一种基于专家引导神经回归树的、可解释的电力系统暂态稳定性评估方法

《Engineering Applications of Artificial Intelligence》:An interpretable power system transient stability assessment method with expert guiding neural regression tree

【字体: 大 中 小 】 时间:2026年03月26日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  电力系统暂态稳定性评估(TSA)中,深度神经网络虽性能优异但缺乏可解释性。本文提出专家引导神经回归树(ENRT)方法,通过构建专家知识库指导非线性回归树建模,结合神经网络的概率预测能力,在提升模型可解释性的同时保持高精度(94.3%准确率)。方法创新包括:基于电力系统方程构建专家知识库指导非线性树结构设计;将TSA分类问题转化为概率回归任务生成细粒度规则;引入平均树深度正则化提升模型一致性。实验表明ENRT模型与神经网络输出一致性达97.1%,生成的规则具有明确物理意义。

  
王汉轩|卢娜|王子轩|刘家成|刘军
西安交通大学自动化科学与工程学院系统工程研究所,中国西安,710049

摘要

深度神经网络在电力系统暂态稳定性评估(TSA)方面取得了显著成就;然而,它们的黑箱特性严重限制了其工业应用。尽管许多研究探讨了网络解决方案的可解释性,但仍存在一些未解决的挑战:(1)广泛接受的电力系统知识与生成的解释规则之间存在较大差异;(2)在准确性和可解释性之间实现最佳平衡仍然困难。为了解决这些问题,我们提出了一种可解释的TSA模型——专家指导的神经回归树(ENRT)。在ENRT中,引入了一种专门的非线性回归树来近似基于深度学习的TSA模型,其决策路径模拟了神经网络的黑箱推理过程。树模型中的非线性项是根据专家知识从功率流计算模型中提取的,确保生成的解释规则更符合人类认知。通过用非线性回归树的平均决策深度对神经网络进行正则化,我们在训练层面建立了神经网络和树模型之间的联系,从而在准确性和可解释性之间取得了更好的平衡。我们在多个TSA任务中的实验表明,ENRT有效地平衡了准确性和可解释性,神经网络和树模型之间的匹配度达到了97.1%,准确率为94.3%。此外,生成的解释规则能够捕捉到具有明确物理意义的非线性项,与电力系统知识的吻合度更高。

