Learning to Mitigate Post-Outage Load Surges: A Data-Driven Framework for Electrifying and Decarbonizing Grids

作者: Wenlong Shi, Dingwei Wang, Liming Liu, Zhaoyu Wang

分类: eess.SY

发布日期: 2025-10-09

💡 一句话要点

提出数据驱动框架，量化新能源渗透对停电后负荷浪涌的影响并提供缓解策略

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 负荷浪涌 电气化 脱碳 因果推断 Transformer模型 新能源 电力系统 缓解策略

📋 核心要点

1. 现有方法难以理解电气化和脱碳背景下，电动汽车、热泵和分布式能源对停电后负荷浪涌的复杂影响。
2. 提出一种数据驱动的框架，利用因果推断和多任务Transformer模型，量化不同资产对负荷浪涌的贡献。
3. 实验表明，该方法能有效预测未来场景下的负荷浪涌，并验证了缓解策略的有效性，显著降低浪涌超过概率。

📝 摘要（中文）

电气化和脱碳正在改变电力系统的需求和恢复动态，但它们对停电后负荷浪涌的影响仍然知之甚少。本文分析了印第安纳波利斯市的城市级异构数据集，该数据集包含2020年至2024年期间30,046次馈线级停电，并与智能电表和分表数据相关联，以量化电动汽车（EV）、热泵（HP）和分布式能源（DER）对恢复浪涌的因果影响。统计分析和因果森林推断表明，这三种资产渗透率的上升显著增加了浪涌比率，其影响受到恢复时间、停电持续时间和天气条件的强烈调节。我们开发了一个组件感知的多任务Transformer估计器，用于分解EV、HP和DER的贡献，并将其应用于在反事实的2035年采用路径下预测历史停电情况。在符合政策的路径中，傍晚的恢复成为具有约束力的可靠性约束，当30%的系统负荷在最初15分钟内恢复时，超过概率为0.057。缓解措施，如概率性EV重启、短时恒温器偏移和加速DER重新连接，将超过概率降低到0.019，并在恢复的系统负荷小于等于20%时完全消除。这些结果表明，转型时期的浪涌是由资产驱动的，并且与电气化和脱碳存在因果关系，但可以通过综合运营策略有效地管理。

🔬 方法详解

问题定义：论文旨在解决电气化和脱碳背景下，电动汽车(EV)、热泵(HP)和分布式能源(DER)等新能源资产渗透率增加对停电后负荷浪涌的影响评估问题。现有方法难以准确量化这些资产的因果影响，也缺乏有效的缓解策略。

核心思路：论文的核心思路是利用大规模真实世界的停电数据，结合因果推断和深度学习模型，量化不同新能源资产对负荷浪涌的贡献，并在此基础上设计缓解策略。通过分析历史数据，学习新能源资产与负荷浪涌之间的复杂关系，从而预测未来场景下的负荷行为。

技术框架：整体框架包括以下几个主要阶段：1) 数据收集与预处理：收集包含馈线级停电、智能电表和分表数据的异构数据集。2) 因果推断：利用因果森林等方法，量化EV、HP和DER对负荷浪涌的因果影响。3) 多任务Transformer估计器：开发组件感知的多任务Transformer模型，用于分解EV、HP和DER的贡献。4) 场景预测与缓解策略：在反事实的未来场景下预测负荷浪涌，并评估缓解策略的有效性。

关键创新：论文的关键创新在于：1) 首次利用大规模真实世界数据，量化新能源资产对停电后负荷浪涌的因果影响。2) 提出了一种组件感知的多任务Transformer估计器，能够有效分解不同新能源资产的贡献。3) 基于预测结果，提出了概率性EV重启、短时恒温器偏移和加速DER重新连接等缓解策略。

关键设计：多任务Transformer估计器包含多个任务头，分别预测EV、HP和DER的负荷贡献。损失函数采用加权均方误差，以平衡不同任务之间的学习难度。网络结构采用标准的Transformer编码器-解码器结构，并引入了组件感知的嵌入层，以区分不同类型的新能源资产。

🖼️ 关键图片

📊 实验亮点

实验结果表明，新能源资产渗透率的上升显著增加了负荷浪涌比率。在符合政策的2035年预测场景中，当30%的系统负荷在最初15分钟内恢复时，傍晚恢复的超过概率为0.057。通过采用概率性EV重启、短时恒温器偏移和加速DER重新连接等缓解措施，可以将超过概率降低到0.019，并在恢复的系统负荷小于等于20%时完全消除。

🎯 应用场景

该研究成果可应用于电力系统规划、运行和控制。电力公司可以利用该方法预测未来新能源渗透率下的负荷浪涌风险，并制定相应的缓解策略，提高电力系统的可靠性和稳定性。此外，该研究还可以为政府制定相关政策提供参考，促进新能源的健康发展。

📄 摘要（原文）

Electrification and decarbonization are transforming power system demand and recovery dynamics, yet their implications for post-outage load surges remain poorly understood. Here we analyze a metropolitan-scale heterogeneous dataset for Indianapolis comprising 30,046 feeder-level outages between 2020 and 2024, linked to smart meters and submetering, to quantify the causal impact of electric vehicles (EVs), heat pumps (HPs) and distributed energy resources (DERs) on restoration surges. Statistical analysis and causal forest inference demonstrate that rising penetrations of all three assets significantly increase surge ratios, with effects strongly modulated by restoration timing, outage duration and weather conditions. We develop a component-aware multi-task Transformer estimator that disaggregates EV, HP and DER contributions, and apply it to project historical outages under counterfactual 2035 adoption pathways. In a policy-aligned pathway, evening restorations emerge as the binding reliability constraint, with exceedance probabilities of 0.057 when 30\% of system load is restored within the first 15 minutes. Mitigation measures, probabilistic EV restarts, short thermostat offsets and accelerated DER reconnection, reduce exceedance to 0.019 and eliminate it entirely when 20\% or less of system load is restored. These results demonstrate that transition-era surges are asset-driven and causally linked to electrification and decarbonization, but can be effectively managed through integrated operational strategies.