Resilience-Oriented DG Siting and Sizing Considering Energy Equity Constraint
本文针对低收入用户在极端天气下承受更多停电损失的问题，提出在分布式电源选址定容中引入能源公平约束，并通过两阶段随机规划与期望切负荷指标实现韧性导向的公平规划。
2024-10-17 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
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
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
A Preliminary Study on the Role of Energy Storage and Load Rationing in Mitigating the Impact of the 2021 Texas Power Outage
2021年2月，一场史无前例的冬季风暴席卷美国，严重影响德州电网，导致超过450万客户电力服务中断。本文评估了在实际电网的现实情况下，客户经历的减负荷。并对利用储能和负荷配给来缓解轮流停电对电网的不利影响进行了初步研究。据估计，如果能量存储是唯一的技术选择，则需要总装机容量为920 GWh的公用事业规模的电池存储系统来完全抵消德克萨斯州停电期间的甩负荷。我们的模拟结果表明，在系统上实施20%的负荷配给可能会使估计的储能容量减少85%。该估计是使用2021年2月15日至2月18日的预测容量和需求概况获得的。认识到实际部署这种规模的储能将是非常具有挑战性的事实，研究了提供更细粒度的需求减少的方法，作为利用储能最大限度地提高消费者生存能力的一种手段。初步案例研究表明，在这种极端天气条件下，将负荷配给和适当的储能规模相结合的潜力可能会为电网提供更大的可靠性改善。
2021-11-25 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
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
Structural Emergency Control Paradigm
Massachusetts Institute of Technology（麻省理工学院）；Technical University of Denmark（丹麦技术大学）；Cornell University（康奈尔大学）
本文提出一种新的结构紧急控制方法，通过离散重定位平衡点及其稳定性区域，使系统从故障清除状态连续吸引回原平衡点，无需连续测量或负载削减，适用于大规模电网。
2017-01-16 cs.SY eess.SY
Reliability Value of Long-Duration Energy Storage against Extreme Events in High-Renewable Grids: A Full-Year AC-OPF Assessment
Massachusetts Institute of Technology（麻省理工学院）；Yonsei University（延世大学）；Ewha Womans University（梨花女子大学）
本文提出多时段交流最优潮流模型，评估长时间储能在高可再生能源电网中应对极端事件的可靠性价值，在200母线系统上使年度减载平均降低83.0%，并保障N-1事故下的运行可行性。
2026-09-09 cs.SY eess.SY
An Integrated Approach for Failure Mitigation & Localization in Power Systems
输电网通常由多个控制区域组成，这些控制区域通过网状结构中的多条联络线连接以实现可靠性。众所周知，线路故障可能会非本地传播，冗余可能会加剧级联。在本文中，我们提出了一个综合的方法，电网的可靠性，（i）明智地关闭少量的联络线，使控制区域连接在一个树结构;（ii）利用统一的频率控制模式，实时提供拥塞管理。尽管所提出的拓扑结构减少了冗余，但区域级的树结构和实时拥塞管理的集成可以为故障定位和缓解提供更强的保证。我们说明了我们的方法在IEEE 39总线网络和评估其性能的IEEE 118总线，179总线，200总线和240总线网络与各种网络拥塞条件。仿真结果表明，与传统的方法相比，我们的方法不仅可以防止在更多的故障情况下切负荷，而且在切负荷是不可避免的情况下，也会引起少量的负荷损失。此外，根据我们的方法，发电机以本地方式更积极有效地调整其运营。
2020-04-22 cs.SY eess.SY math.OC
Cyber-Physical Co-Simulation of Load Frequency Control under Load-Altering Attacks
针对负荷改变攻击尤其是动态负荷改变攻击对电网稳定性的威胁，本文提出一种开源的电网与通信网络信息物理联合仿真环境，可实现电网保护机制建模并支撑具体场景下的攻击全面分析。
2025-08-01 cs.CR 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
Voltage Collapse Stabilization in Star DC Networks
