[论文解读] DeepONet-Grid-UQ: A Trustworthy Deep Operator Framework for Predicting the Power Grid's Post-Fault Trajectories

Christian Moya, Shiqi Zhang+2 more|arXiv (Cornell University)|Feb 15, 2022

Power System Optimization and Stability被引用 6

一句话总结

本文提出 DeepONet-Grid-UQ，一种可信赖的深度算子网络框架，通过将故障发生后的轨迹作为输入，预测电力系统故障后的轨迹，同时结合贝叶斯和概率训练策略实现不确定性量化。该方法在数据量极少的情况下实现了高预测精度和可靠的不确定性估计，显著减少了暂态稳定评估中的误报率。

ABSTRACT

This paper proposes a new data-driven method for the reliable prediction of power system post-fault trajectories. The proposed method is based on the fundamentally new concept of Deep Operator Networks (DeepONets). Compared to traditional neural networks that learn to approximate functions, DeepONets are designed to approximate nonlinear operators. Under this operator framework, we design a DeepONet to (1) take as inputs the fault-on trajectories collected, for example, via simulation or phasor measurement units, and (2) provide as outputs the predicted post-fault trajectories. In addition, we endow our method with a much-needed ability to balance efficiency with reliable/trustworthy predictions via uncertainty quantification. To this end, we propose and compare two methods that enable quantifying the predictive uncertainty. First, we propose a extit{Bayesian DeepONet} (B-DeepONet) that uses stochastic gradient Hamiltonian Monte-Carlo to sample from the posterior distribution of the DeepONet parameters. Then, we propose a extit{Probabilistic DeepONet} (Prob-DeepONet) that uses a probabilistic training strategy to equip DeepONets with a form of automated uncertainty quantification, at virtually no extra computational cost. Finally, we validate the predictive power and uncertainty quantification capability of the proposed B-DeepONet and Prob-DeepONet using the IEEE 16-machine 68-bus system.

研究动机与目标

• 开发一种数据驱动、高效的电力系统故障后轨迹预测方法，解决传统微分代数方程（DAE）仿真带来的计算瓶颈问题。
• 将不确定性量化集成到深度算子网络中，实现在暂态稳定评估中可靠且可信的预测。
• 通过用学习到的算子框架替代计算昂贵的数值积分方法，实现近实时动态安全评估。
• 在 IEEE 16-机 68-母线系统上，针对真实故障场景验证该方法的性能和不确定性校准效果。
• 探索未来扩展方向，包括分辨率无关设计、多母线信息融合、迁移学习以及物理信息正则化。

提出的方法

• 该框架利用 DeepONets 学习从故障发生后轨迹（输入）到故障后轨迹（输出）的非线性算子映射，避免直接求解 DAE 方程。
• 提出两种不确定性量化策略：贝叶斯 DeepONet（B-DeepONet），采用随机梯度哈密顿蒙特卡洛方法从网络参数的后验分布中采样。
• 第二种方法 Prob-DeepONet 采用概率训练策略，实现在几乎不增加计算成本的前提下自动进行不确定性量化。
• 模型在 IEEE 68-母线系统模拟的少量故障发生后轨迹数据集上进行训练，并在未见的测试轨迹上进行评估。
• 通过 95% 预测区间与实际轨迹的对比，包括低电压切负荷等关键阈值，验证不确定性校准效果。
• 采用回归散点图、置信区间覆盖率和误报率等指标评估框架的可靠性与泛化能力。

实验结果

研究问题

• RQ1 DeepONets 是否能以高精度和良好泛化能力有效学习从故障发生后轨迹到故障后轨迹的算子映射？
• RQ2 DeepONets 中采用的贝叶斯和概率训练策略能否为故障后轨迹预测提供可靠且校准良好的不确定性量化？
• RQ3 预测的不确定性区间在多大程度上能覆盖真实的故障后轨迹，尤其是在关键稳定阈值附近？
• RQ4 与确定性模型相比，该方法是否能显著减少暂态稳定评估中的误报？
• RQ5 在训练数据有限的情况下，该框架表现如何？是否可通过迁移学习或物理信息正则化扩展至大规模电力系统？

主要发现

• B-DeepONet 和 Prob-DeepONet 的平均预测性能与使用 Adam 训练的原始 DeepONet 相当，表现出强大的泛化能力。
• 预测的 95% 置信区间准确捕获了约 95% 的真实测试轨迹，证实了有效的事性不确定性量化。
• 该方法显著减少了误报——几乎降至零——通过避免错误预测电压越限而触发切负荷。
• Prob-DeepONet 中的概率训练策略使不确定性量化几乎不增加额外计算成本，与标准训练相比可忽略不计。
• 两种具备不确定性感知能力的模型在可靠性方面均优于确定性基线模型，尤其在识别接近或跨越关键稳定极限的轨迹方面表现更优。
• 在 IEEE 68-母线系统上的实证验证表明，该框架在小样本数据下具备实现近实时暂态稳定评估的可行性。