Huaiyuan Wang · Fajun Gao · Qifan Chen · Siqi Bu 等5人 · IEEE Transactions on Power Systems · 2024年7月

深度学习方法广泛应用于电力系统暂态稳定性评估（TSA），但其结果缺乏可解释性且评估过程难以控制，限制了实际应用。本文提出一种失稳模式引导的模型更新方法以优化TSA模型。首先，构建基于Transformer编码器的TSA模型，通过注意力分布解释和分析预测结果；其次，引入注意力引导损失函数，针对特定失稳模式调整评估规则，提升分类精度；同时采用注意力保持损失，维持其他样本的评估能力并抑制过拟合；此外，基于注意力分布构建代表性数据集以降低更新成本。在IEEE 39节点系统与华东电网中的仿真验证了该方法的...

解读: 该失稳模式引导的暂态稳定评估技术对阳光电源PowerTitan大型储能系统和构网型控制产品具有重要应用价值。在电网侧储能场景中，ST系列储能变流器需快速判断电网扰动后的稳定性并调整控制策略，该方法基于Transformer的注意力机制可实现毫秒级稳定性预判，指导GFM控制器动态调节虚拟惯量和阻尼参数...