用于电网运行风险评估的即时学习
系统与控制
2022-09-27 v1 机器学习
系统与控制
摘要
在可再生能源发电占相当比重的电网中,由于负荷与发电波动性加剧,运行人员需要额外工具来评估运行风险。前向不确定性传播问题的计算需求——必须求解大量安全约束经济调度(SCED)优化——是此类实时风险评估的主要障碍。本文提出一种即时风险评估学习框架(JITRALF)作为替代方案。JITRALF 使用机器学习(ML)为一天中每个小时训练风险代理模型,以预测估计风险所需的量,而无需显式求解 SCED 问题。这显著降低了前向不确定性传播的计算负担,并实现快速的实时风险估计。本文还提出一种新颖的非对称损失函数,并表明使用非对称损失训练的模型优于使用对称损失函数的模型。JITRALF 在法国输电系统上进行了评估,用于评估运行备用不足风险、甩负荷风险以及期望运行成本。
引用
@article{arxiv.2209.12762,
title = {Just-In-Time Learning for Operational Risk Assessment in Power Grids},
author = {Oliver Stover and Pranav Karve and Sankaran Mahadevan and Wenbo Chen and Haoruo Zhao and Mathieu Tanneau and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2209.12762},
year = {2022}
}