局部模型误设下物理约束决策的信任校准认证修复

可行性修复层将学习到的、基于市场的或优化器生成的决策转化为在电网等系统中满足硬约束的动作。然而，修复的可信度仅与其约束模型相当：线路参数、灵敏度、额定值和拓扑可能在局部是错误的，因此在标称模型下认证为可行的决策可能会违反实际部署的系统。我们将这种虚假安全性确定为模型信任修复的主要失效模式，并提出了信任校准认证修复（Trust-Calibrated Certified Repair, TCR）。TCR 将修复视为信任校准，并在一个流程中回答四个问题：物理模型在哪里出错，通过带有错误发现控制的测量发现；每个约束应被信任多少，由测试门控收缩和不确定性成比例的安全裕度设定；什么最小成本干预能恢复可行性，由认证修复程序计算；以及为什么支付该成本，通过对偶价格将其归因于真实拥堵与可避免的模型误差。在一个物理依据的动态线路额定基准上（其真实额定值遵循真实天气下的 IEEE 738 标准），TCR 达到了 98% 的真实网络可行性，比全知预言机低两个百分点以内，且成本低于朴素方法并实现了完美定位。模型信任修复、稳健裕度和机会约束收紧留下了显著的可行性或成本差距。相同的方法原封不动地迁移到 PGLib-OPF 网络上的传输再调度以及 IEEE 33 节点馈线上的配电电压调节。在所有三个任务族中，TCR 在局部物理模型误设下提供了最强的可部署可行性-成本前沿。校准对约束模型的信任是可靠 AI 辅助工程决策中缺失的要素。