《Applied Energy》：Toward trustworthy AI in real-time event-driven power system emergency control: A knowledge-surrogate-guided deep learning approach
编辑推荐：
事件驱动紧急控制（Event-driven Emergency Control, EEC）是现代电力系统中一种关键的稳定性控制方案，旨在维持大型严重扰动后安全可靠的电力供应并支持电力系统韧性。可再生能源渗透率的增加提高了波动性和不确定性，迫使紧急控制系统针对即
事件驱动紧急控制（Event-driven Emergency Control, EEC）是现代电力系统中一种关键的稳定性控制方案，旨在维持大型严重扰动后安全可靠的电力供应并支持电力系统韧性。可再生能源渗透率的增加提高了波动性和不确定性，迫使紧急控制系统针对即将发生的事件做出更快的实时决策。数据驱动的人工智能（Artificial Intelligence, AI）为利用在线广域测量实现实时EEC提供了一条有前景的路径。然而，由于统计学习的本质，现有基于AI的EEC模型缺乏提供严格遵守暂态约束的能力，这损害了安全关键场景中的运行安全性，并削弱了从业者部署AI用于紧急控制的信心。为解决这一局限性，本文提出了一种新颖的知识代理引导深度学习（Knowledge-Surrogate-Guided Deep Learning, KSG-DL）方法，通过强大的暂态约束遵守实现可信的实时EEC。KSG-DL方法被设计为能够有效地在单个EEC模型中强制执行多个暂态稳定/安全准则，包括功角稳定、电压安全和频率安全。多样的暂态约束知识由多个知识代理模型（Knowledge Surrogate Models, KSMs）智能提取，这些模型高效地引导主EEC模型学习满足这些复杂约束的最优控制策略。此外，拉格朗日对偶算法（Lagrangian dual algorithm）被纳入一个自适应训练流程中，以确保强大、平衡且稳健的约束满足。在两个电力系统上的紧急减载仿真研究验证了所开发EEC模型的实时性（即毫秒级决策时间）、严格性（即接近100%的遵守率）和稳健性（即跨越三个暂态准则）的约束遵守能力，显著提高了在高变、间歇运行条件下恢复系统稳定性和安全性的准备度。
论文解读：基于知识代理引导深度学习的实时事件驱动电力系统紧急控制可信人工智能方法
一、研究背景与问题
随着可再生能源大规模并网，电力系统惯量降低、波动性与非线性增加，使得系统在遭受严重扰动后更易发生暂态失稳和级联故障。事件驱动紧急控制（Event-driven Emergency Control, EEC）作为一种在故障清除后立即或短时间内基于事件前运行状态和识别出的故障计算校正动作的预测性安全措施，对于维持功角稳定、电压安全和频率安全至关重要。然而，EEC需要同时满足基于微分-代数方程组（Differential-Algebraic Equations, DAE）的高保真暂态约束，其计算复杂度极高，传统方法（如离线查表或简化在线优化）难以兼顾实时性、自适应性及多准则约束的严格执行。现有基于数据驱动人工智能（AI）的EEC模型虽然能实现毫秒级推理，但主要优化预测精度，缺乏原则性机制来确保严格遵守硬暂态约束，尤其在功角、电压和频率多个耦合准则下，这严重威胁安全关键运行，并削弱了从业人员部署AI的信心。因此，研究一种能够在确保实时决策的同时强制实现多准则暂态约束遵守的可信AI方法成为迫切需求。本文发表在《Applied Energy》上。
二、主要技术方法
研究人员提出了知识代理引导深度学习（Knowledge-Surrogate-Guided Deep Learning, KSG-DL）框架，该方法主要由以下关键技术构成：（1）知识代理模型（Knowledge Surrogate Models, KSMs）：针对功角稳定、电压安全和频率安全三种暂态约束，分别训练独立的概率分类器作为高保真时间域仿真（Time-Domain Simulation, TDS）的快速可微替代，用于在训练中对预测控制动作的约束满足情况进行高效评估。（2）知识代理引导损失函数（Knowledge-Surrogate-Guided Loss Function, KSG-LF）：将KSMs的输出作为惩罚项融入传统均方误差损失中，在训练中明确引导主EEC模型学习满足多准则约束的策略。