利用 SHAP 值与机器学习理解暂态稳定极限的趋势
系统与控制
2023-02-14 v1 系统与控制
摘要
随着可再生能源接入电力系统带来的计算需求显著增加，用于暂态稳定评估的机器学习（ML）已获得关注。为达到高精度，常需使用黑盒 ML 模型——这阻碍了对预测的解释，从而降低了对此类方法应用的信心。本文提出使用 SHapley Additive exPlanations（SHAP）——一种基于合作博弈论中 Shapley 值的统一可解释性框架——来洞察训练用于预测临界清除时间（CCT）的 ML 模型。我们利用 SHAP 对在每个母线处训练用于预测 CCT 的地点专用 ML 模型进行解释。这能在系统复杂性与不确定性增加下，就影响整个稳定边界的电力系统变量提供独特洞察。随后，感兴趣变量与各地点专用 ML 模型相应 SHAP 值之间的协方差，可揭示该变量变化如何影响整个网络的稳定边界。此类洞察可为规划及/或运行决策提供信息。所提供的案例研究在带 IV 型风力发电的 IEEE 39 母线测试网络中，使用一种高精度不透明 ML 算法演示了该方法。
引用
@article{arxiv.2302.06274,
title = {Using SHAP Values and Machine Learning to Understand Trends in the Transient Stability Limit},
author = {Robert I. Hamilton and Panagiotis N. Papadopoulos},
journal= {arXiv preprint arXiv:2302.06274},
year = {2023}
}