基于半监督多任务学习的电力系统安全评估框架
机器学习
2024-07-15 v1 系统与控制
系统与控制
摘要
本文开发了一种新型基于机器学习的框架，用于电力系统动态安全评估，该框架在准确性、可靠性和对拓扑结构变化敏感性方面均表现出色。该框架的学习算法集成了条件掩码编码器，并采用多任务学习进行分类感知的特征表示，从而提升了准确性和对大规模系统的可扩展性。此外，本框架还 incorporated 置信度度量，以增强预测的可靠性和可解释性。已将拓扑相似性指数纳入框架，以增强其对拓扑结构的感知能力。本文针对IEEE 68-bus系统开展了various实验，通过两种不同的数据库生成技术生成训练机器学习算法所需的数据。结果表明，该算法在准确性和鲁棒性方面优于现有的基于机器学习的SOTA安全评估技术。最后，本工作强调了在安全评估中采用自编码器的价值，突出了在准确性、可靠性和鲁棒性方面的提升。所有使用的数据集和代码均已公开，以确保可重复性和透明性。
引用
@article{arxiv.2407.08886,
title = {Semi-Supervised Multi-Task Learning Based Framework for Power System Security Assessment},
author = {Muhy Eddin Za'ter and Amirhossein Sajadi and Bri-Mathias Hodge},
journal= {arXiv preprint arXiv:2407.08886},
year = {2024}
}