基于协调学习方法的城乡交界带电网抗野火韧性提升研究

为解决野火威胁下电网运行效率与社会便利性的平衡难题，研究人员提出了一种融合先验-后验-交互(PPI)优化的学习替代模型。该研究通过三阶段训练机制模拟野火对决策者偏好的影响，在两项案例测试中验证了模型在保障电力供应韧性方面的有效性，为极端野火事件下的电网管理提供了兼顾技术与社会效益的创新方案。

　　

野火正日益成为威胁电力系统安全的重大隐患。在加拿大，每年约8000场野火烧毁225万公顷土地，而气候变化加剧了灾害频率——2003年Kelowna野火和2016年Horse River野火等事件不仅造成巨额经济损失，更导致大规模停电和40万居民紧急疏散。特别在城乡交界带(Wildland-Urban Interface, WUI)，电力基础设施扩张与生态敏感区重叠，形成"既要保供电又要防火灾"的两难局面。传统野火应对策略往往顾此失彼：要么侧重电网运行效率而忽视社区需求，要么被动响应而错失防控良机。

阿尔伯塔大学的研究团队在《Sustainable Cities and Society》发表的研究中，创新性地将先验优化(priori)、后验优化(posteriori)和交互优化(interactive)方法协同整合，构建了PPI三阶段学习框架。该模型通过历史数据预训练建立基准，实时野火场景动态调参，并结合决策者(DM)反馈进行精细优化，最终在智利电网测试中实现运行成本(C_Ope)与社会影响成本(C_Soc)的帕累托最优平衡。研究突破性地将卫星监测数据、深度学习和随机优化技术相结合，开发出能同时处理气象参数不确定性和社会偏好的替代模型。

建模野火蔓延

采用改进的Bertsimas概率模型，量化火势对输电线路的热辐射/对流破坏风险，结合卫星数据构建动态传播预测系统。

问题构建

建立双目标函数(2a)：总韧性成本C_Res=C_Ope+C_Soc，其中运营成本涵盖发电调度和线路维护，社会成本量化停电引发的公共卫生与疏散损失。

PPI优化框架

• 先验阶段：基于历史野火数据训练初始PF(Pareto Front)解集

• 后验阶段：融入实时气象参数和可再生能源出力波动数据

• 交互阶段：通过决策者偏好采样调整风险等级与供电优先级

数值验证

在智利电网案例中，模型将极端野火下的平均停电时长缩短37%，社会成本降低29%。微电网与PSPS(公共安全停电)策略的协同应用展现出特殊优势。

该研究开创性地将社会维度纳入电网韧性评估体系，其交互优化机制允许决策者根据火势动态调整"保供电"与"控风险"的权重。相比传统单目标优化，PPI框架在测试中显示出三方面突破：解决历史数据稀缺下的泛化难题、降低68%计算负荷、提升方案可解释性。正如作者Faridpak和Musilek强调的，这种"技术-社会"双轨优化范式，为气候变局下的能源基础设施管理提供了普适性方法论，其机器学习架构可扩展应用于飓风、洪水等复合型灾害应对。