⚡ 电气工程

Power Grid Operational Risk Assessment Based on Source-Grid Multi- dimensional Feature Fusion and Multi-gate Mixture-of-Experts Model

本文提出了一种利用多门控混合专家（MMoE）模型的电网运行风险评估方法，该模型融合了多维源网特征与经验调度误差模拟，旨在实现对含有可再生能源集成系统的时空平衡风险进行高精度预测与自适应可解释性分析。

原作者： Shupeng Zhang, Chenguang Qiu, Chaojie Ding, Jie Li, Xing Luo

发布于 2026-10-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Shupeng Zhang, Chenguang Qiu, Chaojie Ding, Jie Li, Xing Luo

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

现代电网不再仅仅是从大型工厂向家庭输送电力的单向通道。它已演变成一个复杂的双向系统，天气本身也充当了发电机。随着各国向清洁能源转型，风力涡轮机和太阳能电池板正在取代传统的发电厂。然而，阳光并不总是灿烂，风力也不总是以同样的力量吹拂。这种不可预测性创造了一种微妙的平衡行为。如果同时产生的可再生能源过多，电网可能会过载，迫使运营商浪费清洁能源；如果产生的能量过少，电网可能会难以满足需求，从而面临停电风险。管理这种紧张关系需要准确了解这些风险何时以及何处会出现，但由于变量数量庞大，这对人类规划者来说是一项艰巨的任务。

国家电网江苏省电力公司和国家电网南京供电公司的研究人员开发了一种能够预见这些风险的新方法。他们创建了一个计算机系统，该系统就像一位经验丰富的调度员，能够通过学习过去来预测未来。该系统并非依赖简单的规则或孤立地观察风能和太阳能数据，而是融合了来自电源、物理线路网络以及电网历史运行行为的信息。通过结合这些不同类型的信息，该系统可以识别两种特定的危险：一是由于无法使用而不得不浪费可再生能源的风险，二是由于电力不足以维持照明而面临缺电的风险。

为了教会系统识别目标，研究人员首先必须创建一个真实的训练场。他们构建了一个模拟电网运营商实际工作方式的详细仿真环境。该仿真过程分为两个阶段：首先，根据预期的天气情况进行日前计划，决定哪些发电厂应该启动以及保留多少备用功率；然后，运行第二个阶段，模拟实际天气到达时的情形，而实际天气往往与预测不符。通过使用不同的天气预报误差进行数千次的模拟运行，该系统生成了一个庞大的“假设”场景库。这些场景充当了“标准答案”，教导计算机在现实生活中识别危险情况。

他们新方法的核心是一种被称为“多门控混合专家模型”（multi-gate mixture-of-experts）的高级学习模型。请想象一支由不同专业领域组成的专家团队：一位专家擅长阅读数字表格，例如预期的风能或太阳能出力以及人们可能消耗的电量；另一位专家是地图专家，理解电力线路的物理布局以及不同城市之间的连接如何影响电流流动；第三位专家是时间专家，观察风能和太阳能输出随小时的变化，以发现危险趋势。

在旧系统中，单个模型试图同时处理所有事务，因此在不同类型的信息发生冲突时往往会感到困惑。在这种新方法中，系统使用一个智能“交换机”或称之为“门控”机制，来决定在任何给定时刻由哪位专家主导对话。如果风险源于风力骤降，系统会倾听追踪时间的专家；如果风险源于电力线路的瓶颈，它会倾听地图专家。这使得系统能够同时处理两个对立的问题：浪费电力的风险和电力短缺的风险。这两个风险往往朝着相反的方向移动，这种局面会让简单的模型感到困惑，但这种基于团队的方法能够平稳地应对这种冲突。

测试结果表明，这种方法具有极高的精度。当系统在省级电网的真实数据上进行测试时，它能 92.7% 地正确识别出可再生能源将被浪费的情况。同时，它也能 84.2% 地正确识别出电网面临电力短缺的情况。或许更重要的一点是，该系统不仅给出警告，还会解释原因。由于系统知道哪位专家在决策过程中最为活跃，它可以告诉运营商问题究竟出在哪里。它可以指出哪一组电力线路正承受压力，或者在一天中的哪个特定时段风力可能会减弱。

这种解释其推理过程的能力是一项重大突破。许多先进的计算机程序是“黑箱”，这意味着它们只给出答案而不展示推导过程，让操作员无法确定是否应该信任警告。而这个新系统是透明的。它可以将风险追溯到源头，显示潜在的短缺是由特定组合的低风力预测和某一地区重载的电力线路共同导致的。在一个测试案例中，系统正确识别了特定的节点（即电网中的连接点）是风险的主要来源，完美契合了当天的实际情况。它甚至能区分哪些节点是由于电力浪费而产生风险，哪些节点仅仅是因为附近的电流流动而导致风险较高。

研究人员发现，该系统在预测能源浪费方面表现尤为出色，其准确率达到 92.7%，且错误率极低。在预测电力短缺时，它的表现稍显谨慎，会更频繁地发出警报以确保安全，这正是旨在防止停电的系统所期望的行为。通过将电网运行的真实模拟与基于团队的学习模型相结合，研究人员创造了一个不仅能预测危险，还能指明解决路径的工具。这种方法为管理现代电网复杂且不断变化的平衡提供了一种清晰、可解释的方式，确保了向清洁能源的转型保持稳定与可靠。

技术摘要：基于源-网多维特征融合与多门控专家混合模型的电力系统运行风险评估

1. 问题陈述

向以高比例可再生能源（风电和光伏）为特征的新型电力系统转型，引入了显著的随机性和波动性。这为电网运行风险评估带来了复杂的挑战，特别是如何同时管理弃电风险（可再生能源吸收限制）与供应安全风险（向上调节压力）。

