基于可解释签名机器学习的并网光伏系统故障识别方法
机器学习
2022-01-03 v1 人工智能
系统与控制
系统与控制
摘要
传统电网向具有高比例可再生能源（特别是并网光伏（PV）系统）渗透的智能电网转型，增加了对高效故障识别系统的需求。并网光伏系统中任何单一组件故障都可能导致电网不稳定及其他严重后果，表明可靠的故障识别系统是确保运行完整性的首要要求。因此，本文提出一种基于PV运行状态统计签名的新型故障识别方法。这些签名具有独特性，因为每种故障对电力系统的影响性质和特征各不相同。因此，在这些提取签名上训练的随机森林分类器在识别所有类型故障时显示出100%的准确率。此外，所提框架与其他机器学习分类器的性能比较显示了其可信度。而且，为提升用户对预测结果的信任，在训练阶段利用SHAP（Shapley Additive Explanation）提取完整的模型响应（全局解释）。该提取的全局解释可通过以特征贡献解码每次预测，帮助评估预测结果的可信度。因而，所提基于可解释签名的故障识别技术高度可信，并满足智能电网的所有要求。
引用
@article{arxiv.2112.14842,
title = {Explainable Signature-based Machine Learning Approach for Identification of Faults in Grid-Connected Photovoltaic Systems},
author = {Syed Wali and Irfan Khan},
journal= {arXiv preprint arXiv:2112.14842},
year = {2022}
}
备注
6 pages, 9 figures