La incertidumbre en las energías renovables y la carga plantea desafíos severos para la operación segura de los sistemas eléctricos, requiriendo métodos eficientes para caracterizar dominios de seguridad de alta dimensión. Para superar problemas en métodos existentes como la maldición de la dimensionalidad, la insuficiente consideración de la incertidumbre o un conservadurismo excesivo, se propone un método de representación de dominios de seguridad que integra la optimización robusta de distribución y el aprendizaje profundo. Primero, para considerar razonablemente la incertidumbre evitando un exceso de conservadurismo, se construyó una estrategia de búsqueda activa basada en optimización robusta de distribución para identificar puntos clave de frontera; esta estrategia une escenarios de energías renovables generados por modelos de difusión y muestras de desviación de carga en torno a curvas de carga típicas, estableciendo un conjunto difuso probabilístico robusto. Posteriormente, se diseñó un modelo basado en Transformer que utiliza estos puntos frontera para aprender y reconstruir el dominio completo de seguridad de alta dimensión. El mecanismo de autoatención del modelo puede capturar dependencias no lineales globales entre dimensiones, logrando un ajuste preciso y eficiente de las fronteras del dominio de seguridad. Los resultados de simulación en el sistema de prueba IEEE muestran que el método propuesto puede caracterizar con precisión el dominio de seguridad de alta dimensión con bajo costo computacional, y obtener un dominio de seguridad robusto frente a la incertidumbre fuente-carga. Este trabajo ofrece un nuevo paradigma de investigación para la evaluación de seguridad y soporte de decisión en sistemas eléctricos bajo alta incertidumbre.

dominio de seguridad;optimización robusta de distribución;aprendizaje profundo;modelo Transformer;orientado a datos