模型驱动提供物理机理的可解释性，数据驱动赋予海量信息的挖掘能力，联合驱动在两者之间架起桥梁——电能质量分析的方法论正在经历从单一范式到融合范式的深刻演进。肖先勇教授团队研究报告系统梳理了电压暂降、电力谐波、电力扰动三大方向的分析方法，揭示了模型-数据-联合驱动的完整技术路线图。当新型电力系统的“双高”特征将问题推向新的复杂度，方法论融合成为必然选择。
模型驱动：物理机理的数学表达
模型驱动方法的核心是基于叠加原理与故障分量法求解系统短路电流分布。在电压暂降分析中，考虑新能源动态响应特性建立分块节点电压方程，提出分区并行迭代计算方法。在谐波分析中，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。模型驱动的优势在于物理机理清晰、可解释性强，但面临维数灾难问题——随着系统规模扩大，计算复杂度急剧上升；同时依赖精确的系统阻抗参数和拓扑信息，在参数不确定场景下适用性受限。
数据驱动：从海量监测数据中挖掘规律
数据驱动方法突破模型依赖，直接从监测数据中挖掘扰动传播规律。在电压暂降分析中，提出时空特征融合的暂降状态估计方法，估计未监测点暂降特征；基于改进图卷积网络实现暂降溯源，无需系统先验信息，IEEE 123节点溯源准确率≥82%。在谐波分析中，提出复最小二乘法辨识谐波耦合矩阵参数，电流波形误差均小于8%；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。数据驱动的优势在于无需精确物理模型、适应性强，但受监测布点影响显著、泛化性差、可解释性不足。
联合驱动：物理约束与数据学习的深度融合
联合驱动方法将物理机理与数据学习深度融合，取两者之长。在电压暂降分析中，基于在线监测数据辨识新能源控制参数，结合迭代计算模型评估暂降水平；提出基于物理信息神经网络的暂降溯源方法，将暂降传播规律作为约束嵌入神经网络。在谐波分析中，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，较纯数据驱动方法具有更强泛化性能与可靠性。在设备健康监测中，提出模型-数据联合驱动的设备早期故障诊断方法，通过模型驱动的损失函数构建提升算法泛化能力。联合驱动方法的核心价值在于：用物理约束指导数据学习方向，用数据洞察修正物理模型偏差。
方法论演进的工程验证与未来方向
基于理论研究成果，电压暂降分析高级应用功能模块已在国家电网、南方电网上线运行，覆盖20余个省级电网。谐波评估软件已集成谐波潮流计算、谐振风险评估等功能，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。未来方向：模型-数据联合驱动的电力扰动大模型不仅有助于提升电能质量的可观、可知、可控能力，还可延伸到电能质量领域外，解决系统级、设备级难题。