（3）自适应训练流水线：采用“先简单后收紧”的分阶段策略，先通过标准回归预训练学习基础映射，再按物理顺序（先功角稳定，后电压安全与频率安全）逐步引入约束，避免梯度冲突和病态优化。（4）拉格朗日对偶（Lagrangian dual, primal–dual）训练算法：在每一细化阶段中动态调整不同约束的惩罚权重，根据观测到的违反程度自动重新平衡，确保强且均衡的约束遵守。数据准备阶段采用多准则轨迹灵敏度分析（Multi-Criteria Trajectory Sensitivity Analysis, MC-TSA）生成EEC数据集，并通过在最优解附近添加高斯扰动生成KSM数据集。研究在两个系统上进行测试：基准新英格兰39节点系统和简化澳大利亚国家电力市场（National Electricity Market, NEM）系统（包含14台发电机、5台静止无功补偿器SVC、59条母线和104条输电线路），分别设置了三个不同严重程度的故障场景。
三、研究结果
3.1 KSM分类性能
在两种电力系统中，三个KSMs（功角、电压、频率）在所有故障场景下的准确率、F1分数、精确率和召回率均超过97.5%（新英格兰系统超过98.5%），表明KSMs能可靠地近似高保真TDS评估，为引导主EEC模型提供稳定知识。
3.2 EEC模型性能比较
与仅考虑功角稳定的风险厌恶学习方法（方法2）和仅使用均方误差损失的传统深度神经网络（方法3）相比，所提出的KSG-DL方法（方法1）在所有故障场景下实现了接近零的总体约束违反率（Overall Constraint Violation Rate, CVR）（新英格兰系统0.80%–1.18%，澳大利亚系统0.81%–1.06%），而方法2的CVR为5.91%–11.63%，方法3的CVR为8.60%–16.28%。尽管KSG-DL的平均绝对误差（MAE）和平均绝对百分比误差（MAPE）略高，但其确保了极低的控制失败风险，满足EEC防止不稳定传播的首要目标。
3.3 消融研究
通过对比完整KSG-DL（V1）、无自适应训练（V2）、无渐进约束执行（V3）和无拉格朗日对偶训练（V4）四种变体，发现：V2在所有故障下均不收敛；V3仅在新英格兰故障1下收敛且预测误差翻倍；V4虽收敛但电压和频率约束违反率显著升高（总体CVR达3.76%–4.96%）。验证了自适应训练流水线和拉格朗日对偶算法对于保证收敛、平衡多准则约束和降低控制成本的必要性。
3.4 案例分析
选取三个接近稳定/安全边界的场景（新英格兰系统N-1与N-2故障，澳大利亚系统N-2故障），对比四种方法的功角、电压和频率轨迹。KSG-DL在所有案例中可靠满足三个准则；方法2仅稳定功角但电压/频率违规；方法3在边界情况下出现不可接受的违规；V4虽改善但仍存在电压-频率耦合挑战。展示了KSG-DL在多准则耦合约束下的优越性。
3.5 计算效率与灵敏度分析
离线训练所有模型的总CPU时间约为3–5小时（新英格兰系统173.86分钟，澳大利亚系统274.59分钟）。在线推理平均仅需0.51 ms（新英格兰）和1.12 ms（澳大利亚），远优于解析求解器MC-TSA（15–20分钟）和启发式遗传算法（20–26分钟）。对权重因子步长α和KSM分类阈值τ的灵敏度分析表明，默认设置（α=0.001，τ=0.5）在严格遵守约束与保持可接受控制成本之间取得了最佳平衡。
四、讨论与结论
讨论部分指出，向完全可信的AI智能体迈进还需考虑电网拓扑变异性、逆变器资源控制策略、控制动作位置/序列、仿真模型失配及长期性能退化等维度，并提出通过迁移学习/域适应、拓扑感知特征表示、保守安全裕度、不确定性采样及基于分布外检测的监测更新等潜在整合方向。
研究结论：本文提出的KSG-DL方法通过将KSMs自适应地集成到主EEC模型训练中，确保了在功角稳定、电压安全和频率安全等多暂态约束上的强且稳健的遵守。该方法有效弥合了数据驱动技术与领域电力系统稳定性知识之间的差距，使基于AI的EEC模型具备可信且实时的决策能力。仿真研究表明KSG-DL在暂态约束遵守方面显著优于现有方法，消融与案例分析验证了自适应流水线与拉格朗日对偶算法的必要性。未来工作将扩展至多动作协调控制（如发电机跳闸、逆变器快速频率控制）、半/无监督学习（如深度强化学习）及处理电网拓扑变化、异质逆变器控制、控制位置识别和长期分布外退化等因素，以构建全面的多维可信AI解决方案。
