一、引言

随着“双碳”目标推进与能源转型深化，新型电力系统逐步形成，高比例风电、光伏等可再生能源大规模并网，电力电子设备广泛应用，使得系统惯量降低、动态特性复杂化，暂态稳定性风险大幅提升。暂态稳定性是指电力系统受到大扰动后，各同步发电机保持同步运行并过渡到新稳态的能力，其评估结果直接决定系统运行调控与安全防控措施的制定。

当前，传统暂态稳定性评估方法如时域仿真法、特征值分析法等，依赖精确的系统物理模型与人工特征工程，存在计算效率低、难以适应系统动态变化、评估精度不足等问题，无法满足新型电力系统实时评估、精准防控的需求。深度学习技术凭借自动特征提取、高效数据处理、强泛化能力的优势，为暂态稳定性评估提供了全新路径。在此背景下，开展基于深度学习的新型电力系统暂态稳定性评估研究，优化评估方法、提升评估精度与效率，对保障新型电力系统安全稳定运行、推动能源转型落地具有重要现实意义和实践价值。

二、新型电力系统暂态稳定性评估现状及存在问题

当前，新型电力系统暂态稳定性评估逐步向精准化、实时化方向发展，相关技术与方法不断完善。在评估体系方面，已形成以暂态功角稳定、电压稳定、频率稳定为核心的评估指标体系，明确了评估的基本流程与判据，遵循相关国家标准开展评估工作。在技术应用方面，传统评估方法仍占据主导地位，同时部分研究开始探索数据驱动的评估模式，为深度学习的应用奠定了基础。

但从实际应用来看，暂态稳定性评估仍存在诸多突出问题。一是传统评估方法适应性不足，新型电力系统拓扑结构动态变化、新能源出力波动大，传统方法依赖固定物理模型，难以快速适配系统变化，评估滞后性明显。二是评估精度与效率难以兼顾，时域仿真法精度较高但计算复杂度高，难以实现实时评估；特征值分析法计算高效但精度不足，易出现误判。三是数据利用不充分，新型电力系统产生海量运行数据，但传统评估方法未能有效挖掘数据价值，无法实现多维度特征融合评估。四是深度学习应用不成熟，未能充分发挥技术优势。

三、深度学习在暂态稳定性评估中的应用基础

深度学习技术通过构建多层神经网络模型，实现对数据特征的自动提取与深度挖掘，无需依赖人工特征工程，适配新型电力系统海量数据处理与动态评估的需求，其应用核心在于数据预处理、模型选择与训练优化。数据预处理是基础，需对新型电力系统的PMU数据流、母线电压、相角、功率等运行数据进行清洗、归一化、特征筛选，去除异常数据，构建标准化评估数据集，为模型训练提供可靠支撑。

模型选择需结合评估需求，常用的深度学习模型包括卷积神经网络、循环神经网络、Transformer及其改进模型，不同模型具有不同的应用优势。卷积神经网络适用于提取数据局部特征，可高效处理电力系统时序运行数据；循环神经网络擅长捕捉数据时序依赖关系，适配暂态过程的动态特性；Transformer模型可实现全局特征融合，提升评估精度。模型训练需依托标准化数据集，通过调整网络参数、优化损失函数，提升模型泛化能力与评估精度，确保模型能够适配新型电力系统的动态运行工况，实现精准评估。

四、基于深度学习的暂态稳定性评估优化策略

优化数据预处理流程，提升数据质量。建立新型电力系统运行数据采集机制，全面收集发电机功角、母线电压、线路功率等多维度数据，采用标准化方法进行数据清洗与归一化处理，剔除异常值与冗余数据；通过特征筛选与融合技术，提取与暂态稳定性密切相关的核心特征，减少数据冗余，提升模型训练效率与评估精度，为深度学习模型提供高质量输入数据。

优化深度学习模型构建，提升泛化能力。结合新型电力系统暂态特性，选择适配的模型架构，可采用多模型融合策略，结合不同模型的优势，实现局部特征与全局特征的深度融合；优化网络结构与参数设置，减少模型过拟合现象，提升模型对系统动态变化的适配能力；引入迁移学习技术，利用已有数据训练的预训练模型，快速适配不同运行工况，缩短模型训练周期。

完善评估体系与验证机制，保障评估可靠性。结合相关国家标准，优化暂态稳定性评估指标体系，明确评估判据，实现评估结果的标准化；建立模型验证机制，通过海量系统运行数据与扰动场景对模型进行验证，不断优化模型参数，提升评估精度与可靠性；构建实时评估框架，实现数据采集、特征提取、模型推理、结果输出的全流程自动化，满足新型电力系统实时评估需求。

五、结论

新型电力系统的转型发展使得暂态稳定性评估面临新的挑战，传统评估方法已难以适配系统动态运行与实时评估的需求，深度学习技术为暂态稳定性评估提供了高效、精准的全新路径，是推动新型电力系统安全稳定运行的重要支撑。当前，基于深度学习的暂态稳定性评估仍存在数据预处理不规范、模型泛化能力弱、适配度不足等问题，制约了评估效能的发挥。

基于深度学习的新型电力系统暂态稳定性评估，需以数据预处理优化为基础、模型构建优化为核心、评估体系完善为保障，通过提升数据质量、优化模型架构、完善验证机制，实现评估精度与效率的双重提升，有效适配新型电力系统的运行特性。深度学习与暂态稳定性评估的深度融合，能够充分挖掘系统运行数据价值，突破传统评估方法的局限，实现暂态稳定性的实时、精准评估。

综上，基于深度学习的新型电力系统暂态稳定性评估是一项系统性工程，需结合新型电力系统的发展特点，持续优化评估方法与技术路径，解决现有应用中的突出问题，充分发挥深度学习技术的优势。只有实现暂态稳定性的精准、实时评估，才能为新型电力系统运行调控与安全防控提供科学依据，保障系统安全稳定运行，推动能源转型与“双碳”目标落地实现。

参考文献

[1]索妮,张新宇,呼日查,等.基于物理信息神经网络的新型电力系统暂态稳定性快速评估与失稳机理分析[J].电子制作,2025,33(22):116-120.DOI:10.3969/j.issn.1006-5059.2025.22.027.

[2]卢锦玲,邴守健,何小萌,等.基于演化森林的电力系统暂态稳定性评估[J].电力科学与工程,2025,41(1):32-40.DOI:10.3969/j.ISSN.1672-0792.2025.01.004.

[3]张添,姚骏,杨东,等.含跟网型电源的多馈入系统暂态稳定性评估及影响因素分析[J].电力系统自动化,2025,49(14):31-42.DOI:10.7500/AEPS20241202007.