面向黑箱并网逆变器轻量化稳定性评估的潜特征驱动神经ODE建模
系统与控制
2026-01-13 v1 系统与控制
摘要
黑箱并网逆变器的稳定性评估对电网可靠性至关重要，但现有的辨识技术既需要大量数据，又受到专有内部结构的阻碍。为解决此问题，本文提出一种潜特征驱动的神经常微分方程(LFI-NODE)建模方法，可直接从轨迹数据实现轻量化稳定性评估。LFI-NODE使用单个连续时间神经网络参数化整个系统ODE，允许每个新样本对一个统一的全局模型进行细化。它能精确捕捉非线性大信号动态，从而在逆变器跨越不同工作点时保持一致的预测精度。同时，从每条轨迹中提炼出的潜扰动特征引导学习过程，并同时揭示严格稳定性分析所必需的小信号特征结构。在一台构网型逆变器上的验证表明，LFI-NODE相比传统方法所需训练样本少一到两个数量级，且数据来自短时域轨迹而非大量频域测量。此外，LFI-NODE仅需48段短瞬态即可达到百分位的轨迹预测误差和十分位的特征值估计误差，性能优于基准方法一到两个数量级。这使得LFI-NODE成为对复杂黑箱电力电子系统进行高保真稳定性评估的一种实用且轻量化的方法。
引用
@article{arxiv.2510.09826,
title = {Latent-Feature-Informed Neural ODE Modeling for Lightweight Stability Evaluation of Black-box Grid-Tied Inverters},
author = {Jialin Zheng and Zhong Liu and Xiaonan Lu},
journal= {arXiv preprint arXiv:2510.09826},
year = {2026}
}
备注
6 pages 8fugures