面向电网的实用物理信息机器学习设计与评估
机器学习
2022-05-25 v2 信号处理
摘要
当应用于电网这类真实世界安全关键系统时，通用机器学习方法面临训练代价高、解不符合物理规律以及可解释性有限等问题。为应对电网中的这些挑战，许多近期工作探索将电网物理（即领域专业知识）纳入方法设计，主要通过引入系统约束与技术限制、缩减搜索空间以及在隐空间中定义有意义的特征来实现。然而，目前尚无通用方法论来评估这些方法在电网任务中的实用性，且在可扩展性、泛化性、可解释性等方面存在局限。本文形式化了物理可解释性这一新概念，用于评估 ML 模型以具有物理意义的方式做出预测的程度，并引入一种识别实用方法应满足的一组属性的评估方法论。受这些评估属性的启发，本文进一步基于条件高斯随机场，为 MadIoT 网络攻击开发了一种新颖的 contingency analysis 预热器。该方法作为一个可融入多样领域知识并改善上述属性的 ML 模型实例。实验验证表明，即便使用浅层 NN 架构，该预热器也显著提升了针对 MadIoT 攻击的 contingency analysis 效率。
引用
@article{arxiv.2205.03673,
title = {Towards Practical Physics-Informed ML Design and Evaluation for Power Grid},
author = {Shimiao Li and Amritanshu Pandey and Larry Pileggi},
journal= {arXiv preprint arXiv:2205.03673},
year = {2022}
}