用基础模型预测电力系统动态轨迹

随着电力系统向高比例可再生能源与逆变器主导的运行方式转型，精确的时域动态分析变得日益关键。此类分析支撑多项关键运行任务，包括暂态稳定评估、动态安全分析、预想事故筛选与故障后轨迹评估。在实践中，这些任务面临若干挑战，包括未知且时变的系统参数、数据共享的隐私约束，以及对快速在线推理的需求。现有基于学习的方法通常针对单一系统训练，因此缺乏跨运行工况与物理参数的泛化能力。因此，本文提出LArge Scale Small ODE（LASS）-ODE-Power，一个面向通用时域预测的学习框架。所提方法利用对超过40 GB微分代数方程（DAE）或常微分方程（ODE）轨迹的大规模预训练来学习可迁移表征。所得模型支持从短测量前缀出发、覆盖包括机电系统与逆变器驱动系统在内的多种动态模式的轨迹预测。因此，该模型可在零样本设定下直接使用，无需共享数据。此外，所提架构引入并行与线性化计算以实现快速推理。而且，为增强在电力系统任务上的针对性性能，基于约1 GB异构电力系统动态数据开发了专门的微调策略。在多种电力系统仿真场景上的大量实验表明，LASS-ODE-Power在轨迹预测精度上持续优于现有基于学习的模型，同时保持高效推理。