电容器起火、光伏隔变烧毁、逆变器发热损坏、变压器击穿——谐波谐振正在以“设备杀手”的方式威胁新型电力系统的安全运行。肖先勇教授团队研究报告系统梳理了电力谐波分析的三种方法：模型驱动的谐波耦合矩阵、数据驱动的参数辨识与谐波潮流、联合驱动的物理约束融合。从谐波耦合矩阵的模块化建模到物理信息网络的泛化性能提升，谐波分析正在从“单点计算”走向“系统级研判”。
电力谐波的危害与成因：宽频非线性与谐振放大
谐波是波形畸变的频域表征，频率为工频整数倍。当谐波与电力系统固有谐振频率匹配时出现谐波谐振现象。谐波增加线路与设备损耗、加速绝缘老化，干扰继电保护及自动装置正常工作，还易引发谐波谐振，严重影响电网安全稳定运行。谐波严重场景包括新能源场站、高压直流输电、冶金钢铁、轨道交通。典型事故包括电容器起火、光伏隔变烧毁、逆变器发热损坏、变压器击穿。电力电子设备是新型电力系统主要的谐波源与谐振源：开关过程产生宽频段谐波；非线性控制导致其阻抗特性在多个频段呈现容性，激发谐振模态。
模型驱动：谐波耦合矩阵实现模块化标准化建模
传统谐波分析将谐波源建模为电流源，并通过谐波潮流计算分析波形畸变的严重程度，难以适用于海量电力电子设备接入的新型电力系统。提出基于谐波耦合矩阵的电力电子设备建模方法，将宽频段非线性描述为频域相量卷积矩阵，充分考虑不同频次谐波的耦合特性，实现模块化、标准化建模。相比于现有模型，建模精度显著提升。该方法将复杂的宽频非线性问题转化为可计算的矩阵形式，为大规模电力电子设备的谐波分析提供了统一的数学框架。
数据驱动：复最小二乘法辨识与深度学习谐波潮流
针对设备模型信息难获取的问题，提出数据驱动的谐波耦合矩阵参数辨识方法，通过复最小二乘法求解矩阵参数，并根据网侧电压对参数自适应更新。电流波形误差均小于8%，动态自适应模型建模精度提升至少10%。针对系统参数难获取的问题，提出基于深度学习的谐波潮流算法，直接建立节点功率与谐波电压映射关系，实现谐波潮流快速可靠求解。
联合驱动与工程应用：物理约束融合提升泛化性能
若拓扑信息可知，融合谐波潮流物理约束及拓扑信息，提出模型-数据联合驱动的谐波潮流计算方法，较数据驱动方法具有更强的泛化性能与可靠性。该方法将谐波潮流的物理方程作为约束条件嵌入神经网络训练过程，使模型在数据不足或工况变化时仍能保持物理一致性。基于理论成果，研发了谐波评估软件，集成谐波潮流计算、谐振风险评估等功能，已在青海海西/海南千万千瓦级新能源基地、浙江苍南海上风电等重大工程应用。
