传统状态量筛选依赖线性化模型，但变流器系统本质上是强非线性的——线性化环节会遗漏关键动态特征。刘崇茹教授团队提出的数据驱动筛选方法，通过LASSO回归从系统完整非线性响应中自动识别关键状态量，从根源上避免了线性化误差，为高维系统降维提供了新的范式。
为什么需要数据驱动筛选
传统方法的先天不足
业界针对状态量物理内涵保持的降维，主要采用理论分析法和奇异摄动法。理论分析法针对性强但通用性不足，难以适用于高维系统。奇异摄动法根据响应速度差异分离“快慢变量”，但状态量选取原则同线性化模型相关，无法准确把握完整动态特性。
两种方法的共同缺陷在于：降维所依据的状态量筛选都依赖于线性化模型。然而，电力电子变流器系统本质上是强非线性系统（含PLL非线性、坐标变换、限幅环节等），线性化环节会引入模型误差，可能遗漏对系统动态特性有关键影响的非线性特征。
LASSO回归的筛选机制
自动筛选与稀疏化
LASSO回归通过引入模型系数的绝对值函数作为惩罚项，将不显著的系数压缩为零，实现变量自动筛选。目标函数：Q(β) = ||Y - Xβ||² + λ||β||₁。当压缩系数λ增大时，不重要的变量系数被逐步压缩至零。最佳λ值依据CP准则最小选取：Cp = RSS(s)/σ₀² - n + 2p。
与传统方法相比，LASSO无需人工设定阈值，算法自动判断变量重要性，在变流器系统降维场景中可从数十个候选状态量中自动识别对系统小扰动稳定特性最具影响力的关键状态量。
数据驱动+物理补充的双保障框架
三步筛选流程
第一步，数据生成——通过修改参数或施加故障获取多场景时间序列数据，确保“充分激励”。第二步，LASSO回归筛选——构建观测向量Y和设计矩阵X，通过CP准则确定最佳压缩系数，完成算法筛选。第三步，物理知识补充——仅依靠LASSO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，通过物理认知进行补充，保证筛选的准确可靠。
这一“算法筛选+物理补充”的双保障机制，既发挥了数据驱动方法客观、自动化的优势，又保留了工程师对系统物理内涵的深刻理解。
在三类变流器系统中的验证
跟网型GFL——14维状态量的筛选
跟网型变流器状态量包含锁相环状态、电压外环积分、电流内环积分、网络动态共14维。LASSO筛选后，系统降维至10维，保留的关键状态量如直流电压v_dc、d轴电流内环积分y_id、锁相环状态δ等，均具有明确的物理意义，可直接映射至实际控制变量。
构网型GFM与多机并联——方法通用性
构网型变流器状态量13维，降维至9维。多机并联系统降维后模型阶数降至70%以下。在三类不同拓扑和控制结构的系统中，降维模型均能精准复现原系统主导动态特性，证明了数据驱动筛选方法的通用性。
数据驱动状态量筛选方法的核心突破在于“不依赖模型”筛选状态量。它从系统完整非线性响应中直接识别关键特征，而非从线性化近似中推断。这套方法论不仅适用于变流器并网系统的小扰动稳定分析，更有望推广至大扰动场景、其他类型电力电子系统乃至更广泛的复杂动态系统降维问题。
