深度综述：数据驱动的电力系统暂态稳定评估——从“黑箱”到实时智能

TL;DR

随着新能源、电动汽车及柔性直流输电（VSC-HVDC）的大规模接入，电力系统正变得前所未有的复杂。本文全面回顾了数据驱动的暂态稳定评估（TSA）技术，探讨了 AI 如何替代复杂的微分代数方程组（DAE）求解，实现毫秒级的响应速度。核心结论指出：虽然深度学习已在准确率上达到 SOTA，但拓扑适应性和模型可解释性仍是通往实际工程应用的最后公里。

背景定位

暂态稳定评估（TSA）是电网安全运行的“守门员”，负责判断系统在受到大扰动（如雷击、短路）后能否保持同步运行。本文在学术坐标系中属于深度综述与批判性分析，它不仅通过横向对比定义了 AI 方法相对于传统时域仿真（Time-domain Simulation）和直接法（Direct Method）的优劣，更前瞻性地指出了新能源接入带来的稳定性挑战。

痛点深挖：为什么传统方法玩不转了？

1. 时域仿真（Model-based）：虽然精确，但需要解万级维度的 DAE 方程组，在实时评估中存在严重的滞后。
2. 直接法：能量函数构造困难，往往只能给出过于保守的判断。
3. 电网演进：由于光伏、风电等电力电子设备的弱惯性特征，系统波动加速。
4. AI 的局限：早期的神经网络虽快，但在变电站接线改变（拓扑变化）时，模型往往失效（即 Out-of-Distribution 问题）。

核心机制：数据驱动 TSA 的四重奏

作者将数据驱动 TSA 拆解为四个关键步骤：

1. 特征工程（Feature Evolution）

从单一的电压、功角特征演变为基于 PMU（相量测量单元）的时空中高维特征。深度学习（如 SAE 堆叠自编码器）的引入，实现了特征的自动化降维与提取，减少了人工经验的干扰。

2. 模型架构：从线性到图论

• CNN 与 LSTM：分别捕捉空间和时间维度的动态演化。
• 图神经网络（GNN/GCN）：这是解决“拓扑适应性”的关键。通过将电网建模为图结构，模型可以更好地理解节点间的物理连接关系。

3. 在线学习（Online Adaptation）

电网工况瞬息万变，离线训练的模型难免会过时。文中提到了 OS-ELM（在线顺序极限学习机），它允许模型在不重新训练整个数据集的情况下进行增量更新，极大提升了模型在实际运行中的健壮性。

4. 规则提取：打破“黑箱”

工业界对 AI 的不信任源于其“不可解释性”。作者梳理了利用决策树（Decision Tree）和Ant-Miner 算法从深度模型中提取 IF-THEN 逻辑规则的方法，试图平衡“精度”与“透明度”。

实验与结果分析

综述对比了不同算法在大型标准测试系统（如 IEEE 系统）上的表现：

• 支持向量机（SVM）：在小样本下表现优异，具备较强的泛化能力。
• 集成学习（Random Forest/Voting）：通过多模型联合决策，显著降低了误判率（False Alarms）。
• 性能提升：相比于传统仿真，AI 推理速度通常可提升 2-3 个数量级。

深度洞察与未来展望

核心贡献：文章不仅总结了过去 10 年的算法演进，更划出了未来研究的“雷区”与“风口”：

• 新能源接入：必须开发能够处理随机波动性特征的新型稳定评估指标。
• 拓扑泛化：目前的模型在电网切机、切线后表现欠佳，基于消息传递机制的图网络（MPNN）是潜在解药。
• 数据质量：实际场景中标签数据获取昂贵且极度不平衡（稳定样本多，失稳样本极少），**数据增强（Data Augmentation）**和联邦自监督学习将是未来的热点。

总结：暂态稳定评估正从“事后分析”全面转向“实时预警”。虽然 AI 展示了巨大的潜力，但如何将物理定律（Physical Laws）约束嵌入神经网络（即物理信息机器学习），将是确保电网安全运行的核心议题。