Leveraging Multi-Task Learning for Multi-Label Power System Security Assessment

要約

このペーパーでは、マルチタスク学習（MTL）を使用した電力システムセキュリティ評価に対する新しいアプローチを紹介し、問題をマルチラベル分類タスクとして再定式化します。
提案されたMTLフレームワークは、静的、電圧、過渡、および小型の安定性を同時に評価し、最先端の機械学習方法に関して精度と解釈性の両方を改善します。
共有エンコーダーと複数のデコーダーで構成され、安定性タスク間の知識転送を可能にします。
IEEE 68-BUSシステムでの実験は、現存する最先端のアプローチと比較して、提案された方法の測定可能な優れた性能を示しています。

要約(オリジナル)

This paper introduces a novel approach to the power system security assessment using Multi-Task Learning (MTL), and reformulating the problem as a multi-label classification task. The proposed MTL framework simultaneously assesses static, voltage, transient, and small-signal stability, improving both accuracy and interpretability with respect to the most state of the art machine learning methods. It consists of a shared encoder and multiple decoders, enabling knowledge transfer between stability tasks. Experiments on the IEEE 68-bus system demonstrate a measurable superior performance of the proposed method compared to the extant state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google