Maximal Load Shedding Verification for Neural Network Models of AC Line Switching
University of Vermont(佛蒙特大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本文提出一种双层验证方法,利用凸松弛和局部搜索,为神经网络求解交流线路切换问题提供最坏情况负荷削减的下界,并在多个测试用例上验证其优于随机采样。
2025-10-27 cs.SY eess.SY
Machine Learning for Fairness-Aware Load Shedding: A Real-Time Solution via Identifying Binding Constraints
National Renewable Energy Laboratory(美国国家可再生能源实验室)
本文提出一种机器学习算法,通过识别绑定约束实现毫秒级计算,解决公平感知负荷削减优化问题的实时性挑战,并在3节点和RTS-GMLC系统上验证了其有效性。
2025-02-27 cs.AI cs.SY eess.SY
Optimal Rotational Load Shedding via Bilinear Integer Programming
University of California, Santa Cruz(加州大学圣克鲁兹分校)
本文研究了如何通过双线性整数规划优化电力分配网络中多个负荷区的旋转负荷削减计划,提出了一种新的双线性整数规划求解方法,并通过大量仿真验证了该方法的有效性。
2018-10-21 cs.SY eess.SY math.OC
A Cooperative Game Theory-based Approach to Under-frequency Load Shedding Control
针对电力系统频率稳定与控制问题,提出了一种基于合作博弈理论的低频减载方法。低频减载对于频率稳定性和频率控制至关重要,特别是在可再生能源高度渗透和重构电力系统的电网中。传统的UFLS方法,其中大部分是离线的,通常基于预定的时间表去除固定量的预定负载,这可能导致负载的过度或不足削减。本文提出了一种基于合作博弈理论的两阶段策略,以有效和精确地确定位置和数量的负荷减低频开关控制。在第一阶段中,使用参考等效惯性中心的初始频率变化率(ROCOF)来计算要甩负荷的总量,也称为发电量或干扰功率的不足。在第二阶段,Shapley值,合作博弈论的解决方案的概念之一,用于确定负荷削减量和位置。所提出的方法是实现减少9总线3机西部电力协调委员会(WECC)系统和实时数字仿真器(RTDS)进行了仿真。结果表明,所提出的UFLS方法可以有效地恢复系统的正常状态后的干扰。
2021-06-27 cs.SY eess.SY
Optimal Load Shedding for Public Safety Power Shutoffs
针对公共安全断电事件,提出一种基于负荷重要性的多步遗传算法减载优化方法,在保持关键负荷和电网稳定的前提下实现最小减载,降低野火风险。
2023-11-13 cs.SY eess.SY math.OC
Unit commitment with analytical underfrequency load-shedding constraints for island power systems
本文提出校正型频率约束机组组合(C-FCUC),通过解析建模低频减载约束来优化孤岛电力系统的旋转备用配置,并验证其可推广为预防型频率约束机组组合和标准机组组合,在西班牙孤岛系统中成功应用。
2023-04-11 cs.SY eess.SY
Under-frequency Load Shedding for Power Reserve Management in Islanded Microgrids
本文针对孤岛微电网提出低频减载方案,通过设定不同频率阈值触发减载,利用分段器、智能电表和可控电器,在OPAL-RT平台上验证了恢复功率储备和平衡三相电压的有效性。
2023-09-06 cs.SY eess.SY
Adaptive Load Shedding for Grid Emergency Control via Deep Reinforcement Learning
紧急控制,典型地如欠压减载(UVLS),被广泛地用于在紧急情况下解决实际电力系统中的低电压和电压不稳定问题。然而,现有的紧急控制方案是基于规则的,不能自适应地应用于不确定和浮动的操作条件。本文提出了一种基于深度强化学习和专家系统的自适应UVLS紧急控制算法。我们首先构造动态组件,用于将电力系统操作描绘为环境。瞬态电压恢复准则对UVLS提出了时变要求,它被集成到状态和奖励函数中,以指导深度神经网络的学习。该方法不存在报酬函数系数的调整问题,而这一问题被认为是现有基于DRL算法的不足之处。大量的案例研究表明,所提出的方法优于传统的UVLS继电器在紧急控制的及时性和有效性。
2021-02-25 cs.SY eess.SY
Optimization-based Framework for Selecting Under-frequency Load Shedding Parameters
针对高可再生能源电网中低频减载(UFLS)忽略网络空间信息的问题,提出一种混合整数线性规划框架,通过优化UFLS设定点以最小化频率偏差和负荷切除,并在IEEE 39节点系统上验证了有效性。
2024-01-09 cs.SY eess.SY
AC-aware Optimization Framework for Under-Frequency Load Shedding
本文提出一种交流感知预测优化框架,利用模型降阶技术捕捉交流网络效应和调速器动态,周期性自适应调整低频减载设定值,在1,648节点系统上验证其优于静态及简化模型的自适应UFLS方案。
2025-01-06 cs.SY eess.SY
Scalable Learning for Optimal Load Shedding Under Power Grid Emergency Operations
Department of Electrical and Computer Engineering The University of Texas at Austin(德克萨斯大学奥斯汀分校电气与计算机工程系)
对突发事件的有效和及时响应对于增强电网的弹性至关重要。考虑到级联传播的快速、复杂过程,由于计算复杂性和通信延迟问题,在大规模网络中难以实现诸如最优减载(OLS)的校正动作。本文提出了一种基于离线神经网络(NN)的OLS学习方法,通过离线训练构建各种潜在事故情景下的最优切负荷决策规则。值得注意的是,拟议的基于NN的OLS决策是完全分散的,使各个负载中心能够使用现成的本地测量结果对特定的应急情况做出快速反应。IEEE 14节点系统的数值研究表明,我们的可扩展的OLS设计的有效性,实时响应严重的电网紧急事件。
2022-01-27 cs.LG cs.SY eess.SY
Data-driven Estimation of Under Frequency Load Shedding after Outages in Small Power Systems
本文提出一种基于回归树和Tobit模型的数据驱动方法,用于估计小型电力系统停电后的低频减载量,并可直接嵌入混合整数线性规划,在拉帕尔马岛系统中实现平均绝对误差仅0.213 MW的准确估计。
2024-02-20 cs.SY eess.SY
Data-driven Under Frequency Load Shedding Using Reinforcement Learning
针对传统低频减载方案适应性差、强化学习方法训练计算负担重的问题,提出用机器学习分类器捕捉系统频率响应后训练RL智能体的方法,可缩短训练与实时应用时间、减少减载量,在IEEE 68节点系统上验证了更优性能。
2024-10-06 cs.SY eess.SY
Machine Learning for Campus Energy Resilience: Clustering and Time-Series Forecasting in Intelligent Load Shedding
University of Lagos(拉各斯大学)
本研究针对拉各斯大学提出基于机器学习的智能减载框架,通过主成分分析降维和Mini-Batch K-Means聚类划分建筑需求等级,并结合Prophet等模型进行短期负荷预测,实现更公平、数据驱动的配电优化。
2025-09-21 cs.LG cs.SY eess.SY
Accelerated Deep Reinforcement Learning Based Load Shedding for Emergency Voltage Control
切负荷是防止电压失稳的最有效的紧急控制手段之一。随着电力系统中不确定性的增加和运行条件的快速变化,现有方法在速度、自适应性或可扩展性方面存在突出问题。近年来,深度强化学习(DRL)被认为是一种有前途的快速自适应电网稳定控制方法。然而,现有的DRL算法在应用于电力系统控制问题时表现出两个突出的问题:1)计算效率低,需要大量的训练和调整时间;以及2)可扩展性差,使得难以扩展到高维控制问题。为了克服这些问题,一个加速DRL算法称为PARS开发和定制的电力系统电压稳定控制通过减载。PARS具有高度的可扩展性,并且仅使用五个主要超参数即可轻松调优。IEEE 39总线和IEEE 300总线系统的方法进行了测试,后者是迄今为止最大的规模这样的研究。测试结果表明,与其他方法相比,包括模型预测控制(MPC)和邻近策略优化(PPO)方法,PARS具有更好的计算效率(更快的收敛速度)、更强的学习鲁棒性、良好的可扩展性和泛化能力。
2020-12-05 cs.SY eess.SP eess.SY
