公共电动汽车（EV）充电会在配电支路上叠加大规模同步负荷。大多数网络中，支路同时超载的情况极为罕见，但一旦发生会导致变压器受压并可能引发城市级连锁停电。规划者需要估计极小的停电概率，以保证高可靠性。传统的蒙特卡洛（Monte Carlo）方法需要在昂贵的电网仿真器上运行大量次数，成本不可接受。
为降低仿真次数，我们构建了基于学习分类器的控制变量（Control Variate，CV），该分类器利用温度、负荷预测等廉价特征预测是否会出现停电。对任意二分类学习器，方差降低量可以用其召回率 $r$ 与误报率 $f$ 的显式函数表示：$$\text{Var}_{\text{CV}} = (1 - 2r(1-f))\,\text{Var}_{\text{MC}}.$$
进一步分析表明，基于负荷的高斯代理模型在停电极为稀有时失效，而只要学习器的精度不趋于零，即使在极端稀有事件下也能持续去除固定比例的方差。数值实验使用支路超载仿真器，覆盖三阶数量级的停电概率。结果显示，仅使用单一特征的弱学习器即可削减约 25% 的方差，提升的提升树学习器则可削减约 60%。
我们将该估计器应用于印度尼西亚泗水的配电网络。高斯负荷模型在相同仿真预算下，使每条支路的停电风险比“一天十年内一次停电”目标高出 3 到 7 倍。采用学习型 CV 并设定 95% 置信上限的规划，使全市停电天数比单纯蒙特卡洛降低约三分之一。
这些结果表明，学习控制变量能够帮助规划者设计在罕见停电情形下仍保持可靠性的配电网。
点评