TuneBench：为电力系统动态模型校准对人工智能智能体做基准测试

TuneBench：为电力系统动态模型校准对人工智能智能体做基准测试

Andrea Pomarico，单位：意大利米兰理工大学能源系，电子邮箱 andrea.pomarico@polimi.it Salvatore Tessitore，单位：意大利罗马 Terna Rete Italia S.p.A. 系统工程部，电子邮箱 salvatore.tessitore@terna.it Giorgio Giannuzzi，单位：意大利罗马 Terna Rete Italia S.p.A. 系统工程部，电子邮箱 giorgio.giannuzzi@terna.it Alberto Berizzi，单位：意大利米兰理工大学能源系，电子邮箱 alberto.berizzi@polimi.it

摘要

基于大语言模型（LLM）的智能体可以通过与工具交互、解释反馈并作出迭代决策，来自动化复杂的工程工作流。本文提出 TuneBench，一个用于评估智能体式人工智能在电力系统动态模型校准中的基准。在该任务中，控制器参数被调整，以复现目标动态响应。该基准反映输电系统运营商（TSO）的一种常见做法：当专有模型不可得时，用于动态安全评估（DSA）的等值模型要对照并网规范符合性试验的测量进行校准。本文考虑复杂度递增的两个案例：同步发电机的调速器和自动电压调节器（AVR），以及电池储能系统（BESS）的控制系统。两者都在 15 次仿真的预算内，对照有功功率和电压阶跃试验进行调参。基于 LLM 的智能体在 10 次独立运行中与随机搜索和遗传算法（GA）基线比较。只有最先进的模型 Opus 5.5 和 GPT-6 准确复现了全部目标轨迹，每一次试验的中位 R^{2} 都高于 0.995，跟踪误差比基线低最多两个数量级。智能体日志表明，这些智能体自主提取动态性能指标，例如稳定时间和阻尼，并把它们与特定控制参数联系起来，把调参问题分解成物理上可解释的子问题。该基准公开于 https://github.com/Power-Agent/PowerAgentBench/tree/main/benchmarks/dynamic/level3。

索引术语：

智能体式人工智能，动态模型校准，动态安全评估，LLM，电力系统动态。

I 引言

近年来，输电系统运营商（TSO）越来越多地把动态安全评估（DSA）纳入能量管理系统（EMS），用时域仿真补充稳态偶然性分析 [1]。潮流分析评估偶然事件后运行状态是否可行，动态仿真则捕捉关键变量的暂态演变，包括频率、电压以及有功和无功功率。基于逆变器的资源（IBR）渗透率上升，进一步提高了对快速控制动态建模的重要性 [2]。电磁暂态（EMT）仿真提供更多细节，但其计算要求限制了它们在大规模运行研究中的应用。因此，DSA 主要依赖相量域（RMS）仿真，在精度和计算效率之间取得平衡 [3]。这些分析的可靠性强烈取决于底层动态模型的精度 [4]。由于专有模型和控制参数并不总是向 TSO 披露，等值模型常常需要利用并网规范符合性试验和投运试验的测量来建立并校准，这些试验包括有功功率、无功功率和电压控制试验。然后迭代调整模型参数，使仿真轨迹与测量轨迹之间的偏差最小，方式可以是人工调整，也可以是遗传算法 [5] 和卡尔曼滤波 [6] 等优化技术。 尽管已有校准方法，这一过程仍然严重依赖有经验的工程师来识别相关参数、解释其影响并改进模型。

智能体式人工智能的最新进展使语言模型能够执行代码、与外部工具交互，并根据反馈调整决策，因而有望用于多步骤的电力工程工作流。已有研究考察了 LLM 在电力市场投标 [7]、机组组合与调度 [8]、最优潮流 [9, 10] 和电网控制 [11] 中的应用，以及更广泛的电力系统应用 [12, 13]。然而，许多方法处理的是单项任务，而不是完整的工程工作流。最近，已有智能体框架被开发用于配电网分析 [14] 和复杂的电力系统问题 [15]。这一兴趣也反映在 PowerAgent 社区 [16] 及其基准 PowerAgentBench-SS [17] 和 PowerAgentBench-Dyn [18] 上，它们分别针对稳态研究和动态研究。类似地，RestoreBench 处理潮流不收敛的恢复 [19]。

