基于物理信息神经网络暂态稳定性分析

我们探索使用物理信息神经网络（physics-informed neural networks）来大幅加速求解支配电力系统动态的常微分-代数方程组。在暂态稳定评估方面，传统应用的方法要么计算负担沉重，要么需要模型简化，要么使用过于保守的代理模型。常规神经网络可以规避这些局限，但面临高质量训练数据集的旺盛需求，且忽略底层控制方程。物理信息神经网络则不同：它们将电力系统微分代数方程直接嵌入神经网络训练，大幅降低对训练数据的需求。本文深入探讨物理信息神经网络用于电力系统暂态稳定评估的性能。我们引入一种新的神经网络训练流程以促进细致比较，考察物理信息神经网络与传统微分代数求解器及经典神经网络在计算时间、数据需求和预测精度方面的对比。我们在 Kundur 两区域系统上展示结果，并评估物理信息神经网络作为暂态稳定性分析工具的机遇与挑战，指出进一步发展该方法的可能路径。