利用基础模型加速准静态时间序列仿真

准静态时间序列（QSTS）仿真在评估电网容纳分布式能源大规模集成能力方面具有巨大潜力。然而，随着电网扩展并更接近其极限运行，作为QSTS仿真核心的迭代潮流求解器在计算上变得难以承受，并面临越来越多的收敛问题。神经潮流求解器提供了一种有前途的替代方案，将潮流计算速度提高3到4个数量级，尽管其训练成本高昂。在本文中，我们展望了最近引入的电网基础模型如何能够提高神经潮流求解器的经济可行性。从概念上讲，这些模型通过作为除潮流求解之外的一系列电网运行和规划任务的基础，仅需最少的微调，从而分摊训练成本。我们呼吁人工智能和电网社区之间进行合作，以开发和开源这些模型，使所有运营商（即使是资源有限的运营商）都能从人工智能中受益，而无需从头构建解决方案。