Machine Learning for Scalable and Optimal Load Shedding Under Power System Contingency
National Renewable Energy Laboratory(国家可再生能源实验室);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对电力系统故障下实时最优切负荷(OLS)难以实现的问题,提出去中心化神经网络离线训练方法,利用本地测量自主构建OLS方案,减少计算通信需求,在IEEE 118节点和合成德克萨斯2000节点系统验证了其高效性。
2025-02-11 cs.LG cs.SY eess.SY
A Policy Switching Approach to Consolidating Load Shedding and Islanding Protection Schemes
School of Electrical Engineering & Computer Science Oregon State University(俄勒冈州立大学电气与计算机工程学院)
本文提出一种算法方法,通过策略切换整合传统负载削减和孤岛保护方案,以优化电力网络在故障发生前后运行性能。
2014-08-09 cs.SY eess.SY physics.soc-ph
Real-time hybrid controls of energy storage and load shedding for integrated power and energy systems of ships
本文针对含BESS和SCESS的船舶综合电力系统,提出利用不同爬坡率特性并结合滚动时域优化的实时EMS,以减少减载、平衡SoC并降低计算负担。
2024-03-02 cs.SY eess.SY
Barrier Function-based Safe Reinforcement Learning for Emergency Control of Power Systems
低压减载已被认为是在紧急和严重情况下恢复电网电压稳定的标准和有效措施。然而,这种方案通常会使大量的负载跳闸,这对客户来说是不必要的和有害的。最近,深度强化学习(RL)被认为是一种很有前途的方法,可以显着减少甩负荷量。然而,与大多数现有的基于机器学习(ML)的控制技术一样,RL控制通常不能保证被控系统的安全性。介绍了一种新的电力系统紧急切负荷的安全RL方法,该方法可以提高电网在发生故障后的电压安全恢复能力。与标准RL方法不同,安全RL方法具有由障碍函数组成的奖励函数,当系统状态达到安全界限时,该障碍函数达到负无穷大。因此,最优控制策略,使最大化的回报函数,可以使电力系统,以避免安全边界。该方法具有通用性,可应用于其它安全关键控制问题。在39节点IEEE基准上进行了数值仿真,以证明所提出的安全RL紧急控制的有效性,以及其对训练中未出现的故障的自适应能力。
2021-09-30 cs.SY eess.SY
Techno-Economic Planning of Spatially-Resolved Battery Storage Systems in Renewable-Dominant Grids Under Weather Variability
本文针对可再生能源主导电网中的波动性与切负荷问题,提出基于两阶段随机规划的电池储能系统选址、定容与选型方法,并以纽约州为案例验证其可减少34%弃电和21%切负荷,揭示成本与可再生能源渗透率的非线性关系。
2025-08-17 cs.SY eess.SY
Community Resilience Optimization Subject to Power Flow Constraints in Cyber-Physical-Social Systems in Power Engineering
针对电力工程中的网络-物理-社会系统,提出了一种潮流约束下的社区弹性优化方法,并采用基于多智能体的算法进行求解。在物理侧的发电与社会侧的消费者和关键负荷之间建立联系的工具是潮流算法。具体而言,情感,同理心,合作的水平,和消费者的身体健康,prosumers在拟议的社区弹性优化方法建模,同时占电功率系统的限制和他们的影响的关键负载,其中包括医院,收容所,加油站,仅举几例。这种优化解释了这样一个事实,即社会的满意度、生活水平和社会福祉取决于包括电力在内的能源供应。显然,由于减载造成的电力短缺对精神和心理生活质量都有影响,这反过来又影响到社区的复原力。开发的约束社区弹性优化方法应用于两个案例研究,包括两个区域6节点系统和修改后的IEEE RTS 24节点系统。仿真结果表明,情绪,风险感知和社交媒体平台效应因子的初始值的降低需要增加减载,这反过来又导致社区弹性的下降。相反,合作,同情,身体健康,微电网和分布式能源的能力的初始值的增加导致在减负荷,这反过来又引起了社区弹性的增强。
2020-04-02 cs.SY eess.SY physics.soc-ph
