闭环:电力系统可信机器学习框架
系统与控制
2022-07-15 v2 机器学习
系统与控制
摘要
能源部门的深度脱碳将需要随机可再生能源资源的大规模渗透以及大量的电网资产协调;对于负责在此类变化中维持电网稳定与安全的电力系统运营商而言,这代表了一种具有挑战性的范式。凭借从复杂数据集中学习并在快速时间尺度上提供预测性解决方案的能力,机器学习(ML)非常适合帮助克服这些挑战,因为电力系统在未来几十年将发生转型。在本文中,我们概述了构建从基于物理的仿真数据中学习的可信ML模型所面临的五个关键挑战(数据集生成、数据预处理、模型训练、模型评估与模型嵌入)。随后我们展示,在机器学习流水线的连续阶段中将各自克服相应挑战的独立模块连接起来,如何有助于提升训练过程的整体性能。特别地,我们实现了通过反馈连接学习流水线不同要素的方法,从而在模型训练、性能评估与再训练之间"闭环"。我们通过学习一个拟议的北海风电枢纽系统详细模型的N-1小信号稳定裕度,证明了该框架、其组成模块及其反馈连接的有效性。
引用
@article{arxiv.2203.07505,
title = {Closing the Loop: A Framework for Trustworthy Machine Learning in Power Systems},
author = {Jochen Stiasny and Samuel Chevalier and Rahul Nellikkath and Brynjar Sævarsson and Spyros Chatzivasileiadis},
journal= {arXiv preprint arXiv:2203.07505},
year = {2022}
}
备注
In proceedings of the 11th Bulk Power Systems Dynamics and Control Symposium (IREP 2022), July 25-30, 2022, Banff, Canada. 21 pages, 12 figures, 5 tables