一种用于超越事后故障依赖的实时多域稳定性边界预测的 LSTM 架构

在更脆弱的电网中保持照明不断

随着电网接入越来越多的风电和光伏电站并在更接近极限的状态下运行，运营人员越来越难判断距离停电有多近。本文提出了一种新的实时监测方法，使用一种人工智能模型读取快速电气测量数据并将其转化为易于理解的健康评分。目标是为控制室人员争取宝贵的额外秒数，在扰动演化为大范围停电之前采取应对措施。

为何电网稳定性变得更难把握

电力系统必须同时维持三项要素：电压、频率，以及旋转发电机保持步调一致的微妙平衡。任何一项出现问题都可能牵连其他项，导致级联故障。传统上，工程师通常分别评估这些稳定性类型，且常常只有在故障发生之后才借助缓慢的仿真或简化的二分规则进行判断。在以可再生能源为主的现代电网中，工况快速变化且容错余地小，这种做法愈发不足以应对现实需求。

用于多重隐性风险的单一安全刻度

作者提出了一个单一的“综合动态安全指数”（CDSI），将若干复杂的稳定性度量压缩为介于 0 到 1 之间的一个数值。该指数融合了扰动后电压恢复情况、发电机转角行为的安全性以及系统频率与危险阈值的远近等方面。接近 1 的值表示电网处于相对安全的状态；接近 0 则预示危险。该指数还划分为五个类别——正常、警报、强风险、紧急和不稳定——以便操作人员根据威胁等级选择相应的措施，而不是依赖粗糙的稳定/不稳定判决。

教会 AI 实时“读懂”电网

为了在问题发生前预测该指数，研究使用了一种针对时间序列设计的神经网络——长短期记忆（LSTM）网络，并与常规深度网络结合。模型无需等待完整的事后故障演化，只需在故障发生前以及发生期间采集的测量值，主要来自已广泛部署的高速传感器（相量测量单元）所在的发电机端子。这些测量包括电压、功率流及其变化速度。在标准测试电网上的大量计算实验中，该系统学会将这些短时段数据映射到 CDSI 类别，准确率超过 98%。

让 AI 预测更易被信任

在控制室里，一个关键顾虑是弄清算法为何发出警报。作者通过加入“注意力”机制来解决这一点，该机制凸显出哪些输入对每次预测影响最大。例如，在主要威胁频率的事件中，模型会自然而然地聚焦于发电机功率的变化；对于电压问题，则更多关注网络薄弱点处快速的电压波动。这使得将警告追溯到具体设备或位置变得更容易，从而提高对系统反映真实物理过程而非像黑箱般运作的信心。

从研究工具走向控制室助手

总体而言，这项工作表明可以将详尽的基于物理的仿真与现代 AI 结合起来，使运行中的电网通过单一、持续更新的稳定性分数被监测。由于模型只需要短时窗口的数据和有限的传感器覆盖，它能够在每个工况下在不到一毫秒内输出结果——足够用于实时应用。对非专业读者而言，结论是这种方法可以为电网运营者提供更清晰的“燃油表”式稳定性读数，让他们在早期采取适度的校正措施，而无需在事后采取剧烈的应急手段，从而在更清洁但更脆弱的电力系统中更好地保持供电。

引用: Shahriyari, M., Safari, A., Quteishat, A. et al. An LSTM architecture for real-time multi-domain stability boundary prediction beyond post-fault dependency in power systems. Sci Rep 16, 6330 (2026). https://doi.org/10.1038/s41598-026-36571-6

关键词: 电网稳定性, 可再生能源并网, 深度学习, 实时监测, 电力可靠性