电力系统动态仿真有了快速替身：Chronos-2微调后误差低于传统AI模型，推理快563倍
核心概要
预训练时间序列基础模型Chronos-2被检验能否替代电力系统动态仿真。在IEEE 9节点系统的1800个负荷扰动样本上，检索增强的上下文学习优于随机选取参考样本，微调后的Chronos-2在178个留出样本上误差低于传统时空图神经网络基线，加入功率平衡正则后除电压相角MAE外各项指标进一步改善。其推理耗时35.5毫秒，比ANDES物理仿真的20秒快563倍。
深度剖析
预训练时间序列基础模型可以直接承担扰动后电力系统轨迹仿真，而不必为每个系统从头训练专用模型。 此前的机器学习替身通常针对特定系统和运行条件定制，通用时间序列基础模型能否复现多节点系统受物理约束的动态尚未得到验证。 在IEEE 9节点系统、六类负荷扰动共1800个样本上，微调后的Chronos-2在178个留出样本上的电压幅值、电压相角、频率和频率变化率误差均低于条件时空图神经网络基线。
把电网物理写进微调目标，能让基础模型的点预测和概率预测同时更准。 标准微调沿用预训练时的多分位数损失，物理微调在此基础上加入由交流潮流方程算出的有功与无功功率平衡残差惩罚。 物理微调版在除电压相角MAE外的所有报告指标上优于标准微调版，其中电压相角CRPS为0.198、频率CRPS为0.037、频率变化率CRPS为0.028，而标准微调对应为0.235、0.039和0.030。
基础模型的预训练权重本身构成一个有用的起点，而不是可有可无的初始化。 为分离预训练的作用，同一Chronos-2架构用相同配方但随机初始化权重重新训练。 随机初始化的对照实验在所有尝试中都未能收敛，而微调后的Chronos-2在留出集上优于从零训练的传统AI模型。
启示与展望
结论的演示范围是IEEE 9节点系统（三台发电机、九个节点、六个负荷点）上的负荷类扰动，数据由ANDES生成，模型为开源Chronos-2，测试集为178个留出样本；更大系统、跨拓扑与跨扰动泛化以及电力系统专用基础模型被列为后续工作。
物理微调相对标准微调的提升在电压相角MAE上并不成立，两者差异很小；随机初始化对照在所有尝试中未收敛，这一结果本身未给出收敛判据的细节；所有结论来自单一系统与单一模型。