🤖 machine learning

Neural Controlled Differential Equations for EMT-Level Surrogate Modeling of Grid-Forming Inverters

本文提出了一种具有双重快/慢路径和物理启发式正则化的神经常微分方程（Neural Controlled Differential Equation）框架，旨在构建精确的构网型逆变器连续时间代理模型，从而克服现有电磁暂态仿真中多时间尺度分析与物理一致性方面的挑战。

原作者： Jiagang Qu, Yong Tao, Dan Wang, Enyi Li, Jingjing Qi, Ding Wang

发布于 2026-07-21

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jiagang Qu, Yong Tao, Dan Wang, Enyi Li, Jingjing Qi, Ding Wang

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

把电网想象成一片巨大的、隐形的海洋。一个多世纪以来，这片海洋一直由被称为“同步发电机”的巨大、旋转的轮船维持着稳定。这些轮船沉重且可预测，充当着电网的心跳。但今天，我们正在用数以千计的、敏捷的小型快艇——逆变器——来取代这些沉重的轮船。这些快艇依靠风力和阳光运行，是通往绿色未来的关键。然而，问题在于：虽然驾驶一艘大船很容易，但驾驶成千上万艘小船却是一场噩梦。如果它们之间不能完美地进行沟通，整个海洋就会变得波涛汹涌，从而导致停电。

为了确保海洋的安全，工程师们使用超级计算机来模拟这些快艇的行为。这被称为电磁暂态（EMT）仿真。把它想象成一款视频游戏，你试图预测每一道涟漪和每一波浪潮。问题在于，这款游戏过于精细，且船队规模庞大，以至于计算机运行起来非常吃力，即使计算短短几秒钟的时间也要耗费极长时间。这就像是为了预测潮汐而试图去数清沙滩上的每一粒沙子一样。我们需要一种更聪明的方法，在不数清每一粒沙子的情况下预判结果。这就是“代理模型”（surrogate models）发挥作用的地方——它们就像是“作弊码”或“捷径”，能够快速学习游戏的规则，从而在眨眼间预测未来。但要让这些捷径在如此复杂且快速变化的系统中保持足够的准确性，一直是一个极大的挑战。

本文介绍了一种名为“神经控制微分方程”（Neural Controlled Differential Equation, Neural CDE）的巧妙新捷径，用于对这些构网型逆变器进行建模。可以将逆变器的行为想象成一名舞者。传统的 AI 模型试图通过观察一系列冻结的照片（离散快照）来猜测舞者的下一步动作。如果照片拍摄得太慢或时间点很奇怪，AI 就会感到困惑，舞者也会因此踉跄。作者意识到，舞者不仅仅是在对照片做出反应；他们是在对连续不断的音乐和指令（控制信号）做出反应，而这些指令的变化速度各不相同。有些指令很慢，比如“向左跳”；而有些则很快，比如“现在旋转！”

为了解决这个问题，研究人员构建了一个不仅观察快照，还能倾听控制信号这一连续“音乐”的模型。他们设计了一个特殊的“双路径”系统。一条路径负责聆听音乐中缓慢、稳定的节奏（监督指令），另一条路径则捕捉快速、尖锐的节拍（快速开关信号）。通过将这两者分离，模型能够比以前更好地理解舞者复杂的动作。此外，他们还加入了一个“物理检查”，以确保舞者不会做出任何不可能的行为，比如悬浮在空中或在不感到疲劳的情况下永无止境地旋转。

当他们测试这个新模型时，它表现得非常出色。在仿真实验中，该模型能够以极高的准确度预测逆变器的行为，既能匹配那些缓慢、沉重的计算机仿真，速度又快得多。它成功地重现了“阻尼振荡”——即系统在受到扰动后如何摆动并最终趋于平稳——而不会失去平衡或陷入混乱。作者发现，通过将控制信号视为连续的流而非一系列离散的步骤，并将快速和缓慢的部分进行分离，该模型变得更加稳定和可靠。这表明，我们可能很快就能以目前所需时间的一小部分，来模拟拥有数千个逆变器的庞大电网，从而帮助工程师在不被缓慢的计算机性能所拖累的情况下，设计出更安全、更绿色的能源系统。

技术摘要：用于 EMT 级构网型逆变器代理建模的神经控制微分方程

1. 问题陈述

可再生能源和储能系统的集成导致了构网型逆变器（GFM）的大量涌现，这些设备通过模拟同步发电机来增强电网强度。然而，由于这些转换器的数量巨大（数千个，而传统发电机仅为数百个），传统的电磁暂态（EMT）仿真面临计算瓶颈，难以扩展到数十个设备以上的规模。此外，EMT 仿真需要详细的内部参数和控制逻辑，而这些信息通常无法从制造商处获得，因此需要“黑盒”建模方法。

现有的数据驱动解决方案在这一背景下面临三个主要局限性：

采样率刚性： 许多基于学习的暂态模型与特定的采样率紧密耦合，当 EMT 时间步长或控制更新速率发生变化时，泛化能力会下降。
控制层级丢失： 实际的 GFM 利用多速率控制信号（快速内环调制 vs. 慢速监督指令）。将这些信号视为简单的分段常数输入会掩盖这种层级结构，从而难以捕捉多尺度闭环行为。
稳定性与物理一致性： 在刚性 EMT 环境下的长时程演化中，不受约束的神经动力学可能会表现出伪振荡或能量漂移。此外，缺乏物理感知评估标准使得验证学习到的代理模型是否保留了关键暂态特性（如阻尼和稳定性）变得困难。

