IBR 动态与物理信息学习
IBR 动态与物理信息学习
课程框架 · 逐模块开发
从物理模型，到模型有效性，再到学习动态。
三门核心课程连接变流器建模、模型有效性与学习动态，两个进阶专题延伸到辨识与网络相互作用。
C1 的九个单元已包含双语讲解、可运行实验和练习反馈；其余课程提供模块框架，后续逐步开发。
从 IBR 建模开始三门核心课程
C1 建立共同建模基础，随后分别进入 C2 的分析与降阶、C3 的动态学习。C3 的基础单元可从简单 swing model 开始，高阶变流器项目再使用 C1 的模型。
IBR 动态建模与仿真
从物理接口与控制规律出发，建立 GFL、GFM 和 hybrid 动态模型。
结课项目 在明确的共同运行点下，比较 GFL、droop-GFM、VSM 与 hybrid 的动态响应。
IBR 稳定性、模型降阶与验证
分析保留的动态，并为明确的研究范围选择低阶模型。
结课项目 针对指定输出、频段、扰动与电网强度选择低阶模型。
面向 IBR 动态的物理信息 Neural ODE
结合数据、物理约束与残差模型学习连续时间动态。
结课项目 在独立测试轨迹上比较 pure NODE、grey-box 与结合物理的模型。
两个进阶专题
作为核心课程之后的研究工作坊，逐步扩充为独立课程。
IBR 辨识与学习模型验证
研究激励、参数含义、残差歧义与独立证据。
多 IBR 网络动态
通过网络约束连接设备模型，并研究耦合扰动。
前置准备
- Python 与 Jupyter
- 运行 Notebook、查看数组并复现数值实验。
- 电力电子基础
- 理解变流器能量路径、开关抽象与滤波电路。
- ODE 与仿真基础
- 理解状态、平衡点、数值积分与步长影响。
共同研究写作工作坊
把完成的项目整理为方法与证据报告，包含图表、限制与复现说明。