提升AI用于电力系统分析决策的安全性_模型_数据_样本

在新型电力系统建设背景下，海量新能源接入使系统结构和特性巨变，人工智能（AI）辅助电力系统分析决策需求迫切，但AI应用存在数据有偏、鲁棒性不足等安全风险，需针对性研究提升其安全性的方法。

研究背景与挑战

电力系统调度决策保障电网安全经济运行，新型电力系统中，风光发电装机容量大增，系统规模庞大、决策变量高维、不确定性显著，专家经验方法难以为继，亟需AI辅助。然而，AI自身存在算法、数据、系统等技术层风险，以及衍生的网络、现实等应用层风险，其数据依赖性和鲁棒性不足，在电力系统巨型决策空间中难以保障安全约束，传统提升AI安全性的方法难以考虑电力系统物理约束。

核心研究进展

避免数据有偏导致的决策风险

基于生成式AI的样本生成：电网运行中不安全样本少，数据不均衡，开源模型数量不足。提出基于改进生成对抗网络的暂稳评估数据增强方法，利用“对侧”多数类样本特征生成少数类和分类边界样本，结合信息熵自动标注，提升样本效率；针对输电断面安全裕度场景样本不足，提出基于模型迁移的生成对抗网络训练方法，实现特定裕度样本生成和多目标场景“拼接”，提升AI模型在低裕度场景的准确率。

展开剩余86%

基于大语言模型的电网模型生成：电网模型数量不足，提出结合大语言模型与电力系统工具的生成框架，通过提示工程、模型微调及潮流调整垂直模型协同，生成满足需求的电网模型，提升格式正确率和潮流收敛性。

提升评估模型的鲁棒性

暂态稳定评估神经网络的鲁棒性认证与提升：AI算法黑箱特性致“特征捷径”，提出两阶段鲁棒性认证框架，嵌入电力系统物理约束，对认证失败样本仿真，评估模型鲁棒性；利用对抗样本进行鲁棒训练，提升模型在随机断线测试集的准确率和认证率。

保证AI输出满足安全约束

满足一般线性约束的神经网络激活层及GPU高效求解：神经网络输出可能不满足约束，提出内嵌可行性投影的神经网络，将投影问题表述为熵正则线性规划，设计可微激活层；提出GLinSAT框架，实现GPU高效求解，提升机组组合问题中神经网络预测的可行性和训练效率。

未来重点攻关方向

数据层面：探索多模态数据增强与融合、数据安全与隐私保护，构建全生命周期数据管理机制。

算法层面：研究电力AI模型鲁棒性与公平性提升、可解释性增强、场景自适应优化等算法。

系统层面：研究AI与信息物理电力系统耦合建模，分析风险传递路径，探索电算协同理论与方法。

通过上述研究，提升AI在电力系统分析决策中的安全性，为新型电力系统安全经济运行提供保障。

免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权归原撰写发布机构所有，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系

发布于：广东省