基于核注意力-Transformer的电力系统惯量估计方法

摘要

针对高比例可再生能源并网的区域互联电力系统惯量估计问题，提出了一种基于Transformer与核注意力网络相结合的新型核注意力-Transformer估计算法，旨在精准高效估计系统区域惯量。首先，构建含可再生能源的区域电力系统动态响应模型；其次，利用Transformer的自注意力机制提取系统动态特征，并结合KAN的核注意力机制替代传统全连接层和softmax层，增强了模型对复杂非线性及强随机性数据的适应性与鲁棒性；最后，通过惯性分布的可视化，实现了惯量变化的实时监测，为系统运行人员提供了直观的决策依据。在改进的Australian 14机59节点系统中进行验证，与传统RNN、LSTM、GRU及Transformer相比，所提的核注意力-Transformer算法在不同仿真背景下，噪声过滤能力和估计精度均有显著提升。同时，惯量分布的可视化结果清晰呈现了系统惯量的时空变化特征，为电力系统的安全稳定运行提供了有力支撑。

关键词

互联区域惯量估计 / 低惯性 / 深度学习网络 / Transformer / KAN / 惯性分布可视化