基于 ANN 的电网阻抗估计在动态电网条件下 VSG 自适应增益调度中的应用-计算机科学-电网阻抗估计-增益调度-人工神经网络.pdfVIP

基于ANN的电网阻抗估计在动态电网条件下

VSG自适应增益调度中的应用

Quang-ManhHoang,VanNamNguyen,TaehyungKim,GuilhermeVieiraHollweg,WencongSu,Van-HaiBui

DepartmentofElectricalandComputerEngineering,UniversityofMichigan-Dearborn,USA

摘要—与跟随电网的逆变器相比，虚拟同步发电机（VSGs）定性。然而，在单个恒定电网阻抗的情况下，惯性和阻

在弱电网条件下表现出色，但在强电网下可能变得不稳定。电网尼比都是固定的。在[4]中，作者提出了一种有功功率

强度取决于电网阻抗，而电网阻抗不幸地随时间变化。本文提出控制方案以增强VSG的瞬态稳定性；尽管如此，他们

了一种针对VSGs的新颖自适应增益调度控制方案。首先，人

本仍将电网阻抗视为静态参数，这限制了其在实际时间变

工神经网络（ANN）估计基频电网阻抗；然后这些估计值被输

译入到一个自适应增益调度函数中，在不同的电网条件下重新计算化条件下的适用性。参考[5]引入了一个基于线路频率

中控制器参数。所提方法在Simulink中进行了验证，并与采用固平均小信号模型的四步系统设计过程来确定VSG功率

2定控制器增益的传统VSG进行了比较。结果表明，在不同电网环路参数，该模型量化了有功和无功功率回路何时可以

v条件下，调节时间和超调百分比保持一致。此外，以前未见的电解耦。尽管此分析解决了有功-无功耦合问题，但它假设

4

0网阻抗值能够被高精度且几乎没有时间延迟地估计出来，使得这电网阻抗是固定的且主要为感性的，并未考虑X/R比

3种方法非常适合实时增益调度控制。

3的变化及其对环路耦合的影响。

2IndexTerms—虚拟同步发电机，电网阻抗估计，增益调

.度，人工神经网络。为了克服这些缺点，许多论文集中于在线估计电网

6

0阻抗以提高控制效率[7]–[13]。这些方法主要分为两大

5I.介绍类：侵入式和非侵入式方法。侵入式方法故意在网络中

2

:可再生能源（RES）渗透率的增加导致了电力系统注入已知的测试信号并测量电压或电流响应来计算阻

v

i动态的重大变化，需要先进的控制策略来管理基于逆变抗[7],[11]–[13]。这些算法具有快速收敛性；然而，注

x

r

a器的资源（IBRs）[1],[2]。与传统的同步发电机不同，入的信号可能干扰正常运行或违反电网代码。它们还可

IBRs依赖于电力电子设备连接到电网，这改变了整体能需要专用的注入接口。具体而言，在[7]中，作者提

系统的稳定性特征。IBRs的两种常见控制范式是跟踪出了一种基于在线电网阻抗估计算法的自适应控制策

电网（GFL）逆变器和形成电网（GFM）逆变器。虽然略。但是，这种估算方法存在较大的时间延迟。此外，

GFL逆变器通过追踪电网电压并注入所需的有功和无在VSG控制环中注入75Hz信号这样的侵入式方法可

功功率来运行，但由于其对外部同步信号的依赖，在弱能会引入不必要的与控制动态之间的相互作用。在[8]

电网条件下会出现问题。相比之下，基于虚拟同步发电中，扩展卡尔曼滤波器用于估计感性-电阻性电力网络

机（VSG）概念的GFM逆变器模仿传统同步机器的动中的电网阻抗。然而，这种方法的性能取决于初始条件

态行为，从而增强系统稳定性并提供惯性支持。然而，猜测和过程噪声协方差的调整。因此，在[9]中，作者

尽管在弱电网场景中具有优势，但如果控制器设计不提出了一种ANN方法来高精度且时间延迟最小地识别

当，VSGs在强电网条件下可能会变得不稳定。电网阻抗。但是，该方法仅应用于GFL逆变器，并未

若干研究