小扰动稳定是变流器并网系统的核心关切——但高维状态变量让特征值分析变得异常困难。刘崇茹教授团队提出的LASSO降维方法，将跟网型变流器从14维降至10维、构网型从13维降至9维，降维模型与详细模型的特征值运动轨迹高度吻合，为小扰动稳定分析提供了高效且精准的解决方案。
小扰动稳定分析的维度困境
变流器系统的高维特征
跟网型变流器（GFL）采用典型双闭环控制结构，其状态量包括锁相环状态、电压外环、电流内环及网络动态等，共14维：u_GFL = [y_v, v_dc, y_id, y_iq, v_od, v_oq, y_w, δ, i_rd, i_rq, v_cd, v_cq, i_gd, i_gq]^T。
构网型变流器（GFM）采用经典下垂控制结构，状态量共13维：u_GFM = [δ, P, Q, i_rd, i_rq, i_gd, i_gq, ν_rd, ν_rq, ν_vd, ν_vq, ν_id, ν_iq]^T。
多机并联系统的状态量是各单机状态量的叠加：u_SYS = [u_0 + u_1 + u_2 + … + u_m]^T。
当变流器数量达到数十台时，系统阶数可达数百维，小扰动稳定分析的特征值计算面临严峻的维度灾难。
LASSO降维方法在小扰动稳定中的应用
方法原理与流程
所提方法的核心逻辑是：通过数据驱动获取系统完整非线性动态响应，再通过LASSO回归实现关键特征筛选，避免线性化环节引入的模型误差。具体流程为：数据生成（多场景时间序列采集）→数据预处理与标准化→LASSO回归建模与CP准则选参→状态量筛选→物理知识补充→降维模型构建。
为什么LASSO适用于小扰动稳定分析
小扰动稳定分析的核心是识别系统的关键特征值及其对参数变化的敏感性。LASSO回归天然适合这一场景——它从高维数据中自动筛选出对输出变量影响最大的特征，而这些被保留的特征往往正是系统的主导模态所对应的状态变量。压缩系数λ的自动选择确保了筛选结果的统计最优性，CP准则提供了客观的模型选择依据。
三类变流器系统的降维验证
跟网型变流器（GFL）——14维降至10维
原系统14个特征值与降维系统10个特征值在前6个主导特征值上高度吻合：λ₁,₂从-20.4±j2.1变为-20.2±j2.1（误差<1%），λ₃完全一致，λ₄误差1.9%，λ₅,₆误差<5%。在不同电网电感L_g变化场景下，降维系统与详细系统的特征值轨迹高度重合，时域仿真验证了直流电压动态响应的一致性。
构网型变流器（GFM）——13维降至9维
构网型变流器采用下垂控制，在关键参数变化场景（下垂系数m_p变化、电网电感L_g变化）下，降维系统与详细系统的特征值轨迹高度吻合，证明了方法在不同控制结构下的适用性。
多机并联系统——适用性验证
在典型的多机并联场景下，特征值对比图和不同参数下的特征值轨迹图均表明：降维模型可精准复现原系统主导动态特性，模型阶数可降至原系统的70%以下。
从特征值到工程实践的意义
降维系统与详细模型的主导特征值运动轨迹高度吻合，证明降维模型可以很好地表征详细模型的主导动态特性。时域仿真结果同特征值分析一致，表明通过筛选出关键状态量实现降维分析的方法是可行的。
对于工程实践，这意味着：工程师可以在保证分析精度的前提下，用远低于原系统的计算成本完成小扰动稳定扫描、参数灵敏度分析和控制器参数优化。降维后保留的状态量具有明确的物理内涵，可直接映射至实际控制变量，便于理解稳定机理并设计控制策略。
小扰动稳定分析的“维度诅咒”正在被数据驱动方法打破。LASSO回归为变流器系统提供了一条从“全阶建模”到“关键特征提取”的捷径，其意义不仅在于计算效率的提升，更在于让工程师从高维耦合中解放出来，聚焦真正主导系统稳定性的核心变量。
