基于 AI 的电网边缘协调的有限样本概率安全认证

协调大量电网边缘柔性设备可以减少对耗时且资本密集型电网升级的需求，而多智能体强化学习或模仿学习等基于 AI 的控制方法在实时决策可扩展性方面展现出良好前景。然而，系统运营商仍需要一种独立且严谨的方法来判断给定的 AI 系统是否足够安全、可以部署。本文针对闭环电网运行中的黑盒 AI 决策模型，提出了一种有限样本概率安全认证框架。其核心思想是在运营商定义的安全规范下，将完整的“输入—AI—电网评估器”工作流简化为二元不安全结果，然后利用精确二项推断来认证相应的不安全运行概率。给定一组留出的校准场景，该框架能够返回最紧的一侧上界证书，以及一种可控制错误安全认证概率的接受/拒绝部署准则。由于认证针对的是可能偏离未来运行情况的校准分布，我们进一步将名义认证与物理上可解释的样本空间对抗攻击相结合；对抗攻击是 AI 领域广泛用于研究 AI 模型脆弱性的概念。在配备 1{,}000 个智能体的 AI 模型（参数相互独立）上开展的电网边缘灵活性协调案例研究，验证了有限样本安全保证，以及将对抗攻击整合到滚动窗口训练—认证—部署流程中的价值。