A incerteza das energias renováveis e das cargas traz desafios severos para a operação segura do sistema elétrico, sendo necessário um método eficiente para caracterizar domínios de segurança de alta dimensão. Para superar problemas de métodos existentes, como a maldição da dimensionalidade, consideração insuficiente da incerteza ou conservadorismo excessivo, propõe-se um método de representação de domínio de segurança que integra otimização robusta de distribuição e aprendizado profundo. Primeiro, para considerar razoavelmente a incerteza evitando conservadorismo excessivo, foi construída uma estratégia de busca ativa baseada em otimização robusta de distribuição para identificar pontos-chave na fronteira; onde cenários de energia renovável gerados por modelos de difusão e amostras de desvio de carga ao redor de curvas típicas de carga foram combinados para estabelecer um conjunto fuzzy probabilístico robusto. Em seguida, foi projetado um modelo baseado em Transformer, utilizando esses pontos de fronteira para aprender e reconstruir o domínio seguro completo de alta dimensão. O mecanismo de autoatenção do modelo pode capturar as dependências não lineares globais entre as dimensões, alcançando um ajuste de alta precisão e eficiência das fronteiras do domínio seguro. Resultados de simulação no sistema de teste IEEE mostram que o método proposto pode caracterizar com precisão o domínio de segurança de alta dimensão com baixo custo computacional, obtendo um domínio seguro robusto à incerteza fonte-carga. Este trabalho apresenta um novo paradigma de pesquisa para avaliação de segurança e suporte à decisão em sistemas elétricos sob alta incerteza.

domínio de segurança;otimização robusta de distribuição;aprendizado profundo;modelo Transformer;orientado a dados