再生可能エネルギーと負荷の不確実性は電力システムの安全運転に深刻な課題をもたらし、高次元の安全領域を効率的に表現する方法が急務である。既存の方法が抱える次元の呪い、不確実性の考慮不足、過度な保守性などの問題を克服するために、分布ロバスト最適化と深層学習を融合した安全領域表現手法を提案する。まず、不確実性を合理的に考慮しつつ過度な保守性を回避するために、分布ロバスト最適化に基づく能動的探索戦略を構築し、重要な境界点を特定する。この際、拡散モデルに基づいて生成された再生可能エネルギーのシナリオと、典型的な負荷曲線を中心に構築された負荷偏差サンプルを組み合わせて、ロバスト確率ファジィ集合を共同で構築する。次に、Transformerに基づくモデルを設計し、これらの境界点を利用して完全な高次元安全領域を学習し再構築する。このモデルの自己注意メカニズムは、各次元間の全体的な非線形依存関係を捉えることができ、安全領域境界の高精度かつ高効率な近似を実現する。IEEEテストシステム上のシミュレーション結果は、本手法が低計算コストで高次元安全領域を正確に表現し、ソース－負荷の不確実性に対して高いロバスト性を持つ安全領域を得られることを示している。本論文は、高不確実性下における電力システムの安全評価と意思決定支援に対する新たな研究パラダイムを提供する。

安全領域;分布ロバスト最適化;深層学習;Transformerモデル;データ駆動