.png){kind=icon}
返回
Hybrid machine learning framework for electrical grid stability prediction using comparative model evaluation
.png){kind=icon}
OA
AI
DOI：10.3389/frai.2026.1963509.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
引言：准确预测电网稳定性对于确保现代智能能源系统的可靠性、弹性和可持续运行至关重要。电网运行参数之间的非线性相互作用使得稳定性预测具有挑战性，尤其是当传统机器学习模型主要依赖统计关系，而未明确融入具有物理意义的特性时。
方法：本研究利用包含10,000个观测值的电气电网稳定性模拟数据集，对机器学习和深度学习在电网稳定性预测中的应用进行了系统性的比较评估。该数据集源自一个去中心化的四节点星型拓扑电力系统。六种传统机器学习模型——逻辑回归、随机森林、梯度提升、XGBoost、LightGBM和带有RBF核的支持向量机——与四种深度学习架构——深度多层感知器、1D-CNN、CNN-LSTM和Bi-LSTM——进行了比较。我们还开发了一种混合堆叠集成方法，通过线性元学习器整合高性能提升模型的互补表示。为融入领域知识，从原始12个电网参数中工程化构建了7个物理信息特征，形成一个19维的特征空间。模型性能使用准确率、加权F1分数、ROC-AUC、马修斯相关系数以及分层五折交叉验证下的类别级精确率和召回率进行评估。采用SHAP分析方法量化特征贡献并提升模型可解释性。
结果：所提出的混合堆叠集成方法实现了最佳的整体预测性能，准确率达到96.85%，加权F1分数为0.9685，ROC-AUC为0.9953，MCC为0.9319。结果表明，整合互补的集成学习器比单个传统机器学习和深度学习模型能提供更可靠的稳定性判别。SHAP分析进一步表明，物理信息交互特征（特别是τ−P交互和功率平衡特性）在结合原始电网反应时间参数时，能提供显著的判别信息。
讨论：研究发现，混合集成学习与物理信息特征工程相结合，将为电网稳定性预测提供准确、可解释且计算上可行的解决方案。强大的预测判别能力和一致的交叉验证性能表明其在智能电网环境中进行实时稳定性监测和决策支持方面的潜力。将领域知识驱动的表示与数据驱动学习相结合，为开发更透明、更可靠的智能电网监测系统提供了有前景的方向。
Keyword:
explainable AI,XGBoost,deep neural networks,hybrid machine learning,stacking ensemble,smart grid stability
