跟网型变流器14个状态变量、构网型13个、多机并联系统动辄上百维——新型电力系统的“维数灾”正在成为稳定性分析的头号障碍。刘崇茹教授团队提出基于LASSO回归的数据驱动降维方法，将系统阶数降至原系统的70%以下，同时精准复现主导动态特性，为高维电力电子系统分析提供了全新工具。
新型电力系统的“维数灾”挑战
随着新能源发电占比持续攀升，电力系统正经历从“同步发电机主导”向“电力电子变流器主导”的深刻转型。跟网型变流器（GFL）、构网型变流器（GFM）以及多机并联系统的大量接入，使得系统状态变量急剧膨胀——单台跟网型变流器包含14个状态变量，多机并联系统状态变量数为单机数乘以14。当变流器数量达到数十甚至上百台时，系统阶数可达数百乃至上千维。
“维数灾”不仅增加了计算负担，更限制了物理认知的深度。高维系统中各状态变量相互耦合，工程师难以直观识别哪些状态量对系统稳定性起主导作用。因此，在保持物理内涵的前提下实现系统降维，成为新型电力系统稳定性分析的关键技术需求。
LASSO回归的核心机制
最小绝对收缩与选择算子
LASSO（Least Absolute Shrinkage and Selection Operator）回归引入了最小绝对收缩和选择算子，通过采用模型系数的绝对值函数作为惩罚项，能够有效压缩模型参数，自动将不显著的系数压缩为零，实现变量的自动筛选。其目标函数为：
Q(β) = ||Y - Xβ||² + λ||β||₁
其中λ为压缩系数，控制惩罚强度。当λ增大时，不重要的变量系数被逐步压缩至零，从而实现特征筛选。最佳压缩系数依据CP准则最小选取：
Cp = RSS(s)/σ₀² - n + 2p
与传统方法的本质差异
与传统的特征筛选方法相比，LASSO的核心优势在于“自动筛选”和“稀疏化”——无需人工设定阈值，算法自动判断变量的重要性。在变流器系统降维场景中，这意味着可以从数十个候选状态量中自动识别出对系统小扰动稳定特性最具影响力的关键状态量。
更重要的是，所提方法基于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，从根源上避免了线性化环节引入的模型误差，可更精准地把握系统全动态特性。
三步骤数据驱动降维流程
步骤1——数据生成
通过修改系统参数或施加小扰动故障，获取系统在不同场景下所有状态量的时间序列响应数据。这一环节的关键在于“充分激励”：数据必须覆盖系统运行范围的各种场景，才能保证LASSO回归识别出的关键状态量具有普适性。
步骤2——LASSO回归筛选
对时间序列数据进行标准化处理，构建观测向量Y（反映系统关键动态特性的输出量）和设计矩阵X（所有候选状态变量的时间序列），建立LASSO回归模型，通过CP准则确定最佳压缩系数λ，完成关键状态量筛选。
步骤3——物理知识补充与降维建模
仅依靠LASSO回归可能遗漏某些从“数据相关性”角度不显著但对系统稳定性有重要物理意义的状态量。因此，方法在算法筛选基础上，结合物理知识补充重要状态量，保证状态量选取的准确可靠。最终保留筛选出的关键状态量、用于观测的状态量以及关键物理量，完成状态量降维处理。
降维效果与验证
在跟网型变流器系统中，原系统14维状态量降维至10维（降幅28.6%）。特征值对比显示：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%。非主导高频特征值虽存在较大差异，但对系统小扰动稳定特性影响微弱。
构网型变流器系统从13维降至9维（降幅30.8%）。多机并联系统降维后同样可精准复现原系统主导动态特性。在不同参数变化场景下，降维系统与详细系统的特征值轨迹高度重合，时域仿真验证了动态响应的一致性。
方法论意义与推广前景
该方法的创新在于将数据驱动技术引入稳定性分析领域，开创了“数据生成→LASSO筛选→物理补充→降维建模”的新路径。不依赖线性化模型即可识别关键状态量，从根源上避免了线性化误差。
研究团队指出，所提“数据驱动筛选状态量+物理知识补充”框架可拓展至不同系统与各类降维方法。当前聚焦小扰动稳定，下一步将拓展至大扰动场景下的降维仿真分析，为新型电力系统稳定性分析提供更全面的技术支撑。
当电力系统从“旋转电机”时代迈入“电力电子”时代，稳定性分析的工具箱也必须同步升级。LASSO回归提供了从高维数据中精准筛选关键特征的能力，这套“数据驱动+物理约束”的方法论框架，为未来电力系统智能化分析开辟了一条值得持续探索的路径。
