[论文解读] Closing the Loop: A Framework for Trustworthy Machine Learning in Power Systems

Jochen Stiasny, Samuel Chevalier+3 more|arXiv (Cornell University)|Mar 14, 2022

Energy Load and Power Forecasting被引用 10

一句话总结

本文提出了一种用于电力系统可信机器学习的闭环框架，整合了物理信息数据生成、自适应采样和反馈驱动的模型优化，以提升N-1小扰动稳定性的预测性能。通过嵌入迭代评估与再训练循环，该框架在北海风电枢纽的大规模仿真中实现了最高83.9%的准确率和0.288的均方误差，显著增强了在安全关键应用中模型的可靠性与可信度。

ABSTRACT

Deep decarbonization of the energy sector will require massive penetration of stochastic renewable energy resources and an enormous amount of grid asset coordination; this represents a challenging paradigm for the power system operators who are tasked with maintaining grid stability and security in the face of such changes. With its ability to learn from complex datasets and provide predictive solutions on fast timescales, machine learning (ML) is well-posed to help overcome these challenges as power systems transform in the coming decades. In this work, we outline five key challenges (dataset generation, data pre-processing, model training, model assessment, and model embedding) associated with building trustworthy ML models which learn from physics-based simulation data. We then demonstrate how linking together individual modules, each of which overcomes a respective challenge, at sequential stages in the machine learning pipeline can help enhance the overall performance of the training process. In particular, we implement methods that connect different elements of the learning pipeline through feedback, thus "closing the loop" between model training, performance assessments, and re-training. We demonstrate the effectiveness of this framework, its constituent modules, and its feedback connections by learning the N-1 small-signal stability margin associated with a detailed model of a proposed North Sea Wind Power Hub system.

研究动机与目标

• 应对将随机性可再生能源和基于换流器的资源接入电网所带来的挑战，这些因素使电网稳定性和安全评估更加复杂。
• 克服因复杂、不透明的机器学习流程导致在安全关键的电力系统应用中对机器学习模型缺乏信任的问题。
• 开发一个系统化、端到端的框架，整合机器学习的全部阶段——从数据生成到模型部署——并支持反馈以实现持续改进。
• 通过北海风电枢纽的物理仿真，验证该框架在预测N-1小扰动稳定裕度方面的有效性。
• 通过结构化的反馈与验证回路，为在实时电网运行中部署可信、可靠的机器学习模型奠定基础。

提出的方法

• 整合五个核心模块：数据集生成、数据预处理、模型训练、模型评估和模型部署，每个模块均针对可信机器学习中的关键挑战。
• 采用物理信息采样策略（如拉丁超立方采样、定向行走、神经网络与验证信息引导的采样点）生成高质量、具代表性的训练数据。
• 应用物理约束正则化与基于神经网络的代理模型，将物理约束嵌入学习过程，提升泛化能力与可解释性。
• 在模型评估与再训练之间实施反馈回路，使性能指标能够指导数据重新采样与模型优化的迭代过程。
• 利用多保真度仿真与结构化评估协议，评估模型在稳定、临界稳定与不稳定等稳定裕度范围内的性能表现。
• 采用多分类交叉熵损失函数（公式15中的L_y）量化模型在不同稳定类别中的误差，实现针对性优化。

实验结果

研究问题

• RQ1 如何系统性地生成与采样基于物理的仿真数据，以确保为电力系统中可信机器学习模型训练提供高保真度与全面覆盖？
• RQ2 模型评估与再训练之间的反馈机制在提升电网稳定性预测模型准确率与鲁棒性方面发挥何种作用？
• RQ3 物理信息正则化与自适应采样策略在多大程度上可增强模型泛化能力并降低N-1小扰动稳定裕度预测中的误差？
• RQ4 模型评估与再训练回路的集成如何影响在复杂电力系统动态下训练的机器学习模型的收敛性与性能？
• RQ5 所提出的闭环框架在如北海风电枢纽等现实场景中，面对不同的数据采样与模型配置，能否实现高准确率与低误差？

主要发现

• 该框架在Uniform 7数据集（2401个样本）上实现了83.9%的测试准确率，均方误差（MSE）为0.288 ± 0.042，表明其在大规模仿真中具备出色的预测性能。
• 与基线采样方法相比，物理正则化使MSE降低了20–30%，其中表现最佳的模型（Uniform 5 + PR）实现了0.332 ± 0.040的MSE。
• 基于神经网络的（NI）与基于验证的（VI）采样策略提升了模型鲁棒性，与均匀采样相比，使临界稳定与不稳定区域的误差降低了最多40%。
• 闭环反馈机制显著提升了模型泛化能力，基于评估结果的再训练使不稳定与临界不稳定类别的误差降低了25–35%。
• 采用反馈回路的拉丁超立方采样（LHC）在LHC 7数据集上实现了83.17%的准确率，相较于均匀采样（83.92%）在稳定性和一致性方面表现更优。
• 该框架展现出强大的可扩展性，在2401个样本的数据集上保持了较低的MSE（0.277 ± 0.049），表明其已具备在大规模电力系统中实现实时部署的能力。