⚡ electrical engineering

PowerSINDy: Identifying Nonlinear Time-Dependent Dynamics in Power Grid Frequency

本文介绍了 PowerSINDy 框架，该框架成功识别了来自欧洲大陆和韩国的真实电网频率数据中的非线性、时变动力学，并通过基准测试稀疏促进回归策略，确定 LASSO 实现了最低误差，而 STLSQ 在准确性与稳定性之间提供了最佳平衡。

原作者： Xinyi Wen, Xiao Li, Leonardo Rydin Gorjão, Veit Hagenmeyer, Benjamin Schäfer

发布于 2026-05-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Xinyi Wen, Xiao Li, Leonardo Rydin Gorjão, Veit Hagenmeyer, Benjamin Schäfer

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

将电力网络想象成一个巨大而复杂的管弦乐团。电力的“频率”（通常为每秒 50 或 60 次波动）就是指挥的节拍。如果节拍保持稳定，音乐听起来就完美无缺；如果节拍加快或减慢，则意味着乐手（发电设备）与听众（用电人群）未能完美同步。

长期以来，科学家们试图用简单的规则为这个乐团写下“乐谱”（数学方程）。但现代电网错综复杂：它们包含时断时续的风能和太阳能，并以复杂、非线性的方式做出反应。旧有的简单规则无法捕捉全貌。

本文介绍了一种名为PowerSINDy的新工具，它无需预先了解每一件乐器的细节，仅通过聆听乐团的录音，就能推导出真实的“乐谱”。

以下是他们如何做到的简明解释：

1. 挑战：充满噪音的录音

想象一下，试图从一段夹杂着静电、风声和背景人声的录音中抄写乐谱。如果你试图立即记下音符，就会出错。

论文的解决方案： 在寻找规则之前，他们使用了一种“降噪耳机”（一种称为高斯滤波器的数学滤波器）来清理数据。他们测试了不同程度的清理，以找到“最佳点”：既能消除噪音，又能保留音乐的实际节奏。他们发现，在 60 秒的时间窗口内平滑数据效果最佳。

2. 侦探工作：PowerSINDy

数据清理完毕后，他们使用了一种名为SINDy（非线性动力学稀疏识别）的方法。

类比： 想象你有一个巨大的工具箱，里面装满了所有可能用于构建模型的数学形状（直线、曲线、波浪、平方、立方等）。
目标： 你想要构建一个能预测电网行为的模型，但希望使用的工具尽可能少。你不想用一个需要 1,000 种工具来解释简单摆动的模型；你想要的是那真正起作用的 3 或 4 种工具。这被称为“稀疏性”。
升级： 作者意识到，标准工具（仅直线和简单曲线）不足以应对电网。因此，他们在工具箱中加入了傅里叶项（数学波浪）。这使得他们能够捕捉电网频率中自然存在的“波动”和振荡，而这些是简单曲线所遗漏的。

3. 三位评委（优化器）

为了决定保留哪些工具、剔除哪些工具，他们使用了三种不同的“评委”（数学策略）来挑选最佳模型。他们在来自两个不同“乐团”的真实数据上测试了这些评委：

欧洲大陆（CE）： 一个巨大的互联电网，具有巨大的惯性（就像一个巨大沉重的飞轮）。
韩国（SK）： 一个规模较小、更紧凑、集中管理的电网。

这三位评委分别是：

LASSO： “精准狙击手”。它激进地剔除任何非绝对必要的东西。
STLSQ： “稳健之手”。它采取循序渐进的方法，反复检查以确保模型不会崩溃。
SR3： “灵活思考者”。它试图在完美拟合数据与保持模型简洁之间取得平衡，但有时有些喜怒无常。

4. 结果：谁赢了？

论文进行了数千次测试，以观察哪位评委能产生最准确、最稳定的“乐谱”。

准确度冠军（LASSO）： LASSO 始终能找到最准确的方程。它产生的误差率最低，意味着它构建的模型比其他模型更贴合真实世界数据。它特别擅长发现复杂的非线性相互作用（例如电网不同部分如何相互影响）。
稳定性冠军（STLSQ）： 虽然 LASSO 最准确，但 STLSQ 最可靠。它在模拟未来时，极少产生“崩溃”或失控的模型。它在准确性和安全性之间提供了最佳平衡。
变数（SR3）： 这位评委表现不稳定。有时它表现尚可，但对设置非常敏感。它倾向于在工具箱中保留过多工具，导致模型更复杂且更难理解。

5. 他们学到了什么？

更大并不总是更好： 当他们试图让模型变得超级复杂（使用立方方程）时，模型变得不稳定，并开始“发散”（脱离正轨）。
波浪很重要： 添加波浪状（傅里叶）项帮助模型处理电网的自然振荡，而不会使数学变得过于混乱。
“秘密武器”： 在最佳模型中，他们发现电网角度与其速度之间的特定相互作用（数学上称为 $\theta\omega$ 和 $\theta\omega^2$ ）至关重要。这些是维持电网稳定的隐藏规则。

结论

该论文表明，通过仔细清理数据并使用正确的数学“侦探”（具体而言，为了准确度选择 LASSO，为了稳定性选择 STLSQ），我们可以发现支配电网行为的隐藏非线性定律。利用来自欧洲和韩国的真实世界数据，这使我们能够比旧有的简化模型更好地理解电网。

