⚡ electrical engineering

Wildfire Risk-Informed Preventive-Corrective Decision Making under Renewable Uncertainty

本文提出了一种结合日前与实时信息、考虑可再生能源不确定性的随机预防 - 校正切集及稳定性约束机组组合与最优潮流模型，旨在通过协调决策提升含高比例可再生能源的电力系统在野火风险下的经济性与韧性。

原作者： Satyaprajna Sahoo, Anamitra Pal

发布于 2026-04-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Satyaprajna Sahoo, Anamitra Pal

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章讲述了一个关于如何在“野火”威胁下，让充满新能源（风能、太阳能）的电网既安全又省钱的聪明办法。

为了让你更容易理解，我们可以把整个电力系统想象成一个繁忙的物流快递网络，而野火就是突然袭来的山洪或泥石流。

1. 背景：为什么这是个难题？

传统的电网：就像一条由大卡车（传统发电厂）组成的运输线，路线固定，司机经验丰富。如果某条路塌了（线路故障），调度中心通常知道怎么绕路。
现在的电网：为了环保，我们加入了很多**“无人机”和“自行车”**（太阳能和风能）。它们很环保，但有个缺点：看天吃饭。太阳被云遮了，风停了，它们送到的货物量就会忽多忽少。
野火的威胁：野火不像普通的故障。它不像只是“撞坏了一辆车”，它更像是一场大范围的泥石流，可能同时冲毁好几条路（多条线路），而且伴随着浓烟和强风，让无人机（新能源）也飞不稳。更糟糕的是，野火发生前，天气通常又干又热，这本身就会让现有的运输路线（输电线路）压力巨大。

核心问题：如果等到野火真的烧到电线了再想办法，那就太晚了，会导致大停电。我们需要在火灾发生前（甚至是一天前）就做好预案，同时又要应对天气变化带来的不确定性。

2. 核心方案：像“双保险”一样的决策系统

作者提出了一套**“预防 + 纠正”的双层决策系统，就像是一个精明的物流调度员**，分两步走：

第一步：前一天晚上做计划（预防性决策）

场景：调度员看着天气预报，发现明天某条路线（比如加州的某段）野火风险很高，而且明天的风力和阳光可能不稳定。
动作：
- 提前备货：调度员不会只依赖那些看天吃饭的“无人机”，他会提前叫几辆**大卡车（传统发电厂）**待命，随时准备补位。
- 预留空间：他会在地图上画出几条“关键通道”（Cut-sets），并规定：“如果这里发生泥石流，这些通道上的货物量不能超过某个安全值，否则路会断。”
- 模拟演练：他在电脑上模拟了成千上万种可能的情况（比如：风突然停了、云遮住了太阳、野火真的烧起来了），确保无论发生哪种情况，都有应对方案。

第二步：当天实时调整（纠正性决策）

场景：到了第二天，野火风险真的变高了（比如风更大了，或者烟雾更浓了），或者太阳能发电突然比预期的少。
动作：
- 动态调整：调度员根据实时的风险数据，立刻调整刚才的计划。
- 紧急分流：如果某条路太危险，就立刻把货物分流到其他路，或者暂时减少一部分非紧急货物的运输（切负荷，即暂时停电，但只停很少一部分，保大局）。
- 电压维稳：对于“无人机”（新能源）聚集的区域，如果电压不稳，就自动调节附近的“稳压阀”（电容器/电抗器），防止设备跳闸。

3. 关键创新点：用“概率”代替“猜谜”

以前的方法要么太保守（不管有没有火，都按最坏情况准备，太浪费钱），要么太乐观（出了事再救，太危险）。

这篇文章的方法就像是一个经验丰富的老船长：

他知道野火发生的概率不是 0% 或 100%，而是一个范围（比如 30% 到 90% 都有可能）。
他利用数学模型（贝塔分布、高斯混合模型）来预测这种不确定性。
比喻：就像你出门前看天气预报，如果预报说“有 90% 概率下雨”，你会带伞；如果只有 10%，你可能不带。这篇文章的系统能精确计算这个“概率”，在**“带伞的成本”和“淋湿的风险”**之间找到最佳平衡点。

