基于LSTM-Transformer融合框架的电力系统暂态稳定主动评估新方法

针对传统暂态稳定评估(TSA)方法计算效率低、实时性差的问题，研究人员创新性地提出LSTM轨迹重建与改进Transformer分类器的双阶段框架。该方案仅需0.5秒初始数据即可重构完整5秒动态轨迹，在IEEE 39节点系统中实现99.6%的评估准确率，显著提升临界稳定状态的识别能力，为智能电网安全运行提供关键技术支撑。

　　

随着可再生能源在电网中渗透率的不断提升，电力系统暂态稳定性问题日益凸显。传统基于时域仿真(TDS)和暂态能量函数(TEF)的评估方法面临计算效率低下、实时性不足等瓶颈，而现有数据驱动方法又受制于类不平衡和早期特征提取困难等挑战。尤其对于接近稳定边界的临界故障，传统固定时间窗评估方法往往出现误判，可能引发连锁性大停电事故。

针对这些行业痛点，研究人员提出了一种创新的双阶段评估框架。该研究首次将长短期记忆网络(LSTM)与改进Transformer架构相结合：LSTM模块通过0.5秒初始测量数据重构完整5秒动态轨迹，解决早期数据不足问题；改进Transformer则通过定制位置编码和自注意力机制，有效捕捉临界稳定状态的全局时序特征。在IEEE 39节点系统的验证中，该方法在关键评估窗口内达到99.6%的准确率，较传统方法提升显著。

关键技术包括：1）基于WAMS的广域测量数据采集；2）LSTM轨迹重建模块设计；3）改进Transformer分类器开发（含频率自适应位置编码）；4）N-1故障场景下的系统级验证。

【研究结果】
• 轨迹重建性能：LSTM模块成功将0.5秒观测数据扩展为5秒完整轨迹，均方误差降低至传统方法的18.7%。
• 分类器对比实验：Transformer在临界稳定样本上的召回率达到98.3%，较CNN和RNN提升超15个百分点。
• 实时性验证：全流程评估延迟仅12ms，满足《智能电网技术规范》要求的50ms时限。
• 抗干扰测试：在120%负荷扰动下仍保持97.8%的评估准确率。

该研究的突破性在于：首次实现基于短时观测的轨迹连续生成，解决了固定时间窗评估的固有缺陷；通过全局时序特征提取，将临界稳定状态的误判率降低至0.4%；所提框架已获国家智能电网重大专项支持，为构建新型电力系统安全防御体系提供核心技术支撑。论文成果发表在能源领域权威期刊《Sustainable Energy Technologies and Assessments》上，为人工智能在电力系统控制领域的应用开辟了新途径。