Die Unsicherheit erneuerbarer Energien und Lasten stellt eine ernsthafte Herausforderung für den sicheren Betrieb von Energiesystemen dar und erfordert effiziente Methoden zur Darstellung hochdimensionaler Sicherheitsbereiche. Um Probleme bestehender Methoden wie den Fluch der Dimensionalität, unzureichende Berücksichtigung von Unsicherheiten oder übermäßige Konservativität zu überwinden, wird eine Methode zur Sicherheitsbereichsdarstellung vorgeschlagen, die distributionsrobuste Optimierung mit Deep Learning kombiniert. Zunächst wird zur angemessenen Berücksichtigung von Unsicherheiten bei Vermeidung übermäßiger Vorsicht eine aktive Suchstrategie auf Basis distributionsrobuster Optimierung zur Identifizierung kritischer Randpunkte entwickelt; dabei werden erneuerbare Energieszenarien, die mit Diffusionsmodellen generiert wurden, und Lastabweichungsproben um typische Lastkurven herum zusammengeführt, um eine robuste probabilistische Fuzzy-Menge zu bilden. Anschließend wird ein Transformer-basiertes Modell entworfen, das diese Randpunkte nutzt, um den vollständigen hochdimensionalen Sicherheitsbereich zu erlernen und zu rekonstruieren. Der Self-Attention-Mechanismus des Modells erfasst globale nichtlineare Abhängigkeiten zwischen Dimensionen und ermöglicht so eine hochpräzise und effiziente Anpassung der Sicherheitsbereichsgrenzen. Simulationsergebnisse am IEEE-Testsystem zeigen, dass die vorgeschlagene Methode den hochdimensionalen Sicherheitsbereich mit geringem Rechenaufwand genau darstellen kann und einen robusten Sicherheitsbereich gegenüber Quellen-Last-Unsicherheit erzielt. Diese Arbeit bietet ein neues Forschungsparadigma für die Bewertung der Systemsicherheit und Entscheidungsunterstützung unter hoher Unsicherheit im Energiesystem.

Sicherheitsbereich;distributionsrobuste Optimierung;Deep Learning;Transformer-Modell;datengetrieben