基于信息流的模糊认知图的可解释电网过载检测

《CSEE Journal of Power and Energy Systems》：Interpretable Power Grid Overload Detection with Information Flow-Based Fuzzy Cognitive Maps

　　

可再生能源（renewable energy sources, RESs）的日益整合带来了重大挑战，例如电网过载，这可能导致运营成本上升并带来全系统停电的风险。传统的基于人工智能的解决方案因其“黑箱”特性而常常表现不足，而许多现有的可解释人工智能（eXplainable AI, XAI）方法要么提供不可靠的事后解释，要么因易受虚假相关性影响而损害可靠性和泛化能力。本研究提出了一种基于最新引入的信息流模糊认知图（Information Flow-based Fuzzy Cognitive Maps, IF-FCMs）的新型框架，这是一种因果可解释人工智能（causal eXplainable Artificial Intelligence, CXAI）方法，旨在克服上述局限性。通过采用两层架构，该框架不仅能够检测电网过载，还能识别导致这些事件的局部和全局因素。在中压Oberrhein网络上进行的测试表明，IF-FCMs的预测性能与可解释提升机（Explainable Boosting Machines, EBM）和逻辑回归（Logistic Regression, LR）等最先进模型相当，同时提供了更优的可解释性。这些优势使IF-FCMs成为未来能源管理系统中可靠而强大的工具。

**研究背景与问题**：随着能源行业迈向可持续发展，将可再生能源（renewable energy sources, RESs）如太阳能和风能整合到电力系统中对脱碳至关重要。然而，RES固有的随机性带来了显著挑战，包括电压波动、电网拥堵和线路过载，这些现象可能增加运营成本并引发全系统停电风险。为保障可靠运行，线路过载的早期检测十分关键。近年来，人工智能（Artificial Intelligence, AI）方法如级联反向传播神经网络、图神经网络等已被用于预测线路过载，但这些方法常作为“黑箱”运行，无法提供决策过程的洞见，阻碍了操作员的信任。可解释人工智能（eXplainable AI, XAI）虽旨在提高透明度，但许多现有XAI方法依赖事后解释，可能不准确地表示底层模型、易受操纵，且当变量相关时可能产生错误解释。内在可解释模型如可解释提升机（Explainable Boosting Machine, EBM）虽提供透明性，但基于相关性学习，难以区分虚假相关与真实因果关系，影响可靠性和泛化性。因此，需要明确考虑因果关系的因果可解释人工智能（causal eXplainable AI, CXAI）。然而，目前尚无CXAI方法应用于电网过载检测与诊断。为此，本研究利用最新提出的信息流模糊认知图（Information Flow-based Fuzzy Cognitive Maps, IF-FCMs），提出一种新颖的两层架构，用于电网过载检测与根本原因识别。该论文发表在《CSEE Journal of Power and Energy Systems》。

**研究内容与意义**：研究人员采用基于真实德国配电网的中压Oberrhein开源网络，通过仿真评估所提方法。该网络经修改以增加RES渗透和技术压力，包含两个25 MVA高压/中压变电站、141个中压/低压变电站、61.86 MW峰值负荷等。数据集1包含186个线路负荷百分比特征，数据集2包含141个低压负荷、6个中压负荷和9个风电场出力特征，共4360个小时级间隔，目标变量为特定线路（Line 24）的过载状态。实验表明，IF-FCM模型的预测性能与EBM和逻辑回归（Logistic Regression, LR）相当（仅在小数点后第三位存在差异），但可解释性显著优于二者。该工作填补了CXAI在电网过载检测中的空白，为未来能源管理系统提供了可靠工具。

**关键技术与方法**：研究采用基于信息流的模糊认知图（IF-FCM）作为核心模型。关键技术包括：1）Liang-Kleeman信息流（L-K IF）分析，用于从观测数据中识别变量间具有统计显著性的因果关系，排除虚假相关；2）社会学习粒子群优化（Social Learning Particle Swarm Optimization, SL-PSO）算法，用于训练IF-FCM权重和参数，目标函数平衡预测误差与收敛性；3）两层架构设计，第一层以线路负荷为输入，识别导致过载的关键线路；第二层以低压/中压负荷及风电场出力为输入，识别导致过载的互联组件。数据来源包括Iowa Distribution Test System的负荷数据和法国某风电场测量数据（位置保密）。数据预处理采用SMOTE-ENN算法处理不平衡，广义逻辑归一化，10折分层交叉验证。

