基于贝叶斯在线学习的数据驱动随机分布系统加固
系统与控制
2025-10-06 v1 系统与控制
最优化与控制
摘要
极端天气经常导致配电系统 (DS) 广泛停电，表明加固策略对于增强韧性至关重要。然而，充分利用伴随天气条件关联的真实停电数据以做出明智的加固决策仍是一个待解决的问题。为填补这一研究空白，本文提出一种数据驱动的随机配电线 (DL) 加固策略。首先，开发了一个深度神经网络 (DNN) 回归模型，用于预测在各种加固决策下停电情景的概率演变。基于 DNN 预测，问题被形式化为一个决策相关的分布式鲁棒优化 (DRO) 模型，利用数据驱动的模糊集合来考虑停电情景分布的不确定性。为了解决决策相关的不确定性，提出了一个贝叶斯在线学习算法。该算法将原问题分解为内部和外部问题，然后通过贝叶斯定理和贝叶斯推断迭代地细化加固决策，依次整合停电数据并动态更新决策特定的模糊集合。最后，通过动态谢策分析证明了算法的收敛性。在美国爱荷华州 Redfield 的一个真实配电系统上实现了案例研究。构建了一个跨越 24 年 (2001-2024) 的数据集，基于公用事业停电记录。仿真结果验证了所提出策略的有效性。
引用
@article{arxiv.2510.02485,
title = {Data-Driven Stochastic Distribution System Hardening Based on Bayesian Online Learning},
author = {Wenlong Shi and Hongyi Li and Zhaoyu Wang},
journal= {arXiv preprint arXiv:2510.02485},
year = {2025}
}