带置信度的潮流学习：一种电压风险的概率保证框架
系统与控制
2025-10-16 v3 机器学习
系统与控制
摘要
机器学习（ML）缺乏形式化性能保证，限制了其在安全关键电力系统应用中的采用，其中置信度和可解释性与准确性同样重要。在本工作中，我们通过高斯过程（GP）回归框架推导了潮流学习与电压风险估计的概率保证。具体而言，我们建立了期望估计误差的界，将 GP 的预测方差与电压风险估计的置信度相关联，确保与基于蒙特卡洛的 ACPF 风险量化在统计上等价。为增强低数据 regime 下的模型可学习性，我们首先设计了顶点度核（VDK），一种拓扑感知的加性核，将电压-负荷交互分解为局部邻域以实现高效大规模学习。在此基础上，我们引入网络扫描主动学习（AL）算法，自适应采样信息量大的运行点，并提供无需样本外验证的规范性停止准则。这些进展通过将数据效率与分析保证相结合，缓解了基于 ML 的潮流的主要瓶颈——缺乏保证的可靠性。在 IEEE 118、500 和 1354 总线系统上的实证评估证实，所提 VDK-GP 的平均绝对电压误差低于 1E-03 p.u.，以少 15 倍的 ACPF 计算量复现蒙特卡洛级电压风险估计，并在保守界定越限概率的同时实现超过 120 倍的评估时间缩减。
引用
@article{arxiv.2308.07867,
title = {Learning Power Flow with Confidence: A Probabilistic Guarantee Framework for Voltage Risk},
author = {Parikshit Pareek and Sidhant Misra and Deepjyoti Deka},
journal= {arXiv preprint arXiv:2308.07867},
year = {2025}
}
备注
10 pages