《Energy and AI》：Interpretable transient stability assessment for power system: A novel adjoint-based physics-dynamics learning method
编辑推荐：
暂态稳定评估（TSA）在电力系统分析中扮演着关键角色。由于分布式能源（DERs）的大规模接入，由此导致的逆变器激增进一步加剧了电力系统的非线性和高维特性。然而，现有的物理驱动方法常得出保守结果且计算复杂度高，而基于学习的数据驱动方法则面临可解释性有限的挑战。为
暂态稳定评估（TSA）在电力系统分析中扮演着关键角色。由于分布式能源（DERs）的大规模接入，由此导致的逆变器激增进一步加剧了电力系统的非线性和高维特性。然而，现有的物理驱动方法常得出保守结果且计算复杂度高，而基于学习的数据驱动方法则面临可解释性有限的挑战。为解决这些问题，研究人员提出了一种新颖的物理信息深度学习框架来评估电力系统的暂态稳定性。首先，引入了一种基于伴随的物理-动力学学习（APDL）方法，以捕捉任意初始条件下的暂态行为。其次，利用这些暂态结果，开发了一种基于Transformer的多类分类模型，以进一步识别不同扰动下的暂态稳定性。最后，通过在单机无穷大母线系统、IEEE-39母线系统和WECC-240母线系统上的案例研究，验证了所提方法的有效性与可行性。结果表明，与传统PINN（物理信息神经网络）和数据驱动方法相比，所提方法的准确率分别提高了9.18%和5.94%。
电力系统暂态稳定评估（TSA）是确保电网安全运行的核心任务。随着分布式能源（DERs）的大规模接入，逆变器接口设备激增，导致系统非线性和维数急剧上升，对TSA方法提出迫切需求。现有物理驱动方法（如时域仿真和直接Lyapunov法）计算耗时且保守，数据驱动方法（如支持向量机、卷积神经网络等）则因“黑箱”特性而可解释性差，难以反映真实物理规律。针对这些挑战，研究人员提出了一种基于伴随的物理-动力学学习（APDL）与Transformer相结合的混合框架，旨在实现高准确率、可解释的暂态稳定评估。该项研究发表在《Energy and AI》上。研究人员首先通过APDL方法学习系统动态函数，克服传统PINN对初始条件的依赖，并利用伴随梯度高效优化；随后构建Transformer多分类模型提取时序特征，结合集成学习提升鲁棒性；最后在单机无穷大母线（SMIB）、IEEE-39母线及WECC-240母线系统上验证了方法有效性。结果表明，该方法相较于传统PINN和数据驱动方法，暂态预测精度分别提升9.18%和5.94%，暂态稳定边界估计误差低至1.6%，且在线推理时间仅约0.5秒，显著优于时域仿真。
关键技术方法包括：（1）基于伴随的物理-动力学学习（APDL）方法，通过伴随灵敏度分析反向传播梯度，在无需存储全部中间状态的前提下高效优化神经网络参数；（2）基于Transformer的多分类模型，利用多头自注意力机制提取预测轨迹的时序依赖特征，并与初始状态的静态特征融合；（3）集成学习增强框架，通过软投票聚合多个独立训练的Transformer分类器结果以降低偏差。数据集来源：SMIB和IEEE-39系统数据源自Matlab/Simulink仿真；WECC-240系统数据源自美国国家可再生能源实验室（NREL）提供的相量测量单元（PMU）实测与高保真仿真数据。
**5.1 SMIB系统**
在SMIB系统上，研究人员对比了PINN与APDL的训练损失和暂态预测能力。结果显示，APDL方法收敛更快且损失更低，在2000个训练周期后，数据损失、物理损失和总损失均显著优于PINN及消融变体。预测结果进一步表明，APDL对功率角δ(t)和频率δ?(t)的预测精度分别提升9.18%，绝对误差更小。在暂态稳定边界估计中，APDL+Transformer组合的区域面积误差仅为1.6%，远低于SOS方法（61.2%）和数据驱动分类器（2.3%），且更接近真实边界，避免了保守或过估计。
**5.2 IEEE-39母线系统**
在修改后的IEEE-39系统（80%可再生能源占比）上，研究人员施加三相短路故障以评估临界切除时间（CCT）。时域仿真参考值显示CCT为10.5998s，APDL方法预测CCT为10.599s，误差仅8×10
-4s。APDL方法在稳定与不稳定场景下均能准确复现暂态轨迹趋势。计算时间对比表明，时域仿真平均耗时29.653s且随节点数指数增长，而APDL在线推理仅需0.496s，且随节点增至240时仅上升至0.587s。
**5.3 WECC-240母线系统**
在真实规模系统中，APDL方法仅利用故障后前5秒PMU数据即可准确预测后续暂态行为。基于预测轨迹，集成Transformer模型对七类振荡/故障模式进行分类，准确率达99.62%，较纯数据驱动TCN模型（93.68%）提升5.94%。混淆矩阵近对角，各类别精确率、召回率与F1分数均优于0.935（仅Case2召回率1.000），而数据驱动模型在Case2上仅为0.6875/0.7586/0.7213。扩展对比试验表明，APDL-Transformer框架在三个系统上的分类准确率均最高（SMIB: 98.74%, IEEE-39: 98.42%, WECC-240: 99.62%）。
**6. 结论**
为应对逆变器资源主导（IBR）电力系统中多样扰动、强随机性及实时暂态稳定评估（TSA）的挑战，本文提出了一种物理信息深度学习框架，以实现高精度稳定性评估。APDL网络学习系统动态函数，提供物理可解释性；Transformer提取混合数据-物理特征以进行无网格TSA。此外，集成策略增强了大规模系统的可扩展性与鲁棒性。以下结论可得出：（1）所提APDL方法克服了PINN对初始条件的依赖和繁重计算，暂态预测精度提升了9.18%。（2）结合APDL动态特性的Transformer多目标分类器缓解了Lyapunov方法的保守性，提高了可解释性与精度，故障分类准确率提升了5.94%。（3）集成的APDL-Transformer框架展现出强适应性：物理先验增强了不完整数据下的泛化能力，而基于PMU数据的离线训练使在线部署无需参数依赖和高计算成本。
