Prédiction de la stabilité de la tension à l'aide de l'apprentissage machine actif

Une technique d'apprentissage machine actif pour surveiller la stabilité de la tension dans les systèmes de transmission est présentée. Il a été démontré que les algorithmes d'apprentissage machine peuvent être utilisés pour compléter l'approche de simulation traditionnelle, mais ils souffrent des difficultés de mise à jour du modèle d'apprentissage machine en ligne et de préparation des données d'entraînement hors ligne. Nous proposons une solution d'apprentissage actif pour améliorer les applications d'apprentissage machine existantes en interagissant activement avec le processus de prédiction en ligne et d'entraînement hors ligne. La technique identifie des points de fonctionnement où les prédictions d'apprentissage machine basées sur des mesures du système électrique contredisent les conditions réelles du système. En créant l'ensemble d'entraînement autour des points de fonctionnement identifiés, il est possible d'améliorer la capacité des outils d'apprentissage machine à prédire les états futurs du système électrique. La technique accélére également le processus d'entraînement hors ligne en réduisant le nombre de simulations sur un modèle détaillé du système électrique autour des points de fonctionnement où des prédictions correctes sont faites. Des expériences montrent un avantage significatif en relation avec le temps d'entraînement, le temps de prédiction et le nombre de mesures qui doivent être interrogées pour atteindre une haute précision de prédiction.