⚡ electrical engineering

Discovering Unknown Inverter Governing Equations via Physics-Informed Sparse Machine Learning

本文提出了一种物理信息稀疏机器学习（PISML）框架，通过融合稀疏符号骨架与神经残差分支，成功从外部测量数据中识别出电网连接逆变器的未知控制方程，在显著提升建模精度的同时将黑盒神经网络转化为可解析的显式数学模型，从而为复杂电力系统的稳定性分析提供了统一且高效的途径。

原作者： Jialin Zheng, Ruhaan Batta, Zhong Liu, Xiaonan Lu

发布于 2026-02-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jialin Zheng, Ruhaan Batta, Zhong Liu, Xiaonan Lu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一种名为 PISML（物理信息稀疏机器学习）的新技术，它的核心任务是：像侦探一样，从外部观察到的数据中，把那些“黑盒子”逆变器（一种把直流电变成交流电的关键设备）内部的控制公式给“猜”出来。

为了让你更容易理解，我们可以把这篇论文的故事想象成 “给一台神秘的机器做 CT 扫描并画出它的蓝图”。

1. 背景：为什么我们需要这个？

想象一下，现在的电网就像一个大城市，以前主要靠巨大的同步发电机（像老式的蒸汽火车）供电，它们的运作原理大家很熟悉。但现在，越来越多的太阳能板和电池（逆变器）加入了电网。

问题在于： 这些逆变器是厂家生产的“黑盒子”。

黑盒子： 我们知道它输入什么（电压、电流），输出什么，但不知道它内部具体的控制逻辑是什么（就像你按了遥控器的按钮，灯亮了，但你不知道遥控器里芯片是怎么编程的）。
后果： 电网操作员不知道这些黑盒子在极端情况下（比如电压突然暴跌）会怎么反应，这就像在不知道刹车原理的情况下开一辆新车，非常危险，容易导致电网不稳定。

2. 现有的方法为什么不行？

科学家之前尝试过几种方法，但都有缺陷：

方法 A（纯数学拟合）： 就像试图用一堆杂乱无章的积木去拼出一个复杂的雕塑。虽然能拼得像，但结构松散，稍微换个角度（换个工况）就散架了，而且拼出来的东西没有物理意义，没法用来做安全分析。
方法 B（纯神经网络/AI）： 就像一个记忆力超群但不懂物理的学生。它背下了所有考题（数据），考高分没问题。但如果遇到没见过的题（极端情况），它可能会胡编乱造，因为它不懂背后的物理定律（比如能量守恒）。
方法 C（符号回归）： 试图直接从数据里找公式。但如果数据太复杂或噪音太大，它就像在噪音很大的房间里听人说话，容易听错，或者找出一堆根本不存在的关系。

3. PISML 的解决方案：聪明的“师徒搭档”

这篇论文提出的 PISML 框架，就像是一个 “经验丰富的老工匠（物理骨架）” 带着一位 “灵活的天才学徒（神经网络）” 一起工作。

第一步：搭建“物理骨架”（老工匠）

比喻： 老工匠知道基本的物理定律（比如欧姆定律、基尔霍夫定律）。他先画出一个简单的、符合物理常识的“骨架”。
作用： 这个骨架保证了模型在宏观上是合理的，不会违背物理常识。它负责处理那些已知的、简单的线性关系。

第二步：引入“天才学徒”（神经网络）

比喻： 老工匠虽然懂大道理，但面对厂家那些复杂的、私有的、非线性的控制逻辑（比如某些特殊的保护机制），他也猜不到。这时候，天才学徒出场了。
作用： 学徒非常聪明，专门负责学习老工匠没猜到的那些“剩余部分”（残差）。它像一个万能胶，填补了骨架和真实机器之间的缝隙，处理那些复杂的非线性控制。

第三步：严格的“物理考试”（物理信息训练）

比喻： 为了防止学徒乱来，老工匠给学徒出了一套特殊的考试。不仅要看它算得准不准（数据拟合），还要看它算出来的“导数”（变化率）是否符合物理规律（比如小信号扰动下的稳定性）。
作用： 这就像给学徒戴上了“紧箍咒”，强迫它必须在物理允许的范围内思考。这样，即使学徒学到了复杂的逻辑，也不会变成“妖魔鬼怪”（物理上不可能存在的模型）。

