与直流潮流模型相结合，模型在不确定性条件下识别出最优变电站加固策略，显著降低了负荷削减量，相较于基于均值预报的方法，尤其在预算较高或情景概率不确定时效果更显著。

ABSTRACT

We propose two scenario-based optimization models for power grid resilience decision making that integrate output from a hydrology model with a power flow model. The models are used to identify an optimal substation hardening strategy against potential flooding from storms for a given investment budget, which if implemented enhances the resilience of the power grid, minimizing the power demand that is shed. The same models can alternatively be used to determine the optimal budget that should be allocated for substation hardening when long-term forecasts of storm frequency and impact (specifically restoration times) are available. The two optimization models differ in terms of capturing risk attitude: one minimizes the average load shed for given scenario probabilities and the other minimizes the worst-case load shed without needing scenario probabilities. To demonstrate the efficacy of the proposed models, we further develop a case study for the Texas Gulf Coast using storm surge maps developed by the National Oceanic and Atmospheric Administration and a synthetic power grid for the state of Texas developed as part of an ARPA-E project. For a reasonable choice of parameters, we show that a scenario-based representation of uncertainty can offer a significant improvement in minimizing load shed as compared to using point estimates or average flood values. We further show that when the available investment budget is relatively high, solutions that minimize the worst-case load shed can offer several advantages as compared to solutions obtained from minimizing the average load shed. Lastly, we show that even for relatively low values of load loss and short post-hurricane power restoration times, it is optimal to make significant investments in substation hardening to deal with the storm surge considered in the NOAA flood scenarios.

研究动机与目标

• 应对飓风引发的洪水对电力系统日益增长的威胁，特别是在德克萨斯州等易受冲击的沿海地区。
• 开发决策支持模型，以考虑风暴潮洪水等级及其对变电站运行影响的不确定性。
• 在有限投资预算下，提供可操作的变电站加固策略，以最小化极端洪水事件中的负荷削减。
• 通过长期风暴频率和恢复时间预测，帮助电力公司确定最优投资预算。
• 通过比较随机优化（期望性能）与鲁棒优化（最坏情况）方法，支持不同风险偏好的决策制定。

提出的方法

• 将美国国家海洋和大气管理局（NOAA）基于物理的风暴潮洪水模型输出结果，与德克萨斯州电网的合成直流最优潮流模型相结合。
• 构建一个两阶段随机优化（SO）模型，利用基于洪水预报推导出的情景概率，最小化期望负荷削减量。
• 开发一个两阶段鲁棒优化（RO）模型，最小化最坏情况下的负荷削减量，且无需依赖情景概率。
• 基于历史和模拟的洪水范围，生成情景以表征各变电站处风暴潮水平的不确定性。
• 将模型应用于德克萨斯州墨西哥湾沿岸的案例研究，使用100个来自NOAA风暴潮地图的洪水情景，以及来自ARPA-E项目的合成电网。
• 通过情景间负荷削减量的对比分析、预算敏感性分析以及在不同不确定性假设下的鲁棒性评估，检验模型性能。

Figure 1: A schematic representation of the decision-making framework for the proposed models

实验结果

研究问题

• RQ1 与使用均值或点估计相比，采用基于情景的洪水不确定性表征在最小化负荷削减方面表现如何？
• RQ2 在不同预算水平下，最小化期望负荷削减（随机模型）与最小化最坏情况负荷削减（鲁棒模型）之间的权衡是什么？
• RQ3 在考虑长期风暴频率和恢复时间的前提下，变电站加固的最优投资额度是多少？
• RQ4 在韧性规划中，使用高保真度、基于物理的洪水地图相较于简单的情景生成方法有何价值？
• RQ5 在最坏情况和期望性能方面，鲁棒优化方法在何种条件下优于随机优化方法？

主要发现

• 相较于基于均值预报的方法，采用基于情景的不确定性表征显著降低了期望负荷削减量，尤其在高影响情景下效果更明显。
• 当投资预算超过4000万美元时，鲁棒优化方案在最坏情况下的负荷削减表现优于随机优化方案，同时保持了具有竞争力的期望性能。
• 即使在负荷损失较低且恢复时间较短的情况下，大规模变电站加固投资仍是缓解风暴潮影响的最优策略。
• 鲁棒优化模型在所有情景下均表现出稳定性能，负荷削减量波动极小，因此在情景概率不确定或易变时更具优势。
• 两种模型相结合，使决策者能够通过对比不完美与近乎完美的洪水预报下的期望性能，评估‘完美信息’的价值。
• 将NOAA提供的洪水地图与潮流建模相结合，可实现比启发式或简化洪水情景方法更准确、更具可操作性的韧性规划。

Figure 2: An example permanent hardening structure at a substation