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

要約

近年、電力網アプリケーション向けに設計されたデータ駆動型アプローチに関する豊富な文献が出版されています。
ただし、ドメイン知識の考慮が不十分だと、方法の実用性に高いリスクが課される可能性があります。
具体的には、グリッド固有の時空間パターン (負荷、生成、トポロジーなど) を無視すると、新しい入力に対して実行不可能、実現不可能、または完全に無意味な予測が出力される可能性があります。
この懸念に対処するために、この論文では現実世界の運用データを調査し、時間とともに変化するトポロジー、負荷、発電量、および個人間の空間的な違い（ピーク時間、多様なスタイル）などの電力網の動作パターンについての洞察を提供します。
負荷と世代。
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の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リスクを評価します。

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, Google