Chao Shen · Ke Zuo · Mingyang Sun · IEEE Transactions on Industrial Informatics · 2025年6月

数据驱动的暂态稳定评估（TSA）方法已被证明在应对可再生能源快速融入电力系统所带来的安全挑战方面是有效的。然而，这些方法通常面临训练成本高、物理一致性不足以及泛化能力有限的问题。为解决这些局限性，本文提出了一种用于暂态稳定评估的物理增强辅助学习（PA - AL）框架，该框架在多门控专家混合模型中实现，并采用物理信息范式进行端到端的稳定裕度预测。与传统的基于物理信息神经网络的方法不同，后者依赖于易产生累积误差的转子角度轨迹预测，而PA - AL通过整合辅助电气速度预测来嵌入物理定律。所提出的PA ...

解读: 从阳光电源的业务视角来看，这项基于物理增强辅助学习的暂态稳定评估技术具有重要的战略价值。随着公司光伏逆变器和储能系统大规模接入电网，新能源高渗透率带来的电力系统稳定性挑战日益突出，该技术为解决这一核心问题提供了创新路径。 该研究的核心价值在于将物理机理与数据驱动方法深度融合，通过嵌入摆动方程等物理...