كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دوازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

چارچوب هوش مصنوعی قابلاعتماد با تفکیک تطبیقی فضای حالت و مدلهای خوشهای تفسیرپذیر برای پیشبینی ناپایداری شبکه قدرت

نویسندگان :

علی جعفری¹ سعید فضایلی²

1- دانشگاه ارومیه 2- دانشگاه ارومیه

کلمات کلیدی :

پایداری شبکه قدرت،تفکیک فضای حالت،خوشهبندی K-Means،الگوریتم CatBoost،هوش مصنوعی تفسیرپذیر (SHAP)،اعتبارسنجی متقابل

چکیده :

افزایش نفوذ منابع انرژی تجدیدپذیر و پیچیدگیهای دینامیکی، شبکههای قدرت هوشمند را با چالشهای جدی در حفظ پایداری مواجه ساخته است. مدلهای یادگیری ماشین سراسری به دلیل ناهمگونی رفتارهای عملیاتی و ماهیت جعبه سیاه، در پیشبینی دقیق ناپایداریها و ارائه علل فیزیکی آن ناتوان هستند. پژوهش حاضر یک چارچوب نوین، هوشمند و قابلاعتماد برای پیشبینی پایداری شبکه ارائه میدهد که مبتنی بر تفکیک تطبیقی فضای حالت و مدلسازی تخصصی خوشهای است. در این روش، پس از حذف دادههای دورافتاده با الگوریتم جنگل انزوا و رتبهبندی ویژگیها با ReliefF، فضای حالت دادهها با K-Means خوشهبندی شده و تعداد بهینه خوشه (k=2) با ضریب سیلوئت (111/0) تثبیت میگردد. سپس مدلهای محلی CatBoost برای هر خوشه و یک مدل سراسری تحت هایپرپارامترهای کاملاً یکسان آموزش داده شده و با اعتبارسنجی متقابل 5-تایی و ارزیابی روی دادههای آزمون دیده نشده ارزیابی میشوند. نتایج نشان میدهد مدلهای محلی میزان AUC را از 872/0 در مدل سراسری به 927/0 در خوشه اول و 905/0 در خوشه دوم ارتقا داده و ضریب همبستگی متیوز (MCC) را با 4/19% رشد به 644/0 در خوشه اول و 66/18% رشد به 630/0 در خوشه دوم رساندهاند. همچنین ارزیابی متقابل 5-تایی صحت تعمیمپذیری را تأیید میکند. تحلیل تفسیرپذیری SHAP فاش میسازد که الگوی محرک ناپایداری در خوشه اول مبتنی بر نوسانات دینامیکی تجدیدپذیرها (تابش و نرخ تغییرات توان) و در خوشه دوم متأثر از کیفیت توان (اعوجاج هارمونیکی) و بار حرارتی - راکتیو است. این رویکرد ضمن رفع خطاهای سیستماتیک مدلهای عمومی، ابزاری شفاف و اتکاپذیر برای تصمیمگیری پیشگیرانه بهرهبرداران فراهم میسازد.