基于神经网络与物理约束融合的数据驱动逆变型电源动态建模方法及其在电网稳定性分析中的应用

《Nature Communications》：Data-driven dynamic modeling for inverter-based resources using neural networks

为解决高比例可再生能源并网背景下逆变型电源(IBR)动态建模精度不足的难题，研究人员开展了基于长短期记忆网络(LSTM)与物理逆变模型耦合的数据驱动建模研究。提出的LSTMCI模型通过交叉层捕捉非线性特征交互，并利用REGC_A逆变模型强制输出符合物理规律。实测验证表明该模型在风电、光伏及构网型储能场景中均方误差(MSE)降低超90%，能准确捕捉低频振荡等稳定性特征，为高比例新能源电网的暂态稳定评估提供了更可靠的模型基础。

　　

随着全球脱碳进程加速，风电、光伏等可再生能源在电力系统中的渗透率持续攀升，预计到2026年可再生能源将满足全部新增电力需求。这些通过逆变器并网的电源被统称为逆变型电源(IBR)，其快速复杂的动态特性——包括系统惯性降低、电力电子暂态过程迅速、控制策略多样等——给电力系统动态建模和暂态分析带来了巨大挑战。传统基于物理方程的第一、二代通用模型因厂商保密、时间尺度不匹配等问题，难以精确描述IBR的真实动态行为。而纯神经网络模型虽能实现高精度拟合，却可能产生违反物理规律的输出，给电网安全运行带来隐患。

为解决这一难题，浙江大学研究团队在《Nature Communications》发表了创新性研究成果，提出了一种耦合长短期记忆网络(LSTM)与物理逆变接口的数据驱动动态建模方法LSTMCI。该模型通过交叉层(Cross Layer)捕捉变量间非线性交互，并利用REGC_A等通用逆变模型强制输出符合物理规律，在保证精度的同时增强了模型的可靠性。研究团队在包含59节点、6台同步发电机和3类IBR（风电场、光伏电站、构网型储能电站）的实际电网中验证了模型性能。

关键技术方法包括：1）构建LSTM-交叉层-全连接层-逆变模型的串联架构，利用浙江电网实际测量数据（采样频率100Hz，截止频率1Hz低通滤波）进行训练；2）采用均值中心化归一化预处理和交替迭代法将模型嵌入时域仿真器；3）通过多任务学习策略同时预测终端电流和内部物理量，增强模型物理可解释性；4）基于Prony分析量化低频振荡特性，对比厂商模型、默认模型与LSTMCI的稳定性评估差异。

设计原理

LSTMCI模型结构（图1）反映了IBR的物理构成：LSTM处理电压幅值、相角等时序输入，交叉层显式建模变量间非线性交互（如d/q轴变换产生的三角函数关系），全连接层压缩维度后馈入REGC_A逆变模型生成电流指令。该设计使神经网络仅模拟能量转换系统和控制器动态，而电流输出严格受物理逆变模型约束。

测试系统与场景

研究基于中国东南某实际电网（图2）构建测试平台，包含风电（400MW PMSG型）、光伏（500MW）和构网型储能（100MW/200MWh）三类典型IBR。通过四类典型扰动（低压/高压穿越各两种）对比PSD-BPA默认模型与LSTMCI的性能。

模型验证

风电场景中（图3），LSTMCI将整体MAE从5.97%降至2.63%，MSE降低90.9%，尤其准确捕捉了故障后功率恢复动态。光伏场景（图4）中默认模型出现功率恢复过冲，而LSTMCI将MAE降低70.4%。构网型储能测试（图5）显示LSTMCI对无功功率动态的建模精度显著提升，MAE降低73.8%。

时域仿真分析

在G1发电机三相接地故障仿真中（图6），LSTMCI与厂商模型均识别出0.8Hz左右的不稳定振荡模式（阻尼比约-0.4），而默认模型错误判断为稳定模式（阻尼比0.024）。这表明模型精度直接影响稳定性结论的可靠性。

性能对比

连续低压穿越测试（图7a）显示LSTMCI在未训练场景下仍保持高精度（与厂商模型MAE<2.04%），而默认模型误差达13.61%。与TCN、Transformer等模型对比中（图7b），LSTMCI在三类IBR上均取得最低误差。消融实验（图7c）证实交叉层和逆变模型分别贡献了12.3%和8.7%的精度提升。

讨论与展望

该研究突破了物理模型精度不足与纯数据模型物理不一致的双重困境，在5075节点大系统及IBR占比57.8%的系统中验证了模型的扩展性。LSTMCI通过物理约束增强了神经网络的可信度，其并行化架构支持大规模应用（补充说明8）。未来研究方向包括：基于增量学习应对概念漂移、探索参数与物理机制的关联性、提升对测量噪声的鲁棒性。

研究结论表明，LSTMCI为高比例新能源电网的规划运行提供了高精度动态建模工具，其物理约束保障了输出合理性，交叉层增强了非线性动态捕捉能力，在电网安全评估、事故反演等工程应用中具有重要价值。该模型框架的通用性为各类IBR的标准化建模开辟了新途径。