Liangyuchen Lu · Yanzhen Zhou · Hongtai Zeng · Zhengcheng Wang 等6人 · IEEE Transactions on Power Systems · 2025年5月

神经网络（NNs）可快速准确地评估电力系统安全性，但对输入微小扰动的鲁棒性有限，可能导致误判。现有鲁棒性认证方法在暂态稳定评估中面临物理约束与敏感动态的挑战。为此，本文提出考虑物理可行性的鲁棒性比率指标及两阶段认证框架，通过嵌入系统物理约束推导非平凡鲁棒下界，并利用优化样本的稳定性验证获取上界。基于该框架开展模型选择与对抗训练，提升模型鲁棒性。在新英格兰10机系统及实际区域电网中的验证表明所提方法有效。

解读: 该神经网络鲁棒性认证技术对阳光电源PowerTitan大型储能系统及构网型控制产品具有重要应用价值。在储能系统参与电网暂态稳定支撑时，需快速准确评估系统安全裕度，但传统神经网络模型易受扰动影响导致误判。该研究提出的物理约束嵌入式认证框架可应用于：1）ST系列储能变流器的GFM控制策略优化，通过鲁棒性...