现有的风险评估方法面临三个主要缺陷：

忽视时空耦合性： 传统方法往往无法捕捉物理边界、源侧不确定性与电网拓扑之间的动态耦合关系。
偏离实际运行情况： 许多概率模型依赖于解耦的场景生成或过度依赖风电/光伏数据的驱动方法，导致风险标签与实际调度结果不一致。
缺乏可解释性： 当前的神经网络方法通常表现为“黑盒”。虽然存在事后解释方法（如 SHAP、GNNExplainer），但这些方法计算成本高昂且不稳定，无法为调度决策提供直接、可操作的风险溯源。

2. 研究方法

本文提出了一个综合框架，集成了用于标签生成的两阶段调度模拟以及用于风险感知的改进型多门控专家混合（MMoE）模型。

A. 风险标签生成（两阶段调度模拟）
为确保风险标签反映实际运行约束，作者建立了一个由经验预测误差分布驱动的模拟框架：

日前预调度： 根据预测值确定机组组合和备用计划，旨在最小化发电成本、启停成本以及弃电和线路潮流越限惩罚。
日内再调度： 固定日前机组组合，但替换为实际的风电、光伏和负荷数据。该阶段允许通过弃电、深度调峰和紧急备用环节，将预测误差直接传递为物理风险（弃电量和备用调用量）。
标签聚合： 通过从历史经验分布中抽取 $K$ 个误差场景并聚合调度结果，系统生成概率风险标签（事件发生概率）和期望功率标签（平均弃电量或备用调用量）。

B. 风险感知模型（改进型 MMoE）
核心评估模型采用 MMoE 架构，旨在处理弃电风险与供应安全风险之间的负相关性，并融合异构数据源：

专家模块：
- MLP 专家： 处理源侧和调度侧的表格特征（如预测值、备用容量、机组状态）。
- 混合图神经网络（GCN + GAT）专家： 利用图卷积网络（GCN）和图注意力网络（GAT）捕捉电网侧的拓扑特征和空间依赖性。
- GRU 专家： 提取前 4 小时风光出力及负荷数据的时序相关特征。
多门控控制： 不同于共享门控的标准 MMoE 模型，本方法为弃电风险和供应安全风险采用了特定任务的独立门控网络。这种设计缓解了由两种风险间的负相关性引起的梯度冲突。模型为每个任务选择前 2 个专家，以实现稀疏且针对特定任务的特征融合。
输出与损失： 模型输出期望功率值和事件概率。损失函数结合了用于数值预测的均方误差（MSE）、用于概率预测的二元交叉熵（BCE）以及防止专家崩溃的负载均衡项。
概率校准： 训练后应用保序回归（Isotonic Regression）对预测概率进行校准，使其符合实际事件频率，确保可靠性。

C. 原生可解释性与风险溯源
该方法的一个关键特性是能够提供自适应可解释性，而无需进行事后计算：

信息类型溯源： 门控权重指示哪种专家（表格、拓扑或时序）在风险预测中占据主导地位。
空间溯源： 图注意力系数识别出对风险有贡献的关键输电线路和节点。
时间溯源： GRU 隐藏层状态范数突出了驱动风险的关键时间段。

3. 主要贡献

物理一致性的标签生成： 建立了由经验误差分布驱动的两阶段调度框架，确保风险标签具有物理依据并与实际调度约束保持一致，解决了传统基于场景的方法存在的偏差问题。
特定任务的 MMoE 架构： 引入了针对负相关风险的独立门控网络，有效缓解了梯度冲突，实现了对弃电风险和供应安全风险的联合评估。
内在可解释性： 模型利用门控权重和图注意力系数，在正向传播过程中直接提供结构化的风险溯源（包括信息类型、空间位置和时间位置），消除了对不稳定事后解释工具的需求。
多维特征融合： 成功集成了表格、拓扑和时序特征，实现了对电网时空耦合特性的全面评估。

4. 实验结果

该方法在某省级电网的全年数据集（35,040 个调度间隔）上进行了评估，并与梯度提升决策树（GBDT）和多头图注意力网络（MGAT）进行了对比。

预测精度： 所提方法在弃电事件上的确定性精度达到 92.7%，在供应安全事件上的精度达到 84.2%。这些结果比 GBDT 和 MGAT 高出 1.0–4.9 个百分点。
风险识别性能：
- 弃电： 命中率为 85.5%，误报率较低，为 4.8%。
- 供应安全： 命中率为 88.5%，误报率为 21.0%。作者指出这种不对称性是刻意设计的，旨在优先避免供应安全方面的漏报。
校准： 可靠性图表证实，保序回归有效地修正了系统性偏差，使预测概率与观测频率相一致。
溯源验证： 案例研究表明，模型的溯源结果（例如识别出 61、43 和 8 号节点为高风险位置）与实际运行数据一致，验证了模型识别实际弃电源及拓扑关键节点的能力。

5. 意义

本文声称，该方法通过提供一个不仅高度准确而且具有可解释性和物理一致性的工具，填补了当前电力系统风险评估领域的关键空白。通过摆脱黑盒模型和解耦的场景生成，该方法使调度员能够：

精确识别风险来源（是由预测误差、电网拓扑还是时序趋势驱动）。
将风险追踪至特定的空间位置（母线/线路）和时间窗口。
基于一个本质上理解可再生能源随机性与电网约束之间复杂耦合关系的模型，做出明智的决策。

作者总结道，该框架为新型电力系统的智能风险评估提供了一条稳定且可复现的路径，并计划在未来工作中纳入多样化的储能类型和需求侧响应机制。