4. 结果如何？

作者在美国西部的一个大型电网模型（240 个节点，相当于一个巨大的物流网）上测试了这个方法：

更安全：即使野火真的发生了，系统也不会像以前那样大面积瘫痪，而是能像有弹性的橡皮筋一样，承受冲击并恢复。
更省钱：因为不是盲目地准备所有资源，而是根据风险等级灵活调整，所以整体运营成本比那些“一刀切”的方法要低。
反应快：虽然计算很复杂，但系统能在几秒钟到几分钟内算出方案，完全满足实时调度的要求。

总结

这篇文章的核心思想就是：面对野火和新能源的不确定性，我们不能“死板”地守规矩，也不能“盲目”地赌运气。

我们要建立一个**“智能调度员”，它既能未雨绸缪**（提前一天安排备用资源），又能随机应变（实时根据火情和天气微调），用概率思维来平衡安全与成本，确保在野火肆虐的时候，我们的电灯依然能亮，手机依然能充上电。

这是一份关于论文《Wildfire Risk-Informed Preventive-Corrective Decision Making under Renewable Uncertainty》（可再生能源不确定性下的野火风险知情预防 - 校正决策）的详细技术总结。

1. 研究背景与问题 (Problem)

野火对电网的威胁： 野火的频率和强度日益增加，对电力系统的安全稳定运行构成严重威胁。与常规故障不同，野火相关的故障（如高阻抗故障、电弧故障）难以检测、持续时间不可预测，且往往在短期内多次发生。
级联失效风险： 野火会导致多条线路和资产同时受损，引发级联跳闸，进而导致系统失稳甚至大面积停电。
可再生能源（IBR）的脆弱性： 随着光伏（Solar）和风电（Wind）等基于逆变器的资源（IBR）渗透率的提高，系统对电压调节和故障穿越能力的要求更高。研究表明，IBR 在野火烟雾影响下的性能下降以及电压调节问题会加剧系统的不稳定性（如 2019 年英国和 2025 年伊比利亚半岛停电事故中的教训）。
现有方法的局限性：
- 传统的预防 - 校正方案通常未考虑野火风险估计的不确定性。
- 现有研究往往忽略了可再生能源出力的波动性。
- 在 IBR 丰富的系统中，缺乏针对野火场景的电压调节研究。
- 实时求解包含暂态稳定性和安全约束的最优潮流（OPF）是一个非凸、NP 难问题，难以在动态变化的野火风险和不确定性下实时完成。

2. 方法论 (Methodology)

论文提出了一种多时间尺度的随机预防 - 校正协调框架，结合了日前（Day-ahead）和实时（Real-time）决策，旨在应对野火风险和可再生能源不确定性。

A. 不确定性建模与情景生成

可再生能源不确定性：
- 光伏： 使用 $n$ 分量高斯混合模型（GMM）模拟太阳辐照度变化导致的出力偏差。
- 风电： 使用 Beta 分布模拟风速估计误差导致的出力偏差。
野火风险不确定性： 考虑到野火风险预测的误差随预测时间增加而增大，使用 Beta 分布对野火风险（ $\lambda$ ）的估计误差进行建模。
情景缩减： 生成约 10,000 个样本，利用 k-近邻（kNN）算法缩减为 500 个代表性情景集（ $\Xi$ ）。

B. 预防阶段：随机切集与安全约束机组组合 (S-CSCUC)

目标： 在日前阶段，基于最坏情况下的后故障场景，决定哪些备用机组需要启动，以最小化再调度成本。
核心约束：
- 切集安全（Cut-set Security）： 识别饱和切集（Saturated Cut-sets），确保切集内的功率流动不超过安全裕度（ $T_c$ ）。
- 暂态稳定性（Transient Stability）： 基于转子角稳定性，利用线性回归模型（ $\Upsilon$ ）预测临界机组（CM）与非临界机组（NM）之间的功率转移限制（ $T_d$ ），避免时间域仿真（TDS）的实时计算负担。
- 分布鲁棒优化： 将目标函数转化为两阶段分布鲁棒形式，考虑可再生能源出力的不确定性。