本文提出 TuneBench，一个用于评估智能体式人工智能在电力系统动态模型调参中的基准。它评估基于不同 LLM 的智能体完成如下任务的能力：这些任务需要工程知识、对动态响应的解释，以及与仿真工具的迭代交互。与单步方法不同，智能体必须根据仿真反馈自主选择并调整模型参数。本文的主要贡献是：

• 一个用于基于智能体的动态研究的一般评估框架，定义观测、动作、仿真器反馈、约束和性能指标。

• 一个受实际 TSO 工作流启发的动态模型调参基准，要求智能体识别相关控制参数，并对照参考动态响应校准模型。

• 对不同基于 LLM 的智能体与随机搜索和基于遗传算法（GA）的优化所作的比较评估，同时考虑调参精度和计算要求。

II TuneBench 框架

我们把每一项基准任务表述为一个交互环境

\mathcal{T}=(\mathcal{O},\mathcal{A},\mathcal{E},\mathcal{C},\mathcal{G},\mathcal{M}),

(1)

其中 \mathcal{O} 表示观测空间，\mathcal{A} 表示动作空间，\mathcal{E} 表示仿真环境，\mathcal{C} 表示用户定义的和工程上的约束，\mathcal{G} 表示隐藏的真实值或评估机制，\mathcal{M} 表示一个可选的语义记忆组件。在每一步 t，智能体收到观测 o_{t}\in\mathcal{O}，选择动作 a_{t}\in\mathcal{A}，并通过仿真器或工具反馈得到新观测 o_{t+1}。这一过程持续到产出最终解，或预算耗尽。

参数搜索空间被有意设为不受限制，允许智能体根据参数的物理含义及其对动态响应的影响，自主识别并修改任何可访问的模型参数。由于该基准采用文献中有文档的模型，参数说明帮助智能体识别控制设定与电气变量（例如有功功率和电压）之间的关系。因此，参数选择成为被评估的推理过程的一部分，而不是被预先规定。尽管如此，智能体交互仍然受一份机器可读文件中写明的工程约束约束，包括允许的事件修改、仿真预算、受保护文件和报告要求。这一做法在保证受控且可复现的评估的同时，保留智能体的自主性。

如图 1 所示，该框架遵循四项原则：

1. 以工具为根据的评估：智能体与仿真和分析工具交互，把决策落实在可执行的工程工作流中。

2. 多轮决策：任务要求迭代动作，并根据仿真反馈调整，而不是单步回答或预定义脚本。

3. 工程约束护栏：智能体动作必须遵守仿真预算、受保护文件限制和用户定义的要求。

4. 面向结果的评估：性能通过与工程相关的结果来度量，包括诊断精度、波形一致性和运行时间。

图 1：所提出的 TuneBench 框架概览。

II-A 任务描述

电力系统动态研究考察对扰动的时域响应，扰动例如故障、设备停运、频率事件和控制动作。应用包括暂态稳定和电压稳定、频率响应、振荡阻尼、动态模型验证，以及故障穿越评估。这些研究通常使用 PSS/E、DIgSILENT PowerFactory、PSCAD 和 ANDES 等仿真工具进行 [20]。

TuneBench 处理对照目标轨迹的动态模型校准，复现一种实际的 TSO 工作流：用于 DSA 的模型利用并网规范符合性试验的测量来调参。传统上，有经验的工程师迭代调整控制参数，使仿真响应与测量响应匹配。在所提出的基准中，这一过程由人工智能智能体完成。它自主配置并运行仿真，取回并存储结果，比较仿真轨迹与目标轨迹，并根据观察到的偏差选择参数更新。该过程持续到达成令人满意的一致，或仿真预算耗尽。

II-B 评价指标

为评估调参精度，TuneBench 采用两个互补指标：均方根误差（RMSE），它度量仿真轨迹与目标轨迹之间的偏差；以及决定系数（R^{2}），它评估仿真在多大程度上复现了目标响应的变异。

给定目标轨迹的 N 个样本 y_{i} 和仿真响应 \hat{y}_{i}，RMSE 定义为

\mathrm{RMSE}=\sqrt{\frac{1}{N}\sum_{i=1}^{N}\left(y_{i}-\hat{y}_{i}\right)^{2}},

(2)

