ML-суррогат предсказывает каскадные отказы в энергосистемах с корреляцией 0,85
Киберфизические энергосистемы подвержены каскадным авариям из-за тесной взаимосвязи между энергетической и коммуникационной инфраструктурами. Оценка таких отказов на больших множествах N-k с помощью высокоточных симуляторов требует огромных вычислительных ресурсов, что затрудняет планирование устойчивости.
Для решения этой проблемы учёные разработали машиннообучаемый суррогат, который предсказывает тяжесть аварии на основе структурных признаков без утечек. В качестве эталонного симулятора использовалась ранее опубликованная модифицированная импликативная модель взаимозависимости (MIIM).
Суррогат на основе градиентного бустинга протестировали на системе IEEE 118-bus. Он достиг корреляции Спирмена 0,849 при прогнозировании тяжести каждой конфигурации и 0,853 при ранжировании критичности компонентов. Результаты оставались стабильными на трёх независимых выборках.
Интересно, что сама эталонная модель MIIM при существующей выборке воспроизводит корреляцию около 0,85, то есть суррогат работает на эмпирическом пределе. Центральность топологических мер на полной сети даёт лишь 0,60–0,69, а ключевое преимущество суррогата обеспечивается за счёт информации о межслойных зависимостях.
Предложенный двухэтапный подход позволяет сначала быстро ранжировать компоненты с помощью суррогата, а затем проводить выборочную верификацию на симуляторе MIIM. Это ускоряет анализ уязвимостей и помогает расставлять приоритеты в укреплении инфраструктуры.
