晨光
暗夜
晨光
极光
Bilingual Paper Reading · 中英对照精读

无模型耗散性神经控制：提升电力系统暂态稳定

准大一 · 电气工程 × 控制理论 × 新能源并网 —— 暂态稳定与无模型控制精读材料
原文：arXiv:2510.22324 2025年10月25日发布 arXiv 预印本（eess.SY） 暂态稳定 × 无模型控制 × 耗散性 附英文摘要朗读音频

一、论文档案

英文标题Model-Free Power System Stability Enhancement with Dissipativity-Based Neural Control
中文标题无模型耗散性神经控制：提升电力系统暂态稳定
作者王一飞, 王涵, 庄克豪, 基思·莫法特, 弗洛里安·德弗勒（机构未在素材中标注）
发布时间2025年10月25日（v1）｜分类：eess.SY（系统与控制）
原文链接arxiv.org/abs/2510.22324　·　全文 HTML 版
一句话概括不建模、直接学「耗散性」：神经网络从输入-状态数据里学出能当反馈增益的矩阵，顺手把控制性能也优化了。
💡 为什么选这篇给你：① 电力系统暂态稳定是「双碳」背景下最热门的控制课题之一，虚拟同步发电机直接对应新能源并网刚需；② 思路新——跳过「先建模、再控制」的老路，直接从数据学耗散性矩阵，核心思想用文字就能读懂；③ 方法完整：损失函数、代价整形、两个系统实验验证，非常适合入门控制类论文。

二、核心术语表（先扫一遍再读正文）

英文术语中文大白话解释
transient stability暂态稳定系统遭受大扰动（如短路、切机）后，能否恢复到稳定运行状态的能力。
dissipativity耗散性系统「消耗的能量不会超过外界供给的能量」的性质，是比无源性更广的稳定性刻画工具。
passivity无源性耗散性的特例：系统自身不产生额外能量，常用于控制器设计。
storage function存储函数衡量系统内部「储存能量」的函数，是构造稳定性证明的核心。
supply rate供给率外部输入向系统注入能量的速率；耗散性要求存储函数变化率 ≤ 供给率。
virtual synchronous generator (VSG)虚拟同步发电机用电力电子变流器模拟同步发电机外特性（惯量、阻尼）的控制方式。
grid-forming / grid-following构网型 / 跟网型构网型主动建立电压频率；跟网型跟随电网电压（如用锁相环）。
Lyapunov function李雅普诺夫函数沿系统轨迹不增的能量型函数，存在它则系统稳定。
model-free control无模型控制不依赖系统精确数学模型的控制器设计方法，直接从数据学习。
stabilizing controller镇定控制器让闭环系统渐近稳定的控制器。
cost function shaping代价函数整形利用设计自由度调整控制代价，使控制更接近用户目标（如更快、更省）。
input-state data输入-状态数据由系统输入 u 与状态 x 组成的轨迹数据，无模型方法的学习原料。
positive definite matrix正定矩阵所有特征值均为正的对称矩阵，可用来构造能量函数。
low-inertia grid低惯量电网新能源替代同步机后旋转惯量下降、频率更脆弱的电网。

