电力系统级联故障高风险线路识别：面向安全与韧性的多维特征增强两阶段学习方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Identifying high-risk lines for power system cascading failures: A multi dimensional feature enhanced two-stage learning approach for safety and resilience

　　

**研究贡献**

- 开发了一个连续风险回归框架，结合极值阈值法，以统计学方式定义级联故障中的关键线路阈值。
- 构建了多源线路特征架构，全面表征线路的物理属性、结构位置和故障传播响应。
- 提出了一种两阶段MGBT-XGBoost方法用于关键线路识别，在识别精度和风险排序方面均实现了显著提升。
- 所提出的MGBT-XGBoost方法在测试系统中将关键线路识别精度提高了7.10%，并将防御和大停电成本降低了12.4%以上。
- 机理分析表明，多图谱偏差将注意力引导至关键线路相关区域，从而提高了关键线路识别和风险排序性能，同时增强了模型的可解释性。

**引言**

随着全球能源转型的加速，发展现代低碳综合能源系统（IES）已成为减缓气候变化和促进可持续发展的重要战略[1]、[2]。综合能源系统整合了电力、热力、天然气、氢气和储能等多种能源网络，以提高能源效率并促进大规模可再生能源的集成[3]、[4]。极端天气事件频发的趋势进一步加剧了这些挑战，导致频繁的大规模停电，对电网的安全和韧性运行构成严重威胁[5]、[6]、[7]。级联故障已被确认为导致此类大规模停电的主要机制[8]。然而，现有方法在量化线路风险的连续差异、捕捉多维耦合风险特征以及支持分层防御和缓解策略方面存在局限性[9]。这凸显了迫切需要数据驱动框架来模拟级联故障传播、准确识别关键线路，并为针对性防御措施提供依据，以增强系统韧性并降低大范围停电的可能性。

极端天气事件是可能触发性联故障并削弱电力系统韧性的关键外部因素[10]、[11]。台风、暴雨、冰雹风暴、野火和极端高温等灾害通常表现出广泛的空间影响、长持续时间和强时空相关性，可能导致输电线路跳闸、铁塔损坏、负荷突变和可再生能源出力异常等多种扰动同时发生[12]、[13]。Jufri等人[14]系统回顾了极端天气下电力系统韧性的定义、评估框架和增强策略，指出极端天气已成为影响现代电网安全的主要因素。有研究提出了一种序贯预防模型，以增强系统对极端天气触发组件故障的韧性[15]。Lian等人[16]开发了一种基于级联故障图的韧性评估方法，将外部灾害影响与故障传播过程联系起来。Yu等人[17]研究了冰雹风暴条件下电热网络的级联故障和韧性评估，表明多能耦合可以改变故障影响范围和系统恢复能力。因此，在高比例可再生能源渗透和极端天气频发的场景下，传统的N-1或静态安全分析对于系统韧性评估和防御决策而言是不足够的。

现有的级联故障建模方法包括物理仿真模型、复杂网络模型、概率风险模型和数据驱动模型[18]、[19]。物理仿真模型能够捕捉潮流重分布、线路过载、保护动作和负荷切除，但在大规模多场景分析中计算成本高昂[20]、[21]。关键线路识别是级联故障防御的核心组成部分。关键线路并非简单地指负荷最高或拓扑中心度最高的线路，而是在特定运行条件、初始扰动和故障演化过程下，对故障传播、负荷损失或系统韧性退化产生显著影响的线路[22]。现有研究从拓扑脆弱性、电气指标、故障传播图和关键初始事件识别等方面探索了关键线路识别问题[23]、[24]。例如，有研究针对可再生能源并网电力系统提出了基于图模型的脆弱性分析方法[25]。Yang、Nishikawa和Motter[26]强调，少量脆弱组件可能决定大规模级联故障的形成。文献[27]在考虑随机负荷和模型不确定性的情况下评估了电网脆弱性。有研究开发了一种基于级联故障图的方法来识别输电网络中的关键传播链路[28]。Fekri等人[29]从初始故障事件的角度评估了脆弱性风险，而Sun等人[30]将加权聚合方法与GraphSAGE结合来识别脆弱线路，展示了图学习方法在关键线路识别中的潜力。

尽管取得了这些进展，现有方法仍然面临阻碍其在级联故障风险管理中有效性的关键局限性：（1）许多方法将关键线路识别简化为固定的Top-k选择或二元分类，仅提供离散的关键/非关键标签，未能保留线路风险强度的连续差异，从而限制了对细粒度风险排序和分层防御规划的支持；（2）大多数方法主要依赖单一的拓扑或电气指标，不足以捕捉物理拓扑、电气特征和动态故障演化之间的多维耦合关系；（3）关键线路阈值通常是通过经验确定的，且识别结果很少与可操作的防御策略相结合，限制了从风险评估到实际韧性增强的转化。这促使本文提出的框架将连续风险回归、多维线路特征和多图谱偏差Transformer建模相结合，实现对关键线路的精确、可解释和可操作识别，以支持分层防御。