技术摘要：PowerSINDy 用于电网频率动力学

问题陈述
现代电力系统的稳定运行高度依赖于对电网频率动力学的准确表征，而频率动力学反映了发电与需求之间的平衡。传统的建模方法（如聚合摇摆方程）通常依赖于线性假设和简化的物理参数，不足以捕捉由高比例可再生能源渗透和随机波动引入的复杂、非线性和时变行为。尽管稀疏非线性动力学识别（SINDy）等系统辨识方法提供了一种数据驱动的替代方案来揭示控制方程，但其在真实电网数据上的应用仍然有限。现有研究主要集中于合成数据，关于 SINDy 在噪声复杂实证数据集上的性能表现，以及不同稀疏促进回归策略之间的权衡，仍存在未决问题。

方法论：PowerSINDy 框架
作者提出了PowerSINDy，这是一个专为识别电力系统频率数据中的非线性、时变动力学而定制的框架。该方法论包含三个主要阶段：

数据预处理与平滑：
分析了来自两个不同同步电网的高分辨率频率数据（1 秒分辨率）：欧洲大陆（CE）电网（50 Hz）和韩国（SK）电网（60 Hz）。为了从随机噪声中分离确定性动力学，应用了高斯滤波器。最优平滑参数（ $\sigma$ ）通过最小化 SINDy 模拟轨迹与原始实证数据之间的均方根误差（RMSE）来确定。研究确定 $\sigma = 60$ （60 秒窗口）为噪声抑制与特征保留之间的最佳平衡点。
候选库构建：
与仅依赖多项式的标准 SINDy 实现不同，PowerSINDy 扩展了候选函数库以更好地表征电网动力学。该库包括：
- 多项式项： 高达二次（ $p2$ ）和三次（ $p3$ ）阶，以捕捉非线性耦合。
- 傅里叶项： 一阶正弦和余弦函数（ $p2f1$ ），用于表征同步电网固有的振荡行为。
- 时变项： 显式包含时间（ $T$ ）以及涉及时间的交互项，以解释由负荷曲线和发电调度驱动的确定性信号。
稀疏回归策略：
该框架基准测试了三种不同的优化策略，以解决稀疏回归问题 $\dot{X} = \Theta(X)\Xi$ ：
- 顺序阈值最小二乘法（STLSQ）： 迭代求解最小二乘法并对小系数进行阈值处理。
- LASSO（最小绝对收缩和选择算子）： 使用 $L1$ 惩罚将系数收缩至零。
- 稀疏松弛正则化回归（SR3）： 引入辅助变量和松弛参数，将数据拟合与稀疏性约束分离，并测试了 $L0$ 、 $L1$ 和 $L2$ 范数。

关键结果
该研究评估了该框架在 CE 和 SK 数据集的 15 分钟轨迹上的表现，比较了模型精度（稳定 RMSE）、稳定性分数（非发散轨迹的百分比）以及结构复杂度（活跃特征的数量）。

优化器性能：
- LASSO 在所有配置中始终实现了最低的稳定 RMSE。对于带有三次多项式（ $p3$ ）的 CE 数据集，LASSO 达到了 0.0101 的最小 RMSE。它还产生了最稀疏的模型，特别是在低阶配置中。
- STLSQ 表现出最高的稳定性，在二次（ $p2$ ）设置中，稳定性分数经常超过 0.79。它在准确性和可靠性之间提供了最佳平衡，尽管其 RMSE 略高于 LASSO。
- SR3 表现出最高的变异性，并对超参数和数据集特征敏感。值得注意的是，SR3 中的 $L0$ 和 $L1$ 范数在 RMSE 和稳定性方面产生了几乎无法区分的结果。SR3 在三次（ $p3$ ）配置中性能显著下降，特别是对于 SK 数据集，其稳定性分数降至 0.52 以下。
模型复杂度与库选择：
- 二次（ $p2$ ）模型 在两个数据集上均提供了低 RMSE（约 0.016）的稳定解。
- 三次（ $p3$ ）模型 提高了 CE 数据集的精度（RMSE 0.0101），但降低了稳定性，导致轨迹更快发散。
- 傅里叶增强模型（ $p2f1$ ） 提供了中间方案，在两个数据集上均保持了稳健的性能（RMSE 约 0.016）和稳定性，且没有与高阶多项式相关的不稳定性。
- 特征分析： LASSO 始终强制最精简的表示（ $p2$ 约为 6 个活跃特征），而 SR3 倾向于选择更密集的模型（ $p3$ 约为 14 个活跃特征）。
数据集差异：
具有高惯性和互联性的 CE 电网，与具有较低惯性和更紧凑拓扑结构的 SK 电网相比，通常产生更低的 RMSE 和更高的稳定性分数。这表明内在数据特征对模型可恢复性的影响大于算法不稳定性。

意义与主张
本文声称 PowerSINDy 成功识别了复杂真实世界电网频率数据的控制方程，克服了传统线性模型的局限性。研究表明：

数据驱动识别 可以优于随机积分基线（Euler–Maruyama），实现更低的 RMSE 值（例如，CE 基线为 0.0101 对比 0.0282）。
优化器选择至关重要： LASSO 在准确性和稀疏性方面更优，而 STLSQ 在复杂配置中更受青睐用于稳定性。
库设计很重要： 包含傅里叶项允许稳健地表征振荡动力学，同时避免了与高阶多项式相关的过拟合风险。
物理洞察： 识别出的模型突出了特定非线性相互作用（例如 $\theta\omega$ 和 $\theta\omega^2$ ）在捕捉系统动力学方面的重要性，为驱动电网频率行为的机制提供了可解释的见解。

作者总结道，虽然该框架显示出前景，但模型表达能力（高阶项）与稳定性之间的权衡仍然是一个关键挑战。未来的工作建议探索时变参数、用于实时监测的自适应公式，以及物理先验的集成以创建混合模型。