Data-Driven Estimation of Failure Probabilities in Correlated Structure-Preserving Stochastic Power System Models
作者: Hongli Zhao, Tyler E. Maltba, D. Adrian Maldonado, Emil Constantinescu, Mihai Anitescu
分类: cs.CE, eess.SY, math.DS, stat.AP
发布日期: 2024-01-04
备注: 12 pages, 6 figures, and 1 table
💡 一句话要点
提出数据驱动方法以估计电力系统中传输线故障概率
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 电力系统 故障概率 数据驱动 随机模型 不确定性分析 降阶方程 数值积分
📋 核心要点
- 现有方法在电力系统中传播不确定性时，往往效率低下，难以准确估计传输线故障概率。
- 本文提出了一种基于数据驱动的降阶方程方法，通过数值积分来估计故障概率，提升了计算效率。
- 实验结果表明，该方法在尾事件概率计算上比传统核密度估计更高效，且在联合事件估计上显著优于独立模型。
📝 摘要（中文）
本文提出了一种数据驱动的方法，用于在随机电力网模拟中传播不确定性，并应用于传输线故障概率的估计。通过从全阶连续马尔可夫过程的Fokker-Planck方程中推导出观察到的线路能量概率密度函数的降阶方程，本文的方法通过数值积分该降阶方程生成估计。针对标量和向量值能量函数，使用经典的多机模型在时空相关噪声扰动下进行了数值实验。与核密度估计相比，该方法在计算尾事件概率时表现出更高的样本效率，并且在联合事件发生的估计上比独立模型更为准确。
🔬 方法详解
问题定义：本文旨在解决在随机电力系统模型中传播不确定性的问题，现有方法在计算传输线故障概率时效率较低，且准确性不足。
核心思路：提出了一种数据驱动的方法，通过推导降阶方程来描述线路能量概率密度函数的演变，利用数值积分生成故障概率的估计。
技术框架：整体方法包括从Fokker-Planck方程推导降阶方程、数值积分该方程以生成概率估计，以及在多机模型下进行实验验证。
关键创新：最重要的创新在于通过降阶方程的引入，显著提高了计算效率和准确性，尤其是在尾事件和联合事件的估计上。
关键设计：在实验中，采用了经典的多机模型，并在时空相关噪声扰动下进行测试，确保了方法的广泛适用性和准确性。具体的参数设置和数值积分方法在论文中有详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果显示，本文方法在尾事件概率计算上比传统的核密度估计提高了样本效率，且在联合事件发生的估计上，相较于独立模型，准确性显著提升，具体性能数据在论文中有详细列出。
🎯 应用场景
该研究的潜在应用领域包括电力系统的故障预测与风险管理，能够为电力运营商提供更为准确的故障概率估计，从而优化电网的运行和维护策略。未来，该方法有望推广到其他领域的随机系统建模与不确定性分析中。
📄 摘要（原文）
We propose a data-driven approach for propagating uncertainty in stochastic power grid simulations and apply it to the estimation of transmission line failure probabilities. A reduced-order equation governing the evolution of the observed line energy probability density function is derived from the Fokker--Planck equation of the full-order continuous Markov process. Our method consists of estimates produced by numerically integrating this reduced equation. Numerical experiments for scalar- and vector-valued energy functions are conducted using the classical multimachine model under spatiotemporally correlated noise perturbation. The method demonstrates a more sample-efficient approach for computing probabilities of tail events when compared with kernel density estimation. Moreover, it produces vastly more accurate estimates of joint event occurrence when compared with independent models.