SIIB-Time

该数据集专为电力系统时域仿真设计，特别关注基于逆变器的资源（IBRs）。其目的是支持机器学习在电力系统仿真中的替代模型研究。数据集包含3,000个不同的操作场景，每个场景都提供了电磁暂态（EMT）和RMS仿真轨迹的配对数据，覆盖了电网形成（GFM）和电网跟随（GFL）两种控制模式。数据集通过PSCAD和MATLAB Simulink生成，适用于训练和评估数据驱动的替代模型。数据集的设计考虑了时间步长不变性问题，使得在粗分辨率数据上训练的模型能够推广到细分辨率动态而不需要重新训练。此外，数据集还详细记录了模型参数、仿真条件和碳足迹，为研究人员提供了一个可控、多样且物理基础扎实的基准。

原始信息汇总

数据集概述：SIIB-Time

基本信息

• 数据集名称：SIIB-Time
• 许可证：CC-BY-4.0
• 语言：英文
• 任务类别：表格回归（tabular-regression）
• 标签：电力系统、时域、仿真

数据集描述

该数据集专为电力系统时域仿真中的仿真时间步长不变性问题设计，旨在支持基于机器学习的代理建模研究。它提供了单逆变器无穷大母线（SIIB）系统在电磁暂态（EMT） 和机电暂态（RMS） 两种分辨率下的配对仿真轨迹，涵盖网格构型（GFM） 和网格跟随（GFL） 两种控制模式，包含3,000个不同的运行场景。

数据来源与生成

• 仿真平台：EMT轨迹由PSCAD生成（50微秒分辨率），RMS轨迹由MATLAB Simulink生成（1毫秒分辨率）。
• 场景设计：3,000个场景通过随机采样初始条件（功率参考、电网阻抗、电网电压）和扰动类型（负荷变化、短路故障）生成，其中1,600个场景为GFM控制，1,400个场景为GFL控制。
• 仿真时长：每个场景仿真6.5秒，扰动在t=0.5秒时施加。
• 系统架构：SIIB系统包括三相上游电网源（3.3 kV，60 Hz）、三相变压器（5 MVA）、逆变器（V_DC=1.5 kV，开关频率8000 Hz）等。

数据配置

数据集包含四个子配置，以CSV格式存储：

配置名称	数据文件模式
l_emt	data/*_L_EMT.csv
l_rms	data/*_L_RMS.csv
m_emt	data/*_M_EMT.csv
m_rms	data/*_M_RMS.csv

特点与用途

• 配对分辨率：同一场景下的EMT和RMS配对轨迹，支持跨分辨率泛化研究。
• 控制模式覆盖：同时包含GFM和GFL控制模式，代表不同动态行为。
• 场景多样性：3,000个场景覆盖稳定和不稳定系统响应，适合训练和基准测试数据驱动代理模型。
• 适用领域：主要面向电力系统与机器学习交叉领域的研究人员，用于神经算子、物理信息学习等代理建模方法。

伦理与反思

• 无人类数据：所有数据来自物理仿真环境，不涉及人类主体。
• 碳足迹：每个场景仿真约需7分钟CPU时间，总碳足迹约16.5 kg CO₂e。
• 局限性：数据集基于简化的SIIB测试系统，结论可能不直接推广到大规模多机或多逆变器系统。

使用要求

• 用户知识背景：需要具备电力系统基础知识和应用机器学习技能。
• 数据处理：所有信号数据以CSV格式提供，用户可使用任何语言进行数据操作。
• 信号记录：包括d-q参考系下的电压、电流，有功和无功功率，以及相角。

搜集汇总

数据集介绍

构建方式

该数据集基于单逆变器无穷大总线（SIIB）这一经典简化测试系统构建，旨在为电力系统时域仿真中的时间步长不变性研究提供基准。数据生成流程涉及在电磁暂态（EMT）仿真平台PSCAD与机电暂态（RMS）仿真平台MATLAB Simulink上，对3,000个不同的运行场景进行配对仿真，从而获得每个场景下高保真度与粗分辨率轨迹的成对数据。场景设计涵盖了构网型（GFM）与跟网型（GFL）两种逆变器控制模式，并通过随机采样初始条件、电网阻抗、电网电压以及扰动类型（包括负荷变化与短路故障）来确保场景的多样性，同时涵盖了稳定与不稳定系统响应。每个仿真从稳态开始，持续6.5秒，扰动施加于0.5秒时刻。

特点

该数据集的核心特色在于其跨分辨率配对结构，即每个相同场景同时提供了50微秒时间步长的EMT轨迹与1毫秒时间步长的RMS轨迹，使得直接研究不同仿真保真度之间的泛化性能成为可能。数据集拥有3,000个多样化运行场景，覆盖GFM与GFL两种迥异的动力学行为模式，为训练和评估数据驱动的代理模型提供了丰富的数据基础。所有数据均基于物理仿真生成，而非真实测量，但这一设计确保了场景参数的完全可控性、基准真值的可获得性，并避免了真实数据的机密性限制。此外，数据集以CSV格式存储所有信号（d-q坐标系下的电压、电流、有功与无功功率及相角），便于直接接入标准机器学习流水线。

