★ 国网山西省电力有限公司运城供电分公司 杜君

关键词：电网规划；失稳模式辨识；决策树；智能决策

随着电网规模持续扩张以及新能源渗透率不断提升，电力系统运行状态呈现出更强的非线性与不确定性。传统电网规划方法在当下复杂环境中逐步显现出建模难度大的问题。现有研究中的自愈系统已在工程应用中实现故障验证与恢复，并通过仿真案例体现出较好的运行适应能力；尽管其在运行层面具有一定应用价值，但从规划层面来看仍存在局限性^[1]。基于此，本文构建了人工智能配电网自愈体系，分析了多智能体之间的协同机制情况，实现了电网故障的精准辨识与快速修复，并通过实验验证了该方法的实际应用效果。

1   融合SVM的倾斜决策树建模

系统的运行状态分为稳定与失稳两类。在电网稳定性评估过程中，最终的状态判别结果直接影响电网运行的安全水平以及后续控制策略的制定^[2]。

本文在传统支持向量机SVM框架的基础上，引入代价敏感学习方法，对失稳与稳定样本施加不同的惩罚权重，优化分类器的决策规则。设样本真实类别为y_i∈{0,1};，其中0表示稳定，1表示失稳，模型预测结果为。定义误判代价函数为式（1）：

其中， L_i为第i个样本的误判损失； C₊为稳定样本误判失稳的代价系数；C_- 为失稳样本误判稳定的代价系数；I(.)为指示函数，当条件成立时取1，否则为0。通常取C_->C₊，以体现对失稳误判的严格约束。

在模型训练环节引入代价敏感学习方法，利用分类器学习公式（1） 的代价函数， 确保在优化中降低失稳误判率，增加电网稳定性评估的可靠性。

为更好地处理电网暂态问题的非线性特征，本文引入支持向量机的二阶核函数，用于特征空间的升阶映射。核函数表达式为式（2）：

其中，W为优化的超平面法向量； C是惩罚参数； 是松弛变量，允许样本存在一定的误分类，但会受到惩罚。引入代价敏感策略后， 当C_->C₊时， 算法会对失稳样本做出更加严格的判别， 并利用公式（2）来改良决策边界，减少失稳误判风险。

为把非线性问题转为线性化问题，实现线性化处理，本文引入支持向量机，采用二阶多项式核函数，将电网状态特征向量映射到高维特征空间，使原本线性不可分的稳定与失稳样本在高维空间内通过超平面分开。特征映射与分类过程如图1所示。

图1 特征映射与分类过程

由图1可知， 首先进行特征映射， 将原始特征向量X映射到高维空间 (X)，通过二阶多项式核函数扩展特征维度，显式刻画变量间的二次交互关系与非线性耦合特征；然后构建最优超平面，在高维空间中寻找间隔最大的分离超平面，使稳定样本与失稳样本的分类间隔最大化，提升模型泛化能力；接着引入代价敏感机制，为失稳样本赋予更高的误判代价权重，使模型在构建超平面时更倾向于正确识别失稳样本，降低失稳-稳定的误判风险；最后开展分类决策，新的电网运行状态样本经映射后，若落在超平面上方判定为“失稳”，落在超平面下方判定为“稳定”，从而实现稳定与失稳的精确区分。该流程将非线性不可分问题转化为线性可分问题，在高维空间获得更优的分类边界，结合代价敏感策略，显著降低了失稳状态的误判率，提高了电网运行安全评估的可靠性。

核函数映射能够捕捉电网各节点间的非线性交互关系，分析线路潮流、母线电压以及相角的耦合效应。通过高维特征向量内积计算，模型可综合考量不同节点状态变化对系统整体稳定性的影响，实现电网冗杂形式的精细辨识。在高维空间里，分类器通过生成最优决策边界，将稳定和失稳状态进行准确区分，从而更好地完成了安全评估和智能规划。

本文选取Gini增益作为决策树节点分裂准则，在确保分类结果决策效率的前提下，分析了决策树结构的最小化分类误差区间。模型的最终决策函数如公式（3）所示：

其中，X表示特征向量；b是偏置项；w是通过优化得到的特征权重。通过公式（3）模型， 可识别电网的状态，并确定是否失稳。将电网各节点的运行状态特征输入分类器，生成电网状态的判别指标。模型根据指标的大小，判断当前状态是稳定状态还是失稳状态。为了降低关键误判风险，本文引入代价敏感机制，对不同类型的样本设定不同惩罚权重。当失稳状态被误判为稳定时，系统的惩罚权重较高，训练过程中分类器会优先调整决策边界以减少高风险误判。通过这一方法，模型在保证整体分类准确率的同时，降低了对失稳状态的漏判概率。