其中较低的值表示更好的一致。决定系数由下式给出

R^{2}=1-\frac{\sum_{i=1}^{N}\left(y_{i}-\hat{y}_{i}\right)^{2}}{\sum_{i=1}^{N}\left(y_{i}-\bar{y}\right)^{2}},

(3)

其中 \bar{y} 是目标值的均值。R^{2} 接近 1 的值表示对目标响应的复现更接近。这两个指标合在一起，既刻画拟合误差，也刻画与所观测动态的一致性。

如表 I 所总结，开源仿真器 ANDES 通过专用工具函数接入。智能体执行动态仿真，取回波形和诊断，用 RMSE 和 R^{2} 评估偏差，并更新相关模型参数。这一迭代过程持续到目标响应被充分复现，或达到最大仿真次数。

表 I：TuneBench 基准的配置。

III 数值结果

两个基准案例都在 ANDES 中建立。被测设备通过一条线路连接到无穷大母线，初始运行于 P_{0}=0.5 pu 和 V_{0}\approx 1 pu。并网规范为发电单元规定了范围很宽的符合性试验；其中，本文选择两种最常见的试验来定义目标行为：

• 试验 P（有功功率控制）：有功功率参考在 t=5 s 时从 0.5 阶跃到 0.7 pu，在 35 s 回到 0.5 pu，在 65 s 降到 0.2 pu，并在 95 s 回到 0.5 pu。

• 试验 V（电压控制）：电压参考在 t=5 s 时从其初始值阶跃到 0.97 pu。

目标参数组并不打算给出最优的或符合并网规范的动态响应。它们被设计来测试智能体的推理。如果把标准 IEEE 和 WECC 模型的默认参数用作目标，LLM 可以从对文献的先验知识中回忆它们，从而不与仿真器作任何真正交互就到达解。因此目标参数被故意移离标准值，即使代价是次优响应，这样智能体必须根据观察到的偏差，以及它对每个参数如何影响动态响应的理解，来推断这些参数。

两项试验按顺序调参。15 次仿真的预算覆盖两项试验，由智能体决定如何在它们之间分配。最后，两次不计入预算的验证运行用完整的已调参数组仿真两项试验，以检查两个控制回路之间的相互作用。GA 和随机搜索被给予 150 次仿真的预算。每种方法执行 10 次独立运行，以计入其随机行为。智能体设置、提示和基线配置见仓库。

本基准公开于 https://github.com/Power-Agent/PowerAgentBench/tree/main/benchmarks/dynamic/level3

III-A 同步发电机调参

第一个案例涉及同步发电机调速器（IEEEG1）和 AVR（ESST1A）的调参。图 2 报告 10 次运行上 RMSE 和 R^{2} 的分布，图 3 把每种方法的最佳运行与目标轨迹比较。在试验 P 中，初始模型已经到达有功功率参考，但其响应比目标慢，尤其是在下降阶跃期间。这使试验 P 成为该基准中最容易的任务。Sonnet 5、GPT-5.6 和 GA 都达到高于 0.998 的 R^{2}，中位 RMSE 在 5.5\times 10^{-3} 与 6.9\times 10^{-3} pu 之间，而 Opus 5.5 和 GPT-6 得到最低误差（1.8\times 10^{-3} 和 1.5\times 10^{-3} pu，R^{2}=0.9999）。随机搜索（R^{2}=0.951）和 Haiku 4.5（R^{2}=0.779）表现最差，Haiku 4.5 的最佳运行稳定在大约 0.55 pu 而不是 0.7 pu，也就是说，它甚至比初始模型更差。

试验 V 的区分度高得多。初始模型表现出慢得多的电压响应，并稳定在大约 0.92 pu 而不是 0.965 pu，因此 AVR 的动态和稳态行为都必须被纠正。Opus 5.5 和 GPT-6 在几乎所有运行中都几乎精确地恢复目标，中位 RMSE 低于 10^{-5} pu，R^{2}=1。Sonnet 5 达到 0.991 的中位 R^{2}，但离散很大：它的一些运行找到精确解，另一些则没有。GPT-5.6、GA 和随机搜索限于 0.89 到 0.94 之间的 R^{2}（RMSE 为 3.2–4.3\times 10^{-3} pu），而 Haiku 4.5 未能完成该任务（R^{2}=0.03）。

