用于飓风后快速损伤识别与修复调度的集成式两阶段深度学习工具

飓风后的损伤评估和修复调度可能需要计算密集型的仿真和优化。本文提出了一种用于快速受损线路识别和修复调度计算的集成式两阶段深度学习工具。一个可用的离线合成数据集（用于 IEEE 9500 节点测试馈线）包含 1,700 个飓风场景，具有暴露特征、电网元数据、脆弱性参数、OpenDSS 输出、受损线路标签和自适应大邻域搜索参考调度。阶段 1 对 MLP、ResMLP 和 GraphSAGE 进行基准测试，而阶段 2 比较 MLP、DeepSets 和 Set Transformer。所选的 ResMLP-Set Transformer 流水线将阶段 1 的误差传播到阶段 2，实现了 0.920 的受损作业 F1 分数、0.854 的成对顺序一致性，以及分别为 4.349 分钟和 4.486 分钟的开始和结束时间平均绝对误差。该工具为新的飓风案例提供快速初始修复日志决策支持。