用于动态线路额定值预测且具有对抗鲁棒性评估的可解释机器学习框架

《Scientific Reports》：Explainable machine learning framework for dynamic line rating forecasting with adversarial robustness evaluation

　　

摘要

动态线路额定值（Dynamic Line Rating, DLR）技术使架空输电线路能够根据实时气象条件调整载流量，从而更高效地利用现有输电线路。尽管机器学习模型在DLR预测方面已展现出令人满意的准确率，但其对数据扰动的鲁棒性以及决策过程的透明度仍是电力系统中实际部署的关键挑战。本文基于LightGBM开发了一种对抗性鲁棒且可解释的机器学习框架，利用真实气象数据和输电线路数据进行DLR预测。在干净数据条件下，该模型取得了优异的预测性能，决定系数约为0.995，且平均绝对误差（MAE）和均方根误差（RMSE）值较低。在同时针对多特征施加FGSM迁移攻击的情况下，传统训练模型的RMSE从14.86 A上升至19.16 A，而经过对抗训练的模型则将攻击后的RMSE降至15.61 A。该结果代表的是在所评估的迁移攻击方案下具有实证意义上的鲁棒性，而非针对自适应对抗者的认证鲁棒性。使用快速梯度符号法（Fast Gradient Sign Method, FGSM）和基本迭代法（Basic Iterative Method, BIM）对模型在对抗攻击下的鲁棒性进行了系统评估。即使在严重扰动下，模型仍保持较高精度，R2值始终维持在0.96以上。基于LIME和SHAP的可解释性分析表明，风速、风向、环境温度及太阳辐照度是主导特征，这与架空线路已确立的热学原理一致。所提出的框架将高预测精度、对抗鲁棒性评估和模型可解释性有机整合，为面临可再生能源大规模接入和网络物理威胁日益加剧的现代电网提供了可靠的动态线路额定值解决方案。该框架将预测预报、对抗鲁棒性评估和模型可解释性纳入统一的DLR评估流程。历史滞后气象变量与循环时间编码的结合使模型能够同时捕捉影响导线载流量的短期天气动态和季节性变化。最终的预测结果通过SHAP和LIME进行解释，以确保决策的物理一致性。