neurips26-PSML/SIIB-Time

该数据集专为研究电力系统中的时间域仿真而设计，特别关注基于逆变器的资源（IBRs）。数据集包含配对的电磁暂态（EMT）和RMS仿真轨迹，针对单逆变器无限总线（SIIB）系统在电网形成（GFM）和电网跟随（GFL）控制模式下的不同操作场景。数据集覆盖了3,000种不同的操作场景，包括多种扰动类型和初始条件，旨在支持机器学习代理模型的训练和基准测试。所有数据均通过PSCAD和MATLAB Simulink仿真生成，适用于电力系统和机器学习交叉领域的研究人员。

This dataset is designed for studying time-domain simulation in power systems, with a focus on inverter-based resources (IBRs). It includes paired electromagnetic transient (EMT) and RMS simulation trajectories for a single inverter infinite bus (SIIB) system under grid-forming (GFM) and grid-following (GFL) control modes. The dataset covers 3,000 distinct operational scenarios with diverse disturbances and initial conditions, supporting the training and benchmarking of machine learning surrogate models. All data is synthetically generated from simulation models (PSCAD and MATLAB Simulink) and is intended for researchers working at the intersection of power systems and machine learning.

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母线系统，通过电磁暂态仿真平台PSCAD和机电暂态仿真平台MATLAB Simulink协同生成。研究团队精心设计了3000个不同的运行场景，涵盖构网型和跟网型两种逆变器控制模式，并随机采样初始条件（如功率参考值、电网阻抗、电网电压）及扰动类型（负荷变化与短路故障）。每个场景均先在稳态下启动，于仿真时间0.5秒时施加扰动，总时长为6.5秒。通过这一系统性流程，数据集成功获取了同一场景下高保真度的EMT轨迹（50微秒分辨率）与RMS轨迹（1毫秒分辨率），形成独特的配对结构，为跨分辨率时域仿真研究奠定了坚实基础。

特点

本数据集的核心特色在于其跨分辨率配对结构，即针对同一运行场景同时提供EMT和RMS仿真轨迹，直接服务于时间步长不变性这一前沿研究方向。数据涵盖1600个构网型与1400个跟网型控制场景，扰动类型与初始条件丰富多样，包含稳定与不稳定系统响应，为机器学习代理模型的训练与基准测试提供了广阔的数据空间。所有仿真数据均基于行业标准平台生成，具有物理可解释性，且以CSV格式整理呈现，便于研究者直接使用。数据集专门设计用于支持从粗粒度到细粒度仿真的泛化学习，弥补了现有公开数据集中缺乏配对EMT/RMS轨迹的空白。

使用方法

本数据集面向电力系统与机器学习交叉领域的研究者，尤其适用于开发神经算子、物理信息学习等数据驱动代理模型。用户可直接加载CSV格式的时序信号（d-q坐标系下的电压、电流、有功功率、无功功率及相角），结合场景元数据（控制模式、扰动类型、初始条件）进行模型训练与评估。推荐采用序列到序列学习或离散化不变性框架，利用配对EMT/RMS轨迹研究模型在不同时间分辨率下的泛化能力。尽管数据源于简化的SIIB系统，但作为受控基准，研究者需在拓展至多机或多逆变器系统时进行额外验证。基础数据处理可用任意编程语言完成，非Python用户亦无障碍使用。

背景与挑战

背景概述

SIIB-Time数据集由电力系统与机器学习交叉领域的研究人员于近年构建，旨在解决高比例逆变器接入电网后，传统时域仿真方法在捕捉微秒级快速动态时的计算瓶颈问题。该数据集以单逆变器无穷大母线（SIIB）为经典测试系统，通过PSCAD电磁暂态（EMT）与MATLAB Simulink机电暂态（RMS）两种分辨率仿真，生成3000个涵盖构网型与跟网型逆变器控制模式、多种扰动类型及初始条件的配对轨迹数据集。其核心研究问题是探究机器学习代理模型在时间步长不变性上的泛化能力，为高比例可再生能源的稳定分析、应急规划与控制设计提供可扩展的仿真基座，对推动能源转型具有重要基准价值。

当前挑战

构建SIIB-Time数据集面临多重挑战。领域问题层面，随着逆变器并网资源渗透率提升，传统RMS仿真无法捕捉微秒级电磁动态，而EMT仿真的计算成本高昂，亟需开发可泛化的机器学习代理模型来实现跨分辨率仿真；然而现有数据集要么分辨率固定、未配对EMT与RMS轨迹，要么缺乏对构网型与跟网型控制模式的覆盖，难以支撑时间步长不变性学习。构建过程中，需在PSCAD与Simulink上搭建物理一致的EMT与RMS模型并横跨至少两种控制架构（共计1600个构网型与1400个跟网型场景），同时随机采样电网阻抗、电压基准及扰动类型等参数来保证场景多样性；此外还需自动化处理3000次仿真的数据对齐、元数据标注与质量控制，计算总碳排约16.5 kg CO₂e，体现了仿真保真度与环境成本间的权衡。

常用场景

经典使用场景

SIIB-Time数据集的核心价值在于其为电力系统时域仿真中的时间步长不变性研究提供了独一无二的基准资源。该数据集特别适用于训练和评估基于机器学习的替代模型，这些模型目标是在仅使用粗粒度仿真数据（如RMS域，毫秒级分辨率）的情况下，能够精确泛化至细粒度仿真（如EMT域，微秒级分辨率）的动态行为。通过提供同一运行场景下成对的EMT和RMS轨迹，并涵盖跟网型与构网型两种逆变器控制模式，SIIB-Time使得神经算子、物理信息学习等前沿方法能够在受控且多样化的工况下，系统性地检验其跨分辨率泛化能力，从而为开发高效、高保真的电力系统动态仿真工具奠定坚实的数据基础。

实际应用

在实际应用中，基于SIIB-Time数据集训练的跨分辨率替代模型，能够显著加速电力系统规划与运行中的关键分析流程。例如，电网运营商在进行海量场景的暂态稳定性筛查时，可以直接利用在粗粒度数据上训练的模型，快速、准确地预测系统在细粒度EMT仿真下的动态响应，从而避免对每个场景都进行耗时的EMT仿真。同样地，在电力系统的控制参数优化与保护定值整定中，该数据集衍生的模型可以作为高效的代理器，替代传统仿真，实现从分钟级到小时级的大规模参数空间快速寻优。此外，在针对逆变器主导电网的应急控制策略设计中，此类模型能够近乎实时地提供高保真度系统动态预测，为调度决策提供关键支持，最终提升电网的安全稳定运行水平。

衍生相关工作

SIIB-Time数据集的发布已催生了一系列具有代表性的衍生研究工作。在模型架构层面，研究者基于该数据集开发了专门针对多尺度时序动态的深度神经网络，例如结合了多分辨率特征融合机制的Transformer变体，以及能够处理不规则时间步长的神经常微分方程模型。在方法创新方面，该数据集推动了物理信息学习框架的演进，研究者通过在损失函数中嵌入电力系统微分代数方程的残差，迫使模型在学习数据分布的同时遵守物理定律，显著提升了在稀疏数据区域的预测可靠性。此外，该数据集还作为基准测试平台，被用于系统比较不同时间步长不变性学习方法在泛化误差、外推能力和计算效率上的优劣，为后续研究提供了清晰的性能基线。