**研究结果**：
**Case Study（案例研究）**：通过案例研究构建了数据集。对缺失值检查未发现缺失；去除常数值特征（如Line 57、Line 124，CHP1-4）；识别出16条过载线路，并为每条创建二分类目标变量。针对Line 24，应用SMOTE-ENN平衡数据，采用10折分层交叉验证，并使用广义逻辑（Generalized Logistic, GL）算法归一化。

**Comparison with State-of-the-Art Methods（与最先进方法的比较）**：通过对比实验评估IF-FCM与EBM、LR。首先进行超参数调优；L-K IF分析在第一组数据中检测到1524条因果链接，第二组中3409条。预测性能方面，IF-FCM与EBM、LR相当，EBM略优，但IF-FCM可解释性更强。局部解释分析显示：第一层中，IF-FCM突出Line 160、176、177为前三位；LR突出Line 54、121、119；EBM突出Line 25、33、37。经验分析表明，IF-FCM识别的Line 160和161与经验分析一致，而EBM和LR仅识别一个共同线路且突变最小。与三种特征选择方法（mRMR、Univariate ROC-AUC、SVD-based）的一致性评估中，IF-FCM在第一层所有方法中AUC最高。第二层中，IF-FCM确认WF6为最影响过载的风电场，MV Load 0为关键负荷；而EBM错误地将LV Load 130排名最高。一致性评估中IF-FCM再次优于EBM和LR。

**总结讨论**：IF-FCM模型在保持高预测精度的同时，提供了优越的可解释性。准确识别过载源对高效电网管理至关重要，仅靠预测可能无法解决潜在错误和低效。通过经验验证和基于模型无关特征选择技术的一致性量化，IF-FCM的解释被证明可靠。与其他模型不同，IF-FCM将高预测精度与因果推理相结合，能够有效识别潜在过载源，并提供系统交互的直观表示，为电力系统操作员提供了全面实用的工具。实际应用中，IF-FCM输出可无缝集成到SCADA系统，支持自动报警和操作员仪表板；在能源管理系统（Energy Management System, EMS）中，可优先排序纠正措施，如负荷平衡或重新调度发电，从而提高电网弹性和运营效率。

**研究结论**：本文介绍了一种基于IF-FCM的电网过载检测新方法。通过利用IF-FCM的内在可解释性和因果性，所提出的框架弥合了传统黑箱AI模型与XAI技术之间的差距，符合操作员对可操作且可靠见解的需求。所提出的两层架构不仅检测电网过载事件，还识别其根本原因，如输电线路、可再生能源和节点负荷。中压Oberrhein网络案例研究的结果强调了IF-FCM模型与现有方法（如EBM和LR）相比的鲁棒性和有效性。具体而言，IF-FCM在可解释性方面优于这些模型，同时保持有竞争力的预测精度。这种增强的解释能力对于建立操作员信任和实现有针对性的干预至关重要，例如调整发电计划、削减非关键负荷或重新配置网络拓扑以缓解过载线路的压力。从实践角度来看，IF-FCM输出可以无缝馈入SCADA系统以触发自动警报或在操作员仪表板上提供可操作见解。在EMS中，该模型可以通过优先排序纠正措施（如负荷平衡或重新调度发电）来支持优化工作流程，使其成为提高电网弹性和运营效率的宝贵工具。为了推进所提出的CXAI方法，未来的工作将解决关键挑战，包括在不可预测事件（如风能或太阳能发电的快速波动）期间有效检测和诊断过载。研究人员还将评估所提出框架在不同噪声条件下的性能，利用L-K信息流分析在高噪声环境中的鲁棒性。此外，为了应对电力网络的动态特性（其中拓扑和因果关系随时间演变），研究人员计划将时变L-K形式与在线FCM学习算法相结合。这种组合将实现实时适应流数据、即时过载检测和诊断。最后，进一步优化亚分钟级预测时间将确保实时操作的响应性。总之，IF-FCM框架为将CXAI集成到电网分析中建立了新标准，为下一代电力系统提供了鲁棒、实用且用户友好的工具。