一种基于机器学习的配电网无功优化可解释框架
系统与控制
2023-11-08 v1 机器学习
系统与控制
摘要
为减轻配电网无功优化的沉重计算负担，机器学习模型正受到越来越多的关注。然而，大多数机器学习模型（如神经网络）通常被视为黑箱，使得电力系统运行人员难以识别和理解机器学习模型决策过程中的潜在偏差或错误。为解决此问题，提出一种可解释的机器学习框架以优化配电网中的无功。首先，提出一种Shapley加性解释框架，用于度量各输入特征对机器学习模型生成的无功优化解的贡献。其次，开发一种模型无关的近似方法以估计Shapley值，从而避免直接计算Shapley值所带来的沉重计算负担。仿真结果表明，所提可解释框架能够通过可视化分析，从全局和实例两个角度准确解释基于机器学习模型的无功优化解。此外，所提可解释框架是模型无关的，因此适用于多种模型（如神经网络）。
引用
@article{arxiv.2311.03863,
title = {An Explainable Framework for Machine learning-Based Reactive Power Optimization of Distribution Network},
author = {Wenlong Liao and Benjamin Schäfer and Dalin Qin and Gonghao Zhang and Zhixian Wang and Zhe Yang},
journal= {arXiv preprint arXiv:2311.03863},
year = {2023}
}
备注
It was submitted to the 23rd Power Systems Computation Conference (PSCC 2024) on Sept.2023