面向公平灾后电力恢复的不确定性感知预测后优化框架

飓风等极端天气事件的日益频繁，凸显了高效且公平的电力系统恢复的迫切需求。许多电力供应商主要根据各地区的电力恢复请求量来制定恢复决策。然而，我们的数据驱动分析揭示了请求提交量方面的显著差异，因为弱势社区往往提交较少的恢复请求。这种差异使得当前的恢复方案有失公平，导致这些社区在长时间的停电中处于脆弱境地。为解决这一问题，我们旨在提出一种兼顾恢复效率与社区间公平性的公平感知电力恢复策略。然而，实现该目标面临两大挑战：在数据集异方差性下预测修复时长的困难，以及强化学习智能体倾向于选择低不确定性动作从而可能损害公平性。为克服这些挑战，我们设计了一个名为 EPOPR 的预测后优化框架，包含两个关键组件：(1) 用于不确定性感知修复时长预测的公平性共形分位数回归；(2) 适应不同地区不确定性水平以实现公平决策的时空注意力强化学习。实验结果表明，与最先进的基线方法相比，我们的 EPOPR 框架有效将平均停电时长降低了 3.60%，并将不同社区间的不公平性降低了 14.19%。