基于Kolmogorov-Arnold网络的复合负荷符号方程建模方法
系统与控制
2025-08-28 v1 系统与控制
摘要
随着安装在电表后的分布式能源渗透率不断提高，对复合负荷进行充分建模以实现准确的电力系统仿真分析的需求日益增长。现有的基于测量的负荷建模方法要么拟合固定结构的物理模型，这限制了其对不断变化的负荷组合的适应性，要么采用灵活的机器学习方法，但这些方法却是黑箱，可解释性有限。本文提出了一种基于Kolmogorov-Arnold网络（KANs）的新型学习式负荷建模方法，以实现建模灵活性和可解释性。通过在边上主动学习激活函数，KANs自动推导出自由形式的符号方程，在无需关于负荷结构的先验假设的情况下捕捉测量变量之间的非线性关系。案例研究表明，所提方法在准确性和泛化能力方面均优于其他方法，同时将复合负荷唯一地表示为透明、可解释的数学方程。
引用
@article{arxiv.2508.19612,
title = {Symbolic Equation Modeling of Composite Loads: A Kolmogorov-Arnold Network based Learning Approach},
author = {Sonam Dorji and Yongkang Sun and Yuchen Zhang and Ghavameddin Nourbakhsh and Yateendra Mishra and Yan Xu},
journal= {arXiv preprint arXiv:2508.19612},
year = {2025}
}