Chao Shen · Ke Zuo · Mingyang Sun · IEEE Transactions on Power Systems · 2025年4月

数据驱动的动态安全评估（DSA）已成为应对可再生能源与电力电子设备快速接入带来安全挑战的有力工具。近期，融合微分方程描述物理规律的物理信息神经网络（PINN）被引入DSA，但仍面临代数偏差、收敛错误及训练非凸性等难题。为此，本文提出一种新型面向物理的神经网络（PFNN），通过估计故障后状态响应实现DSA。设计双阶段训练策略：第一阶段采用监督参数空间缩减以提升可优化性；第二阶段引入动力学引导的局部学习，结合经验损失与源自动态模型的物理正则项，解决代数偏差并确保正确收敛。在WSCC 3机9节点、新英...

解读: 该物理引导神经网络技术对阳光电源储能与新能源并网产品具有重要应用价值。在PowerTitan大型储能系统中，可实现故障后动态响应的快速预测与安全评估，提升电网支撑能力；结合ST系列储能变流器的构网型GFM控制，通过动力学模型正则化训练，可优化虚拟同步机参数整定，增强暂态稳定性。在SG系列光伏逆变器的...