2   人工智能技术下的电网规划决策

2.1   基于人工智能的电网安全与稳定评估模型

电网规划决策的前提是准确评估系统安全状态。

考虑到电网运行状态具有多尺度特性，本文将评估划分为静态安全评估与动态稳定评估两个层面，并统一构建数据驱动的评估函数_[3]。

定义系统运行状态向量为X=[X_1,X₁,....,Xn]^t，其中各分量分别表示母线电压幅值、相角、线路潮流、有功功率等特征量。基于上一节设立的非线性判别函数，定义融合安全评估函数，如公式（4）所示：

式中，S(X)为系统安全评估值；A为二次项系数矩阵，用于刻画各状态变量之间的耦合关系；B为一次项系数向量；b为偏置项。该函数沿用了倾斜决策树节点判别函数的结构，确保评估模型和辨识模型能保持一致。

当S(X)的值较大时，说明系统已偏离安全区间；反之如果S(X)值较小，则表示系统的运行状态是比较安全的，失稳风险较低。为进一步量化电网的安全裕度，本文引用归一化安全指标，计算方程为式（5）：

其中， η∈[0, 1]表示归一化的安全水平；S_max和S_min分别为历史样本中的最大和最小安全评估值。

通过公式（5）处理，可以把不同运行工况下的电网安全水平映射到统一的尺度上，便于横向比较不同工况下电网的安全性。

2.2   融合机器学习与决策树模型的电网规划优化

传统电网规划方法主要依赖物理机理建模与经验规则，在面对多源异构数据时存在建模流程复杂的问题。为此，本文利用机器学习与决策树融合的方法对数据进行分析和决策。开展数据分析时，模型把不同来源的运行数据、负荷预测、发电机功率、线路容量和新能源出力等特征统一处理并标准化，设立高维特征向量，用于决策树训练与输入。决策树通过逐层节点分裂，对特征向量进行分类和判定，并将电网规划问题转化为多条件、多目标的决策途径，每条途径对应不同的规划方案。模型利用训练好的决策树生成候选规划方案，综合评估判定方案的稳定性、安全裕度、经济成本以及可靠性指标，筛选最优方案，完成决策工作。改良过程建立多目标改良函数，将电网稳定性评判、建设成本和系统可靠性作为优化目标，引入权重系数平衡不同目标。在模拟多场景负荷变化和新能源波动的条件下，开展规划方案的安全裕度分析以及敏感性测试，保证生成的决策方案在实际运行条件下具备高适应性以及可行性。决策树的电网流程图如图2所示。

图2 决策树电网流程图

如图2所示，电网规划决策树模型以根节点作为第一级判别，对电网运行状态进行早期识别，将系统划分为稳定、模糊和失稳三类。对于模糊状态，进入第二级判别，完成稳定性复判、功角失稳初判和电压失稳初判的判断，每个节点根据特征向量输出对应结果或进入下一判别级。第三级及以后节点进行更精细的判别，逐步放宽边界，实现对电网复杂模式的层次化分析与分类。决策树的分层结构结合代价敏感机制，对失稳样本施加更高权重，保证了模型对关键状态的高敏感度，为多场景电网规划与优化提供了可靠的智能决策依据。

根据电网规划的目标，构建相应的优化目标函数。在电网规划中，目标函数一般为多目标优化，考虑不同约束条件，重点分析线路的容量发电机功率以及电网负荷的需求^[4]。

设电网规划中的决策变量为u= [u₁ , u₂ ,...... , u_n]  ，其中每个u_i表示不同的电网决策参数，优化目标函数可表示为式（6）：

其中， f₁(u)表示电网的稳定性评价函数； f₂(u)表示建设成本函数； f₃(u))表示电网可靠性目标函数，α、 β、γ为目标权重系数。

公式（6）加强了电网规划决策的准确性。在改良过程中，模型依据目前的规划约束生成一系列可行的决策方案，每个方案对应不同的线路选择、发电机配置以及负荷分配。计算不同方案的目标函数值，并利用加权求和或者Pareto改良方法排序，最终筛选出稳定性、经济性与可靠性均最优的方案^[5]。

