面向相互依赖的电力-通信网络中组件关键性排序的机器学习代理模型

arXiv cs.LG 论文
machine-learning power-systems cyber-physical-systems cascading-failures surrogate-model criticality-ranking

摘要

本文提出了一种机器学习代理模型，用于预测相互依赖的电力与通信网络中的组件关键性，该模型与高保真模拟器具有高度相关性，同时计算效率高。

arXiv:2607.08918v1 公告类型：新 摘要：信息物理电力系统由于电力与通信基础设施之间的紧密相互依赖关系，易受级联故障的影响。使用高保真模拟器评估大规模N-k事故组合下的这些故障，对于韧性规划而言计算代价过高。本文采用先前发表的修正隐含相互依赖模型（MIIM）作为真实级联模拟器，开发了一种机器学习代理模型，该模型通过无泄漏的结构特征预测事故严重性，并推导出组件关键性排序，用于优先加固分析。在IEEE 118节点系统上，梯度提升代理模型在单事故严重性预测上实现了0.849的斯皮尔曼相关系数，在单组件关键性排序上达到0.853，且在三个独立采样数据集上保持稳定。在当前采样流程下，MIIM导出的组件关键性本身仅重现约0.85的斯皮尔曼相关系数，而代理模型在此经验上限内运行，差异在采样波动范围内。全互赖网络上的拓扑中心性度量提供了有意义的基线（斯皮尔曼0.60-0.69），特征消融表明代理模型的优势主要来自层间依赖信息。这些结果支持一个两阶段工作流程：代理模型快速对候选组件进行排序，而MIIM则保留用于选择性验证。
查看原文
查看缓存全文

缓存时间: 2026/07/13 07:56 

# 面向相互依存电力-通信网络中组件关键性排序的机器学习代理模型
来源：https://arxiv.org/abs/2607.08918
查看PDF (https://arxiv.org/pdf/2607.08918)

> **摘要：**信息物理电力系统因电力与通信基础设施间的紧密相互依赖关系而容易发生级联故障。若采用高保真仿真器对大规模 N-k 故障集进行此类故障评估，用于韧性规划时计算负担过大。本文以先前发表的修正蕴含互依模型（MIIM）作为真实级联仿真器，开发了一种机器学习代理模型，该模型通过无泄漏结构特征预测故障严重性，并推导出组件关键性排序，从而支持优先级加固分析。在 IEEE 118 节点系统上，梯度提升代理模型在单故障严重性预测上实现 0.849 的斯皮尔曼相关系数，在组件关键性排序上达到 0.853，且在三个独立采样数据集上保持稳定。在当前采样流程下，MIIM 自身导出的组件关键性仅能复现约 0.85 的斯皮尔曼系数，而代理模型在采样变异范围内达到了这一经验上限。完整相互依存网络上的拓扑中心性度量提供了有意义的基线（斯皮尔曼系数 0.60–0.69），特征消融表明代理模型的优势主要来源于层间依赖信息。这些结果支持一种两阶段工作流：代理模型快速对候选组件进行排序，MIIM 则保留用于选择性验证。

## 提交历史

来自：Sohini Roy \[查看邮件 (https://arxiv.org/show-email/8579142c/2607.08918)\] **\[v1\]** 2026年7月9日星期四 20:22:14 UTC (799 KB)

相似文章

TRACER：基于追踪的自适应成本高效路由用于LLM分类

Hugging Face Daily Papers

TRACER是一个开源系统，它在LLM分类端点的生产追踪数据上训练轻量级机器学习代理，并通过一个一致性门控路由请求，仅当代理与原始模型的一致性超过指定阈值时才激活代理。该方法在意图分类基准上实现了83-100%的代理覆盖率，同时保持了对处理边界和故障模式的可解释性。