近日，国际著名学术期刊《自然·通讯》（《Nature Communications》）发表了浙江大学电气工程学院江全元、耿光超团队的研究成果——《基于神经网络的逆变器型电源数据驱动动态建模》（“Data-driven dynamic modeling for inverter-based resources using neural networks”）。
当前，人工智能驱动的科学研究（AI for Science）正在重塑科学研究范式，电力系统领域正处于这场变革的前沿。随着“双碳”目标与新型能源体系建设的推进，风电场、光伏电站、储能电站等逆变器型电源（inverter-based resources, IBRs）大规模取代传统同步发电机组。现有的基于第一性原理的物理建模方法面临严峻挑战：一方面，装备控制策略因商业机密往往呈“黑盒”状态，基于简化方程的物理模型难以精准捕捉其复杂的动态行为；另一方面，当前通用神经网络模型却因缺乏物理约束而可能输出违反物理机理的结果。
针对上述难题，研究团队采用“AI for Science”的研究思路，探索运用神经网络强大的特征提取与因果推理能力，以数据驱动的形式表征IBR受扰后的动态响应行为，实现其高效、准确动态建模。具体而言，该工作利用神经网络对逆变器之外的复杂动态过程进行统一建模，涵盖控制器、能量转换及其相互耦合等关键环节；同时，将标准逆变器物理模型显式嵌入神经网络模型结构，并对其输出施加物理约束。通过上述结构化设计，模型既能充分学习真实装备的复杂动态特性，又能确保整体行为不偏离对应的物理规律。
图1 论文所提出的模型结构
基于实际数据的验证实验表明，所提模型不仅在常规工况下精度显著优于已有物理模型，同时还展现出了优异的“外推能力”——即在面对训练数据中从未出现过的极端故障或未知工况时，模型依然能够依靠物理规律的约束，给出准确且可信的推测结果。相关研究可扩展至电力电子负荷、柔性交直流输电设备等的动态建模，该项研究为学习和模拟复杂IBRs动态特性提供了有效方法，表明神经网络模型在施加物理约束后能更好满足新型电力系统稳定分析的技术需求。
图2 模型分布外场景验证及性能对比结果
杨珂（2021级直博生）是该论文的第一作者，耿光超教授是论文的通信作者，江全元教授、王鑫、陈浔俊、王仁顺是论文的合作者。浙江大学电气工程学院是论文的唯一作者单位。
引文信息：
Yang, K., Wang, X., Chen, X., Wang R., Geng G., Jiang Q. Data-driven dynamic modeling for inverter-based resources using neural networks. Nat Commun 16, 11696 (2025). https://doi.org/10.1038/s41467-025-66604-z
团队介绍
浙江大学电力系统高性能计算实验室长期从事电力系统高性能计算与人工智能、电力储能技术等方向的研究。相关成果包括学术论文200余篇，其中SCI期刊论文100余篇、获学术期刊优秀论文奖3次、国际会议优秀论文奖3次、ESI高被引论文2篇。团队牵头承担国家重点研发计划、973计划、863计划、国家自然科学基金等国家级项目（课题）20余项，获国家自然科学二等奖1项、省部级科技奖励6项。
