从“黑箱”到决策支持：一种基于可解释聚类的集成方法，用于现代电力系统中的动态安全评估

《Knowledge-Based Systems》：From Black Box to Decision Support: An Interpretable Clustering-Based Ensemble for Dynamic Security Assessment in Modern Power Systems

实时动态安全评估中，传统机器学习模型存在可解释性差的问题。本文提出动态签名分解框架，通过临界清除时间（CCT）聚类故障场景，训练专用集成模型，结合多层级SHAP可解释技术，实现高精度（IEEE 68/127系统F1达0.938-0.950）且物理可解释的实时安全评估。

　　

Kemal Aygul | Necati Aksoy | Fatih Kucuktezcan | ?stemihan Genc

电气与电子工程系，伊斯肯德伦技术大学，哈塔伊，31200，土耳其

摘要

实时动态安全评估（DSA）是实现现代电力系统弹性运行的关键步骤。尽管机器学习（ML）技术被视为完成这一任务的有希望的工具，但传统的ML方法通常受到其“黑箱”特性的限制，无法为高风险的运营决策提供所需的解释性。本文提出了一种新颖的DSA框架，该框架结合了应急聚类、堆叠集成模型和可解释AI（XAI），以实现电力系统的可靠实时动态安全评估。与标准集成方法不同，我们的方法采用了“动态签名分解”技术，利用关键清除时间（CCT）剖面将应急事件划分为动态相似的组。然后，针对每个组训练的专用基础学习器由一个元学习器智能地聚合。我们利用多层次的SHapley加性解释（SHAP）来揭示模型的推理过程，将其转变为一个透明的决策支持工具，提供可操作的解释，识别出导致不稳定的关键物理参数。该框架在IEEE 68节点测试系统上进行了验证，并扩展到了IEEE 127节点系统，取得了优异的F1分数（分别为0.9500和0.9380），优于强大的单体基线模型。通过将高预测精度与物理感知的特征归因相结合，这项工作为操作员提供了基于证据的智能支持，证明了可解释性和性能可以相互增强。

引言

基于逆变器的可再生能源的迅速普及正在从根本上改变电力系统的动态特性，使电网更接近其稳定性极限，使得传统的安全评估方法不再适用于实时运营[1]，[2]。尽管在这种转变下可靠且自适应的动态安全评估（DSA）具有挑战性，但它已成为维护电网可靠性的不可或缺的工具[3]。虽然一些传统的DSA方法依赖于计算密集型的时域仿真，这些仿真对于在线应用来说是不可行的[4]，但数据驱动的ML方法已成为一种强大的替代方案[1]。然而，最准确的ML模型（如深度神经网络和复杂集成模型）往往表现为不透明的“黑箱”[5]。这种缺乏透明性的现象是采用这些模型的主要障碍，因为它阻止了操作员理解不稳定的根本物理原因，使他们只能得到警告而无法采取行动。

这种信任缺失还因为黑箱模型可能容易受到对抗性示例的影响，这些示例可能会误导模型并危及电网安全[6]，[7]。不透明性和脆弱性的双重挑战表明，真正值得信赖的系统必须设计得具有透明度。为了弥合这一差距，XAI领域旨在在不牺牲性能的情况下使复杂模型变得易于理解[5]，[8]。对于电力系统而言，先进的XAI技术可以生成关于不稳定性的物理驱动因素的强有力、基于证据的假设，从而实现从基于相关性的预测向更有效的、基于物理的干预的转变。

然而，现有文献大多将XAI应用于单体模型，将电力系统视为一个单一的、统一的分类问题。这种方法未能利用不同故障场景所固有的不同动态行为，往往为了全局准确性而牺牲了局部可解释性。本文通过提出基于“动态签名分解”的新颖DSA框架来解决这些不足。与仅为了减少统计方差而聚合模型的传统集成方法不同，我们的方法利用系统的物理行为（关键清除时间剖面）将复杂的稳定性边界分解为不同的、同质的子问题。这允许训练出能够捕捉特定应急组独特物理特性的专用“专家”学习器。此外，我们引入了一个层次化的XAI工作流程，该流程反映了操作员的决策过程：元学习器首先识别威胁的性质，而专用基础学习器则提供详细的、基于物理的根源原因归因。本文的主要贡献包括：

•

一种新颖的聚类驱动的堆叠集成方法，用于在动态相似的应急组上训练专家学习器，以提高预测精度。

•

多层次的SHAP集成方法，提供系统漏洞的层次化、基于物理的解释。

•

在IEEE 68节点系统上的全面验证以及在IEEE 127节点系统上的可扩展性分析，证明了其性能优于单体基线模型。

章节摘录

文献综述

基于逆变器的资源的日益集成为电力系统引入了快速的非线性动态特性，使得传统的时域仿真虽然准确，但在计算上却无法用于实时应急情况筛查[3]，[4]，[9]。为了解决这一延迟问题，业界逐渐采用了数据驱动的动态安全评估（DSA），利用机器学习（ML）代理将应急前状态直接映射到稳定性指标[1]。

方法论

本文介绍了一个多阶段框架，旨在提供一个准确、稳健且可解释的DSA工具。该框架的核心是一种新颖的“分而治之”策略。我们的方法不是训练一个单一的、整体的模型来理解所有可能的故障模式，而是首先根据应急事件的动态影响对其进行聚类，然后使用专门的堆叠集成方法来解决这些更简单的、同质的子问题。

应急聚类和模型专业化

我们“分而治之”策略的有效性通过根据CCT剖面将应急事件划分为物理上具有意义的同质组得到了验证。由于CCT是严重程度的直接度量，因此根据CCT向量进行聚类可以将对系统施加相似动态压力的事件分组。内部验证指标的评估确定了一个最佳配置，即$k=3个簇，在此值处Silhouette分数出现明显峰值（图3）。关键的是，这$

结论

本文成功设计并验证了一种新颖的动态安全评估框架，该框架将集成学习的预测能力与可解释性的关键要求相结合。通过引入“动态签名分解”，我们从随机子空间集成方法转向了一种物理引导的架构，该架构将复杂的稳定性边界划分为物理上同质的子问题。我们的发现表明，这种基于聚类的策略取得了更好的

CRediT作者贡献声明

Kemal Aygul：撰写——原始草稿、可视化、软件、方法论、概念化。Necati Aksoy：撰写——原始草稿、软件、方法论。Fatih Kucuktezcan：撰写——原始草稿、软件、概念化。Istemihan Genc：撰写——原始草稿、监督、项目管理。

利益冲突声明

作者声明以下可能的财务利益/个人关系可能被视为潜在的利益冲突：Istemihan Genc报告称其工作得到了伊斯坦布尔技术大学科研项目的财务支持。如果有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

在准备这项工作期间，作者使用了Google的Gemini工具来改进语言和可读性。使用该工具/服务后，作者根据需要对内容进行了审查和编辑，并对出版物的内容负全责。