Apr, 2023

通过Koopman模互联动力学分解表征电力网的负载特性

HTML
PDF
TL;DR本文提出一种解释性机器学习方法，利用基于Koopman算子的数据驱动方法识别负载动态，将其分解为相干的时空模式，并根据其单一频率独立演化，特别是那些具有同步动态的电站。结果表明，这种基于Koopman算子的方法在精度和计算效率方面优于深度学习方法（LSTM）。
发现论文，激发创造
  • 面向快速和可扩展的交流潮流最优控制学习的空间网络分解

    提出了一种新颖的机器学习方法，用于预测AC-OPF解决方案，该方法具有快速可扩展的培训，通过电力网络的空间分解来学习预测区域的机器学习模型，实验结果证明了该方法的潜力和优越性。

    Jan, 2021

  • 基于数据驱动的线性 Koopman 嵌入模型的网络系统：模型预测网络控制

    本研究介绍了一种数据学习的线性Koopman嵌入非线性网络动态的方法，并将其用于实现电网中的实时模型预测紧急电压控制。该方法包括一种新颖的“基字典自由”的数据驱动系统动态升维方式、基于Koopman的深度神经网络编码器解码器架构用于分布式控制下潜在动力学的线性嵌入以及使用真实系统轨迹数据一次性学习三个连续变换的端到端成分。通过在标准IEEE 39总线系统上进行应用程序验证了该方法的效力和鲁棒性。

    Jun, 2022

  • 利用图神经网络实现电力网拓扑动态稳定性评估

    为了应对气候变化，需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面，可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量，发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外，应用所提出的方法，还能准确识别出电力网的易受攻击的节点。最后，发现在小型电力网上训练的GNN在对得克萨斯电力网的大型模型进行预测时，也具有准确性和实用性。

    Jun, 2022

  • 利用新数据潜力增强电力网的电力线通信

    提出了基于功率线通信(PLC)基础设施测量的两个数据集，主要研究低压配电网络的使用案例，包括资产管理、电网状态可视化、预测性维护和新颖性检测等多个方面，强调了机器学习在现实数据中实现对电力网的提取和应用的潜力。

    Sep, 2022

  • 分层学习：预测稳合时空个体和聚合建筑负载

    提出了一种基于机器学习回归器的多维层级预测方法，并使用统一框架协调空间和时间层次，在两个不同的案例研究中对其进行了评估，以预测建筑电负荷，为未来的预测回归器提供了方法和路径。

    Jan, 2023

  • 应用机器学习中的电网行为模式和泛化风险

    本文探讨了忽视电网特有的空间时间特征在模型设计和训练中所带来的泛化风险，提供了电网的各种行为模式及其观察结果作为参考，并对现有的机器学习方法进行了评估。

    Apr, 2023

  • 可解释的短期负荷预测：多尺度时间分解

    机器学习和深度学习的快速发展使得在电力系统的电力负荷预测等应用方面取得了广泛的成果。本文提出了一种可解释的深度学习方法，通过学习每个神经网络对输入时间特征进行关注的线性组合来实现。并且，我们提出了多尺度时序分解方法来处理复杂的时间模式。在比利时中央电网负荷数据集上进行了案例研究，结果表明所提出的模型相对于频繁应用的基准模型具有更好的准确性。此外，本方法不仅能展示特征的解释性，还能展示与其他基准方法相比的时间解释性，同时还能获得全局时间特征的解释性，这使得我们能够捕捉到负荷数据的整体模式、趋势和周期性，同时揭示了各种与时间相关的特征在形成最终输出中的重要性。

    Feb, 2024

  • 使用机器学习预测逆变器优势电力网的失效穿越概率

    通过分析合成电网模型和进行动力学模拟，我们证明机器学习模型能够准确预测合成电网的故障耐受概率，并展示了机器学习方法在研究电网的概率稳定性方面的潜力。

    Jun, 2024

  • 电力网络基础模型观点

    借助基础模型（FMs）在电力网络中的应用潜力，我们提出并阐述了基于图神经网络的GridFM概念以及其对于电力网络中不同下游任务的益处，强调了FMs在复杂性和不确定性管理方面利用人工智能重新定义电力网络的能力。

    Jul, 2024

  • PowerPM：电力系统的基础模型

    本研究解决了在电力系统中，电能时间序列数据（ETS）建模过程中的通用表示学习难题。提出的PowerPM基础模型通过 temporal encoder 和 hierarchical encoder，有效捕捉ETS数据的时间依赖性及其层次间关联，并运用新的自监督预训练框架，实现了在多种下游任务中显著提高性能，展现了强大的泛化能力。

    Aug, 2024