通过组合异常和突变点检测获取电网时序测量的更佳负荷估计
机器学习
2024-10-24 v3 人工智能
应用统计
机器学习
摘要
本文提出了一种新颖的方法，用于自动异常和开关事件过滤，以提高电网系统中的负荷估计。在利用无监督方法配合监督优化的过程中，我们的方法优先考虑可解释性，同时确保在未见数据上的鲁棒和通用性能。通过实验，二进制分段用于突变点检测，统计过程控制用于异常检测的组合被证明是最有效的策略，尤其是当以这种新颖的方式进行集成时。结果表明，在不应用过滤器时会明显浪费潜能。自动负荷估计也相当准确，约有 90% 的估计值落在 10% 误差范围内，在测试集的 60 项测量中仅出现一次显著的最小和最大负荷估计故障。我们的方法可解释性强，特别适用于关键基础设施规划，从而增强了决策过程。
引用
@article{arxiv.2405.16164,
title = {Acquiring Better Load Estimates by Combining Anomaly and Change Point Detection in Power Grid Time-series Measurements},
author = {Roel Bouman and Linda Schmeitz and Luco Buise and Jacco Heres and Yuliya Shapovalova and Tom Heskes},
journal= {arXiv preprint arXiv:2405.16164},
year = {2024}
}
备注
All code can be found at: https://github.com/RoelBouman/StormPhase2