基于可解释人工智能的短期电压稳定性机理分析：可解释性度量与稳定性导向的预防控制

《CSEE Journal of Power and Energy Systems》：Explainable AI-Based Short-Term Voltage Stability Mechanism Analysis: Explainability Measure and Stability-Oriented Preventive Control

本文针对人工智能黑箱模型在短期电压稳定性(STVS)评估中缺乏可解释性的问题，提出了一种基于可解释人工智能(XAI)的机理分析方法。研究通过定性分析确立了STVS的机理真值，设计了可解释性评分指标来衡量不同XAI技术的可信度，并提出了序列化LIME方法将局部解释扩展到全局范围。以配电网切负荷为例，验证了该方法能够为稳定性导向的预防控制提供可解释的机制指导，在改进IEEE系统上的仿真结果表明该方法能有效提升STVS性能。

　　

随着可再生能源大规模接入电力系统，短期电压稳定性(STVS)问题日益复杂。传统人工智能方法虽然能够有效评估STVS，但其黑箱特性使得工程师难以理解系统关键因素如何影响稳定性，限制了在实际调度中的应用。2009年巴西大停电等事故表明，电压失稳可能导致电压崩溃和大规模停电，对能源安全构成严重威胁。尽管电网形成技术等创新提高了抗大扰动能力，但STVS的内在机理仍不明确。

为解决这一问题，研究人员在《CSEE Journal of Power and Energy Systems》上发表了题为"Explainable AI-based Short-term Voltage Stability Mechanism Analysis"的研究论文。该研究旨在揭示复杂STVS问题的内在机理，为电力系统安全运行提供可解释的决策支持。

研究采用的主要技术方法包括：首先通过定性分析建立STVS的机理真值；然后设计可解释性评分算法评估不同XAI技术的可信度；最后提出序列化LIME方法将局部解释扩展到全局范围，并应用于配电网切负荷问题。研究基于改进的IEEE 33节点配电网系统，通过时间域仿真生成实验样本。

STVS机理分析与可解释性度量

通过改进电压恢复指数(IVRI)量化STVS程度，该指数计算简单且区分能力强。机理分析发现，负荷水平、关键母线数量和位置对系统STVS有显著影响。关键母线的识别取决于馈线上分支点数量和电气距离。基于此，研究将关键母线索引作为评估可解释性评分的真值基准。

可解释性评分评估过程

研究提出了可解释性评分算法，通过比较XAI技术得到的特征重要性排序与真值解释的一致性来评估不同XAI技术的可信度。结果表明，在测试的四种机器学习分类器(MLP、SVM、RF、XGB)和两种XAI技术(LIME、SHAP)中，SVM分类器与LIME组合获得了最高的可解释性评分。

序列化LIME方法在预防控制中的应用

针对传统切负荷模型只注重负荷平衡而忽视STVS enhancement的问题，研究提出了基于序列化LIME的迭代算法。该方法通过不断更新STVS约束，将局部解释扩展到全局范围，为预防控制提供可操作指导。

仿真验证结果

在改进的IEEE 33节点配电网系统上的仿真表明，传统切负荷模型(M0)虽然负荷切除量最小，但会导致故障后电压崩溃；而加入STVS约束的模型(M1)能确保系统稳定性，负荷切除量增加约50%；提前终止的模型(M2)在安全性和经济性之间取得了更好平衡。

时间域仿真结果进一步验证了所提方法的有效性。M0模型下母线电压在故障清除后持续下降至0.9 p.u.以下，而M2模型能维持电压稳定恢复，证明了STVS约束的必要性。

该研究通过建立STVS机理真值和可解释性评估框架，为电力系统稳定性分析提供了新的方法论指导。序列化LIME方法不仅提高了STVS分类器的可信度，还为预防控制提供了实用的操作约束，有助于提升高比例可再生能源接入背景下电力系统的安全稳定运行水平。未来研究将进一步完善STVS的机理真值，探索更多影响STVS的关键因素。