图 2：发电机调参：有功功率（试验 P）和电压（试验 V）控制试验在 10 次运行上 RMSE 和 R^{2} 的分布。

图 3：发电机调参：每种方法得到的最佳响应与目标和初始模型的比较，上为试验 P，下为试验 V。

III-B BESS 调参

BESS 由 WECC 通用模型 REGCA1（变流器接口）、REECA1（电气控制）和 REPCA1（电厂级控制）表示。在两项试验中，参考阶跃都施加到电厂级控制器 REPCA1。与发电机相比，这一案例难得多，并清楚地把方法分成两组（图 4 和图 5）。

在试验 P 中，初始模型几乎瞬时跟踪有功功率参考，而目标呈现较慢的斜坡，并且在稳态达不到参考（大约是 0.65 和 0.25 pu，而不是 0.7 和 0.2 pu）。只有 Opus 5.5 和 GPT-6 稳定地恢复这两个特征，中位 RMSE 为 3.6\times 10^{-4} 和 4.1\times 10^{-4} pu，也就是比随机搜索（4.7\times 10^{-2} pu）和 GA（3.4\times 10^{-2} pu）低大约两个数量级，中位 R^{2}\simeq 1。GA 复现了较慢的斜坡，但仍然稳定在参考值；Sonnet 5 和 GPT-5.6 只比基线略有改进（R^{2}\approx 0.97）。Haiku 4.5 比随机搜索更差（R^{2}=0.705），因为它的最佳解仍然接近初始模型。

在试验 V 中，初始模型表现出过阻尼的电压响应，而目标表现出轻阻尼振荡，智能体必须同时复现其频率和阻尼。只有 Opus 5.5 和 GPT-6 成功。Opus 5.5 精度最好，中位 RMSE 为 6.6\times 10^{-5} pu，R^{2}=0.99997，大约比 GPT-6（7.0\times 10^{-4} pu，R^{2}=0.996）好一个数量级。其余所有方法的 R^{2} 都低于 0.8。它们收敛到过阻尼响应，或者在 GA 的情形中，收敛到与参考不匹配的稳态电压。

图 4：BESS 调参：有功功率（试验 P）和电压（试验 V）控制试验在 10 次运行上 RMSE 和 R^{2} 的分布。

图 5：BESS 调参：每种方法得到的最佳响应与目标和初始模型的比较，上为试验 P，下为试验 V。

III-C 计算成本

墙上时钟运行时间按 10 次运行总结于表 II。表中为发电机和电池储能系统分别给出中位数、最小值和最大值，单位是分钟。执行时间的很大一部分与仿真之间的推理有关。Opus 5.5 对发电机的中位时间为 22.1 分钟，对 BESS 为 67.5 分钟，各次运行差异相当大（29–114 分钟），表明推理努力随任务复杂度增加。GPT-6 在精度和计算时间之间提供最有利的平衡，达到与 Opus 5.5 相当的性能，发电机和 BESS 的中位运行时间分别为 17.6 和 21.7 分钟。相反，Haiku 4.5 和 GPT-5.6 等更快的模型没有达到相当的调参精度。

表 II：10 次运行中每次运行的墙上时钟运行时间［分钟］。

IV 讨论

只有最先进的模型 Opus 5.5 和 GPT-6 在 15 次仿真预算内成功完成整个基准。其余方法主要在最简单的任务、即发电机试验 P 上取得有竞争力的结果，但在更复杂的动态响应上吃力。对智能体日志的分析为这些差异提供了线索。在没有明确指示的情况下，表现最好的智能体独立地从仿真轨迹和目标轨迹中提取常规动态性能指标，包括稳定时间、爬坡率、振荡频率和阻尼。通过把观察到的偏差与相应控制参数联系起来，它们把调参问题分解成更小的、物理上可解释的子问题。这一做法使跟踪误差比 GA 和随机搜索低最多两个数量级，而后两者依赖的是一个标量误差指标。此外，由于目标参数被故意移离其标称值，这些结果表明智能体利用的是系统动态知识，而不是简单地复现默认设定。由此得到的参数调整也有可测量的性能指标支持，使 TSO 工程师能够审查并验证调参过程。

