在大规模柔性电网边缘设备的协同调度中，AI 方法（如多智能体强化学习或模仿学习）能够提供实时决策的可扩展性，从而缓解传统网络升级的时间和资本压力。然而，系统运营者仍需一种独立且严格的手段来判断特定 AI 系统是否足够安全以投入使用。本文提出了一种针对闭环电网运行中黑箱 AI 决策模型的有限样本概率安全认证框架。核心思路是将完整的输入‑AI‑电网评估流程映射为在运营者定义的安全规范下的二元不安全结果，并利用精确的二项式推断来对不安全操作概率进行认证。给定一组留出的校准场景，框架能够输出最紧的单侧上界证书以及控制错误安全认证概率的接受/拒绝部署准则。由于认证基于的校准分布可能与未来实际运行存在偏差，本文进一步将名义证书与物理可解释的样本空间对抗攻击相结合，这一概念在 AI 领域常用于探究模型脆弱性。案例研究在拥有 1,000 个独立参数的 AI 代理模型上验证了有限样本安全保证，并展示了将对抗攻击嵌入滚动窗口训练‑认证‑部署流程的价值。
点评