用于电网部分观测与未观测状态预测及不确定量化的物理信息机器学习方法
信号处理
2018-06-29 v1
摘要
我们提出一种物理信息高斯过程回归（GPR）模型，从有限数量的测量中预测相角、角速度与风电机械功率。在传统数据驱动 GPR 方法中，高斯过程协方差矩阵的形式被假定，其参数由测量确定。在物理信息 GPR 中，我们将未知变量（包括风速与机械功率）视为随机过程，并由所得随机电网方程计算协方差矩阵。我们证明，对于发电机角速度与相角的即时预测，物理信息 GPR 方法显著优于标准数据驱动方法。我们还表明，当仅可获得这些变量中之一的测量时，物理信息 GPR 能准确预测未观测的风电机械功率、相角或角速度。对观测变量的即时预测与对未观测变量的预测可用于电网的有效管理（电力市场出清、调节动作）及异常行为与故障的早期检测。基于物理的 GPR 预测时间尺度取决于输入（风电功率、负荷等）相关时间与电网特征（弛豫）时间的组合，并可扩展至短期与中期。
引用
@article{arxiv.1806.10990,
title = {Physics-informed Machine Learning Method for Forecasting and Uncertainty Quantification of Partially Observed and Unobserved States in Power Grids},
author = {Ramakrishna Tipireddy and Alexandre Tartakovsky},
journal= {arXiv preprint arXiv:1806.10990},
year = {2018}
}