《International Journal of Electrical Power & Energy Systems》：Fast yet reliable static security assessment for modern grids: A confidence-aware framework uniting data-based and model-based approaches
编辑推荐：
在现代电力系统朝着碳中和目标发展的背景下，风电与光伏发电在电网运行中所占的比例不断增加。其波动性增加了运行模式变化的频率和幅度。静态安全评估（SSA）对于识别故障后的电压和支路潮流越限并支持调度决策是必要的。当检修停运和故障组合超过N-1要求，且可再生能源的不
在现代电力系统朝着碳中和目标发展的背景下，风电与光伏发电在电网运行中所占的比例不断增加。其波动性增加了运行模式变化的频率和幅度。静态安全评估（SSA）对于识别故障后的电压和支路潮流越限并支持调度决策是必要的。当检修停运和故障组合超过N-1要求，且可再生能源的不确定性进一步扩大运行场景的数量时，传统的SSA方法难以满足复杂电网运行分析所需的计算效率。深度学习方法由于其强大的特征处理能力而受到广泛关注，但其泛化性受限。数据与模型混合驱动方法提供了一种有前景的解决方案。受此启发，研究人员提出了一种结合数据驱动与模型驱动方法的置信度感知框架，以实现快速且可靠的SSA。该框架通过自驱动的置信度校准使预测置信度与准确率对齐，并利用对比学习提高模型对不同运行场景的判别能力。实验表明，该方法在保持较高准确率的同时显著降低了计算成本，展现出良好的平衡效率和稳定性。
在碳中和目标下，现代电力系统中风电与光伏等可再生能源的渗透率不断提升，其固有的波动性导致电网运行模式频繁变化。静态安全评估（Static Security Assessment, SSA）旨在识别预想故障后的电压与支路潮流越限以支持调度决策。然而，当检修停运与故障组合超过N-1要求且可再生能源引入大量不确定运行场景时，传统基于模型驱动的SSA方法面临计算效率瓶颈；而基于深度学习的纯数据驱动方法在复杂多变的运行工况下面临泛化性不足的难题。为解决上述问题，研究人员提出一种结合数据驱动与模型驱动方法的置信度感知框架（Confidence-aware framework），以兼顾分析的时效性与准确性。该研究成果发表在《International Journal of Electrical Power 》上。在技术方法方面，研究人员利用Grid2Op平台提取的36节点与118节点系统运行数据构建样本队列，采用拉丁超立方抽样生成source-load场景；在模型设计上，引入温度缩放（Temperature Scaling, TS）技术对深度神经网络的输出置信度进行校准，并构建了一种基于对比学习和差异化嵌入的深度神经网络架构提取系统物理与拓扑特征。
在基础有效性验证方面，研究人员在改进的36节点系统上对比了所提方法与其他深度学习及纯模型驱动方法。结果表明，所提混合驱动方法准确率达到98.45%，远高于纯数据驱动方法，且仅需约22%的场景由模型驱动方法进行验证，在计算效率和准确性之间取得了良好平衡。
在对比学习有效性验证方面，通过消融实验对比引入与未引入对比学习模块的模型表现。研究得出，对比学习技术虽对准确率等指标的提升幅度有限，但使模型性能分布的标准差降低了约50%，显著增强了模型在面对不同随机种子初始化时的稳定性与可靠性。
在差异化嵌入有效性验证方面，通过对比采用统一嵌入与差异化嵌入的数据驱动模型，研究发现差异化嵌入机制能够帮助模型更精准地捕捉电网状态的源荷与拓扑特征，在准确率、精确率等关键指标上实现显著提升。
在置信度校准有效性验证方面，将基础置信度与校准后置信度应用于不同架构的数据驱动模型。结果表明，置信度校准不仅能提升完整架构的性能，对较弱的统一嵌入模型具有更显著的“强化”作用，使其能够通过增加模型驱动干预比例维持高精度分析。可靠性图证实校准后的模型置信度与实际经验准确率更为契合。
在泛化能力与样本敏感性分析方面，研究通过在测试集中引入未见的母线运行模式并缩减训练样本量发现，随着训练集覆盖工况减少，纯数据驱动模型性能显著下降；而所提混合方法在训练集仅覆盖60%工况或样本量降至20%的极端情况下，各项评估指标依然保持稳定，且模型辅助比例自适应增加，展现出极强的泛化能力与低样本敏感性。
在置信度阈值分析与可扩展性分析方面，通过设定不同置信度阈值并在IEEE 118节点大规模系统上测试，研究发现性能指标与模型辅助比例呈正相关，85%至90%的置信度区间可实现精度与计算成本的较优平衡。在大系统中，所提方法在保持接近100%准确率的同时实现了7.25倍的加速。对117节点系统特定时间步的详细分析进一步证实，该模型能100%识别严重故障，结合校准机制可精准捕捉边界场景的轻微越限。
在讨论部分，研究人员指出数据驱动模型在区分处于安全边界的异常工况时仍存在一定局限，这受限于数据集中此类样本的代表性不足。未来研究将探索基于模型反馈的主动条件场景生成以丰富罕见边界工况，并研究在拓扑剧变下基于图的表示方法。在实际部署方面，建议遵循“经验初始值设置-开环运行调整-闭环定期检查-差异化实时更新”的流程，并根据季节性工况变化重新训练模型。
在结论部分，研究指出该论文提出了一种面向现代电网高比例可再生能源接入下SSA的快速且可信的数据与模型混合驱动方法。该方法利用数据驱动保障大规模扫描的效率，并利用校准置信度引导模型驱动校验确保准确率；同时结合对比学习与差异化嵌入增强了数据驱动的感知能力。案例研究证明了该方法在平衡计算成本与性能方面的有效性，在应对小样本与未见场景时具有出色的鲁棒性，有望为复杂电网在线静态安全评估提供有力支持。
