基于预训练与微调注意力驱动神经算子的故障后电压轨迹共形预测
机器学习
2024-11-01 v1
摘要
提出一种用于预测电力系统故障后电压轨迹区间的新数据驱动方法。首先引入分位数注意力-傅里叶深度算子网络（QAF-DeepONet），旨在捕捉电压轨迹的复杂动力学，并在不做任何分布假设的情况下可靠地估计目标轨迹的分位数。所提出的算子回归模型将观测到的电压轨迹段映射到其未观测的故障后轨迹。为应对数据可用性有限的挑战，采用预训练与微调流程。为确保预训练模型学习过程中的数据隐私，利用来自邻近母线的数据通过联邦学习进行模型合并，使模型能够在不直接共享邻近母线数据的情况下学习其 underlying voltage dynamics。预训练后，使用目标母线的数据对模型进行微调，使其能够适应独特的动力学和运行条件。最后，将共形预测集成到微调后的模型中，以确保预测区间的覆盖率保证。在考虑电压和频率控制器详细模型的 New England 39 母线测试系统上评估了所提方法的性能。使用两个指标——预测区间覆盖率（PICP）和预测区间归一化平均宽度（PINAW）——来数值评估模型预测区间的性能。结果表明，所提方法在预测故障后电压轨迹区间方面提供了实用且可靠的不确定性量化。
引用
@article{arxiv.2410.24162,
title = {Conformalized Prediction of Post-Fault Voltage Trajectories Using Pre-trained and Finetuned Attention-Driven Neural Operators},
author = {Amirhossein Mollaali and Gabriel Zufferey and Gonzalo Constante-Flores and Christian Moya and Can Li and Guang Lin and Meng Yue},
journal= {arXiv preprint arXiv:2410.24162},
year = {2024}
}