# 电力系统动态仿真

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。

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。

电力系统动态仿真中，物理信息神经网络受多层感知机的频谱偏置限制，难以刻画机电振荡，而基于B样条的物理信息Kolmogorov-Arnold网络训练代价高。mac-PIKAN把线性化摇摆方程的闭式模态响应作为固定项嵌入试解，再用切比雪夫基的KAN学习一个初始时刻为零的非线性修正，从而精确满足初始转子角与转速。在单机无穷大母线基准上，其转子角与频率平均误差为0.29%和0.99%，低于PINN的1.59%和5.26%，并在更少训练数据和更低阻尼下保持优势。

电力系统动态仿真中，物理信息神经网络受多层感知机的频谱偏置限制，难以刻画机电振荡，而基于B样条的物理信息Kolmogorov-Arnold网络训练代价高。mac-PIKAN把线性化摇摆方程的闭式模态响应作为固定项嵌入试解，再用切比雪夫基的KAN学习一个初始时刻为零的非线性修正，从而精确满足初始转子角与转速。在单机无穷大母线基准上，其转子角与频率平均误差为0.29%和0.99%，低于PINN的1.59%和5.26%，并在更少训练数据和更低阻尼下保持优势。