一种用于电力系统事件识别的半监督方法
机器学习
2024-07-24 v2 系统与控制
系统与控制
摘要
事件识别日益被认为是提升电力系统可靠性、安全性与稳定性的关键。随着相量测量单元 (PMU) 部署的增多与数据科学的进步，通过机器学习分类技术探索数据驱动的事件识别存在广阔机遇。然而，由于劳动密集性以及对实时事件类型（类别）的不确定性，获取准确标注的含事件 PMU 数据样本仍具挑战。因此，利用同时使用标注与未标注样本的半监督学习技术十分自然。我们评估了三类经典半监督方法：(i) 自训练，(ii) 直推式支持向量机 (TSVM)，以及 (iii) 基于图的标签扩散 (LS) 方法。我们的方法利用从合成含事件 PMU 数据的模态分析中提取的物理可解释特征来刻画事件。我们特别关注对电网运行至关重要的四类事件的识别。我们开发并公开了一个综合事件识别软件包，包含三个方面：数据生成、特征提取，以及利用半监督方法以有限标注进行事件识别。使用该软件包，我们针对南卡罗来纳合成网络生成并评估了含事件 PMU 数据。我们的评估一致表明，基于图的 LS 优于我们考虑的另外两种半监督方法，且相对于仅含少量标注样本的设置可显著提升事件识别性能。
引用
@article{arxiv.2309.10095,
title = {A Semi-Supervised Approach for Power System Event Identification},
author = {Nima Taghipourbazargani and Lalitha Sankar and Oliver Kosut},
journal= {arXiv preprint arXiv:2309.10095},
year = {2024}
}