← 返回
基于机器学习的并网逆变器增强稳定性和动态性能的正向设计方法
Machine Learning-Based Forward Design Approach for Grid-Connected Inverters With Enhanced Stability and Dynamic Performance
| 作者 | Longxiang You · Xin Zhang · Sicong Jin · Moude Luan |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年10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 跟网型GFL |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 并网逆变器 级联不稳定性 机器学习 正向设计 动态性能 电力系统稳定性 |
语言:
中文摘要
针对并网逆变器在弱电网下易发生级联失稳的问题，本文提出一种基于机器学习的正向设计方法。该方法在设计阶段即综合考虑了系统的级联稳定性与动态响应性能，通过机器学习模型优化控制参数，有效提升了逆变器在复杂电网环境下的运行稳定性和动态调节能力。
English Abstract
Grid-connected inverter (GCI) is extensively utilized in renewable energy power systems. However, these systems are prone to cascaded instability when connected to the power grid, even if both the inverter and the grid are stable themselves. To achieve an integrated design that considers cascaded stability and dynamic response, this article proposes a forward design method for GCI based on machine...
S
SunView 深度解读
该研究直接契合阳光电源组串式逆变器及集中式逆变器在弱电网环境下的并网需求。随着全球光伏渗透率提升，电网强度降低，逆变器的稳定性设计面临挑战。该方法可应用于阳光电源iSolarCloud智能运维平台的数据积累，通过机器学习优化逆变器控制参数库，提升产品在弱电网下的适应性。建议研发团队将此正向设计方法集成至下一代逆变器控制算法开发流程中，以降低现场调试难度，减少因电网阻抗波动导致的脱网风险，进一步巩固阳光电源在复杂电网并网技术领域的领先地位。