← 返回
电网边缘的机器学习：面向无模型逆变器的数据驱动阻抗建模
Machine Learning at the Grid Edge: Data-Driven Impedance Models for Model-Free Inverters
| 作者 | Yufei Li · Yicheng Liao · Liang Zhao · Minjie Chen · Xiongfei Wang · Lars Nordström · Prateek Mittal · H. Vincent Poor |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年8月 |
| 技术分类 | 系统并网技术 |
| 技术标签 | 并网逆变器 机器学习 弱电网并网 构网型GFM |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 电网边缘 智能逆变器 阻抗建模 机器学习 电网稳定性 数据驱动 可再生能源 |
语言:
中文摘要
未来电网将由大量连接可再生能源的智能逆变器支撑，其动态特性通常表现为阻抗，对电网稳定性和韧性至关重要。由于逆变器物理实现差异大且往往涉及商业机密，传统的解析阻抗建模方法受限。本文提出了一种数据驱动的阻抗建模方法，利用机器学习技术在无需已知内部物理模型的情况下，准确表征逆变器的阻抗特性，为电网稳定性分析提供新思路。
English Abstract
It is envisioned that the future electric grid will be underpinned by a vast number of smart inverters linking renewables at the grid edge. These inverters' dynamics are typically characterized as impedances, which are crucial for ensuring grid stability and resiliency. However, the physical implementation of these inverters may vary widely and may be kept confidential. Existing analytical impedan...
S
SunView 深度解读
该研究对于阳光电源的组串式光伏逆变器及PowerTitan/PowerStack储能系统具有重要应用价值。随着电网渗透率提升，弱电网下的谐振抑制与稳定性控制是行业痛点。通过引入数据驱动的阻抗建模，阳光电源可在iSolarCloud智能运维平台中实现更精准的电网交互特性监测，优化逆变器在复杂电网环境下的并网控制策略。此外，该技术有助于提升构网型（GFM）逆变器的控制鲁棒性，减少因黑箱模型导致的并网调试难度，为公司在全球大型地面电站及微电网项目中的并网稳定性提供技术支撑。