V 结论

本文提出了 TuneBench，一个用于评估智能体式人工智能在电力系统动态模型校准中的基准，反映 TSO 在专有模型不可得时复现所测设备响应的实际需要。考虑了两项调参任务：同步发电机的调速器和 AVR，以及 BESS 的控制系统。在所评估的方法中，只有 Opus 5.5 和 GPT-6 能够在 15 次仿真内准确复现全部目标轨迹，优于其他 LLM 智能体（Haiku 4.5、Sonnet 5 和 GPT-5.6）以及常规的随机搜索和 GA 基线，跟踪误差最多降低两个数量级。未来工作将把该基准从参数校准扩展到动态模型辨识，那时智能体不仅必须确定参数值，还必须确定底层控制结构。

参考文献

[1] Z. Pannell, B. Ramachandran, and D. Snider (2018). Machine learning approach to solving the transient stability assessment problem. In 2018 IEEE Texas power and energy conference (TPEC), pp. 1–6. Cited by: §I. 中文题名：求解暂态稳定评估问题的机器学习方法。著录：2018 年 IEEE 得克萨斯电力与能源会议（TPEC），第 1–6 页。被引用于：第 I 节。

[2] North American Electric Reliability Corporation and Texas Reliability Entity (2021). Odessa disturbance texas events: may 9, 2021 and june 26, 2021. Technical report NERC. Cited by: §I. 中文题名：敖德萨扰动：得克萨斯 2021 年 5 月 9 日和 6 月 26 日事件。著录：NERC 技术报告。被引用于：第 I 节。

[3] J. Ren et al. (2022). Online multi-fault power system dynamic security assessment driven by hybrid information of anticipated faults and pre-fault power flow. International Journal of Electrical Power & Energy Systems 136, pp. 107651. Cited by: §I. 中文题名：由预期故障与故障前潮流的混合信息驱动的在线多故障电力系统动态安全评估。著录：International Journal of Electrical Power & Energy Systems 第 136 卷，文章编号 107651。被引用于：第 I 节。

[4] B. Pinheiro et al. (2025). Evaluation of the impact of IBR on the frequency dynamics in the Brazilian power system. Sustainable Energy, Grids and Networks, pp. 101827. Cited by: §I. 中文题名：评估基于逆变器的资源对巴西电力系统频率动态的影响。著录：Sustainable Energy, Grids and Networks，第 101827 页。被引用于：第 I 节。

[5] G. K. Stefopoulos et al. (2005). A genetic algorithm solution to the governor-turbine dynamic model identification in multi-machine power systems. In Proceedings of the 44th IEEE Conference on Decision and Control, pp. 1288–1294. Cited by: §I. 中文题名：多机电力系统中调速器–汽轮机动态模型辨识的遗传算法解。著录：第 44 届 IEEE 决策与控制会议论文集，第 1288–1294 页。被引用于：第 I 节。

[6] R. Huang et al. (2017). Calibrating parameters of power system stability models using advanced ensemble kalman filter. IEEE Transactions on Power Systems 33 (3), pp. 2895–2905. Cited by: §I. 中文题名：用先进集合卡尔曼滤波校准电力系统稳定模型的参数。著录：IEEE Transactions on Power Systems 第 33 卷第 3 期，第 2895–2905 页。被引用于：第 I 节。

[7] R. Zou et al. (2025). A Large Language Model-Based Agent for Automated Bidding Strategy Generation in Electricity Markets. In 2025 IEEE International Conference on Power and Integrated Energy Systems (ICPIES), pp. 475–480. Cited by: §I. 中文题名：用于电力市场中自动生成投标策略的基于大语言模型的智能体。著录：2025 年 IEEE 电力与综合能源系统国际会议（ICPIES），第 475–480 页。被引用于：第 I 节。

[8] X. Yang et al. (2025). Large language model powered automated modeling and optimization of active distribution network dispatch problems. IEEE Transactions on Smart Grid. Cited by: §I. 中文题名：由大语言模型驱动的主动配电网调度问题自动建模与优化。著录：IEEE Transactions on Smart Grid。被引用于：第 I 节。

[9] Z. Li et al. (2025). OptDisPro: LLM-based multi-agent framework for flexibly adapting heuristic optimal DisFlow. IEEE Transactions on Smart Grid. Cited by: §I. 中文题名：OptDisPro：用于灵活改写启发式最优配电潮流的基于 LLM 的多智能体框架。著录：IEEE Transactions on Smart Grid。被引用于：第 I 节。

