面向高影响 N-k 故障的可扩展且状态感知的推断方法
机器学习
2026-02-11 v1
摘要
逆变器基资源、灵活负荷以及快速变化的运行条件，使得更高阶的 N-k 故障评估变得越来越重要但又计算上昂人。使用交流悬挂或交流OPF 对所有故障组合进行穷举评估在常规运行中是不可行的。这迫使运营商依赖基于启发式的筛选方法，其始终保留所有关键故障的能力并无形式保证。本文提出了一个可扩展且状态感知的故障推断框架，旨在直接生成高影响的 N-k 故障场景，而无需遍历组合故障空间。该框架采用条件扩散模型生成针对当前运行状态定制的候选故障，同时通过一个面向拓扑的图神经网络（仅基于基线和 N-1 案例训练）高效构建高风险训练样本。最后，该框架被开发用于提供对严重故障的可控覆盖保证，使运营商能够在有限的交流悬挂评估预算下明确管理遗漏关键事件的风险。在 IEEE 基准系统上的实验表明，对于给定的评估预算，所提出的方法比均匀抽样更一致地评估了更高严重性的故障。这使得在减少计算 effort 的情况下更可靠地识别关键故障。
引用
@article{arxiv.2602.09461,
title = {Scalable and Reliable State-Aware Inference of High-Impact N-k Contingencies},
author = {Lihao Mai and Chenhan Xiao and Yang Weng},
journal= {arXiv preprint arXiv:2602.09461},
year = {2026}
}