在网格拓扑变化条件下，基于物理特性的动态图嵌入与对比特征对齐技术用于瞬态稳定性预测

《Engineering Applications of Artificial Intelligence》：Physics-aware dynamic graph embedding with contrastive feature alignment for transient stability prediction under grid topology variations

物理信息驱动的动态图嵌入与监督对比学习框架有效提升了电网拓扑变化下的暂态稳定性评估泛化能力和实时性。通过基于网络守恒原理的泊松型方程解算构建拓扑鲁棒的特征空间，结合轻量级CNN和训练时数据增强，实现多场景下低延迟的高精度分类。在IEEE 39/145节点系统多N-1故障测试中，该方法较基线模型提升12.7%-18.3%的准确率，推理时延稳定在50ms以内，满足近实时控制需求。

　　

刘子健|陈欣|李庚峰

西安交通大学电气工程学院，中国西安

摘要

对于受到干扰的现代电力系统而言，准确、低延迟的在线瞬态稳定性预测对于其安全运行至关重要。尽管数据驱动的深度学习方法显示出强大的预测性能，但当系统参数或运行条件发生变化时，尤其是电网拓扑结构发生变化时，它们的准确性往往会下降。这种缺乏适应性的问题限制了它们在现实世界应用中的有效性。本文通过引入一种基于多机摆动动态的物理信息归纳偏差，提出了一种物理感知动态图嵌入（DGE）方法，该方法将时间同步的逆变器式相位测量单元（PMU）信号与网络结构信息一起编码为紧凑的、节点级的表示形式，并结合了一个基于DGE的监督对比学习（DGE-SCL）框架，该框架使用了轻量级的卷积神经网络（CNN）作为底层。该框架结合了拓扑不变的数据增强和监督对比特征学习，以获得对拓扑结构具有鲁棒性的、能够区分类别的嵌入结果。这些组件被应用于实时瞬态稳定性分类，使得预训练的预测器能够高效地应用于不同的网络配置。该方法在IEEE 39节点和145节点测试系统上进行了评估，这些系统分别处于多种N-1和N-m拓扑场景下；与基线方法相比，结果显示出了显著提高的泛化能力和鲁棒性，同时保持了适合近实时部署的低推理延迟。

引言

电力系统的可靠运行需要同步发电机在面临故障和其他干扰时保持转子角度的稳定性（Pavella等人，2000年）。电力系统必须能够抵御诸如发电机突然停机、输电线路故障和接地故障等干扰。由于大规模可再生能源的整合以及电力电子设备的广泛使用，现代电力系统的复杂性不断增加，这增加了它们对各种干扰的脆弱性（Yin和Varga，2025年；Ali等人，2025年）。

转子角度瞬态稳定性指的是同步发电机在干扰后保持同步的能力（Karami，2011年）。瞬态稳定性评估（TSA）对于快速评估系统稳定性至关重要（Zhu等人，2020年）。电力系统的非线性动态和网络拓扑结构进一步复杂化了这些分析。此外，瞬态现象通常在极短的时间内（通常不到一秒）演变，这对实时评估和控制提出了重大挑战（Pavella等人，2000年）。

传统的基于模型的TSA方法包括时域仿真（TDS）、瞬态能量函数（TEF）方法以及基于李雅普诺夫指标的方法，例如从PMU流中计算的最大李雅普诺夫指数（MLE）（Liu等人，2019年；Fang等人，2000年；Yan等人，2011年；Kundur，1994年；Colvara，2009年；Dasgupta等人，2015年）。虽然TDS通过求解发电机和网络模型的微分-代数方程提供了高保真度，但其计算负担和建模要求限制了其在快速在线决策中的适用性。TEF及相关分析方法在特定情况下具有洞察力，但往往难以应用于大型、异构的系统。基于MLE的技术可以有效，但通常需要较长的观测窗口，这降低了响应速度。

广域测量系统（WAMS）的普及促进了TSA的范式转变。从用于分层特征提取的卷积神经网络（CNN）到用于拓扑感知学习的图神经网络（GNN），深度学习模型通过从相位测量单元（PMU）数据中学习复杂的时空模式，展示了强大的预测性能（Du等人，2017年；Lu等人，2021年；Zhang等人，2022年；Zhang等人，2024年；Fang等人，2023年）。近年来，研究方向转向提高模型的可解释性和鲁棒性（Zamzam等人，2025年）。时空图变换器和Kolmogorov–Arnold网络（KANs）也被探索过（Nan等人，2025年），它们利用全局注意力或灵活的功能参数化在特定情况下超越了传统的GNN基线。同时，物理信息神经网络（PINNs）通过将微分-代数方程残差纳入训练目标而受到关注（Nadal等人，2025年），以促进物理上一致的预测。