第四步：提炼“最终蓝图”（符号回归）

比喻： 学徒虽然学得很好，但它脑子里装的是成千上万个复杂的参数（像一本厚厚的、没人看得懂的密码书）。PISML 的最后一招，是把这本密码书“翻译”成一张简洁的、人类能看懂的数学公式图纸。
作用： 把庞大的神经网络压缩成几个简单的数学公式。这样，工程师就可以拿着这张图纸，像分析传统机器一样，用数学工具去分析电网的稳定性了。

4. 实验结果：它有多厉害？

作者在实验室里用真实的硬件设备（硬件在环仿真）做了测试，效果惊人：

精度极高： 相比以前的方法，它的误差减少了 340 倍 以上。就像以前猜温度只能猜个大概，现在能精确到小数点后几位。
抗干扰强： 即使数据里有噪音（像收音机里的杂音），它也能把真正的信号找出来。
通用性强： 即使遇到以前没见过的极端电压波动（Out-of-Distribution），它也能准确预测，不会像纯 AI 那样“发疯”。
可解释性： 最终得到的不是黑盒子，而是一组清晰的公式。这让电网操作员可以真正理解并信任这些设备。

总结

这篇论文就像发明了一种 “透视眼 + 翻译机”：
它不仅能看透那些神秘的“黑盒子”逆变器内部到底在干什么，还能把复杂的控制逻辑翻译成人类工程师能看懂、能计算的数学公式。

它的最大意义在于： 让电网操作员不再需要担心那些看不见的“黑盒子”会搞垮电网，因为他们现在手里有了这些设备的“说明书”和“安全手册”，可以更安全、更智能地管理未来的智能电网。

论文技术总结：基于物理信息稀疏机器学习的并网逆变器未知控制方程发现

论文标题：Discovering Unknown Inverter Governing Equations via Physics-Informed Sparse Machine Learning
发表期刊：IEEE TRANSACTIONS ON POWER ELECTRONICS
作者：Jialin Zheng, Ruhaan Batta, Zhong Liu, Xiaonan Lu

1. 研究背景与问题定义 (Problem Statement)

随着电力电子变流器（逆变器）在电网中的渗透率急剧增加，现代电力系统的动态特性正从传统的同步机物理特性转变为受嵌入式控制算法主导。然而，电网运营商面临一个严峻的建模鸿沟：

黑盒特性：无论是并网型（GFL）还是构网型（GFM）逆变器，其控制逻辑通常是专有且封闭的（黑盒），缺乏公开的显式状态空间方程。
现有方法的局限性：
- 阻抗识别法：仅能描述小信号线性化行为，无法捕捉大信号非线性动态和全局一致性。
- 符号回归（Symbolic Regression）：依赖预定义函数库，在高维、多时间尺度控制架构下搜索空间爆炸，且难以处理未建模的复杂非线性。
- 纯神经网络（Neural Networks）：虽然拟合能力强，但缺乏物理可解释性，且往往无法保证物理一致性（如特征值稳定性），导致“预测准确但物理错误”。

核心目标：从外部测量数据中，直接发现并重构描述逆变器动态行为的显式控制方程，同时兼顾高精度拟合、物理一致性和数学可解释性。

2. 方法论：物理信息稀疏机器学习框架 (PISML)

本文提出了一种物理信息稀疏机器学习（Physics-Informed Sparse Machine Learning, PISML）框架，其核心思想是可解释性与表达能力的协同设计。

2.1 混合神经 - 符号架构 (Hybrid Neural-Symbolic Architecture)

模型将逆变器动态分解为两部分：

稀疏符号骨干（Sparse Symbolic Backbone）：
- 基于领域知识构建物理信息函数库（包含线性物理项、积分控制项、有功/无功功率计算项等）。
- 利用 $L_1$ 正则化稀疏回归，从库中筛选出主导的物理定律和控制结构，形成可解析的显式方程。
神经残差分支（Neural Residual Branch）：
- 使用连续时间神经微分方程（Neural ODE）来建模符号骨干无法覆盖的未建模非线性（如复杂的控制饱和、高阶非线性逻辑）。
- 该分支作为残差补偿器，确保模型能捕捉高频动态和复杂控制逻辑。

2.2 多尺度物理信息训练机制 (Multi-Scale Physics-Informed Training)

