本期推文将介绍一种结合知识驱动和数据驱动的混合算法在电力系统总传输能力（TTC）评估中的应用，这项研究发表于《IEEE Transactions on Power Systems》期刊，主要解决高比例可再生能源渗透下电力系统中的TTC快速评估问题。
荐读的论文提出了一种混合方法，通过结合知识驱动与数据驱动技术，显著提升了TTC评估的效率和准确性。在实验中，该方法不仅保持了传统知识驱动方法的保守性，还利用数据驱动模型加速了迭代过程，展现出卓越的计算性能。
具体来说，论文的创新点主要有以下几点：
1）结合知识驱动与数据驱动的TTC评估框架：该框架通过互相补充的方式，确保了传统知识驱动方法在安全性和稳定性方面的优势，同时利用数据驱动方法加速计算，提高了评估效率。
2）物理驱动的深度神经网络架构：该模型通过物理信息为神经网络提供初始值，并自适应调整迭代步长，有效提升了系统在不同可再生能源渗透水平下的鲁棒性，避免了单纯数据驱动模型的计算不稳定问题。
3）嵌入物理约束的深度学习模型：通过将电力系统中的物理约束（如稳定性裕度）嵌入神经网络，解决了数据驱动模型的“黑箱”问题，提升了模型的可解释性。
这项研究展示了混合算法在电力系统TTC评估中的卓越表现，特别是在高可再生能源渗透的情况下，显著提升了预测精度和系统的适应能力。希望大家能从本期推文中有所收获。