尽管取得了这些进展，但仍存在一个关键瓶颈：如何在拓扑鲁棒性和推理效率之间取得平衡。许多数据驱动的TSA预测器仍然对拓扑变化敏感，因为它们隐含地假设了一个固定的图，并学习了在电网重新配置后不会转移的、特定于位置的相关性（例如，N-k contingency情况）（Gupta等人，2019年；Wu等人，2021年；Yin和Varga，2025年）。实际上，由于网络切换/重新配置、分布式能源资源（DERs）的整合、线路故障、维护操作和网络扩展等原因，电网拓扑变化非常普遍。因此，在保持快速推理的同时提高在拓扑变化下的泛化能力对于实时情境感知和紧急响应至关重要（Zamzam等人，2025年；Falconer和Mones，2023年）。尽管动态图方法（例如TAGCN、GS-STGCN）和图变换器变体可以明确地建模变化的拓扑，但它们通常会产生大量的计算开销和延迟，这可能与保护和快速控制回路的毫秒级要求相冲突（Du等人，2017年；Zhang等人，2024年）。为了减轻由拓扑变化引起的领域差异，最近的研究还探索了迁移学习和对比学习（Zhou等人，2024年）。然而，这些方法中的许多依赖于在线微调或测试时的适应（Zhao等人，2024年；Han和Chen，2024年），这在目标标签不可用且需要快速故障决策时计算成本高昂且不切实际。

为了解决这些挑战，本文提出了一种基于动态图嵌入的监督对比学习（DGE-SCL）框架。该方法通过将原始PMU测量值转换为对拓扑结构具有鲁棒性的特征空间来注入物理启发式的归纳偏差，并通过训练时的数据增强和监督对比学习进一步提高泛化能力。与传统的GNN不同，后者通常通过迭代消息传递将拓扑嵌入与任务学习混合在一起，这往往伴随着非平凡的计算成本，DGE明确地将物理连接性的编码与下游识别目标分开。具体来说，通过解决一个受网络守恒原理激发的类泊松方程，DGE将测量值映射到一个紧凑的、节点级的特征空间中，该空间反映了系统的瞬态应力分布，从而减少了对拓扑变化的敏感性。主要贡献总结如下：

• 1.
  开发了一种新的物理感知动态图嵌入（DGE）方法，该方法将瞬态PMU测量值与电网的拓扑结构一起编码为降维的图嵌入。这种表示有效地捕捉了时间瞬态动态和拓扑互连性，同时在不同的系统配置下保持了强烈的特征对齐。
• 2.
  引入了一种定制的数据增强策略，以考虑电力系统数据的独特特性。通过注入扰动和变化，该方法减轻了特定于电网拓扑的偏差，提高了模型的泛化能力，并在运行条件变化时增强了训练的鲁棒性。
• 3.
  提出了一种统一的基于DGE的监督对比学习（DGE-SCL）框架，该框架利用DGE的时变模式和监督对比学习进行瞬态稳定性预测（TSP）。这种设计促进了有效的特征聚类和对齐，从而在电网拓扑变化下提高了分类准确性和鲁棒性。

本文的其余部分组织如下。第2节介绍了DGE的构建。第3节详细介绍了DGE-SCL的架构和训练过程。第4节报告了N-1 contingency实验和对比基线。第5节评估了该模型在更大电力系统中的性能。第6节总结了本文并概述了未来的研究方向。

部分摘录

物理感知动态图嵌入

为了使模型对电网拓扑变化具有鲁棒性，将结构数据纳入输入是必不可少的。然而，原始图信息本质上是稀疏且高度耦合的；直接将其作为输入会导致显著的计算冗余和延迟，使得模型过于复杂，无法用于实时推理。因此，本研究采用了一个简化的物理模型作为先验知识结构，以规范高度非线性的测量数据。

使用SCL进行特征聚类和稳定性预测

如图1所示，所提出的DGE-SCL框架通过物理信息表示学习提供了一个统一的流程来增强瞬态稳定性预测（TSP）。核心思想是通过物理指导的特征构建和训练时的正则化来提高准确性和鲁棒性，而不是依赖于越来越复杂的网络架构。因此，我们采用了一个轻量级的基于CNN的底层（一个编码器后接一个MLP分类器）来优先处理

在电网拓扑变化下的瞬态稳定性评估

N-1标准要求即使在正常运行条件下任何系统组件（如输电线路、发电机或变压器）断开连接，系统也能继续运行并保持电力供应（Glanzmann和Andersson，2006年）。使用IEEE 39节点系统对DGE-SCL模型进行了严格评估，以验证其有效性。为了预测不同电网拓扑下的电力系统的瞬态稳定性，生成了电力系统的数据集

大型电力系统

还生成了对应的D0、T1和T2数据集，用于测试DGE-SCL模型在大型IEEE 145节点电力系统上的性能。该系统具有145个节点、453条线路/变压器和50台机器。生成电网拓扑数据的方法与IEEE 39节点电力系统相同，但边数从4增加到40条，表明系统的结构变化显著增大。如表7所示，所提出的方法的优势在于

结论

本文提出了一种物理感知动态图嵌入（DGE）方法和基于DGE的监督对比学习（DGE-SCL）框架，以解决在电网拓扑变化下的瞬态稳定性评估中的泛化问题。通过建立基于泊松型网络方程的物理信息映射，DGE有效地将结构连接性的编码与瞬态动态的学习分离，从而转化了复杂的电网拓扑变化

CRediT作者贡献声明

刘子健：撰写——原始草稿、可视化、验证、方法论、调查、形式分析、数据整理。陈欣：撰写——审阅与编辑、撰写——原始草稿、方法论、资金获取、形式分析、概念化。李庚峰：撰写——审阅与编辑。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作部分得到了国家自然科学基金（授权号：21773182（B030103）、中央高校基本科研业务费（授权号：xtr052024009以及西安交通大学HPC平台的支持。