基于机器学习推断电力系统的吸引域

以可再生能源为主的电力系统经常遭遇大的随机扰动，电力系统管理面临的一个关键挑战是如何准确预测受扰系统在暂态之后是恢复到功能状态还是崩溃。基于模型的研究表明，应对这一挑战的关键在于相空间中功能状态和失效状态的吸引域，然而由于描述系统动力学的精确模型通常不可用，寻找实际电力系统的吸引域仍然是一个挑战。在此，我们提出了一种新的机器学习技术，即平衡储备池计算，以基于测量数据推断典型电力系统的吸引域。具体而言，通过少量扰动事件的时间序列进行训练，我们证明了训练后的机器能够准确预测系统在响应大的随机扰动时是否会恢复到功能状态，从而重构功能状态的吸引域。分析了新机器的工作机制，揭示了新机器的成功归因于储备池网络回声特性与衰减特性的良好平衡；还研究了噪声信号对预测性能的影响，并观察到了类似随机共振的现象。最后，我们证明了新技术也可用于推断典型混沌系统中共存吸引子的吸引域。