面向电力系统可靠性评估的端到端拓扑感知机器学习
机器学习
2022-05-31 v1 人工智能
数据分析、统计与概率
摘要
传统电力系统可靠性评估受限于蒙特卡洛仿真的长运行时间以及解析枚举方法的维数灾。本文提出一种端到端机器学习的初步研究，用于直接预测可靠性指标，例如失负荷概率（LOLP）。通过将系统导纳矩阵编码入输入特征，所提出的机器学习流程可考虑因输电线路定期检修所致的特定拓扑变化的影响。训练并比较了两种模型（支持向量机与提升树）。同时讨论了有关训练数据生成与预处理的细节。最后，在 IEEE RTS-79 系统上进行了实验。结果证明了所提端到端机器学习流程在可靠性评估中的适用性。
引用
@article{arxiv.2205.14792,
title = {End-to-End Topology-Aware Machine Learning for Power System Reliability Assessment},
author = {Yongli Zhu and Chanan Singh},
journal= {arXiv preprint arXiv:2205.14792},
year = {2022}
}
备注
This paper has been accepted by PMAPS 2022 and will be officially presented on 14 June 2022