3   实验研究

3.1   实验数据与环境

选取某省级电网公司实际运行的220kV及以上电网作为研究对象，验证本文所提出的人工智能电网规划智能决策方法的有效性。该区域电网具备典型的多源电源并网特征，涵盖火电、水电和光伏等多种类型电源结构，为实验提供了真实准确的数据。

实验采用某省电网近三年的实际运行数据，包括线路故障数据和新能源波动数据，总数为12568组。其中，稳定样本7860组，失稳样本4708组。对所有数据样本进行标准化处理，然后按照不同比例随机划分数据集。其中， 训练集占70%， 验证集占15%， 测试集占15%。

3.2   实验过程

基于电网运行数据构建样本集，对融合代价敏感向量机倾斜决策树模型进行训练。将失稳样本误判为稳定的惩罚权重设定为误判稳定样本的5倍， 使分类器在学习过程中对失稳状态保持更高的敏感度。

每个方案均通过计算和稳定分析生成多场景样本，并对已训练模型进行安全性评估，比较各方案的安全裕度、经济成本与实施可行性，最终输出最优规划方案。

3.3   结果总结

实验采用决策树模型对电网稳定性进行评估，并基于实验结果进行数据分类，其结果如图3所示。

图3 数据分类结果图

从图3可以看出，本文提出的融合代价敏感支持向量机的倾斜决策树方法，能够在高电压主干线路和关键节点上准确识别失稳状态，降低了重要线路和变电站的漏判风险。同时，对于220kV和110kV的分支线路，本文方法能够综合考虑线路潮流、母线电压及相角等特征，实现对非线性交互关系的高精度识别。整体而言，本文方法在整个电网拓扑中对失稳节点的识别更为均匀和精确，证明了该方法在复杂电网环境下的有效性和稳健性。

模型在测试集上的分类结果如表1所示。

表1 不同模型在测试集上的分类结果

由表1结果可知，传统决策树的总体准确率为0.872，失稳识别率为0.781，失稳误判率为18.7%，表明传统决策树方法在实际运行中易带来较高安全风险。相比之下，本文方法在各项评价指标上均取得更优表现，总体准确率达到0.948，表明模型整体判别能力显著增强；失稳识别率提升至0.921，失稳误判率降低至6.3%， 较传统方法下降12个百分点以上。同时， 模型对稳定工况的识别率与误判率均保持在良好水平。

综上，该方法在保证整体分类精度的同时，有效降低了电网高危风险误判风险，可应用于高安全性要求的电网规划与运行决策场景。

4   结束语

本文系统开展了基于人工智能的智能决策方法研究，并构建了融合支持向量机的倾斜决策树模型。实验结果表明，本文提出的方法在各项关键性能指标上均优于传统决策树模型，在保证判别精度的同时，提升了模型在实际应用中的安全性，降低了高风险误判概率，为电网规划提供了更加稳定的决策依据。

作者简介：

杜   君（1981-），男，山西阳泉人，中级工程师，本科，现就职于国网山西省电力有限公司运城供电分公司，研究方向为电网规划。

参考文献：

[1] 赵勇, 卢建刚, 潘凯岩, 等. 基于分布式人工智能的智能配电网自愈技术研究[J]. 电子器件, 2025, 48 (6) : 1428 - 1432.

[2] 李敬如, 李红军, 马良, 等. 基于人工智能的配电网规划技术研究现状与展望[J]. 电力建设, 2025, (4) : 1 - 15.

[3] 彭明智, 许尧, 胡永波, 等. 基于人工智能技术的变电站二次设备智能巡检技术[J]. 高电压技术, 2023, 49 (S01) : 90 - 96.

[4] 戴志敏, 王海燕, 张兴, 等. 基于AI+GIS的多维度智能选址选线应用研究[J]. 测绘通报, 2026, (2) : 174 - 179 + 186.

[5] 程智鹏, 袁润宁, 刘一琛, 等. 基于人工智能技术的智能电网接触器故障自动化检测系统研究[J]. 自动化与仪表, 2024, (11) : 111 - 114 + 123.

摘自《自动化博览》2026年9月刊