电压崩溃是一种停电引起的动态不稳定性，发生在电力需求超过可以通过网络传输的最大功率时。避免电压崩溃的传统（预防性）方法是基于确保网络永远不会达到其最大容量。然而，这样的方法导致网络资源的低效使用，并且没有考虑到不可预见的事件。为了克服这一局限性，本文试图启动电压崩溃稳定的研究，即，以稳定电压崩溃点为目标的负荷控制器的设计。我们制定了一个星形直流网络的电压稳定性问题作为一个动态的问题，每个负载寻求实现恒定的功耗更新其电导作为电压的变化。我们介绍了一个电压崩溃稳定控制器，并表明，高压平衡稳定。更重要的是，我们能够在极端负载条件下实现比例减载。我们使用数字插图进一步强调了我们控制器的主要功能。
2021-04-19 cs.SY eess.SY
False Relay Operation Attacks in Power Systems with High Renewables
负荷发电平衡和系统惯性对于维持电力系统的频率至关重要。为了保持负荷发电平衡，电网配备了频率变化率（ROCOF）和甩负荷（LS）继电器。随着可再生能源的日益普及，电网的惯性正在下降，这导致在负载-发电不平衡的情况下系统频率下降更快。在此背景下，我们分析了在具有高可再生能源的电力系统中启动虚假数据注入（FDI）以创建虚假继电操作（FRO）的可行性，我们称之为FRO攻击。我们对电力系统的频率动态和相应的FDI攻击进行建模，包括同步发电机惯性、调速器时间常数和下垂等参数对FRO攻击成功的影响。我们将FRO攻击形式化为约束满足问题（CSP），并使用可满足性模理论（SMT）解决。我们的案例研究表明，可再生能源的电网更容易受到FRO攻击，同步发电机的惯性在减少电网中FRO攻击的成功方面起着至关重要的作用。
2021-02-24 cs.SY eess.SY
Comparative Assessment of Look-Ahead Economic Dispatch and Ramp Products for Grid Flexibility
Midcontinent ISO（中部电网独立系统运营商）
本文比较了前瞻性经济调度与爬坡产品在电网灵活性中的性能，发现两者在特定条件下存在差异，提出改进爬坡产品实现的建议。
2026-01-29 cs.SY eess.SY
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
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
A Coupled V2G Equilibrium Model of Electric Vehicle and Power System Interactions
University of Southern California（南加州大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
本文提出一个多主体耦合均衡框架，用于研究电动汽车与电力系统双向交互的经济机制及其对电网的效益，通过预处理可行路径生成过程整合充放电选择，数值研究验证了在家庭负载增加和电力线路故障场景下，V2G在减少负荷切除和降低配电节点边际电价方面的有效性。
2026-05-16 cs.SY eess.SY
Probabilistic assessment of the impact of flexible loads under network tariffs in low voltage distribution networks
The University of Sydney（悉尼大学）
本文提出了一种概率框架，用于设计电价以最小化分布式能源资源对网络性能的影响，稳定电网公司收入并改善网络成本分配的公平性。通过结合自动化家庭能源管理系统减少高峰需求，该框架展示了如何通过非参数贝叶斯模型、热用水统计模型和新型HEMS来调度可控设备，从而降低客户成本并缓解网络约束。
2020-07-17 cs.SY eess.SY math.OC
Safe Reinforcement Learning for Grid Voltage Control
Pacific Northwest National Laboratory（太平洋西北国家实验室）
低压减载被认为是在紧急情况下恢复电网电压稳定的标准方法，然而该方案通常无效地切除大量负荷。强化学习（RL）被认为是一种很有前途的方法来解决这些问题，但RL方法通常不能保证系统的安全性。在本文中，我们讨论了一对夫妇的新的安全RL方法，即约束优化方法和基于障碍函数的方法，可以安全地恢复紧急事件下的电压。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，以验证所提出的安全RL紧急控制的有效性。
2021-12-02 cs.LG 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
Just-In-Time Learning for Operational Risk Assessment in Power Grids
Vanderbilt University（范德堡大学）；Georgia Institute of Technology（佐治亚理工学院）
在可再生能源发电占很大比例的电网中，运营商将需要额外的工具来评估由于负荷和发电量波动性增加而导致的运营风险。前向不确定性传播问题的计算要求，必须解决许多安全约束的经济调度（SCED）优化，是这样的实时风险评估的主要障碍。本文提出了一个即时风险评估学习框架（JITRALF）作为替代。JITRALF使用机器学习（ML）来训练风险代理人，每天每小时一个，以预测估计风险所需的数量，而无需明确解决SCED问题。这大大减少了前向不确定性传播的计算负担，并允许快速、实时的风险估计。本文还提出了一种新的非对称损失函数，并表明使用非对称损失训练的模型比使用对称损失函数训练的模型表现更好。JITRALF在法国输电系统上进行评估，以评估运行储备不足的风险、甩负荷的风险和预期的运行成本。
