← 返回
基于潜在特征感知神经常微分方程的黑盒并网逆变器轻量化稳定性评估
Latent-Feature-Informed Neural ODE Modeling for Lightweight Stability Evaluation of Black-Box Grid-Tied Inverters
| 作者 | Jialin Zheng · Zhong Liu · Xiaonan Lu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2026年4月 |
| 技术分类 | 系统并网技术 |
| 技术标签 | 并网逆变器 机器学习 深度学习 弱电网并网 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 黑盒逆变器 稳定性评估 神经常微分方程 (Neural ODE) 并网系统 轨迹数据 轻量化建模 |
语言:
中文摘要
针对黑盒并网逆变器稳定性评估面临的数据依赖性强及内部机理不透明问题，本文提出了一种基于潜在特征感知神经常微分方程（LFI-NODE）的建模方法。该方法仅利用轨迹数据即可实现轻量化的稳定性评估，有效解决了传统建模方法在处理复杂电力电子系统时的局限性。
English Abstract
Stability evaluation of black-box grid-tied inverters is vital for grid reliability, yet identification techniques are both data-hungry and blocked by proprietary internals. To solve this, this letter proposes a latent-feature-informed neural ordinary differential equation (LFI-NODE) modeling method that can achieve lightweight stability evaluation directly from trajectory data. LFI-NODE parameter...
S
SunView 深度解读
该研究对阳光电源的组串式及集中式光伏逆变器、PowerTitan储能系统具有重要参考价值。在弱电网环境下，逆变器与电网的交互稳定性是行业痛点，而黑盒建模技术能有效规避核心控制算法泄露风险，实现对第三方或自身产品的快速稳定性评估。建议研发团队将其应用于iSolarCloud智能运维平台，通过轨迹数据分析实现电站侧的实时稳定性监测与预警，提升系统在复杂电网环境下的并网适应性与可靠性。