[论文解读] Using SHAP Values and Machine Learning to Understand Trends in the Transient Stability Limit

R. I. Hamilton, Panagiotis N. Papadopoulos|arXiv (Cornell University)|Feb 13, 2023

Energy Load and Power Forecasting被引用 6

一句话总结

本文提出使用SHAP值来解释用于预测电力系统暂态稳定性的黑箱机器学习模型的临界清除时间（CCT），从而实现对暂态稳定边界影响的特定位置洞察。通过分析各母线处SHAP值的协方差，该方法揭示了系统变量如何影响稳定边界，为高比例可再生能源接入系统的规划与运行提供可操作的指导。

ABSTRACT

Machine learning (ML) for transient stability assessment has gained traction due to the significant increase in computational requirements as renewables connect to power systems. To achieve a high degree of accuracy; black-box ML models are often required - inhibiting interpretation of predictions and consequently reducing confidence in the use of such methods. This paper proposes the use of SHapley Additive exPlanations (SHAP) - a unifying interpretability framework based on Shapley values from cooperative game theory - to provide insights into ML models that are trained to predict critical clearing time (CCT). We use SHAP to obtain explanations of location-specific ML models trained to predict CCT at each busbar on the network. This can provide unique insights into power system variables influencing the entire stability boundary under increasing system complexity and uncertainty. Subsequently, the covariance between a variable of interest and the corresponding SHAP values from each location-specific ML model - can reveal how a change in that variable impacts the stability boundary throughout the network. Such insights can inform planning and/or operational decisions. The case study provided demonstrates the method using a highly accurate opaque ML algorithm in the IEEE 39-bus test network with Type IV wind generation.

研究动机与目标

• 解决高精度机器学习模型在暂态稳定评估中可解释性不足的问题。
• 实现对每个母线处影响临界清除时间（CCT）的系统变量的特定位置理解。
• 通过SHAP值与系统变量的协方差分析，揭示网络范围内的稳定边界敏感性趋势。
• 通过量化系统变化对暂态稳定性的影响，支持规划与运行决策。

提出的方法

• 在含Type IV风力发电的IEEE 39母线系统中，训练一个高精度、不透明的机器学习模型，用于预测每个母线的CCT。
• 应用SHapley Additive exPlanations（SHAP）方法，通过为每个母线的每个输入变量分配特征重要性，解释个体预测结果。
• 计算所有母线处各系统变量的SHAP值，以评估其对CCT预测的贡献。
• 计算每个系统变量与其对应SHAP值在所有母线上的协方差，以识别网络范围内的影响趋势。
• 利用所得协方差模式，绘制特定变量变化如何影响整个网络暂态稳定边界的规律。
• 在因可再生能源引入而系统复杂度与不确定性增加的情况下，于IEEE 39母线测试系统上验证该方法。

实验结果

研究问题

• RQ1 在复杂电力系统中，各系统变量如何影响每个母线处的临界清除时间？
• RQ2 某一特定系统变量的变化对整个网络的暂态稳定边界具有何种影响？
• RQ3 基于位置特定的机器学习模型生成的SHAP值，如何揭示稳定边界敏感性的一致趋势？
• RQ4 在高比例可再生能源渗透的系统中，SHAP分析在多大程度上可支持运行与规划决策？
• RQ5 SHAP-based分析能否有效揭示系统参数与暂态稳定极限之间的隐藏关系？

主要发现

• SHAP值成功识别出对各母线临界清除时间影响最显著的关键系统变量，如发电机惯性与风电渗透率。
• 系统变量与其SHAP值之间的协方差分析揭示了变化对稳定边界影响的一致、与位置相关的趋势。
• 该方法发现风力发电的波动性对稳定性的影响具有非均匀性，部分母线表现出更高的敏感性。
• 该方法在系统复杂度与不确定性增加的背景下，提供了可解释且可操作的稳定边界行为洞察。
• SHAP的使用实现了对高精度黑箱机器学习模型的透明解释，且未牺牲预测性能。