2. 方法论

本文提出了一种**神经控制微分方程（Neural Controlled Differential Equation, Neural CDE）**框架，用于学习与 EMT 仿真循环兼容的 GFM 连续时间代理模型。

Neural CDE 公式化： 与将输入视为连续或分段常数信号的标准 Neural ODE 不同，Neural CDE 通过由离散观测值构建的连续插值控制路径 $X(t)$ 来驱动潜在状态动力学。这显式地模拟了状态演化如何依赖于控制轨迹，自然地处理了不规则采样和多速率输入。
仿射控制分解（Affine-Control Decomposition）： 作者提出了一个仿射控制结构：
$dx(t) = f_\theta(x(t))dt + \sum g_\theta^{(i)}(x(t))dX_i(t) + h_\theta(x(t), u(t))dt$
该结构将内在系统动力学（ $f_\theta$ ）与控制驱动效应（ $g_\theta$ ）分离，契合了逆变器的层级控制结构。
双路径控制嵌入： 为了捕捉多尺度行为，控制路径被分解为两个通道：
- 慢速路径 ( $X_1$ )： 代表低带宽监督指令（例如，下垂控制、VSM）。
- 快速路径 ( $X_2$ )： 捕捉高带宽变化（例如，$du(t)$），模拟快速开关动力学。
- 残差项 ( $h_\theta$ )： 一个线性层用于模拟在阶一泰勒展开中被忽略的高阶非线性。
物理启发式正则化： 为确保在刚性 EMT 环境中的稳定性，应用了基于雅可比矩阵（Jacobian）的正则化器。它惩罚离散时间流映射的谱半径（通过神经向量场的雅可比矩阵近似），以确保其保持在单位圆盘内，从而抑制不稳定模式和长时程发散。
评估指标： 本文引入了物理一致性指标，包括源自希尔伯特变换包络衰减的阻尼得分（ $S_{damp}$ ），用于量化与地面真值 EMT 仿真相比的有效阻尼保持情况。

3. 核心贡献

统一的 Neural CDE 框架： 开发了一种用于 GFM 的连续时间学习框架，该框架可以接受离散采样的多速率控制信号，而无需固定的求解器设置。
仿射控制分解： 一种新颖的公式化方法，将内在动力学与控制效应分离，增强了跨运行场景的泛化能力。
双路径控制策略： 引入了慢速和快速控制路径，以显式建模逆变器控制的层级特性，显著提高了表达能力和稳定性。
物理一致性评估： 集成了用于 EMT 级部署的基于雅可比矩阵的稳定性正则化和特定指标（阻尼得分、共振保持），确保代理模型保持有界的轨迹和物理一致性。

4. 实验结果

该模型在由联网 ANPC 三电平转换器（100 kHz 仿真，训练时降采样至 1 kHz）生成的 90 条轨迹数据集上进行了评估。

消融研究：
- 从 Neural ODE 切换到 Neural CDE 使均方误差（MSE）从 $6.07 \times 10^{-5}$ 降至 $3.86 \times 10^{-5}$ ，并提高了稳定性得分。
- 添加仿射分解进一步将 MSE 降低至 $3.54 \times 10^{-5}$ 。
- 双控制路径提供了最显著的增益，将 MSE 降至 $2.77 \times 10^{-5}$ ，并在所有单组件变体中实现了最高的稳定性得分（0.8463）。
- 残差模块提供了持续且细粒度的改进。
敏感性分析： 结果表明，将更多容量分配给基础动力学（内在系统行为）而非加深 Trunk Encoder 效果更好。研究发现快速动力学对于稳定性至关重要，而残差修正则起到了微调精度的作用。
物理一致性：
- 振荡模式： 模型成功重现了电网电流的主导阻尼振荡模式，与 EMT 响应一致。
- 阻尼： 代理模型达到了 0.85 的阻尼得分，准确捕捉了电流控制器引入的有效阻尼。
- 长时程稳定性： 长时程演化显示出有界的状态轨迹，没有出现数值发散，这与某些基准模型不同。
效率： 该代理模型在 1 kHz 步长（1 ms）下运行，却能重现来自 100 kHz（10 $\mu$ s）仿真的动力学，这意味着集成步长减少了约两个数量级。

5. 重要性与主张

本文声称，基于 Neural CDE 的组件建模提供了一种适用于 EMT 级仿真研究的物理一致性代理建模方法。通过放宽固定采样率的限制，并显式建模构网型逆变器控制的层级化、多速率特性，该框架使得分析包含超过 1,000 个设备的复杂系统成为可能——这在以往是传统 EMT 方法无法实现的规模。

作者强调，他们的方法弥合了数据驱动的灵活性与物理严谨性之间的鸿沟。该模型保留了关键的暂态特性（阻尼、振荡模式），并确保了长时程积分过程中的稳定性，使其成为大规模电力系统研究中（在制造商数据不可用的情况下）的有力候选方案。论文结论较为谦逊，指出未来的工作可以利用更丰富的状态测量值（例如完整的 LC 电流）来实施直接的能量一致性约束，但同时断言当前的框架已经为 EMT 级的部署提供了稳定且准确的基础。