Scalable and Reliable State-Aware Inference of High-Impact N-k Contingencies
作者: Lihao Mai, Chenhan Xiao, Yang Weng
分类: cs.LG
发布日期: 2026-02-10
💡 一句话要点
提出一种可扩展的状态感知推理框架，用于高效评估高影响N-k故障
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: N-k故障评估 条件扩散模型 图神经网络 电力系统安全 状态感知推理
📋 核心要点
- 传统N-k故障评估方法计算量巨大，难以应对电力系统日益复杂的运行状态和新型电力设备的接入。
- 该论文提出了一种基于条件扩散模型和图神经网络的框架，直接生成高影响的N-k故障场景，避免了穷举搜索。
- 实验表明，该方法在给定计算预算下，能更可靠地识别严重故障，优于均匀采样方法。
📝 摘要（中文）
随着基于逆变器的资源、灵活负载和快速变化的运行条件日益普及，高阶N-k故障评估变得越来越重要，但计算成本也变得非常高昂。使用交流潮流或ACOPF对所有故障组合进行穷举评估在日常运行中是不可行的。这迫使运行人员依赖启发式筛选方法，但这些方法在始终保留所有关键故障方面的能力尚未得到正式证实。本文提出了一种可扩展的状态感知故障推理框架，旨在直接生成高影响的N-k故障场景，而无需枚举组合故障空间。该框架采用条件扩散模型来生成针对当前运行状态量身定制的候选故障，而仅在基础和N-1案例上训练的拓扑感知图神经网络可以有效地离线构建高风险训练样本。最后，该框架旨在为严重故障提供可控的覆盖保证，从而使运行人员能够在有限的交流潮流评估预算下显式地管理错过关键事件的风险。在IEEE基准系统上的实验表明，对于给定的评估预算，所提出的方法始终评估比统一抽样更严重的故障。这使得能够以更少的计算工作量更可靠地识别关键故障。
🔬 方法详解
问题定义：电力系统中的N-k故障评估旨在识别当系统中k个元件同时发生故障时可能导致严重后果的场景。传统的穷举法需要评估所有可能的元件组合，计算量随k的增大呈指数级增长，难以满足实际应用的需求。现有的启发式筛选方法虽然降低了计算量，但无法保证识别所有关键故障，存在安全隐患。
核心思路：该论文的核心思路是利用机器学习方法直接推理出高影响的N-k故障场景，避免枚举所有可能的组合。具体而言，利用条件扩散模型学习电力系统运行状态与高风险故障之间的关系，从而能够根据当前状态生成潜在的故障候选集。同时，利用图神经网络学习电力系统的拓扑结构信息，用于评估故障的严重程度，并筛选出高影响的故障。
技术框架：该框架主要包含两个阶段：离线训练阶段和在线推理阶段。在离线训练阶段，首先利用基础运行状态和N-1故障数据训练拓扑感知的图神经网络，用于评估故障的严重程度。然后，利用图神经网络生成高风险训练样本，用于训练条件扩散模型。在在线推理阶段，首先利用条件扩散模型根据当前运行状态生成候选故障集。然后，利用训练好的图神经网络对候选故障进行评估，并筛选出高影响的N-k故障。
关键创新：该论文的关键创新在于将条件扩散模型引入到N-k故障评估中。条件扩散模型能够学习复杂的数据分布，并生成高质量的样本。通过将电力系统运行状态作为条件，条件扩散模型能够生成与当前状态相关的高风险故障，从而避免了对所有可能组合的枚举。此外，利用图神经网络学习电力系统的拓扑结构信息，能够更准确地评估故障的严重程度。
关键设计：条件扩散模型以电力系统运行状态作为条件，生成候选故障。图神经网络的输入包括节点特征（如电压、功率）和边特征（如线路阻抗），输出为故障严重程度的评分。损失函数的设计旨在使图神经网络能够准确预测故障的严重程度，并使条件扩散模型能够生成高风险的故障样本。具体参数设置和网络结构的选择需要根据具体的电力系统进行调整。
🖼️ 关键图片
📊 实验亮点
在IEEE基准系统上的实验表明，对于给定的评估预算，该方法能够评估比均匀采样方法更严重的故障。这意味着在相同的计算资源下，该方法能够更可靠地识别关键故障，降低电力系统运行风险。具体性能提升数据未知，但结论表明该方法优于均匀采样。
🎯 应用场景
该研究成果可应用于电力系统的在线安全评估和风险管理。通过快速识别高影响的N-k故障，电力调度人员可以提前采取预防措施，避免系统崩溃或大面积停电。此外，该方法还可以用于电力系统规划，评估不同规划方案的安全性和可靠性，为电网建设提供决策支持。
📄 摘要（原文）
Increasing penetration of inverter-based resources, flexible loads, and rapidly changing operating conditions make higher-order $N!-!k$ contingency assessment increasingly important but computationally prohibitive. Exhaustive evaluation of all outage combinations using AC power-flow or ACOPF is infeasible in routine operation. This fact forces operators to rely on heuristic screening methods whose ability to consistently retain all critical contingencies is not formally established. This paper proposes a scalable, state-aware contingency inference framework designed to directly generate high-impact $N!-!k$ outage scenarios without enumerating the combinatorial contingency space. The framework employs a conditional diffusion model to produce candidate contingencies tailored to the current operating state, while a topology-aware graph neural network trained only on base and $N!-!1$ cases efficiently constructs high-risk training samples offline. Finally, the framework is developed to provide controllable coverage guarantees for severe contingencies, allowing operators to explicitly manage the risk of missing critical events under limited AC power-flow evaluation budgets. Experiments on IEEE benchmark systems show that, for a given evaluation budget, the proposed approach consistently evaluates higher-severity contingencies than uniform sampling. This allows critical outages to be identified more reliably with reduced computational effort.