随着人工智能和机器学习的发展，数据驱动方法为级联故障快速评估和关键线路识别提供了新途径[31]。Sami和Naeini[32]系统回顾了机器学习在级联故障分析中的应用，强调其在故障预测、风险评估、故障链搜索和韧性增强方面的效用。机器学习已应用于飓风期间可预测线路故障下的随机机组组合问题，展示了其辅助筛选高风险运行场景和降低计算负担的能力[20]。有研究提出了一种基于反馈的人工神经网络方法用于级联线路故障的快速预测和缓解，提高了预测效率[33]。此外，几何深度学习已被应用于级联故障的在线预测，展示了图结构学习的优势[34]。有研究开发了一种基于图循环神经网络的实时故障链预测框架，将电网拓扑与时间故障传播相集成[35]。

然而，传统的机器学习模型往往无法充分利用电网固有的图结构，而传统的图神经网络通常依赖单一的邻接关系，限制了其同时捕捉物理拓扑、电气相似性、拓扑-电气差异和场景依赖动态的能力。此外，级联故障数据集通常表现出严重的类别不平衡，仅有少量高风险关键线路样本，导致标准损失函数将模型偏向于大量的低风险样本，从而降低了关键线路识别的准确性。这些挑战促使开发一种数据驱动的、多维特征增强的框架，结合多图谱偏差Transformer和XGBoost（MGBT-XGBoost），能够保留线路风险强度差异、捕捉丰富的耦合结构特征，并提高高风险线路的检测和排序能力。本文的主要贡献总结如下：

1. 提出了一种将连续风险回归与极值阈值相结合来统计学定义关键线路的框架。不同于传统的固定Top-k选择或二元分类，该框架首先预测连续的线路风险值以保留风险强度的相对差异，然后应用极值理论（EVT）中的超阈值法（peak-over-threshold）来建模尾部分布。这实现了关键线路阈值的统计学定义，提高了客观性和场景适应性。

2. 开发了多维线路特征架构以表征级联故障传播，整合了静态电气-拓扑特征、动态演化特征和基于电气距离的拉普拉斯位置编码。该架构增强了对线路物理属性、网络结构位置和故障传播响应的表征，为连续风险回归和关键线路排序提供了统一的特征基础。

3. 提出了一种基于MGBT-XGBoost的两阶段关键线路识别方法，将四种图谱偏差——物理拓扑、电气相似性、拓扑-电气差异和场景自适应动态偏差——嵌入Transformer注意力机制中，并结合XGBoost风险回归和加权损失函数。该方法有效识别厚尾高风险和阈值边界样本，提高了关键线路识别和排序的精度。机理分析进一步揭示了多图谱偏差将注意力引导至关键线路相关区域，提供了可解释性并解释了性能提升的原因。

本文其余部分组织如下。第2节"级联故障演化驱动的线路特征"和第3节"级联故障的多维线路特征"介绍了基于极值理论的阈值方法和多维线路特征的构建。第4节提出了基于MGBT-XGBoost的两阶段关键线路识别方法。第5节通过两个案例研究展示了所提出方法的有效性、鲁棒性和泛化能力。最后，第6节对本文进行总结，并指出未来研究方向。

**级联故障演化模型**

电力系统的级联故障是一个过程，即局部组件的故障触发电流重分布，从而导致系统拓扑逐步重构和功率不平衡。根据主导驱动因素的不同，级联故障一般可分为过载驱动型、结构驱动型和混合型。其中，本研究重点关注过载驱动的级联故障。在此类级联故障中，一条线路的停运会导致……

**级联故障的多维线路特征**

级联故障的传播不仅由单条线路的电气参数和运行状态决定，还受到多种因素的影响，包括相邻线路之间的耦合关系、潮流转移路径、局部负荷分布和历史故障演化模式。因此，仅使用单一的潮流指标或拓扑指标作为模型输入不足以全面表征线路在级联故障中的风险。

**基于MGBT-XGBoost的两阶段关键线路识别模型**

由于输电网络中的潮流重分布受基尔霍夫定律施加的全局物理约束支配，级联故障传播不仅限于拓扑邻域内的局部扩散，还可能表现出显著的非局部空间跳跃特征。此外，级联故障风险通常表现出强非线性和重尾分布特性。因此，关键线路识别模型不仅应具备……

**案例研究**

所提出的模型首先在New England 10机39节点系统上进行验证以展示其有效性，随后在IEEE 118节点系统上进行评估以检验其泛化能力。具体而言，首先基于级联故障运行模型模拟不同运行场景下的级联故障传播。然后在Python中实现MGBT-XGBoost两阶段关键线路识别模型，最后评估其识别精度。

**结论**

本文针对高比例可再生能源渗透和极端扰动下电力系统级联故障风险增加的问题，提出了一种基于多图谱偏差Transformer（MGBT）和XGBoost的关键线路识别与防御方法。所提出的方法将关键线路识别建模为连续风险回归与极值阈值的组合。具体而言：

1. 首先，基于……构建了综合线路风险指标。

**CRediT作者贡献声明**

Xianglong Lian：撰写——初稿，项目管理，资金获取。Chenkai Song：撰写——初稿，验证，软件，数据整理。Lei Qiu：可视化，调查。Zepeng Li：方法论，调查。Lijun Liu：撰写——审阅与编辑，资源，资金获取。

**利益冲突声明**

作者声明，他们不存在已知的可能影响本文报告工作的竞争性经济利益或个人关系。

Xianglong Lian | Chenkai Song | Lei Qiu | Zepeng Li | Lijun Liu