DeepONet-Grid-UQ：用于预测电网故障后轨迹的可信深度算子框架
数值分析
2022-02-16 v1 机器学习
数值分析
摘要
本文提出了一种用于可靠预测电力系统故障后轨迹的新数据驱动方法。所提方法基于深度算子网络 (DeepONets) 这一全新的基本概念。与传统神经网络学习逼近函数不同，DeepONets 旨在逼近非线性算子。在该算子框架下，我们设计了一个 DeepONet 以 (1) 将收集的故障期间轨迹（例如通过仿真或相量测量单元获得）作为输入，以及 (2) 提供预测的故障后轨迹作为输出。此外，我们通过不确定性量化赋予该方法一种亟需的能力，以在效率与可靠/可信预测之间取得平衡。为此，我们提出并比较了两种能够实现预测不确定性量化的方法。首先，我们提出 Bayesian DeepONet (B-DeepONet)，其使用随机梯度哈密顿蒙特卡洛从 DeepONet 参数的后验分布中采样。然后，我们提出 Probabilistic DeepONet (Prob-DeepONet)，其使用概率训练策略以几乎不增加额外计算成本的方式赋予 DeepONets 一种自动不确定性量化形式。最后，我们使用 IEEE 16 机 68 总线系统验证了所提 B-DeepONet 和 Prob-DeepONet 的预测能力与不确定性量化能力。
引用
@article{arxiv.2202.07176,
title = {DeepONet-Grid-UQ: A Trustworthy Deep Operator Framework for Predicting the Power Grid's Post-Fault Trajectories},
author = {Christian Moya and Shiqi Zhang and Meng Yue and Guang Lin},
journal= {arXiv preprint arXiv:2202.07176},
year = {2022}
}