使用方法

该数据集主要面向从事电力系统与机器学习交叉领域的研究人员，用于训练和评估基于神经算子、物理信息学习等方法的时域仿真代理模型。使用者需具备电力系统基础知识，理解GFM与GFL控制模式的差异以及d-q坐标系下信号的含义。数据处理方面，所有轨迹数据均以CSV格式提供，任何具备基本数据处理能力的编程语言均可直接读取与操作，无需局限于Python。具体使用时，可依据配置项（如l_emt、l_rms等）加载对应保真度的轨迹数据，并基于配对数据进行时间步长不变性研究或跨分辨率泛化能力的基准测试。用户应留意，该数据集基于简化的SIIB测试系统，结论向多机或多逆变器系统的泛化需额外验证。

背景与挑战

背景概述

SIIB-Time数据集诞生于电力系统动态仿真与机器学习交叉领域，由专注于逆变器主导电网稳定性研究的研究团队于近年创建。该数据集的核心研究问题直指传统时域仿真方法在高比例逆变器接口资源（IBR）渗透下的局限性：电磁暂态仿真虽能捕获微秒级快速动态，但计算成本高昂；而机电暂态仿真虽高效，却无法刻画高频瞬态行为。为弥合这一鸿沟，数据集创新性地提供了同一场景下PSCAD电磁暂态与MATLAB Simulink机电暂态的配对轨迹，涵盖3000种不同工况的网格形成与网格跟随控制模式，为开发时间步长不变性的机器学习代理模型提供了标准化基准，对加速可再生能源并网稳定性分析具有重要推动作用。

当前挑战

数据集所应对的领域挑战在于传统时域仿真在计算效率与精度间的根本矛盾：电磁暂态仿真需微秒级积分步长，导致大规模系统分析在计算上不可行，而机电暂态仿真又无法反映逆变器接口资源引入的快速动态，这种分辨率鸿沟已成为稳定性评估与紧急控制的瓶颈。构建过程中，挑战尤为严峻：需确保两套仿真平台（PSCAD与MATLAB Simulink）在物理参数、扰动定义与控制逻辑上严格一致以生成精准的配对轨迹；同时要在3.3千伏单逆变器无穷大母线这一典型案例中，通过随机采样初始条件与扰动类型来覆盖稳定与失稳的广泛行为空间，兼顾场景多样性与仿真成本的可控性，最终在计算碳排放与环境效益间取得平衡。

常用场景

经典使用场景

SIIB-Time数据集专为电力系统时域仿真中的时间步长不变性问题而设计，其经典使用场景在于训练和评估机器学习代理模型，这些模型能够利用粗分辨率（RMS域）数据进行训练，并在不重新训练的情况下泛化至细分辨率（EMT域）的动力学行为。该数据集提供了同一运行场景下成对的EMT与RMS轨迹，覆盖了3,000种不同的运行条件，包括构网型（GFM）与跟网型（GFL）控制模式、多种扰动类型和初始状态，使得研究者能够系统性地检验模型在不同时间尺度上的泛化能力。这一场景填补了公开数据集中缺乏跨分辨率、跨控制模式的成对仿真轨迹的空缺，为神经算子、物理信息学习等前沿方法提供了标准化的基准平台。

实际应用

在实际应用中，SIIB-Time数据集为电网运营商、规划者和研究人员开发高保真且计算高效的仿真工具奠定了基础。基于该数据集训练的机器学习代理模型可被嵌入实时稳定性评估系统，用于快速筛查关键扰动场景，识别系统失稳风险，而无需进行耗时的全EMT仿真。此外，这些模型能够辅助逆变器控制参数的优化设计，支持构网型与跟网型逆变器在不同运行工况下的性能评估。该数据集的应用场景涵盖了从单逆变器系统向多机系统的扩展验证，尽管其当前基于单逆变器无穷大母线（SIIB）的简化模型，但为最终实现大规模含逆变器电力系统的实时仿真提供了可复现的研究起点。

衍生相关工作

SIIB-Time数据集的发布有望衍生出一系列具有影响力的相关工作。它直接支持对时间步长不变性代理模型的研究，这是当前电力系统-机器学习交叉领域的新兴方向。研究者可基于该数据集开发神经算子（如FNO、DeepONet）或物理信息神经网络（PINN），探索其在跨分辨率时域仿真中的性能，并与传统方法进行系统对比。该数据集的成对EMT/RMS结构也为研究模型蒸馏、多任务学习以及域自适应技术提供了理想平台。此外，已有工作（如[20]）虽探索了RMS域下的变分辨率仿真，但缺乏逆变器模型和高保真EMT数据支持，SIIB-Time将填补这一空白，催生更多关于控制模式敏感性、扰动类型泛化以及稳定边界预测的经典研究。