2022-09-26 cs.LG cs.SY eess.SY
Mitigating the Impact of Uncertain Wildfire Risk on Power Grids through Topology Control
针对野火预测不确定导致PSPS决策次优的问题，提出两阶段拓扑控制方法，联合优化发电与切负荷成本，并比较事件前、后控制及风险置信度的影响。
2024-08-08 cs.SY eess.SY math.OC
Reinforcement Learning based Proactive Control for Transmission Grid Resilience to Wildfire
University of Houston（休斯顿大学）；Washington State University（华盛顿州立大学）；Vanderbilt University（范德堡大学）
极端事件下的电网运行需要人类操作员在高认知负荷的压力条件下进行决策。在不利的动态事件下的决策支持，特别是如果预测，可以通过智能主动控制来补充。电力系统在野火期间的操作需要考虑野火和故障传播的动态特性的用于减载、线路切换和资源分配的顺应性驱动的主动控制。然而，在事件期间，大型系统中可能的线路和负载切换次数使得传统的预测驱动和随机方法在计算上难以处理，导致运营商经常使用贪婪算法。我们的模型和解决作为一个马尔可夫决策过程的主动控制问题，并介绍了一个集成的测试平台的时空野火传播和积极的电力系统操作。我们改变了巨大的野火传播观测空间，并利用它作为一个启发式的一部分，主动去重的传输资产。我们将这种启发式与基于学习的主动策略相结合，以控制生成的资产。我们的方法允许这个控制器提供设定点的一部分，而近视的运营商可以确定设定点的其余一套，这导致了一个共生的行动。我们评估我们的方法，利用IEEE 24节点系统映射到一个假设的地形。我们的研究结果表明，所提出的方法可以帮助运营商，以减少在极端事件中的负载损失，减少通过线路的功率流被断电，并减少不可行的功率流解决方案的可能性，这将表明违反短期的输电线路的热限制。
2021-07-12 cs.AI cs.SY eess.SY
Equitable Network-Aware Decarbonization of Residential Heating at City Scale
住宅供暖主要由天然气提供动力，占世界许多地区住宅部门能源使用和碳排放的很大一部分。因此，通过过渡到由越来越环保和碳密集度更低的电网提供动力的节能热泵，推动了住宅供暖的脱碳。然而，这种过渡将增加电网的额外负荷，引发基础设施升级，并随后侵蚀使用天然气分销网络的客户群。公用事业公司希望指导这些过渡工作，以确保分阶段停用天然气网络和推迟电网基础设施升级，同时实现碳减排目标。为了促进这种转变，我们提出了一个网络感知的优化框架，在城市规模的住宅供暖脱碳的目标，以最大限度地减少碳在预算约束下。我们的方法操作上的气体网络拓扑图表示计算过渡的成本和选择的过渡社区。我们进一步扩展我们的方法，明确纳入公平，并确保不同社会经济群体之间的利益公平分配。我们将我们的框架应用于美国新英格兰地区的一个城市，使用真实世界的天然气使用量、电力使用量和电网基础设施数据。我们表明，在相同的预算下，我们的网络感知策略比之前的网络无关工作实现了高55%的碳减排。我们的公平意识战略实现了公平的结果，同时保留了网络意识战略的碳减排效益。
2023-01-11 cs.CY cs.SY eess.SY
Efficient Power Flow Management and Peak Shaving in a Microgrid-PV System
Robotics Institute, American Electric Power（美国电力公司机器人研究所）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种高效管理电力流并实现削峰的微电网-光伏系统，通过先进的计量和智能控制单元设计，实现了在高峰时段自动切除豪华负载，从而维持电力消耗在限制范围内，同时在低负载需求时将多余电力输送到公用电网，在高需求时段从电网获取电力补充。
2018-07-18 cs.SY eess.SP eess.SY
Threat from being Social: Vulnerability Analysis of Social Network Coupled Smart Grid
社交网络作为智能电网的一种补充，已被电力公司逐步应用，并被证明有助于平滑负荷曲线和减少能源使用。然而，SN也给智能电网带来了新的威胁：SN中的错误信息可能会导致智能电网用户改变其需求，导致输电线路过载，进而对电网造成灾难性的影响。本文讨论了社会网络耦合智能电网中的相互依赖性，并重点分析了其脆弱性。也就是说，当与之相关的错误信息在SN中扩散时，智能电网会受到多大程度的损害？为了分析研究这个问题，我们提出了社会智能电网中的错误信息攻击问题（MAPSS），它识别SN中的顶级关键节点，这样当错误信息从这些节点传播时，智能电网会受到很大的破坏。这个问题具有挑战性，因为我们必须同时合并两个网络的复杂性。然而，我们提出了一种技术，可以显式地考虑在SN中的信息扩散，潮流平衡和级联故障在智能电网综合评估节点的关键性时，在此基础上，我们提出了各种策略，在选择最关键的节点。此外，我们引入了控制减载作为一种保护策略，以减少连锁故障的影响。IEEE总线测试用例以及Pegase数据集上的实验证明了我们的算法的有效性。
2020-05-15 cs.SI cs.SY eess.SY
