[论文解读] Sparse Oblique Decision Tree for Power System Security Rules Extraction and Embedding

Qingchun Hou, Ning Zhang+4 more|arXiv (Cornell University)|Apr 20, 2020

Optimal Power Flow Distribution参考文献 29被引用 7

一句话总结

本文提出一种稀疏加权斜决策树，用于从电力系统数据中提取可解释的线性安全规则，并嵌入经济调度模型。通过使用递归算法生成稀疏矩阵，该方法实现了安全约束的高效Big-M公式化，在高比例可再生能源渗透系统中显著提高了安全运行状态的占比，并减少了求解时间。

ABSTRACT

Increasing the penetration of variable generation has a substantial effect on the operational reliability of power systems. The higher level of uncertainty that stems from this variability makes it more difficult to determine whether a given operating condition will be secure or insecure. Data-driven techniques provide a promising way to identify security rules that can be embedded in economic dispatch model to keep power system operating states secure. This paper proposes using a sparse weighted oblique decision tree to learn accurate, understandable, and embeddable security rules that are linear and can be extracted as sparse matrices using a recursive algorithm. These matrices can then be easily embedded as security constraints in power system economic dispatch calculations using the Big-M method. Tests on several large datasets with high renewable energy penetration demonstrate the effectiveness of the proposed method. In particular, the sparse weighted oblique decision tree outperforms the state-of-art weighted oblique decision tree while keeping the security rules simple. When embedded in the economic dispatch, these rules significantly increase the percentage of secure states and reduce the average solution time.

研究动机与目标

• 解决高比例可再生能源渗透带来的不确定性增加对电力系统安全运行的挑战。
• 开发可解释的、数据驱动的安全规则，可直接嵌入经济调度模型。
• 确保提取的规则为线性且计算高效，适用于实时运行。
• 与现有斜决策树方法相比，提升安全规则提取的准确性和简洁性。
• 通过稀疏矩阵表示与Big-M方法集成，实现安全约束的可扩展部署。

提出的方法

• 提出一种稀疏加权斜决策树，用于在高维电力系统状态空间中学习线性决策边界。
• 使用递归算法从决策树中提取稀疏矩阵，最小化非零元素以提升计算效率。
• 采用Big-M方法公式化安全约束，实现与混合整数规划框架的直接集成，用于经济调度。
• 应用加权斜分裂，优先考虑关键安全裕度，提升决策边界的准确性。
• 通过稀疏性正则化优化树结构，平衡模型复杂度与可解释性。
• 在大规模含高比例可再生能源发电的电力系统数据集上训练模型，以确保泛化能力。

实验结果

研究问题

• RQ1 稀疏斜决策树能否有效从高维电力系统数据中提取可解释的线性安全规则？
• RQ2 提取的矩阵稀疏性在嵌入经济调度模型时对计算效率有何影响？
• RQ3 与最先进方法相比，该方法在多大程度上提升了安全运行状态的占比？
• RQ4 该方法能否在显著减少经济调度求解时间的同时保持高精度？
• RQ5 提取的规则在不同可再生能源渗透水平下泛化能力如何？

主要发现

• 稀疏加权斜决策树在准确性和规则简洁性方面均优于最先进加权斜决策树方法。
• 通过Big-M方法嵌入后，提取的安全规则显著提升了高比例可再生能源渗透测试案例中的安全运行状态占比。
• 该方法通过将约束高效表示为稀疏矩阵，显著降低了经济调度的平均求解时间。
• 递归提取算法成功生成了非零元素极少的稀疏矩阵，实现了高效的优化。
• 该方法在多个大规模数据集上表现出稳健性能，证实了其可扩展性与泛化能力。
• 从模型中提取的线性、可解释规则适用于电力系统安全协调的实时部署。