Interprétation et application d'un algorithme basé sur XGBoost pour la prédiction de l'état de stabilité transitoire post-panne d'un système énergétique

Les techniques d'intelligence artificielle (IA) ont été largement utilisées dans l'analyse de la stabilité transitoire d'un système énergétique. Elles sont reconnues comme les approches les plus prometteuses pour prédire l'état de stabilité transitoire post-panne en utilisant les données des unités de mesure de phasors. Cependant, les méthodes d'IA populaires utilisées pour les systèmes énergétiques sont souvent des « boîtes noires », ce qui entraîne une mauvaise interprétation du modèle. Dans cet article, une méthode de prédiction de la stabilité transitoire basée sur le boosting par gradient extrême est proposée. Dans ce modèle, un graphique de décision et des scores d'importance des caractéristiques sont fournis pour découvrir la relation entre les caractéristiques du système énergétique et la stabilité transitoire. Parallèlement, les caractéristiques clés sont sélectionnées en fonction des scores d'importance pour éliminer les variables redondantes. Les résultats de simulation sur le système à 39 bus du New England ont démontré la supériorité du modèle proposé par rapport aux méthodes précédentes en termes de vitesse de calcul et de précision de prédiction. Enfin, un algorithme est proposé pour interpréter les résultats de prédiction pour une panne spécifique du système énergétique, ce qui améliore encore l'interprétabilité du modèle et le rend attrayant pour la prédiction en temps réel de la stabilité transitoire.