发表机构
University of Waterloo; Kraftgene AI Inc.（滑铁卢大学; Kraftgene AI 公司）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出EnergyEminence测试平台，结合图时序预测与AC级联仿真，引入源感知校准方法，并通过合成视频评估验证了环境捷径学习问题，支持环境警报与电气推断分离。
AI 中文摘要
电网数字孪生必须将数据驱动的预测与物理上有意义的状态演化相结合，同时保留环境观测的来源信息。本文提出了一个早期阶段的EnergyEminence测试平台，该平台将IEEE 118总线风格的图时序预测器、非线性AC级联仿真以及类似操作员仪表板的时序回放相结合。此外，我们引入了一种共享的有界校准方法，将野火检测置信度和空间范围转换为源可比的野火可解释和可解释证据。然后，我们使用视觉多样的火灾和硬负样本视频对其进行评估。我们策划了十六个合成环境视频，以生成160个来源可追踪的电网场景，并且一个源视频不相交的测试产生了10个真阳性、8个假阳性、22个真阴性，且没有假阴性。错误发生在受压力但非级联的场景中，这些场景以未见过的增长火源为条件。我们的诊断随后揭示了被场景级随机分割所掩盖的环境捷径学习。因此，本文为多模态电网韧性模型贡献了一个以数据为中心且可检查的评估工作流，并提供了支持将环境警报与电气级联推断分离的证据。
英文摘要
Power-grid digital twins must combine data-driven prediction with physically meaningful state evolution while preserving the provenance of environmental observations. This paper presents an early-stage EnergyEminence testbed that couples an IEEE 118-bus-style graph-temporal predictor, nonlinear AC cascade simulation, and operator-dashboard-like temporal replay. In addition, we introduce a shared bounded calibration that converts wildfire-detection confidence and spatial extent into source-comparable wildfire interpretable and explainable evidence. We then evaluate it with visually diverse fire and hard-negative videos. Sixteen synthetic environmental videos are curated to generate 160 source-tracked grid scenarios, and a source-video-disjoint test yields 10 true positives, 8 false positives, 22 true negatives, and no false negatives. The errors occur in stressed, non-cascading scenarios conditioned on an unseen growing-fire source. Our diagnostic then reveals environmental shortcut learning that is obscured by scenario-level random splitting. The paper therefore contributes a data-centric and inspectable evaluation workflow for multimodal grid-resilience models, together with evidence supporting separation of environmental alerting from electrical cascade inference