Deep Reinforcement Learning Microgrid Optimization Strategy Considering Priority Flexible Demand Side
Changchun Institute of Technology(长春工程学院);National and Local Joint Engineering Research Center for Smart Distribution Network Measurement, Control and Safe Operation Technology(智能配电网测控与安全运行技术国家地方联合工程研究中心);Qilu University of Technology (Shandong Academy of Sciences)(齐鲁工业大学(山东省科学院));Institute of Oceanographic Instrumentation(海洋仪器研究所)
微电网作为一种有效的分布式能源与用户端的集成方式,主要面临着分布式能源的小范围波动性、不确定性、不确定性和需求侧不确定性等问题。传统的微电网形式单一,无法满足复杂需求侧与微电网之间的能量灵活调度。针对这一问题,提出了风电、恒温控制负荷、储能系统、价格响应负荷和主电网的整体环境。其次,微网运行的集中控制便于分布式电源的无功和电压的控制以及电网频率的调整。然而,存在的问题在于,在电价谷期间,柔性负荷聚集并产生峰值。现有的研究考虑到微电网的功率约束,无法保证单个柔性负载的电能供应。在考虑微网整体运行环境的基础上,考虑TCL和ESS各单元组件的响应优先级,以保证微网柔性负荷的供电,最大程度地节约电力投入成本。最后,仿真环境的优化可以表示为一个马尔可夫决策过程。它在培训过程中结合了线下和线上两个阶段的操作。多线程的加入和缺乏历史数据学习导致学习效率低下。通过增加异步优势Actor-Criter和经验回放池内存库,解决了训练过程中数据的相关性和非静态分布问题。
2022-11-11 cs.AI cs.LG cs.SY
Load Block Modeling in Distribution Systems: Network Reconfiguration for Load Restoration
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本文研究配电网恢复问题,提出更准确的负载切除、投入和恢复建模方法,以应对复杂工程约束。
2026-04-16 cs.SY eess.SY math.OC
Distributed Stochastic ACOPF Based on Consensus ADMM and Scenario Reduction
针对随机ACOPF问题,提出基于一致性ADMM的求解方法,结合蒙特卡洛采样、聚类与同步后向约简处理负荷不确定性,在IEEE系统上实现成本与可靠性指标的优化。
2024-11-04 cs.SY eess.SY
AC Dynamics-aware Trajectory Optimization with Binary Enforcement for Adaptive UFLS Design
University of Vermont(佛蒙特大学)
本文提出一种基于轨迹优化的自适应UFLS方法,通过引入全AC非线性动态和二进制决策,解决传统UFLS方案在高分布式能源渗透下的非适应性问题,有效恢复系统频率。
2026-03-19 cs.SY eess.SY
Exploiting Vulnerabilities of Load Forecasting Through Adversarial Attacks
University of Washington(华盛顿大学)
本文研究了一类负荷预测算法的脆弱性,提出了一种无需假设攻击者能力的数据注入攻击算法,通过注入恶意数据影响负荷预测,导致系统操作中的负载削减和调度成本增加。
2019-04-13 cs.SY eess.SY math.OC
Topology-Aware Reinforcement Learning over Graphs for Resilient Power Distribution Networks
The University of Texas at Dallas(德克萨斯大学达拉斯分校);University at Buffalo(布法罗大学);Virginia Tech(弗吉尼亚理工大学)
本文提出一种拓扑感知的图强化学习框架,通过整合拓扑数据分析提升电力分配网络的韧性,实验表明其在奖励、电力输送和电压违规方面均优于基线模型。
2026-03-07 cs.LG cs.SY eess.SY
Base Station Sleeping Strategy Based on Load Sharing in Ultra-Dense Networks
