力晶半导体损失约10%生产力、三星西安工厂损失数亿元人民币、台积电核心生产线良品率下降——电压暂降正在以“看不见的方式”吞噬高端制造业的经济效益。肖先勇教授团队研究报告系统梳理了电压暂降分析的三种方法论：模型驱动的分块节点电压方程、数据驱动的改进图卷积网络溯源、联合驱动的物理信息神经网络。从IEEE 123节点到实际585节点配网，溯源准确率的持续提升正在为敏感用户提供越来越可靠的防御屏障。
电压暂降的危害：敏感设备不兼容导致巨大经济损失
电压暂降指电压方均根值突然降低至0.1pu~0.9pu并在10ms~1min后恢复正常的现象，残余电压与持续时间是基本特征量。由于用户内部敏感设备免疫力与电压暂降水平不兼容，电压暂降易造成高端制造业生产中断、生产设备损坏、产品质量劣化。影响行业涵盖半导体制造（光刻机）、石化冶金（压缩机）、精密加工（伺服电机）、生物制药（培养箱）、数据中心（服务器）、交通运输（分拣系统）。典型事件：力晶半导体Fab P1/P2损失约10%生产力；三星电子西安工厂损失数亿元人民币；南京台积电核心生产线良品率下降；台湾新竹科学园3-4万片晶圆生产受影响，经济损失约2.3亿元人民币。电压暂降通常由电力系统故障、电动机启动和大型变压器空载激磁等事件引起。
模型驱动：分区并行迭代计算应对维数灾难
模型驱动方法基于叠加原理与故障分量法求解系统短路电流分布，进而刻画不同节点母线的暂降特征。针对传统线性分析方法不适用于新型电力系统的难题，考虑新能源动态响应特性，建立分块节点电压方程，提出分区并行迭代计算的电压暂降评估方法。模型驱动优势在于物理机理清晰、可解释性强，但面临维数灾难问题——随着新型电力系统规模扩大和新能源接入点增多，计算复杂度急剧上升。
数据驱动：改进图卷积网络实现暂降溯源
针对模型驱动方法依赖系统精确阻抗参数的问题，提出基于改进图卷积网络的暂降溯源方法，无需系统先验信息，提升溯源方法适用性。数据驱动方法通过时空特征融合的暂降状态估计方法挖掘监测数据中的暂降传播规律，估计未监测点暂降特征。算例分析显示：在IEEE 123节点标准测试系统上，对不同故障类型（LG、LL、LLG、LLL）的356组暂降源样本进行追溯，溯源准确率≥82%，优于传统方法；在某实际配网共585节点上，平均溯源准确率≥80%。
联合驱动：物理信息神经网络与工程应用
联合驱动方法基于在线监测数据辨识新能源控制参数，结合迭代计算模型评估暂降水平。提出基于物理信息神经网络的暂降溯源方法，将暂降传播规律作为约束嵌入神经网络，进一步提升溯源准确率。该方法的核心创新在于将物理机理作为先验约束，引导神经网络向物理一致的方向学习，解决了纯数据驱动方法泛化性差的瓶颈。基于理论研究成果，电压暂降分析高级应用功能模块已在国家电网、南方电网上线运行，覆盖20余个省级电网。
