随着新型电力系统向"双高"特征演进，电力系统仿真技术正面临前所未有的挑战与机遇。四川大学电气工程学院高仕林副研究员团队创新提出的融合多专家微分神经网络的电磁暂态动态等值方法，为解决新能源主导型电力系统的精确仿真提供了突破性解决方案。该方法通过机理-数据融合驱动的新型建模架构，实现了对复杂电力系统动态特性的精准刻画，为电力系统安全稳定运行提供了重要技术支撑。
近年来，电力系统已演化为以新能源为主体的新型电力系统，电源结构由常规电源为主向新能源发电装机占主导转变，电网形态由传统电网转变为交直流混联大电网的高比例电力电子系统。这种结构性变革使得电力系统动态特性更加复杂，对仿真技术提出了更高要求。
新型电力系统具有传输距离远、传输容量大、可连接孤岛和弱交流系统、独立调节有功和无功、实现异步联网、支持多端直流等显著特点。这些特点在提升电网灵活性的同时，也带来了暂态特性分析难度加大的问题。传统机电或机电-电磁混合仿真难以准确刻画新型电力系统的暂态特性，系统暂态特性研究越来越依赖电磁暂态仿真。
在电力系统中有很多动态元件，进行电磁暂态仿真的基础是对元件进行建模。然而，面对新型电力系统区域等值、复杂动态元件建模时，如何构建精确电磁暂态模型成为行业痛点。模型结构难以构建、准确参数难以计算和测量、模型维数高等问题，长期困扰着电力系统电磁暂态仿真。针对这些挑战，数据驱动电磁暂态等值建模应运而生，其核心思路是针对新型电力系统设备及区域微秒级动态的电磁暂态模型难以被精准建立的问题，构建机理-数据融合驱动的建模架构，利用端口量测数据建立数据驱动代理模型，完成待建模元件动态特性的精准刻画。
团队通过大量实验验证表明，基于MMOE-DAE神经网络构建的区域等值模型在大扰动测试中表现出色，均方误差仅为2.23×10^-3，平均误差为3.68×10^-2，较传统方法精度提升显著。这一突破性进展为电力系统大扰动稳定分析提供了可靠的技术支撑，也为后续更复杂的仿真场景奠定了基础。
传统神经网络模型只能以固定步长输出离散预测，且推理精度受限于训练数据的采样率，这严重制约了其在电力系统仿真中的应用。针对这一局限，研究团队创新性地采用基于微分神经网络的连续域建模方法，基于任意固定采样频率的离散数据，获取能够反映系统元件连续动态特性的数据模型，实现了变步长输出能力。
随着系统运行工况变化，元件的动态响应特性可能存在较大差异。单体微分神经网络的表达能力受限，基于单个微分神经网络的动力学建模可能存在特征冲突。为此，团队采用门控多专家混合模型(MMOE)，基于微分神经网络构建多个并行的微分专家网络，并改进MMOE中塔结构，形成高阶微分神经网络，显著提升了元件多场景动力学建模能力。
在复杂元件等值场景下，传统微分神经网络采用一阶动态计算可能难以表达高维动态。研究团队提出了一种动态元件阶数自适应识别方法，在塔结构中设计若干独立的积分路径，每条路径对应一种可能的系统阶数。该方法根据端口电流误差，自适应识别最优的等效元件建模阶数，解决了高阶动态准确求解的难题。
在神经网络参数训练方面，团队提出了基于伴随灵敏度的参数训练方法。与传统基于梯度反向传播的模型参数更新策略相比，该方法只需保留神经网络中初始和最终状态，实现了内存占用的大幅减少，并有效减小数值梯度计算的舍入误差。实际应用表明，该方法在电磁暂态仿真模型步长小、采样点密集的场景下，能够减少超过40%的内存占用，同时提高训练效率。
实验数据显示，MMOE-DAE(8)模型在稳态、单重故障、连锁故障和恢复过程等不同工况下的平均绝对误差(MAE)分别为2.46×10^-3、2.23×10^-3、2.40×10^-3和6.84×10^-3，显著优于传统DAE模型的表现。这一数据充分证明了多专家微分神经网络在电力系统动态建模中的显著优势。
EMTP程序将每个元件等效为诺顿等效电路，但数据驱动元件与机理模型的计算模式存在本质差异。如何设计有效接口，将数据驱动元件嵌入EMTP程序进行联合仿真成为关键技术挑战。研究团队创新性地将多专家混合网络的输入输出设计为类EMTP计算模式，根据上一时刻电压电流推理计算得到等效注入电流和等效阻抗，再根据现有EMTP仿真计算步骤进行计算。
