← 返回
通过构网型混合光伏电站提升电力系统短期电压稳定性
Short-Term Voltage Stability Improvement in Power System Through Grid-Forming Hybrid PV Plants
| 作者 | Muhammad Sarwar · Venkataramana Ajjarapu · Amarsagar R. R. Matavalam · Soummya Roy · Hugo N. Villegas Pico |
| 期刊 | IEEE Transactions on Industry Applications |
| 出版日期 | 2025年3月 |
| 技术分类 | 光伏发电技术 |
| 技术标签 | 构网型GFM |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 故障诱导延迟电压恢复 混合光伏电站 负荷控制 深度强化学习 电压恢复 |
语言:
中文摘要
摘要:在基于逆变器的电源(IBR)高渗透率的电力系统中,短期电压稳定性问题是主要关注点。故障引发的延迟电压恢复(FIDVR)就是这样一个可能导致短期电压不稳定的问题。本文研究了利用混合光伏电站的动态电压支持和负荷控制来缓解FIDVR的方法。我们提出了一个基于深度强化学习(DRL)的优化框架,用于混合光伏电站的最优动态无功注入和最优负荷控制。无功注入量和切负荷量取决于系统运行工况,因此这个数据驱动的框架能够给出适应不同运行工况的最优设定值。数值模拟表明,最优动态无功注入和负荷控制能够改善电压恢复情况,并减少切负荷量,以满足电压恢复标准。
English Abstract
Short-term voltage stability problems are a major concern in power systems with high penetration of inverter-based resources (IBRs). Fault-induced delayed voltage recovery (FIDVR) is one such problem that can lead to short-term voltage instability. This paper investigates FIDVR mitigation using dynamic voltage support from hybrid PV plants and load control. We propose a deep reinforcement learning (DRL) based optimization framework for optimal dynamic reactive power injection from hybrid PV plants and optimal load control. The Q-injection and amount of load tripping depend on system operating conditions, so the data-driven framework gives optimal setpoints that are adaptable to the varying operating conditions. The numerical simulations show that the optimal dynamic reactive power injection and load control improve the voltage recovery and decrease the load trip amount to comply with the voltage recovery criterion.
S
SunView 深度解读
从阳光电源的业务视角来看,本论文所探讨的短期电压稳定性问题及其解决方案具有重要的战略意义。随着全球光伏装机容量持续增长,故障引发的延迟电压恢复(FIDVR)问题日益凸显,这直接关系到我司光伏逆变器产品在高渗透率场景下的电网适应性。
论文提出的构网型混合光伏电站方案与我司技术路线高度契合。我司已在1+X模块化逆变器和储能系统集成方面积累深厚技术储备,具备将光伏与储能结合实现动态无功支撑的硬件基础。论文采用深度强化学习优化动态无功注入和负荷控制的方法,为我司智能控制系统升级提供了明确方向。这种数据驱动的自适应控制策略能够根据系统运行工况实时调整,显著优于传统固定参数控制,可有效提升我司产品在复杂电网环境下的故障穿越能力和电压支撑性能。
技术应用前景广阔但存在挑战。积极方面,该技术可直接嵌入我司新一代光储一体化解决方案,增强产品在欧美等要求严格电网规范市场的竞争力,同时为电网侧储能项目创造增值服务机会。然而,深度强化学习算法的工程化实施需要大量实际电网数据训练,模型鲁棒性和实时性仍需验证;此外,不同区域电网特性差异较大,算法的泛化能力是关键考验。
建议我司组建专项团队,结合现有SVG、SVC等无功补偿产品经验,开展构网型逆变器控制算法研究,并在示范项目中积累运行数据,逐步形成具有自主知识产权的智能电压支撑解决方案,巩固在新型电力系统中的技术领先地位。