Beijing Jiaotong University(北京交通大学);East China Jiaotong University(华东交通大学);Southeast University(东南大学)
本文提出了一种基于负载共享的基站睡眠策略,通过优化初始连接和负载管理,提升超密集网络的能效与服务质量。
2026-01-20 cs.SY eess.SY
An Improved Transmission Switching Algorithm for Managing Post-(N-1) Contingency Violations in Electricity Networks
这封信是通过将搜索空间移动到甩负荷总线来改进传输切换(TS)性能的概念证明。过去的研究表明,改变输电系统拓扑结构会改变潮流,并消除事故后违规。因此,TS可以在N-1意外事故后减少甩负荷量。其中一个主要的挑战是在合适的时间找到最好的TS候选。在这封信中,最好的TS候选人是通过使用一种新的启发式双层方法的基础上线性灵敏度。建议的双层方法是很容易实现在现实世界中,保证消除后应急违规,并排名最佳的TS候选人的基础上最小的甩负荷可能。此外,所提出的方法是计算效率,因为它不涉及混合整数规划。在IEEE 39节点试验系统中,通过对N-1事故后输电系统拓扑结构的修改,实现了双水平方法。结果表明,具有发电再调度的TS是防止连锁故障的最佳切负荷恢复方案。此外,双水平的方法,即使在文献中的现有方法不能完全消除后偶然违规的情况下。
2020-06-23 cs.SY eess.SY
Sharing the Load: Considering Fairness in De-energization Scheduling to Mitigate Wildfire Ignition Risk using Rolling Optimization
野火是对公共安全的威胁,由于气候变化,野火的频率和严重程度都有所增加。为了减轻野火点火风险,电力电力系统运营商在“公共安全电力切断”(PSPS)事件期间主动地使高风险电力线路断电。线路断电会导致社区断电,这可能会对经济、健康和安全造成负面影响。此外,同一社区在野火季节可能会反复经历断电,这加剧了这些负面影响。然而,可能有许多电力线路的组合,其去电将导致大约相同的系统范围野火风险的降低,但相关的停电影响不同的社区。因此,人们可能会对解除制裁决定的公平性表示关切。因此,本文提出了一个框架来选择线路去能,以平衡野火风险降低,总减载,和公平的考虑。该框架的目标是防止一小部分社区受到PSPS事件的不利影响,而是更平等地分担停电的负担。对于美国西南部的地理定位测试案例,我们使用实际的加州需求数据以及真实的野火风险预测来模拟2021年野火季节的PSPS事件,并比较各种方法的性能以促进公平。我们的研究结果表明,所提出的配方可以提供显着更公平的结果,对系统范围内的性能的影响有限。
2022-11-02 cs.SY eess.SY
Managing HILP Consequences Using Dynamic Distribution System Asset Assessment
为了提高配电系统对高影响低概率(HILP)事件的恢复能力,重要的是要优先考虑这些事件损坏的资产,以便更快地恢复丢失的负载,特别是敏感和重要的负载。为此,本文讨论了电力供应线路的优先级调度和优先修复行动。为此,配电系统线路的经济价值被认为是衡量网络对飓风敏感性的一个标准。该模型是基于价值的,其中已考虑的负载值,基于寿命的失效概率的杆,脆弱性曲线,由维护团队的线路维修的持续时间,和拓扑因素。这是为了考虑需求侧的重要性、线路的故障程度和可达性、时间的重要性以及网络配置。分析结果给出了线路优先级的排序,其中拓扑因素的影响较大。该模型已在IEEE 33节点网络上进行了测试。
2021-05-23 cs.SY eess.SY
Chance-constrained allocation of UFLS candidate feeders under high penetration of distributed generation
低频减载(UFLS)方案是通过断开部分需求来控制电网频率下降的最后手段。选择馈线的分配方法,将有助于UFLS计划传统上依赖于这样一个事实,即电力需求遵循相当规律的模式,并可以预测高精度。然而,最近集成的分布式发电(DG)增加了馈线的净消耗的不确定性,这反过来又需要重新制定的UFLS分配方法来考虑这种不确定性。在本文中,提出了一种选择馈线的机会约束方法,数学保证断开所需的负载量与一定的预定义的概率。考虑到DG功率输出的不确定性是由整个网络具有高度相关性的气象条件驱动的,馈线之间的净负荷预测的相关性被明确考虑。此外,该方法可应用于具有常规UFLS方案的系统(其中继电器测量本地频率,并且如果该幅度低于某个阈值则跳闸)或自适应UFLS方案(其中继电器由在偶然事件之后的几个瞬间中发送的控制信号触发)。相关的案例研究表明,所提出的方法的适用性,并明确考虑不确定性的UFLS分配过程中的需要。
2022-11-05 cs.SY eess.SY math.OC