三、摘要中英对照（精读核心）

🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。

摘要 Abstract

EN · 原文
The integration of converter-interfaced generation introduces new transient stability challenges to modern power systems.
CN · 翻译
逆变器接口发电的接入给现代电力系统带来了新的暂态稳定挑战。
EN · 原文
Classical Lyapunov- and scalable passivity-based approaches typically rely on restrictive assumptions, and finding storage functions for large grids is generally considered intractable.
CN · 翻译
经典的 Lyapunov 方法与可扩展的无源性方法通常依赖较强的假设，而为大型电网寻找存储函数一般认为不切实际。
EN · 原文
Furthermore, most methods require an accurate grid dynamics model.
CN · 翻译
此外，大多数方法都需要精确的电网动力学模型。
EN · 原文
To address these challenges, we propose a model-free, nonlinear, and dissipativity-based controller which, when applied to grid-connected virtual synchronous generators (VSGs), enhances power system transient stability.
CN · 翻译
为应对这些挑战，我们提出一种无模型、非线性、基于耗散性的控制器，当应用于并网虚拟同步发电机（VSG）时，可增强电力系统的暂态稳定性。
EN · 原文
Using input-state data, we train neural networks to learn dissipativity-characterizing matrices that yield stabilizing controllers.
CN · 翻译
利用输入-状态数据，我们训练神经网络学习刻画耗散性的矩阵，从而生成镇定控制器。
EN · 原文
Furthermore, we incorporate cost function shaping to improve the performance with respect to the user-specified objectives.
CN · 翻译
此外，我们引入代价函数整形，以改善相对于用户指定目标的控制性能。
EN · 原文
Numerical results on a modified, all-VSG Kundur two-area power system validate the effectiveness of the proposed approach.
CN · 翻译
在改进的全 VSG Kundur 两区域电力系统上的数值结果验证了所提方法的有效性。

关键词 Keywords：Transient Stability 暂态稳定 ｜ Dissipativity 耗散性 ｜ Neural Control 神经控制 ｜ Virtual Synchronous Generator 虚拟同步发电机

四、引言精选（为什么这个问题重要）

① 背景：变流器接口发电与虚拟同步发电机

EN · 原文
Modern power systems are undergoing significant transformations with the increasing penetration of renewable energy. Renewable resources such as wind and solar power are interfaced with the grid through power electronics converters. These converters can be controlled to behave as virtual synchronous generators (VSGs) that emulate traditional synchronous generators (SGs) in either grid-forming or grid-following mode.
CN · 翻译
现代电力系统正随着可再生能源渗透率的不断提高而发生深刻变革。风能、太阳能等可再生资源通过电力电子变流器接入电网。这些变流器可被控制为虚拟同步发电机（VSG），在构网型或跟网型模式下模拟传统同步发电机（SG）的行为。

② 挑战一：Lyapunov 与无源性方法的瓶颈

EN · 原文
Traditionally, power system transient stability analysis and subsequent control design have been based on (or have aspired to using) Lyapunov’s direct method. However, analytically finding Lyapunov or energy functions is often challenging, as the derivation is often highly model-specific and can suffer from the lack of a systematic methodology.
CN · 翻译
传统上，电力系统暂态稳定分析及后续控制设计一直基于（或力求使用）Lyapunov 直接法。然而，解析地寻找 Lyapunov 函数或能量函数往往很困难，因为推导过程高度依赖具体模型，且缺乏系统化的方法论。

③ 挑战二：模型精度与误差累积

EN · 原文
In addition to the challenge of finding dissipativity-characterizing functions, power system engineers also face model-accuracy challenges. One option is to use NNs to learn the dynamics before learning the storage function (or the Lyapunov or energy function). However, such a two-stage learning procedure may suffer from error accumulation. This motivates our data-driven approach, which learns the dissipative properties directly from the data.
CN · 翻译
除了寻找耗散性刻画函数的挑战外，电力系统工程师还面临模型精度挑战。一种选择是先用神经网络学习动力学，再学习存储函数（或 Lyapunov、能量函数）。然而，这种两阶段学习流程可能遭受误差累积。这促使我们采用数据驱动方法，直接从数据中学习耗散性质。

五、论文贡献（3 个要点）

EN · 原文
1. Directly learning dissipativity with NNs. We develop a novel method that directly learns the dissipativity of VSG-based power systems with properly designed neural networks, which output general, symmetric, or symmetric positive definite matrices.
CN · 翻译
我们开发了一种新颖方法，用精心设计的神经网络直接学习基于 VSG 的电力系统的耗散性，网络输出一般矩阵、对称矩阵或对称正定矩阵。
EN · 原文
2. Violation-based loss functions. We introduce loss functions corresponding to violations of dissipativity and stability conditions so that the matrix-generating NNs compose a stabilizing control for the system.
CN · 翻译
我们引入对应耗散性与稳定性条件违反程度的损失函数，使生成矩阵的神经网络能够为系统构成镇定控制。
EN · 原文
3. Cost function shaping. Using the extra degrees of freedom in the dissipativity condition, we also add cost function shaping to enhance the optimality of our control with respect to user-defined performance metrics.
CN · 翻译
利用耗散性条件中的额外自由度，我们还加入代价函数整形，以增强控制相对于用户定义性能指标的最优性。

