[论文解读] The Powerful Use of AI in the Energy Sector: Intelligent Forecasting

Erik Blasch, Haoran Li+2 more|arXiv (Cornell University)|Nov 3, 2021

Energy Load and Power Forecasting参考文献 47被引用 10

一句话总结

本文提出了一种面向能源领域智能预测的物理信息AI框架，利用相量测量单元（PMUs）的同步相量数据进行降维，以提升事件预测的准确性。通过将物理原理与集成机器学习相结合，该方法在可靠性、可信度和性能方面表现出色，在电力系统事件预测方面优于现有最先进方法，展现出更高的准确性和效率。

ABSTRACT

Artificial Intelligence (AI) techniques continue to broaden across governmental and public sectors, such as power and energy - which serve as critical infrastructures for most societal operations. However, due to the requirements of reliability, accountability, and explainability, it is risky to directly apply AI-based methods to power systems because society cannot afford cascading failures and large-scale blackouts, which easily cost billions of dollars. To meet society requirements, this paper proposes a methodology to develop, deploy, and evaluate AI systems in the energy sector by: (1) understanding the power system measurements with physics, (2) designing AI algorithms to forecast the need, (3) developing robust and accountable AI methods, and (4) creating reliable measures to evaluate the performance of the AI model. The goal is to provide a high level of confidence to energy utility users. For illustration purposes, the paper uses power system event forecasting (PEF) as an example, which carefully analyzes synchrophasor patterns measured by the Phasor Measurement Units (PMUs). Such a physical understanding leads to a data-driven framework that reduces the dimensionality with physics and forecasts the event with high credibility. Specifically, for dimensionality reduction, machine learning arranges physical information from different dimensions, resulting inefficient information extraction. For event forecasting, the supervised learning model fuses the results of different models to increase the confidence. Finally, comprehensive experiments demonstrate the high accuracy, efficiency, and reliability as compared to other state-of-the-art machine learning methods.

研究动机与目标

• 开发一种可信赖的AI框架，用于能源系统，确保关键基础设施在可靠性、可问责性和可解释性方面的表现。
• 通过将物理原理嵌入AI驱动的预测模型，降低级联故障和停电风险。
• 利用物理洞察对数据进行降维，同时保留关键预测模式。
• 通过多个模型的集成学习提升预测置信度。
• 建立稳健的评估指标，确保模型在能源公用事业实际部署中的可靠性。

提出的方法

• 利用相量测量单元（PMUs）的同步相量测量数据，捕捉电力系统实时动态。
• 基于物理理解，通过从高维测量数据中提取有意义的物理特征，实现数据降维。
• 在降维后的数据上训练监督机器学习模型，用于预测电力系统事件。
• 采用模型融合技术，整合多个AI模型的预测结果，提升整体置信度和鲁棒性。
• 设计强调可靠性、可解释性和在真实世界约束条件下性能的评估协议。
• 在AI训练和推理流程中集成物理约束，确保模型行为与已知电力系统物理规律一致。

实验结果

研究问题

• RQ1 如何将电力系统中的物理原理整合到AI模型中，以提升预测的可靠性？
• RQ2 在高维PMU数据中，最优的降维方法是什么，同时能保留预测特征？
• RQ3 集成学习如何提升电力系统事件预测的置信度和准确性？
• RQ4 哪些评估指标可确保AI驱动的能源预测系统具备可问责性和可解释性？
• RQ5 所提出的方法在预测准确性和效率方面，相较于现有最先进机器学习方法，优势有多大？

主要发现

• 物理信息驱动的降维技术相比标准机器学习方法，显著提升了信息提取效率。
• 集成模型融合方法提高了预测置信度，降低了事件预测中的不确定性。
• 所提出的框架在预测电力系统事件方面，准确率高于现有最先进机器学习模型。
• 全面实验验证了该方法在真实世界运行条件下的高效性、可靠性和鲁棒性。
• 物理约束的集成增强了模型的可解释性，并降低了关键基础设施中灾难性故障的风险。
• 评估框架提供了可度量、可信的性能指标，适用于能源公用事业运营中的实际部署。