[论文解读] Revealing drivers and risks for power grid frequency stability with explainable AI

Johannes Kruse, Benjamin Schäfer+1 more|arXiv (Cornell University)|Jun 7, 2021

Energy Load and Power Forecasting参考文献 70被引用 65

一句话总结

该论文提出了一种基于梯度提升树和SHAP值的可解释人工智能（XAI）框架，用于预测和解释欧洲三个同步电网中的频率稳定性指标——RoCoF、Nadir、MSD和Integral。研究识别出负荷爬坡、发电爬坡和预测误差是导致不稳定的主因，其预测性能比每日平均基线模型高出3.2至14.7倍，SHAP分析揭示了电网特异性风险因素及系统范围内的依赖关系。

ABSTRACT

Stable operation of the electrical power system requires the power grid frequency to stay within strict operational limits. With millions of consumers and thousands of generators connected to a power grid, detailed human-build models can no longer capture the full dynamics of this complex system. Modern machine learning algorithms provide a powerful alternative for system modelling and prediction, but the intrinsic black-box character of many models impedes scientific insights and poses severe security risks. Here, we show how eXplainable AI (XAI) alleviates these problems by revealing critical dependencies and influences on the power grid frequency. We accurately predict frequency stability indicators (such as RoCoF and Nadir) for three major European synchronous areas and identify key features that determine the power grid stability. Load ramps, specific generation ramps but also prices and forecast errors are central to understand and stabilize the power grid.

研究动机与目标

• 为应对可再生能源渗透率不断提高及复杂系统动态带来的电力系统频率稳定性理解与预测挑战。
• 通过应用可解释人工智能（XAI）技术，克服传统机器学习模型在关键基础设施中“黑箱”特性的问题。
• 识别并量化对同步欧洲电网频率偏差具有显著影响的外部特征，如负荷和发电爬坡、电价以及预测误差。
• 通过将模型可解释性与实际运行风险和控制策略关联，为输电网运营商提供可操作的洞察。
• 以数据驱动模型补充基于物理的仿真，揭示标准预测未捕捉到的隐藏依赖关系和新兴风险。

提出的方法

• 使用梯度提升树模型，基于每小时的外部特征预测四个频率稳定性指标：RoCoF、Nadir、MSD和Integral。
• 应用SHapley加法解释（SHAP）以解释模型预测结果，实现特征贡献的局部与全局可解释性。
• 将日前预测的特征（如日前负荷爬坡）和事后误差特征（如发电爬坡预测误差）均作为模型输入。
• 将高分辨率频率数据聚合为每小时指标，以匹配运行时间尺度并提升模型泛化能力。
• 以系统特定的零模型——即稳定性指标的每日平均轮廓——作为基准验证模型性能。
• 利用SHAP值生成依赖图和交互作用分析，可视化三个同步区域（欧洲大陆、北欧、英国）中特征影响及非线性关系。

实验结果

研究问题

• RQ1 在欧洲电力系统中，哪些外部特征对RoCoF、Nadir、MSD和Integral等频率稳定性指标影响最显著？
• RQ2 负荷和发电爬坡的预测误差如何影响频率稳定性？这些影响在不同同步区域是否存在差异？
• RQ3 可解释人工智能模型在预测频率稳定性方面，相比简单基线模型（如每日平均轮廓）能提升多少？
• RQ4 电力市场信号（如电价）与频率动态之间存在哪些关键的非线性及交互依赖关系？
• RQ5 电网运行和可再生能源集成的区域差异如何塑造频率不稳定的主导驱动因素？

主要发现

• XAI模型在预测频率稳定性指标方面，相比每日平均基线模型，性能分别提升3.2倍（欧洲大陆）、6.9倍（北欧）和14.7倍（英国）。
• 负荷爬坡始终是影响最显著的特征之一，其负向SHAP贡献表明更大的爬坡幅度会导致更低（更差）的Nadir值。
• 负荷和发电爬坡的预测误差是导致不稳定的决定性因素，其影响在不同同步区域间存在显著差异。
• 电价爬坡和日前电价信号对频率稳定性亦有显著且非平凡的影响，尤其在英国电网中表现突出。
• SHAP交互作用图显示，负荷爬坡与预测误差的联合效应强于各自独立贡献，表明系统存在非线性行为。
• 同步发电水平与稳定性指标之间存在复杂且非单调的关系，尤其在英国电网中，高发电水平在特定条件下与不稳定性增加相关。