一种用于预测配电系统中植被相关停电的数据驱动方法
机器学习
2019-03-07 v2 机器学习
摘要
本文提出一种新颖的数据驱动方法，用于逐月预测配电系统中发生的植被相关停电次数。为开发能成功实现该目标的方法，需解决两个主要挑战。第一个挑战是界定目标区域范围，为此提出一种无监督机器学习方法克服此困难。第二个挑战是正确识别植被相关停电的主因并深入探究其性质。本文将此类停电分为增长相关与天气相关两类，并分别提出时间序列与非线性机器学习回归两类模型执行预测任务。此外，构造并采用了可解释植被相关停电变异性的多种特征。利用从美国一家主要公用事业公司获取的实际停电数据，以及各类天气与地理数据构建所提方法。最后，借助多种时间序列模型与机器学习方法开展综合案例研究，展示所提方法如何成功预测植被相关停电次数，并协助决策者检测系统中的薄弱区域。
引用
@article{arxiv.1807.06180,
title = {A Data-Driven Approach for Predicting Vegetation-Related Outages in Power Distribution Systems},
author = {Milad Doostan and Reza Sohrabi and Badrul Chowdhury},
journal= {arXiv preprint arXiv:1807.06180},
year = {2019}
}