Power Grid Behavioral Patterns and Risks of Generalization in Applied Machine Learning

要約

タイトル：応用機械学習における電力グリッドの行動パターンと一般化のリスク

要約：
– 近年、電力グリッドアプリケーション向けのデータ駆動アプローチの豊富な論文が出ているが、ドメイン知識の不十分さは、方法の実用性に高いリスクを課す可能性がある。
– 特に、グリッド固有の空間時間パターン（負荷、発電、トポロジーなど）を無視すると、新しい入力に対して実現不可能、実現不可能、あるいは完全に意味のない予測を出力する可能性がある。
– この懸念に対処するため、この論文では、時間変化するトポロジー、負荷、および発電を含む、電力グリッドの実世界の運用データを調査して、個々の負荷および発電のピーク時、多様なスタイルなどの空間的差異を含む、電力グリッドの行動パターンに対する洞察を提供する。
– 次に、これらの観察に基づいて、モデルの設計とトレーニングでこれらのグリッド固有パターンを無視することによって引き起こされる一部の既存のML作業における一般化のリスクを評価する。

要約(オリジナル)

Recent years have seen a rich literature of data-driven approaches designed for power grid applications. However, insufficient consideration of domain knowledge can impose a high risk to the practicality of the methods. Specifically, ignoring the grid-specific spatiotemporal patterns (in load, generation, and topology, etc.) can lead to outputting infeasible, unrealizable, or completely meaningless predictions on new inputs. To address this concern, this paper investigates real-world operational data to provide insights into power grid behavioral patterns, including the time-varying topology, load, and generation, as well as the spatial differences (in peak hours, diverse styles) between individual loads and generations. Then based on these observations, we evaluate the generalization risks in some existing ML works causedby ignoring these grid-specific patterns in model design and training.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI