L'incertitude des énergies renouvelables et des charges pose de sérieux défis à l'exploitation sûre des systèmes électriques, nécessitant des méthodes efficaces pour caractériser les domaines de sécurité à haute dimensionnalité. Pour surmonter les problèmes des méthodes existantes tels que la malédiction de la dimension, la prise en compte insuffisante de l'incertitude ou une trop grande conservatisme, une méthode de représentation des domaines de sécurité fusionnant l'optimisation robuste distributionnelle et l'apprentissage profond est proposée. Tout d'abord, afin de prendre raisonnablement en compte l'incertitude tout en évitant un conservatisme excessif, une stratégie de recherche active basée sur l'optimisation robuste distributionnelle est construite pour identifier les points clés des frontières ; cette stratégie combine des scénarios d'énergies renouvelables générés par un modèle de diffusion et des échantillons de déviation de charge autour des courbes de charge typiques, établissant ainsi un ensemble flou probabiliste robuste. Ensuite, un modèle basé sur Transformer est conçu, utilisant ces points frontières pour apprendre et reconstruire le domaine de sécurité multidimensionnel complet. Le mécanisme d'attention du modèle peut capturer les dépendances non linéaires globales entre les dimensions, permettant un ajustement précis et efficace des frontières du domaine de sécurité. Les résultats de simulation sur le système de test IEEE montrent que la méthode proposée peut caractériser avec précision le domaine de sécurité multidimensionnel à faible coût computationnel, et obtenir un domaine de sécurité robuste face à l'incertitude source-charge. Cet article offre un nouveau paradigme de recherche pour l'évaluation de la sécurité et le support à la décision dans les systèmes électriques sous conditions d'incertitude élevée.

domaine de sécurité;optimisation robuste distributionnelle;apprentissage profond;modèle Transformer;pilotage par données