六、结论中英对照

EN · 原文
We propose a novel direct data-driven method for designing stabilizing controls for VSG-based power systems with unknown dynamics. The method utilizes neural networks to learn matrices that characterize the dissipativity of the unknown system while penalizing stability condition violations. In consequence, the matrix NNs can synthesize a stabilizing feedback control with a state-dependent gain. With extra degrees of freedom, the method can also integrate cost function shaping to enhance the optimality of the controller with respect to user-defined objectives. Numerical experiments on the transient stability of VSG-based power systems demonstrate the effectiveness of our algorithm. Future work will investigate decentralized or distributed applications, conditions on data sufficiency, evaluation and improvement of robustness, and equilibrium-independent dissipativity-based neural control.
CN · 翻译
我们提出一种新颖的直接数据驱动方法，为动力学未知的 VSG 电力系统设计镇定控制。该方法利用神经网络学习刻画未知系统耗散性的矩阵，同时对稳定性条件违反进行惩罚。由此，矩阵神经网络能够综合出具有状态相关增益的镇定反馈控制。凭借额外自由度，该方法还可整合代价函数整形，以提升控制器相对于用户定义目标的最优性。基于 VSG 电力系统暂态稳定的数值实验证明了我们算法的有效性。未来工作将研究分散式或分布式应用、数据充分性条件、鲁棒性的评估与改进，以及与平衡点无关的耗散性神经控制。

七、编者解读：这篇论文到底讲了什么（大白话版）

  1. 问题：新能源大规模接入后，电网「惯量变小、更脆弱」；传统做法要么找 Lyapunov 函数（对大电网几乎不可能），要么要精确模型（实际拿不到）。
  2. 做法：不建模，直接学「耗散性」——训练神经网络输出矩阵 Φ(x)，让它满足耗散性条件，矩阵本身就能当反馈增益用，控制器自动镇定系统。
  3. 结果：在单机无穷大系统和改进的 Kundur 两区域四 VSG 系统上，暂态稳定实验验证了有效性。
  4. 最值钱的观点：把「能量函数设计」这个老大难问题，转化成「用数据拟合矩阵 + 损失函数惩罚条件违反」——稳定性和最优性可以一起学。
  5. 工程意义：无模型意味着不用等电网「精确模型」出炉，实测数据就能调控制器，对实际电网更友好。
🎯 对保研的启示：控制方向复试最爱问「你凭什么保证稳定？」——这篇的答案「耗散性条件 + 神经网络」就是现成的答题模板：先讲数学条件（能量不增），再讲实现（NN 学矩阵），最后讲实验验证（两个系统）。三步走，思路完整。

八、给准大一的阅读路线图 & 延伸方向

📖 怎么读这篇论文（三遍法）

  1. 第一遍（10 分钟）：只读摘要与术语表，回答三个问题——问题是什么（暂态稳定难分析）？方法是什么（无模型耗散性神经控制）？结果是什么（两个系统实验验证）？
  2. 第二遍（20 分钟）：读引言 + 结论，重点体会「为什么 Lyapunov 难找、为什么无模型有价值」。
  3. 第三遍（30 分钟）：读方法文字部分与实验描述，跳过所有公式和编号，只看文字描述；遇到不懂的术语回查术语表。

🚀 这个方向你能延伸做什么

九、英文摘要朗读（练听力用）

先盲听一遍→再看对照稿→再听一遍。目标是听出每个术语（dissipativity、virtual synchronous generator、storage function）和系统名称（Kundur two-area system）。