基于物理信息驱动分布鲁棒图学习的配电网极端事件韧性评估

《Scientific Reports》：Physics informed distributionally robust learning for urban distribution network resilience under extreme events

　　

摘要

极端事件使配电网暴露于关联性的分支故障、不确定的灾害演化以及快速变化的运行条件之下。静态指标和反复的蒙特卡洛研究仍然有用，但它们要么将恢复行为压缩为一个固定分数，要么在需要筛选大量灾害实现方案时带来巨大的计算成本。本研究开发了一种物理信息驱动的、分布鲁棒的图学习框架，用于从场景依赖的拓扑结构、事后测得的运行状态以及灾害信息中估计节点级和系统级的韧性。其贡献在于联合实现了掩码图传播、辅助电气状态重构、Wasserstein鲁棒训练以及统一的恢复优先级排序接口；其中没有任何一项单独主张为全新方法。网络编码器使用分支可用性掩码和物理边属性来更新图消息。辅助解码器重构电压、有功和无功注入以及支路潮流量，从而使交流平衡、电压和热残余得以正则化潜在表示。这些惩罚项促进物理一致性，但不构成硬性可行性保证。分布不确定性通过归一化的连续运行特征和灾害特征上的Wasserstein球来表示，而离散拓扑掩码在每次内部最大化过程中保持固定。学习得到的韧性分数由一个透明的、基于轨迹的目标进行监督，该目标由恢复供电情况、未满足的需求、达到50%恢复所需的时间以及电压越限暴露度构建而成。主要的定量评估使用在修改版IEEE 123节点馈线上由500个灾害场景生成的20,000个运行状态。在五个随机种子上，完整模型的MAE为\(0.031\pm 0.002\)，RMSE为\(0.042\pm 0.003\)，\(R^2\)为\(0.935\pm 0.008\)。移除Wasserstein训练后RMSE升至\(0.058\pm 0.004\)，而移除算子块后升至\(0.052\pm 0.004\)。当所有评估方法都耦合到相同的恢复仿真器时，在所提出的排序信号下，灾害强度\(\xi =0.8\)时对应的弃电率为\(25.1\%\pm 1.5\%\)，达到50%恢复所需时间为\(2.48\pm 0.16\)小时。这些恢复量度衡量了在固定恢复假设下评估驱动的优先级排序效果；学习模型本身并不直接发出切换、调度或修复指令。