随着全球能源结构向低碳和智能运营转型，现代电力系统的稳定性变得越来越重要。随着可再生能源（RES）的大规模整合，系统动态表现出更高的复杂性和不确定性，使得传统的基于模型的TSA方法在建模灵活性、计算效率和实时适用性方面效果较差[1]，[2]，[3]。
瞬态稳定性评估（TSA）是电力系统稳定性分析的基本组成部分。在过去几十年中，已经开发了四种主要的TSA方法：时域仿真、直接方法、混合方法和基于人工智能（AI）的方法。时域仿真是最基本和可靠的方法，因为它直接使用数值求解器整合非线性微分-代数方程来再现故障后的动态轨迹。尽管非常准确，但其计算成本限制了其在线适用性[4]，[5]。在这一类别中，已经开发了考虑不确定性的时域仿真扩展，例如参考文献[6]，它结合了概率建模和基于替代品的加速方法来量化由可再生能源引起的动态不确定性，同时保持了原始的仿真框架。直接方法旨在通过构建李雅普诺夫或瞬态能量函数（TEF）来避免逐步积分，从而加快稳定性估计速度，但依赖于可能在复杂或富含可再生能源的系统中降低准确性的简化[7]，[8]，[9]，[10]，[11]。这一类别中的代表性进展包括参考文献[12]，它通过保持稳定性的状态转换和降阶吸引域估计来提高直接方法的可扩展性，而不改变其理论基础。混合方法结合了上述两种方法的优点，首先进行短期数值仿真，然后进行基于能量的稳定性评估，从而在速度和精度之间取得了平衡[13]，[14]，[15]。此外，像参考文献[16]和[17]这样的混合公式利用修正的动能或偏差能量指标来利用有限的故障后动态信息提高实时适用性。然而，这些方法通常需要大量的参数调整、高保真模型或密集的计算，这限制了它们在快速演变或大规模电网环境中的使用。虽然传统的基于模型的TSA方法在理论上仍然是合理的并且具有物理解释性，但它们对精确系统参数的依赖性和高计算负担限制了它们在富含可再生能源的电网中的可扩展性[18]。
基于AI的方法通过直接从测量或仿真数据中学习系统状态和稳定性结果之间的非线性映射，开启了一种数据驱动的范式。最近，深度学习在数据驱动的电力系统建模中显示出强大的潜力。神经架构，如卷积神经网络（CNN）和循环神经网络（RNN）已被用于时间序列学习和动态特征提取[19]，[20]，[21]，[22]。先前的研究使用了转子角度轨迹的聚类[23]，[24]，监督学习来预测补救控制动作（RCAs）以防止电力系统的瞬态不稳定性[25]，或者多模型评估框架来预测稳定性裕度[26]。此外，Han等人[27]提出了一种基于条件表格GAN（CTGAN）的数据增强方法，以减轻瞬态稳定性数据集中稳定样本和不稳定样本之间的不平衡。通过生成真实的少数样本，他们的方法提高了模型的泛化能力和不稳定性分类的准确性。然而，合成数据严重依赖于有限样本的统计分布，在未见过的运行条件下可能缺乏物理解释性。
基于更符合物理原理的数据集，Zhao等人[28]开发了一个基于深度学习的瞬态稳定性评估（TSA）框架，该框架使用二分搜索生成的训练数据来预测临界清除时间（CCT）。他们的WECC-240案例通过结合总线聚类和基于物理的归一化展示了高效率和准确性。然而，该框架依赖于大量的时域仿真来进行数据准备，这可能限制了其在非常大的电网或在线部署中的可扩展性。
此外，基于图和时空深度模型的出现显著提高了TSA的性能。Sun等人[29]提出了一个时间与拓扑嵌入深度神经网络（TTEDNN），该网络通过电网信息邻接矩阵结合了图卷积网络（GCNs）和时间卷积网络（TCNs）。这个模型有效地捕捉了时间和结构相关性，并表现出良好的可转移性。然而，它涉及大量的参数化，可能需要仔细调整以在大型系统上保持数值稳定性。在此基础上，Nan等人[30]引入了一个深度时空特征提取网络（DST-TSA），该网络整合了一个改进的图注意力网络（GATv2）和一个残差双向时间卷积网络（Res-BiTCN）。通过使用Kolmogorov–Arnold网络（KAN）分类器和加权损失，即使在数据不平衡的情况下也能实现早期、准确的TSA。然而，模型的高结构复杂性和训练成本可能限制其实时适用性。
然而，这些模型中的许多模型存在高复杂性和捕捉长距离时间依赖性的能力有限的问题，特别是在不同的干扰情景下。为了克服这些问题，时间卷积网络（TCN）作为一种合适的替代方案应运而生。TCN利用扩张卷积来扩展感受野，而不增加深度，使它们能够高效地模拟长期动态，同时保持训练稳定性[31]，[32]。这使得它们特别适合于富含可再生能源系统的瞬态转子角度演化建模。此外，TCN具有高度的可并行性，可以无缝与仿真数据集成，实现快速且可扩展的TSA。与循环模型相比，TCN提供了更好的梯度稳定性、更高的并行效率和在长距离序列建模中的优越性能，使它们更适合实时评估。
电力系统可能会遭受多种不稳定性模式的影响——例如转子角度和电压不稳定性——这些模式表现出相似的症状，但源于不同的动态。因此，准确识别主导的不稳定模式（DIM）对于有效控制至关重要[33]，[34]。最近的努力，如基于GAT的分类[35]和Bi-ATL适应[36]提高了可解释性和可转移性，但依赖于平衡的、标记的数据。在实践中，不稳定样本稀缺且分布不均，潜在特征相互纠缠，给传统分类器带来了挑战。这激发了对不平衡鲁棒、解耦分类策略的需求。为此提出了原型损失[37]，该损失鼓励特征围绕特定类别的原型聚集，并最大化类别间的可分离性。受少样本学习的启发，这个损失函数鼓励特征围绕特定类别的原型聚集，并最大化类别间的可分离性。Gao等人[38]通过对比学习对此进行了扩展，而Yang等人[39]在噪声和数据不平衡的卷积结构中验证了其鲁棒性。
总体而言，传统的基于模型的TSA方法确保了物理一致性，但在大规模或富含可再生能源的系统中受到建模复杂性和计算负担的限制。相比之下，现代数据驱动的方法通过直接从动态响应中学习提供了高灵活性和效率，但当运行条件偏离训练场景时，它们的性能可能会下降。为了应对这些挑战，将基于物理能量的知识与数据驱动的架构相结合提供了一种平衡策略，提高了准确性和适应性，同时保持了计算效率。在这项工作中，我们提出了一个用于电力系统瞬态稳定性评估和故障后不稳定模式识别的混合两阶段学习框架。本文的主要贡献如下：
(1) 开发了一个多任务框架用于TSA，将TCN编码器与TEF引导的注意力机制相结合。TEF信息的整合指导了特征加权，并在多样化的动态条件下支持更快的收敛和更好的物理一致性。
(2) 提出了一种用于DIM识别的双分支GRU网络，将故障后的轨迹与能量趋势融合。基于原型的损失增强了类别可分离性，并在数据不平衡和数据有限的情景下保持了稳定的性能。
本文的其余部分结构如下：第2节阐述了问题，包括不稳定机制、能量函数和模式分类。第3节介绍了所提出的框架。第4节提供了案例研究和性能评估。第5节进行了总结并概述了未来的工作。
