电力系统故障后定位、动态状态估计与最优量测布点中应如何选择神经网络？
机器学习
2021-04-08 v1 机器学习
数据分析、统计与概率
物理与社会
摘要
我们考虑一个由相量测量单元（PMUs）监测的电力传输系统，PMUs置于系统中重要但非全部节点。假设PMUs记录并可供训练的充分数量的 distinct 单线故障（具体为故障前状态与（未清除的）故障后状态），我们首先设计一套全面的神经网络（NNs）序列以定位故障线路。该序列中不同NNs（包括线性回归、前馈NN、AlexNet、图卷积NN、神经线性ODE与基于神经图的ODE，按所涉及的潮流物理类型与数量排序）的性能在不同可观性水平下进行比较。其次，我们构建一系列先进的电力系统动态知情与基于神经ODE的机器学习方案，其在给定故障前状态下被训练以预测故障后状态，并并行估计系统参数。最后第三，延续首个（故障定位）设定，我们设计了一种（基于NN的）算法以发现最优PMU布点。
引用
@article{arxiv.2104.03115,
title = {Which Neural Network to Choose for Post-Fault Localization, Dynamic State Estimation and Optimal Measurement Placement in Power Systems?},
author = {Andrei Afonin and Michael Chertkov},
journal= {arXiv preprint arXiv:2104.03115},
year = {2021}
}
备注
12 pages, 8 figures, 10 tables