【CMU博士论文】深度学习在电力系统的应用

气候变化是我们这个时代最紧迫的问题之一，需要社会各个领域迅速动员许多工具和方法。机器学习被提议为其中一种工具，有可能补充和加强现有的气候变化工作。在这篇论文中，我们提供了几个方向，用于原则性地设计和使用基于机器学习的方法（特别侧重于深度学习）来解决电力领域的与气候相关的问题。在论文的第一部分，我们提出了统计和优化的方法来估计电网上的关键量。具体来说，我们使用基于回归的工具来评估用于评估电力系统干预的与气候和健康相关的排放因素。我们还提出了一种基于矩阵补全的方法来估计电力分配系统上的电压，以实现分布式太阳能的集成。

受到这项工作的启发，论文的第二部分，我们关注的是设计深度学习方法，这些方法明确捕捉了与应用场景相关的物理学、硬性约束和领域知识。特别是，我们利用深度学习中的隐含层工具来设计预测方法，这些方法对模型输出将用于的下游（随机）决策过程有认知。我们还设计了快速、保持可行性的神经近似器，用于具有硬性约束的优化问题，以及证明了能强制执行与部署系统相关的稳定性标准或操作约束的基于深度学习的控制器。这些方法直接适用于电力系统的问题，同时也更广泛地适用于其他物理和安全关键领域。虽然第二部分展示了电力系统如何为深度学习研究提供有成效的方向，但在这篇论文的最后一部分，我们反过来展示了深度学习的洞察如何为电力系统的研究提供有成效的方向。具体来说，我们展示了受隐含层文献启发的方法如何被用于评估电网上的与政策相关的逆向问题。我们进一步展示了如何结合隐含层和对抗鲁棒深度学习的洞察，使我们能够为电力系统的两个核心问题——N-k安全约束最优功率流和随机最优功率流——提供可扩展的启发式解决方案，这两个问题由于其计算难度，很少在实际规模上进行研究。

总的来说，这篇论文展示了如何通过深度学习和电力系统的洞察进行桥接，可以显著推进这两个领域的方法，除此之外，还能解决与气候行动相关的高影响力问题。