ActNet

新工具解释电力系统动力学中的神经网络训练

研究人员开发了新的分析工具来解释电力系统动力学中使用的机器学习代理模型的训练性能。通过借鉴电力系统的小信号特征值分析，神经网络切线核（NTK）方法提供了学习性能的模态解释。该方法将电力系统模型中的物理刚度与神经网络训练过程中的优化刚度联系起来，从而能够开发自适应损失加权策略，并解释为什么某些神经网络架构（如ActNet）的性能优于标准神经网络。这些工具旨在超越试错式设计，为工程应用中创建更可靠的机器学习代理提供物理感知洞察。