[10] F. Bernier et al. (2025). PowerGraph-LLM: Novel power grid graph embedding and optimization with large language models. IEEE Transactions on Power Systems. Cited by: §I. 中文题名：PowerGraph-LLM：用大语言模型做新的电网图嵌入与优化。著录：IEEE Transactions on Power Systems。被引用于：第 I 节。

[11] B. K. Saha, V. Aarthi, and O. Naidu (2025). DrAgent: an agentic approach to fault analysis in power grids using large language models. In 2025 International Conference on Artificial Intelligence in Information and Communication (ICAIIC), pp. 0938–0945. Cited by: §I. 中文题名：DrAgent：用大语言模型对电网做故障分析的智能体方法。著录：2025 年信息与通信中的人工智能国际会议（ICAIIC），第 0938–0945 页。被引用于：第 I 节。

[12] M. Jia, Z. Cui, and G. Hug (2025). Enhancing LLMs for power system simulations: A feedback-driven multi-agent framework. IEEE Transactions on Smart Grid. Cited by: §I. 中文题名：增强用于电力系统仿真的 LLM：一个由反馈驱动的多智能体框架。著录：IEEE Transactions on Smart Grid。被引用于：第 I 节。

[13] L. Xie et al. (2026). Crucial Role of Foundation Models in Enhancing the Interaction of AI and Power Systems: Achieving Integrated Frameworks. IEEE Energy Sustainability Magazine 2 (1), pp. 22–28. Cited by: §I. 中文题名：基础模型在加强人工智能与电力系统交互中的关键作用：达成集成框架。著录：IEEE Energy Sustainability Magazine 第 2 卷第 1 期，第 22–28 页。被引用于：第 I 节。

[14] E. O. Badmus et al. (2027). Powerchain: A verifiable agentic ai system for automating distribution grid analyses. Electric Power Systems Research 262, pp. 113555. Cited by: §I. 中文题名：Powerchain：用于自动化配电网分析的可验证智能体式人工智能系统。著录：Electric Power Systems Research 第 262 卷，第 113555 页。被引用于：第 I 节。

[15] X. Chen et al. (2025). X-GridAgent: An LLM-powered agentic AI system for assisting power grid analysis. arXiv preprint arXiv:2512.20789. Cited by: §I. 中文题名：X-GridAgent：协助电网分析的、由 LLM 驱动的智能体式人工智能系统。著录：arXiv 预印本 arXiv:2512.20789。被引用于：第 I 节。

[16] Q. Zhang and L. Xie (2025). PowerAgent: a road map toward agentic intelligence in power systems: foundation model, model context protocol, and workflow. IEEE Power and Energy Magazine 23 (5), pp. 93–101. Cited by: §I. 中文题名：PowerAgent：通向电力系统中智能体式智能的路线图：基础模型、模型上下文协议与工作流。著录：IEEE Power and Energy Magazine 第 23 卷第 5 期，第 93–101 页。被引用于：第 I 节。

[17] C. Mylonas et al. (2026). PowerAgentBench-SS: A Benchmark for Agentic AI in Power System Steady-State Studies. arXiv. Cited by: §I. 中文题名：PowerAgentBench-SS：电力系统稳态研究中智能体式人工智能的基准。著录：arXiv。被引用于：第 I 节。

[18] Q. Zhang et al. (2026). PowerAgentBench-Dyn: A Benchmark for Agentic AI in Power System Dynamic Studies. arXiv. Cited by: §I. 中文题名：PowerAgentBench-Dyn：电力系统动态研究中智能体式人工智能的基准。著录：arXiv。被引用于：第 I 节。

[19] R. Mansutti, A. Pomarico, R. Jakob, Q. Zhang, A. Berizzi, and K. O’Sullivan (2026). RestoreBench: Can AI Agents Restore Power Flow Convergence?. arXiv preprint arXiv:2609.00384. Cited by: §I. 中文题名：RestoreBench：人工智能智能体能恢复潮流收敛吗？著录：arXiv 预印本 arXiv:2609.00384。被引用于：第 I 节。

[20] H. Cui and F. Li (2018). ANDES: A Python-based cyber-physical power system simulation tool. In 2018 North American Power Symposium (NAPS), pp. 1–6. Cited by: §II-A. 中文题名：ANDES：一个基于 Python 的信息物理电力系统仿真工具。著录：2018 年北美电力研讨会（NAPS），第 1–6 页。被引用于：第 II-A 节。