电力系统稳定评估机器学习可解释代理模型研究

被引：31

作者：

韩天森 ^{[1
]}

陈金富 ^{[1
]}

李银红 ^{[1
]}

何耿生 ^{[1
]}

李弘毅 ^{[2
]}

机构：

[1] 强电磁工程与新技术国家重点实验室(华中科技大学)

[2] 不详

来源：

中国电机工程学报 | 2020年 / 40卷 / 13期

基金：

国家重点研发计划;

关键词：

可解释性; 机器学习; 稳定评估; 代理模型; 灵敏度; 贡献度;

D O I：

10.13334/j.0258-8013.pcsee.190963

中图分类号：

TM712 [电力系统稳定]; TP181 [自动推理、机器学习];

学科分类号：

摘要：

机器学习是解决电力系统稳定评估问题的关键技术之一,但由于普遍存在的模型可解释性不足的缺点,其工程应用面临障碍。针对该问题,提出一种稳定评估机器学习模型通用解释方法,基于加权线性回归和正则化构造局部代理模型以解释原模型。提出2种不同的代理模型训练数据采样方法,得到连续和二元数据,利用两种采样数据分别训练代理模型,模型参数代表状态变量与稳定水平之间的灵敏度和贡献度,揭示机器学习模型的运算逻辑。解释结果可帮助决策者对模型建立信任,并可为稳定控制提供依据。算例对静态电压稳定裕度评估机器学习模型进行解释,验证解释方法的准确性和有效性。

引用

页码：4122 / 4131

页数：10

共 13 条

[1] 人工智能在电力系统暂态问题中的应用综述 [J].

汤奕 ;

崔晗 ;

李峰 ;

王琦 .

中国电机工程学报, 2019, 39 (01) :2-13+315

[2] 基于时间序列关联分析的稳定运行规则提取方法 [J].

于之虹 ;

黄彦浩 ;

鲁广明 ;

史东宇 ;

周孝信 ;

严剑峰 ;

卜广全 ;

田芳 ;

李亚楼 .

中国电机工程学报, 2015, 35 (03) :519-526

[3] 时空大数据环境下的大电网稳定态势量化评估与自适应防控体系构建 [J].

刘道伟 ;

张东霞 ;

孙华东 ;

马世英 ;

李柏青 ;

朱朝阳 ;

易俊 ;

郑超 ;

秦晓辉 ;

许鹏飞 ;

杨学涛 .

中国电机工程学报, 2015, 35 (02) :268-276

[4] 采用线性决策树的暂态稳定规则提取 [J].

孙宏斌 ;

王康 ;

张伯明 ;

赵峰 .

中国电机工程学报, 2011, 31 (34) :61-67+8

[5]

机器学习[M]. 清华大学出版社 , 周志华, 2016

[6]

现代电力系统分析[M]. 科学出版社 , 王锡凡主编, 2003

[7]

INTERPRETABLE CLASSIFIERS USING RULES AND BAYESIAN ANALYSIS: BUILDING A BETTER STROKE PREDICTION MODEL[J] . The Annals of Applied Statistics . 2015 (3)

[8]

Power system voltage stability monitoring using artificial neural networks with a reduced set of inputs[J] . A.R. Bahmanyar,A. Karami. International Journal of Electrical Power and Energy Systems . 2014

[9]

Current state of neural networks applications in power system monitoring and control[J] . Lokman H. Hassan,M. Moghavvemi,Haider A.F. Almurib,Otto Steinmayer. International Journal of Electrical Power and Energy Systems . 2013

[10]

Dynamic voltage stability assessment of power transmission systems using neural networks[J] . Mohammad-Taghi Vakil-Baghmisheh,Hadi Razmi. Energy Conversion and Management . 2007 (1)

← 1 2 →