在电力电子转换器建模中，人工智能方法的应用越来越广泛，但现有的应用仍面临许多挑战，如多时间尺度混合分析的困难以及缺乏物理意识评估标准和约束，这导致性能不佳。
本文提出了一种神经控制微分方程（Neural CDE）框架，用于学习电网形成逆变器的连续时间替代模型，以进行电磁瞬态（EMT）仿真。该框架放宽了固定采样率的约束，能够实现多时间尺度控制分析。
接着，提出了一种具有双慢/快通道的仿射控制公式，以捕捉转换器动态的分层和多尺度行为，同时采用物理启发的正则化方法以增强模型的稳定性和一致性。
在对EMT生成的轨迹进行评估时，该模型准确重现了瞬态响应，保持了有效的阻尼和主要的振荡特性，并维持了有界的长时间展望。结果表明，基于神经CDE的组件建模为EMT级别的仿真研究提供了一种物理一致的替代建模方法。
博主点评： 本文提出的神经控制微分方程框架为电力电子领域的建模带来了新的思路，通过有效处理多时间尺度问题，提升了模型的稳定性和一致性，具有重要的实用价值和前瞻性。值得关注的是其在电磁瞬态分析中的应用潜力，未来有望推动更高效的电力系统设计与优化。