基于物理结构感知神经网络的并网逆变器系统参数估计与紧凑模型压缩框架

《Energies》：Parameter Estimation and Physics-Structured Model Compression of Grid-Connected Inverter Systems

　　**摘要**随着可再生能源系统的日益广泛部署，亟需对并网逆变器系统（GCIS）进行准确的参数估计和紧凑建模。本文提出了一种基于物理结构感知神经网络（Ψ-NN）的参数估计与物理结构化模型压缩框架。教师物理信息神经网络（PINN）通过结合测量数据与物理方程来估计LC滤波器参数。正则化学生网络通过物理信息蒸馏学习教师的映射关系。层次聚类方法识别出共享的权重幅度，从而实现结构化重建与微调。该框架在数学模型数据集和MATLAB/Simulink数据集上进行了评估。教师模型在所有情形下平均相对参数误差均低于5%，优于扩展卡尔曼滤波器，在数学模型数据上与最小二乘法方法保持竞争力，在所有MATLAB/Simulink记录上均优于两种基线方法。重建后的网络仅保留23至78个可训练基础系数（占学生网络15,600个参数的0.15%至0.50%）：在数学模型记录中为23至55个（0.15%至0.35%），在MATLAB/Simulink记录中为62至78个（0.40%至0.50%）。上述比例仅计算了共享幅度的值；在存储簇分配和符号信息后，打包后的存储空间约为学生模型的19%至22%。该表示方法采用数值绑定而非稀疏化，因此稠密推理并不会自动加速。重建过程在退化的数学模型数据上将近似两个数量级的学生数据残差降低，在MATLAB/Simulink数据上除最强组合伪影条件下外保持相当。这些结果表明，该框架有望将鲁棒的参数估计与紧凑的GCIS动力学表示相结合，揭示了在严重测量退化条件下压缩性与准确性之间的权衡关系。