[论文解读] Hybrid integration of multilayer perceptrons and parametric models for reliability forecasting in the smart grid

Longfei Wei, Arif I. Sarwat|arXiv (Cornell University)|Oct 3, 2018

Power System Reliability and Maintenance参考文献 23被引用 5

一句话总结

该论文提出了一种混合MLP参数化模型框架，通过将多项式与指数回归结合，并引入改进的极限学习机（ELM）算法，利用常见气象数据预测智能电网配电网中的日度持续性与瞬时停电事件。与仅使用统计模型相比，该方法使持续性停电的均方误差（MSE）降低8.77%，瞬时停电的MSE降低61.37%。

ABSTRACT

The reliable power system operation is a major goal for electric utilities, which requires the accurate reliability forecasting to minimize the duration of power interruptions. Since weather conditions are usually the leading causes for power interruptions in the smart grid, especially for its distribution networks, this paper comprehensively investigates the combined effect of various weather parameters on the reliability performance of distribution networks. Specially, a multilayer perceptron (MLP) based framework is proposed to forecast the daily numbers of sustained and momentary power interruptions in one distribution management area using time series of common weather data. First, the parametric regression models are implemented to analyze the relationship between the daily numbers of power interruptions and various common weather parameters, such as temperature, precipitation, air pressure, wind speed, and lightning. The selected weather parameters and corresponding parametric models are then integrated as inputs to formulate a MLP neural network model to predict the daily numbers of power interruptions. A modified extreme learning machine (ELM) based hierarchical learning algorithm is introduced for training the formulated model using realtime reliability data from an electric utility in Florida and common weather data from National Climatic Data Center (NCDC). In addition, the sensitivity analysis is implemented to determine the various impacts of different weather parameters on the daily numbers of power interruptions.

研究动机与目标

• 解决在正常气象条件下准确预测智能电网配电网停电事件的挑战，此类条件是客户停电的主要成因。
• 克服传统统计模型无法捕捉多种气象参数与停电率之间复杂非线性相互作用的局限性。
• 开发一种结合参数化回归与多层感知机（MLP）神经网络的混合预测框架，以提升预测精度。
• 通过敏感性分析识别各气象参数（如温度、风速、降水、气压和雷暴）对日度停电次数的相对影响。

提出的方法

• 应用多项式与指数回归模型，量化日度停电次数（持续性N与瞬时M）与各气象参数（温度、降水、气压、风速、雷暴、供暖度日数）之间的非线性关系。
• 将参数化模型的预测值作为附加输入，输入至多层感知机（MLP）神经网络，形成包含24个神经元的混合输入层，包含原始气象数据与回归推导的停电预估值。
• 采用改进的极限学习机（ELM）算法对MLP进行训练、验证与测试，数据集按60%训练、15%验证、25%测试划分（2015年1月至2017年4月）。
• 使用佛罗里达州某电力公司的真实可靠性数据与NCDC的历史气象数据进行MLP训练，通过训练周期内均方误差（MSE）监控收敛性与性能表现。
• 通过网络输出对各输入参数的一阶导数进行敏感性分析，量化各气象变量对停电预测的影响。
• 通过对比完整测试期内预测值与实际日度持续性（N）与瞬时（M）停电次数，验证模型性能。

实验结果

研究问题

• RQ1 温度、风速、降水、气压与雷暴等常见气象参数如何共同影响配电网的日度持续性与瞬时停电率？
• RQ2 结合参数化回归与多层感知机（MLP）神经网络的混合框架是否能显著提升传统统计模型的预测精度？
• RQ3 停电预测对各气象参数单独变化的相对敏感性如何？哪一气象因素对供电可靠性影响最大？
• RQ4 改进的ELM算法在停电预测背景下，对训练收敛性与泛化能力的提升程度如何？

主要发现

• 所提出的混合MLP框架相较于独立统计模型，使持续性停电预测的均方误差（MSE）降低8.77%。
• 对于瞬时停电，所提出框架相较统计模型实现MSE降低61.37%，显著提升预测精度。
• 敏感性分析表明，雷暴（L）是影响持续性与瞬时停电次数的最关键气象参数，尤其在佛罗里达雨季（6月至9月）期间。
• 供暖度日数（H）对停电率影响最小，因佛罗里达气温常年高于65°F，导致年供暖度日数值较低。
• 改进的ELM算法在训练过程中表现出稳定收敛，MSE随训练周期递减，表明在测试数据集上具备良好的学习与泛化能力。
• 将参数化模型输出作为MLP输入，显著增强了模型捕捉气象变量间复杂非线性交互关系的能力，优于仅依赖原始气象数据或统计拟合的模型。