Неопределенность возобновляемых источников энергии и нагрузки представляет серьезные вызовы для безопасной эксплуатации электроэнергетических систем, требуя эффективных методов представления многомерной области безопасности. Для преодоления проблем существующих методов, таких как «проклятие размерности», недостаточный учет неопределенности или чрезмерная консервативность, предложен метод представления области безопасности, сочетающий распределительно-робастную оптимизацию и глубокое обучение. Во-первых, для разумного учета неопределенности при избежании чрезмерной консервативности построена стратегия активного поиска на основе распределительно-робастной оптимизации для идентификации ключевых граничных точек; при этом объединены сгенерированные с использованием диффузионной модели сценарии возобновляемой энергии и отклонения нагрузки вокруг типичных кривых нагрузки, что вместе формирует робастное вероятностное нечеткое множество. Затем разработана модель на основе Transformer, которая учится на этих граничных точках и восстанавливает полную многомерную область безопасности. Механизм самовнимания этой модели способен улавливать глобальные нелинейные зависимости между измерениями, обеспечивая высокоточное и эффективное приближение границ области безопасности. Результаты моделирования на тестовой системе IEEE показывают, что предложенный метод с низкими вычислительными затратами точно представляет многомерную область безопасности и обеспечивает устойчивость области безопасности к неопределенности источников и нагрузок. Эта работа предлагает новую исследовательскую парадигму для оценки безопасности и поддержки принятия решений в электроэнергетических системах в условиях высокой неопределенности.

область безопасности;распределительно-робастная оптимизация;глубокое обучение;модель Transformer;управление данными