网络故障下概率电压包络的数据高效策略
机器学习
2024-04-05 v3 系统与控制
系统与控制
摘要
本工作提出一种高效数据驱动方法，利用电网中带网络故障的功率流学习构建概率电压包络（PVE）。首先，使用先前工作开发的称为顶点度核（VDK-GP）的网络感知高斯过程（GP）来估计少数网络配置下的电压-功率函数。本文引入一种新颖的多任务顶点度核（MT-VDK），将学到的 VDK-GP 融合以确定未见网络的功率流，与替代方法相比显著降低了计算复杂度和超参数需求。在 IEEE 30 节点网络上的仿真展示了在 N-1 与 N-2 故障场景下功率流知识的保留与迁移。MT-VDK-GP 方法在低训练数据 regime（50–250 样本）下对新颖 N-1 故障网络配置的平均预测误差较 VDK-GP 降低超 50%。此外，即使在无历史 N-2 停运数据情况下，MT-VDK-GP 也在超 75% 的 N-2 故障网络结构中优于基于超参数的迁移学习方法。所提方法表明，相较于基于蒙特卡洛采样的方法，其可用少十六倍的功率流解实现 PVE。
引用
@article{arxiv.2310.00763,
title = {Data-Efficient Strategies for Probabilistic Voltage Envelopes under Network Contingencies},
author = {Parikshit Pareek and Deepjyoti Deka and Sidhant Misra},
journal= {arXiv preprint arXiv:2310.00763},
year = {2024}
}
备注
10 Pages