基于预训练与微调的注意力驱动神经算子实现故障后电压轨迹的保形预测

为解决电力系统故障后电压轨迹预测中数据稀缺、隐私保护及不确定性量化难题，研究人员提出QAF-DeepONet框架，结合联邦学习预训练与保形预测技术，实现了高覆盖率区间预测，为电网安全决策提供可靠依据。

　　

电力系统稳定性如同走钢丝，微小的扰动可能导致灾难性后果。传统模型仿真虽精确却慢如老牛拉车，而现有机器学习方法要么只能回答"会不会崩溃"的二元问题，要么像雾里看花般缺乏不确定性指引。更棘手的是，每个变电站的数据都像孤岛般难以共享，使得数据饥饿成为常态。

针对这些痛点，研究人员开发了名为QAF-DeepONet的智能预测系统。这个系统融合了三大创新技术：像音乐家识别旋律那样用傅里叶特征捕捉电压波动规律；通过注意力机制聚焦关键时间节点；采用分位数回归直接预测可能的变化区间。为破解数据困局，他们设计了两阶段训练策略——先让各变电站"隔空对话"通过联邦学习共享知识，再针对特定站点精细调校。最后的保形预测技术如同给预测区间装上保险丝，确保90%的情况下真实值不会"越界"。

这项发表在《Neural Networks》的研究，在包含39个节点的测试电网中交出漂亮成绩单：预测区间覆盖率(PICP)达94.3%，比传统方法提高8.5%；区间宽度(PINAW)压缩23%，意味着更精确的预警范围。当输入数据丢失30%时，系统仍保持85%以上的覆盖率，展现出惊人的鲁棒性。

关键技术路线包含：1）构建含注意力模块的傅里叶深度算子网络；2）基于联邦学习的多站点数据预训练；3）目标站点数据微调；4）保形预测校准。实验采用新英格兰39总线测试系统，模拟不同故障场景下的电压轨迹。

【方法创新】

QAF-DeepONet架构突破传统神经网络的维度限制，其分支网络处理观测轨迹，主干网络生成时空连续预测。创新性地引入分位数损失函数，同步输出5%和95%分位点，构建90%预测区间。

【隐私保护】

联邦学习框架下，各站点数据"足不出户"，仅上传模型参数进行聚合。测试显示，这种共享方式使预测误差降低40%，效果媲美数据集中训练。

【性能验证】

在阶跃故障测试中，该方法PICP达92.7±1.8%，显著优于Prob-DeepONet的86.2%。对于振荡型故障，区间宽度平均减少19毫伏，更利于识别临界状态。

该研究开创性地将算子学习与不确定性量化结合，其预测结果可直接用于判断是否需要切负荷或启动备用电源。就像给电网装上"预见未来"的智能眼镜，既看清趋势走向，又知道可能偏差范围。这种技术特别适合应对新能源并网带来的随机扰动，为构建具有"自愈能力"的智能电网奠定基础。未来或可扩展至频率稳定预测，乃至其他关键基础设施的监测预警系统。