为解决符号项与神经项之间的竞争关系并保证物理一致性，提出了联合优化策略：

总损失函数： $L_{total} = L_{traj} + \lambda_{pert} L_{pert} + \lambda_{sparse} \|\Xi\|_1$ $L_{t o t a l} = L_{t r aj} + λ_{p er t} L_{p er t} + λ_{s p a r se} ∥Ξ ∥_{1}$
- $L_{traj}$ ：轨迹重构误差（大信号一致性）。
- $L_{pert}$ ：雅可比正则化项。通过计算模型在扰动下的雅可比矩阵，强制其小信号线性化特性与真实系统的物理稳定性（特征值分布）保持一致。
- $L_{sparse}$ ：稀疏性约束，确保符号骨干的简洁性。
作用：迫使符号骨干学习主导的线性/物理动态，而神经网络仅学习残差非线性，防止神经网络“吞噬”物理结构。

2.3 可解释的显式方程发现 (Interpretable Explicit Discovery)

训练完成后，通过二次符号回归将黑盒的神经网络残差转化为显式数学表达式：

利用训练好的神经网络作为“去噪器”生成高质量合成数据。
在扩展的函数库（包含三角函数、高阶多项式等）上对残差进行稀疏回归。
最终将符号骨干与蒸馏后的残差方程合并，得到紧凑、显式、可解析的完整控制方程。

3. 主要贡献 (Key Contributions)

混合架构设计：首次将稀疏符号回归与神经残差动力学解耦，既保留了物理定律的显式结构，又利用神经网络的高拟合能力处理未知非线性。
多尺度动态一致性：引入基于扰动响应的雅可比正则化，确保模型同时满足大信号轨迹重构精度和小信号线性化稳定性（特征值正确）。
黑盒到白盒的转化：实现了从过参数化神经网络到轻量级符号方程的压缩（压缩比>250倍），恢复了理论稳定性分析所需的解析可处理性。

4. 实验结果 (Experimental Results)

实验在基于 Typhoon HIL 的高保真硬件在环（HIL）平台上进行，针对构网型（GFM）逆变器进行了验证。

轨迹重构与泛化能力：
- 在**分布外（OOD）**的大信号阶跃扰动（电压跌落至 0.4 p.u.）下，PISML 的相对误差仅为 2.95%。
- 相比之下，标准 SINDy 误差高达 934%，纯神经网络（Pure NODE）为 120%。PISML 误差比基线降低了 340 倍以上。
- 在存在未建模控制饱和（硬非线性）的场景下，PISML 依然保持高精度，而纯符号方法失效。
数据效率与抗噪性：
- PISML 仅需 12 条 轨迹即可达到纯神经网络需要 64 条轨迹才能达到的精度。
- 在低信噪比（SNR）条件下，PISML 表现出卓越的抗噪性，而符号方法因微分噪声放大而发散。
小信号物理一致性：
- 通过特征值分布分析，PISML 消除了纯数据驱动模型常见的“谱污染”（虚假的不稳定极点）。
- 其预测的特征值分布与真实物理系统的 Wasserstein 距离比基线方法小 340 倍，证明了物理约束的有效性。
系统级集成应用：
- 将发现的显式方程集成到 3 节点微电网仿真中，成功复现了多逆变器并联运行时的暂态负载共享动态。
- 支持对未知设备进行特征值轨迹分析，能够评估其接入对系统整体稳定性的影响，这是传统黑盒模型无法实现的。

5. 意义与影响 (Significance)

填补建模空白：为电网运营商提供了一种从测量数据中“逆向工程”专有逆变器控制逻辑的有效途径，解决了设备不可见导致的稳定性分析难题。
理论分析的可及性：将复杂的黑盒动态转化为简洁的显式方程，使得传统的特征值分析、根轨迹分析等严谨的电力系统稳定性理论工具得以重新应用。
工程实用性：模型被压缩为极少的参数（<50 个系数），不仅计算复杂度降低了几个数量级，还具备嵌入到 DSP 控制器中进行实时应用的潜力。
方法论突破：展示了如何在保持高拟合精度的同时，通过物理信息约束和稀疏性原则，实现从数据驱动到物理可解释模型的跨越，为复杂非线性系统的建模提供了新范式。

总结：该论文提出的 PISML 框架成功解决了电力电子系统中“黑盒控制”与“白盒分析”之间的矛盾，通过物理信息引导的稀疏学习，实现了高精度、高可解释性且物理一致的逆变器控制方程发现，为高比例电力电子电网的安全稳定运行提供了关键的理论工具。