引言

暂态稳定性评估(TSA)在电力系统的运行、规划和控制中起着关键作用(Liu等人,2025/01;Yu等人,2018;Sedghi等人,2024;Tan和Zhao,2023),旨在评估在一系列突发事件后电力系统的稳定性(Wu等人,2023;Fathollahi等人,2022)。针对这一主题,已经进行了大量研究,包括基于模型和基于数据的方法。基于模型的TSA方法,如时域仿真方法(Lara等人,2024;Deng等人,2021)和李雅普诺夫函数方法(Vu和Turitsyn,2016;Qiu等人,2023),依赖于详细的物理建模,但在现代高可再生能源渗透率的电力系统中往往计算成本高且适应性有限(Wu等人,2023)。相比之下,基于数据的TSA方法使用不同的机器学习模型,不需要对特定问题进行详细建模,因此速度更快且更具适应性(Tian等人,2019;Amraee和Ranjbar,2013)。不幸的是,这些浅层模型严重依赖于高质量的暂态数据特征工程,并且容易受到维数灾难的影响(Wang等人,2025a)。随着深度学习的快速发展,深度神经网络的强大非线性特征提取能力在TSA领域受到了广泛关注。已经提出了许多基于深度学习的TSA方法,并在各种TSA任务中取得了显著成功(Liu等人,2025/01;Sedghi等人,2024;Zhan等人,2023;Shi等人,2020a;Wen等人,2019;Yan等人,2019)。然而,神经网络的黑箱特性(Xu和Yang,2025)阻碍了深度TSA模型中决策逻辑的透明度,导致评估结果难以解释,这极大地限制了它们的工业应用。
为了开发可解释的深度TSA模型,现有研究可以大致分为基于可视化的方法、结合物理知识的方法和基于替代模型的方法。基于可视化的方法通过可视化深度TSA模型中的输入特征和内部表示来解释模型行为(Luo等人,2023;Zhu等人,2020,2021;Chen等人,2023a;Zheng等人,2022;Hamilton和Papadopoulos,2024)。例如,在(Chen等人,2023a)和(Zhu等人,2021)中,作者提出了不同的注意力机制来量化和可视化不同特征对稳定性评估的影响。尽管这些方法直观易懂,但它们计算复杂度较高且严重依赖于手动解释(Xu和Yang,2025)。结合物理知识的方法利用电力系统领域的知识(如稳定性理论)来增强可解释性(Gao等人,2021;Liu等人,2024;Zhao等人,2022)。然而,这些方法通常涉及复杂的微分约束,在大规模系统中的泛化能力有限。相比之下,基于替代模型的方法(我们的方法属于这一类)用更简单、更易解释的模型来近似神经网络的决策行为,提供了深度TSA模型中决策逻辑的更透明表示(Wu等人,2020a,2022;Zhang等人,2021;Ren等人,2022;Oliveira等人,2017a)。例如,在(Wu等人,2022)中,作者使用XGBOOST作为替代模型来模拟神经网络,从而可以从全局特征重要性和局部样本角度进行解释。尽管这些方法有优势,但仍然面临两个主要挑战。
  • (1)
    知识差距:
    现有研究(Wu等人,2022;Zhang等人,2021;Ren等人,2022;Oliveira等人,2017a)主要采用基于线性树的模型作为替代模型,导致决策规则过于简化。这种方法无法捕捉TSA的固有非线性动态,从而产生了知识差距(Tang等人,2022;Mansour等人,2022)。
  • (2)
    性能差距:
    与深度神经网络相比,线性替代模型的拟合能力有限。因此,替代模型与深度模型预测之间的一致性较低,这削弱了可解释规则的可靠性。为了提高可解释性,必须通过强制使用更简单的决策边界来牺牲模型性能,导致与其他黑箱深度TSA模型相比有相当大的性能差距(Ren等人,2022)。
  • 为了解决上述挑战,我们提出了一种可解释的暂态稳定性评估方法,称为专家指导的神经回归树(ENRT)。与之前的方法(Wu等人,2022;Zhang等人,2021;Ren等人,2022;Oliveira等人,2017a)不同,我们设计了一种由专家知识指导的新型非线性树模型。其非线性特性可以有效减少替代模型方法中常见的性能差距,同时结合专家知识可以弥合生成决策规则与领域特定理解之间的差距。ENRT整合了四个关键组成部分:专家知识库、神经网络评估模型、非线性回归树和树正则化替代模型。首先,从简化的两机三母线系统的功率流方程中提取专家知识,构建知识库,作为对现实世界系统的类比。然后从该知识库中派生出具有物理意义的非线性TSA特征,并将其与原始特征一起作为输入到树模型中。随后,基于原始TSA特征训练神经网络评估模型作为回归模型。该模型预测系统稳定性的概率,在整个评估过程中保留概率信息。为了模仿神经网络评估模型的预测行为,构建了一个由专家指导的非线性回归树作为替代模型。这棵树近似评估模型的输出,旨在复制其概率生成逻辑。为了进一步增强神经网络评估模型和非线性树模型之间的一致性,在评估模型的训练中引入了一个可微的平均树深度正则化项,提高了树模型提供的解释的可靠性。神经网络、回归树和平均树深度正则化的结合称为神经回归树。在稳定性评估过程中,当神经网络评估模型和非线性回归树产生一致的输出时,树的决策路径可以解释为评估模型预测背后的可解释且具有物理意义的逻辑。我们通过在不同TSA任务中的全面实验和消融研究验证了ENRT的有效性和优越性。本工作的主要贡献如下。
  • 1)
    新型可解释非线性树:
    将专家知识纳入所提出的可解释性模型中。通过从简化的电力系统中提取知识来构建专家知识库。在该知识库的指导下,构建非线性回归树。非线性树的决策逻辑包含具有物理意义的非线性项,更好地捕捉了TSA的固有非线性,并反映了神经网络的行为。
  • 2)
    细粒度解释规则:
    将TSA二分类问题重新表述为预测稳定性概率的回归任务。这使得非线性回归树能够根据评估模型的概率输出生成不同的解释规则,从而提供神经网络行为的细粒度和可解释的表示。
  • 3)
    更好的性能和可解释性:
    在不同TSA任务上的广泛实验表明,ENRT显著提高了树模型和神经网络之间的一致性,同时保持了高准确性。生成的决策逻辑展示了具有明确物理意义的非线性项,从而提供了强大且可靠的可解释性。
  • 本文的其余部分组织如下:第2节介绍问题分析。第3节详细描述了所提出的ENRT。第4节提供了案例研究和实验分析。第5节总结了本文并讨论了未来的研究方向。

    问题分析

    由于深度神经网络强大的非线性特征提取能力,它们在暂态稳定性评估中表现出色。为了促进深度TSA方法的工业应用,将解释树模型与神经网络集成是一种有前景的方法,称为神经树,如图1所示。假设有一个TSA训练数据集
    Xtrain={(xi,yi|xi∈RD,yi∈RCi=1N,其中D表示暂态响应轨迹的维度,C

    提出的方法

    在本节中,我们首先描述了专家指导神经回归树(ENRT)的总体框架。第3.2节和第3.3节分别详细介绍了专家指导非线性回归树的构建和树正则化替代模型的训练。

    案例研究

    在本节中,我们在中国的区域电力系统上验证了所提出的ENRT的有效性,研究了各种突发事件。实验内容包括模型性能、消融研究、替代模型训练分析、参数敏感性分析、训练过程可视化以及解释规则可视化。

    结论与局限性

    在本文中,我们提出了一种可解释的电力系统暂态稳定性评估方法,称为专家指导神经回归树(ENRT),它整合了专家知识库、神经网络评估模型、非线性回归树和树正则化替代模型。非线性回归树是通过从简化的电力系统中提取专家知识来构建的,以近似神经网络评估模型预测的稳定性概率。

    CRediT作者贡献声明

    王汉轩:撰写——原始草案、方法论、形式分析、数据管理。卢娜:撰写——审阅与编辑、验证、监督、方法论、形式分析、概念化。王子轩:验证、软件、数据管理。刘家成:方法论、形式分析、数据管理。刘军:撰写——审阅与编辑、资金获取。

    利益冲突声明

    名单中列出的作者声明他们与本文讨论的主题或材料没有任何组织或实体的财务利益或非财务利益关联。

    致谢

    本工作得到了陕西省自然科学基础研究计划(项目编号2024JC-YBMS-486)和国家重点研发计划“响应驱动的智能增强型大容量电力系统稳定性分析控制”(项目编号2021YFB2400800)的支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号