PROPER-Grids – Probabilistic Risk-informed Operational Scheduling for Power Grids

• Forschungsstelle: BFE
• Projektnummer: SI/502663
• Projekttitel Englisch: PROPER-Grids – Probabilistic Risk-informed Operational Scheduling for Power Grids

Kurzbeschreibung (Englisch)

Achieving sustainability and decarbonization goals requires efficient planning and scheduling of power grid operations while managing risks and uncertainties. Well-established industrial practices often overlook rare event risks and rely on deterministic N-1 methods. However, these methods neglect vital information on disturbance frequencies and uncertainties in operational and weather conditions, leading to inadequate and costly responses to varying risks. Inspired by probabilistic machine learning advancements, this project introduces an innovative approach for efficient Probabilistic Risk Assessment (PRA) and risk-informed operational planning. A specialized sampler will estimate the probability of rare events, assessing operational-environmental risks and low-probability cascading incidents. The framework integrates a cascading failure simulator and forecasting module, forming the backbone for risk-informed grid planning and scheduling under uncertainty. By comparing the risk-informed approach with deterministic methods, this project aims to achieve more profitable operational schedules and contribute to resilient, sustainable, and economically viable power grids.

Kurzbeschreibung (Italienisch)

Raggiungere obiettivi di sostenibilità e decarbonizzazione della rete elettrica richiede una gestione e pianificazione sicura delle operazioni, riducendo rischi e incertezze. Tuttavia, metodi deterministici N-1 sono spesso preferiti dai gestori di rete, trascurando dati preziosi sulle frequenze di guasto e incertezze previsionali operativo-meteorologiche con possibili conseguenze negative in termini di costo e sicurezza. Questo progetto mira a sviluppare nuovi metodi numerici per l'analisi e la previsione probabilistica del rischio (PRA) al fine di valutare la loro efficacia rispetto ai metodi deterministici nella pianificazione e gestione operativa delle reti. Saranno creati nuovi modelli per PRA da eventi rari, come guasti a cascata, e di supporto decisionale per la pianificazione operativa integrati in un ambiente di ottimizzazione numerica. Utilizzando approcci avanzati di machine learning e i nuovi metodi PRA sviluppati, il quadro risultante guiderà i processi di pianificazione per un approvvigionamento energetico sicuro, con una maggiore consapevolezza di rischi, incertezze, e criticità.