C. 校正阶段：随机切集与稳定性约束最优潮流 (S-CSCOPF)

目标： 在实时阶段，根据实时野火风险估计（ $\lambda$ ）和机组组合结果，进行再调度和切负荷。
机会约束（Chance Constraints）： 引入置信水平 $\epsilon$ （如 95%），确保切集安全和暂态稳定性约束在至少 $(100 \times \epsilon)\%$ 的情景下满足。
风险调节： 通过调整实时野火风险参数 $\lambda$ ，系统可以动态调整安全裕度。 $\lambda$ 越高，系统越保守，预留的安全裕度越大。

D. IBR 电压调节

针对 IBR 丰富的子系统，利用算法 1 进行迭代灵敏度分析。
通过暂态稳定性仿真（TDS）识别电压越限节点，利用灵敏度矩阵（Jacobian）指导无功补偿设备（如并联电抗器/电容器）的投切，以将电压维持在 IEEE Std. 2800-2022 规定的故障穿越范围内。

3. 关键贡献 (Key Contributions)

综合框架： 首次提出了一种结合日前机组组合（UC）和实时最优潮流（OPF）的协调框架，同时考虑了野火风险的不确定性、可再生能源的波动性以及IBR 的电压调节需求。
新颖的随机模型： 提出了随机切集与安全约束机组组合（S-CSCUC）和随机切集与稳定性约束最优潮流（S-CSCOPF）模型，利用机器学习（线性回归）加速暂态稳定性约束的评估，使其适用于实时应用。
电压调节策略： 专门针对 IBR 丰富的系统在野火场景下的电压越限问题，提出了一种基于灵敏度的迭代电压控制方法。
风险量化与权衡： 建立了野火风险参数（ $\lambda$ ）与系统成本、安全裕度之间的量化关系，证明了在野火风险下通过增加运行成本可以显著提升系统韧性。

4. 实验结果 (Results)

测试系统： 基于美国西部互联电网（WECC）的简化 240 节点系统，包含高达 78% 的可再生能源渗透率。
案例场景： 选取了加州 Midway-Vincent 走廊（Path 26），该区域野火风险高。模拟了野火导致的线路级联跳闸。
性能表现：
- 稳定性提升： 在野火引发的故障下，未加控制的系统会出现发电机失步（转子角发散）和 IBR 电压越限。应用该框架后，发电机保持同步，IBR 电压恢复至允许范围内。
- 切负荷减少： 相比于未协调的随机方法（M2, M3），所提方法（M1）显著减少了切负荷量。例如，在高风险情景下，M1 的切负荷量极低（<1 MW），而其他方法可能导致大量负荷损失。
- 成本与韧性权衡： 随着野火风险参数 $\lambda$ 从 0.3 增加到 0.9，系统的切负荷量和切机量增加，总运行成本上升，但系统对野火的韧性显著增强。
- 计算效率： 尽管涉及大量情景，但通过机器学习加速稳定性评估和情景缩减，UC 求解时间约为 6.38 秒，OPF 求解时间约为 15 秒，满足日前和近实时的应用需求。

5. 意义与结论 (Significance & Conclusion)

提升电网韧性： 该研究证明了在可再生能源高渗透率背景下，通过协调的预防 - 校正决策机制，可以有效缓解野火带来的动态风险，防止级联停电。
经济性与安全性的平衡： 研究揭示了在野火风险下，适度增加运行成本（如启动备用机组、预留更大裕度）是换取系统高韧性和最小化负荷损失的必要手段。
实际应用价值： 提出的方法不仅考虑了静态安全，还纳入了动态稳定性和电压控制，为电力调度中心在极端天气和自然灾害下的决策提供了可落地的技术工具。
未来方向： 强调了在应对日益严重的野火威胁时，必须将不确定性感知（Uncertainty-aware）的决策机制纳入电网运行的核心流程。

总结： 该论文通过创新的随机优化框架，成功解决了野火风险与可再生能源不确定性叠加下的电网安全运行难题，为构建具有高度韧性的现代电力系统提供了重要的理论依据和解决方案。