具体实现包括五个关键步骤：首先计算等效元件与电流相关的状态变量，使用公式x(t+Δt)=x(t)+Δt/2(ξ_ade(x(t))+ξ_ode(x(t+Δt)))进行状态更新；然后推断替代元件的电流i(t+Δt)=Φ_ae(x(t+Δt),î(t),v̂(t),ẑ(t))；接着计算节点的注入电流I(t+Δt)=[I_eql(t+Δt)+I_gm(t+Δt)]；再计算系统节点电压GV(t+Δt)=I(t+Δt)；最后计算支路电流I_ij(t+Δt)=G_ij(V_i(t+Δt)-V_j(t+Δt))。这一完整的计算流程确保了数据驱动元件与传统机理模型的无缝集成。
在仿真实现方面，团队基于CloudPSS电磁暂态云仿真平台，开发了支持基于Python的元件接入机制。将多专家微分神经网络封装为一个元件接入电磁暂态仿真，计算过程支持灵活的CPU/GPU调度。接口实现包括元件电流推理模块(MMOE-DAE)、等效电流和阻抗模块，能够实时推导数据驱动元件的电流并注入系统，实现高效联合仿真。
针对数据驱动元件的计算复杂度问题，团队通过前向传播的神经元计算图分析前向计算复杂度，并通过增加等值区域中元件数量对比两种模式下的计算复杂度增长。研究结果表明，在元件数量多、复杂度高时，数据驱动建模具有明显优势。当系统规模达到一定水平时，数据驱动方法的计算效率比传统方法提升约35%，这为大规模电力系统仿真提供了新的技术路径。
在IEEE 39节点系统的大扰动测试中，基于MMOE-DAE神经网络构建的区域等值模型表现出卓越的性能。仿真结果显示，所提模型在单一故障过程中的均方误差为2.23×10^-3，平均误差为3.68×10^-2。在多重故障全过程中，MMOE-DAE(8)模型在稳态、单重故障、连锁故障和恢复过程的平均绝对误差均显著低于对比模型，证明了该方法在复杂故障场景下的适用性。
变步长计算测试是验证模型实用性的关键环节。传统电磁暂态仿真模型能够根据仿真需要灵活调整仿真步长，而传统网格化神经网络需针对不同仿真步长训练针对性模型，建模代价高昂。利用基于神经ODE在连续空间建模的能力，研究团队构建了训练数据步长与仿真步长不一致场景。测试结果表明，在改变步长仿真中，基于MMOE-DAE所形成模型的误差相较于现有方法MAE误差减少20%以上，展现了优异的适应性。
在新能源并网系统宽频振荡测试中，团队构建了针对风机机组的微分神经网络等值模型，将风速作为外部输入扰动进行宽频振荡仿真验证。数据驱动模型能够精确仿真系统的宽频振荡过程，实现了对新型电力系统振荡分析的有效支撑。具体数据显示，MMOE-DAE(8)模型在风机等值模型仿真结果中振荡分量幅值偏差仅为5.22%，显著优于其他对比模型。
针对数据驱动模型在长周期仿真中的误差累积问题，团队基于高比例可再生能源电力系统建立了LCC-HVDC的数据驱动等值模型，并在仿真中设置直流换相失败以分析系统频率稳定性。测试结果表明，基于MMOE-DAE网络的等值模型在80秒周期内，最大频率偏差仅为0.00017 Hz，证明了该方法在长周期仿真任务中的可靠性和稳定性。
以上就是关于电力系统电磁暂态仿真技术发展的全面分析。四川大学研究团队提出的融合多专家微分神经网络的动态等值方法，通过机理-数据融合驱动的新型建模思路，成功解决了新型电力系统仿真中的多个技术瓶颈。从多专家微分神经网络的创新架构到机理-数据联合仿真接口的精心设计，从动态元件阶数自适应识别到基于伴随灵敏度的参数训练方法，这一系列技术创新为电力系统仿真领域带来了新的突破。
实验验证表明，该方法在交流系统大扰动测试、变步长计算、新能源宽频振荡仿真以及交直流电网频率稳定测试等多个场景下均表现出优越性能，为新型电力系统的安全稳定运行提供了可靠的技术支撑。随着人工智能技术与电力系统仿真的深度融合，数据驱动电磁暂态建模必将迎来更广阔的发展前景，但在数值稳定性、计算效率、可迁移性等方面仍需持续探索和完善。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
