找到 4 条结果 · 电动汽车驱动
不平衡电网条件下的构网型逆变器并网资源：挑战、解决方案与前景
Grid-Forming IBRs Under Unbalanced Grid Conditions: Challenges, Solutions, and Prospects
Xinquan Chen · Siqi Bu · Ilhan Kocar · IEEE Transactions on Sustainable Energy · 2025年6月
基于逆变器的资源（IBRs）在电网中的渗透率持续增长，其在不平衡电网条件下的控制行为可能影响系统稳定性与保护性能。本文评估了主流构网型控制IBRs（GFM-IBRs）在不平衡条件下的运行性能，并提出新的分析框架。通过文献综述与基准系统的电磁暂态（EMT）仿真，研究GFM-IBRs对系统动态特性、保护及故障穿越能力的影响。构建适用于全功率变换器GFM-IBRs的通用FRT控制结构，对比分析序分量分解、正序电流限幅、负序控制及电流协调等现有方法，揭示其优缺点。最后探讨关键挑战，展望未来研究方向。
解读: 该研究对阳光电源构网型储能与光伏产品具有重要应用价值。针对不平衡电网条件下的GFM控制挑战，可直接应用于ST系列储能变流器和PowerTitan大型储能系统的控制策略优化。文中提出的序分量分解、正负序电流协调及FRT控制框架，可增强阳光电源GFM产品在电网故障时的穿越能力和保护性能。特别是负序电流抑...
基于多时间尺度图特征的多电压等级配电网负荷转移优化以抑制过载级联
Load Transfer Optimization With Graph Characterizations on Multiple Time-Scales for Multi-Voltage Distribution Networks Against Overload Cascades
Chao Lei · Nengqiao Wei · Qianggang Wang · Yao Zou 等6人 · IEEE Transactions on Power Delivery · 2025年5月
在电气化交通中，越来越多的电动汽车采用超快速充电技术，导致短时高功率负荷激增，给高压和中压配电网的实时负荷平衡带来挑战。为此，本文提出一种基于图特征简化潮流方程与辐射状约束的负荷转移优化（LTO）模型，并构建了多时间尺度的分层优化框架，有效降低计算复杂度，减少开关操作成本与网损，实现不同电压层级配电系统运营商间的协调。案例研究表明，该方法在计算效率和实际应用效果上均优于传统网络重构方法。
跟网型与构网型逆变器负序行为的对比分析：建模、控制与保护
Comparative Analysis of Negative Sequence Behavior in Grid-Following and Grid-Forming Inverters: Modeling, Control, and Protection
Xinquan Chen · Ilhan Kocar · Siqi Bu · Evangelos Farantatos 等5人 · IEEE Transactions on Power Delivery · 2025年4月
构网型（GFM）控制有望提升高比例逆变器并网系统的稳定性，但在电网不平衡条件下，其对负序电流幅值与相位的调节特性不同于跟网型（GFL）控制及同步发电机，可能违背故障穿越要求并导致保护误动。本文基于相量域解析模型，阐明GFL与GFM逆变器在负序系统中的基本特性及影响因素，提出一种简化的GFM逆变器阻抗计算方法，并实现适用于平衡正序控制（BPSC）与正负序控制（PNSC）的FRT控制策略。基于IEEE PSRC D29系统的对比研究表明，GFM BPSC方案下负序阻抗特性主要由内环电压控制参数决定，...
解读: 该研究对阳光电源ST系列储能变流器和SG系列光伏逆变器的GFM/GFL控制策略优化具有重要价值。文中提出的简化GFM阻抗计算方法可直接应用于PowerTitan储能系统的电网适应性设计，帮助优化内环电压控制参数以满足不平衡故障穿越要求。BPSC与PNSC控制策略对比为阳光电源构网型产品在弱电网场景下...
基于模仿专家经验的可解释深度强化学习在电动汽车智能充电中的应用
Interpretable Deep Reinforcement Learning With Imitative Expert Experience for Smart Charging of Electric Vehicles
Shuangqi Li · Alexis Pengfei Zhao · Chenghong Gu · Siqi Bu 等6人 · IEEE Transactions on Power Systems · 2024年7月
深度强化学习（DRL）因计算效率高，有望实现复杂系统的在线优化控制，但其可解释性与可靠性限制了在智能电网能量管理中的工程应用。本文首次提出一种新颖的模仿学习框架，用于解决电网连接电动汽车（GEV）充电管理中的高效计算问题。通过基于车网互动（V2G）成本效益分析的先验优化模型生成最优策略，并构建专家经验池以配置学习环境。设计双Actor-Imitator网络结构，实现专家知识向强化学习模型的有效迁移，提升训练效率与调度性能。实验结果表明，该方法在英国某示范微网中有效提升了V2G经济效益并缓解了电池...
解读: 该可解释深度强化学习技术对阳光电源充电桩产品线及储能系统具有重要应用价值。文章提出的模仿学习框架可直接应用于阳光电源V2G充电桩的智能调度算法，通过专家经验池加速DRL训练，提升充电策略的可靠性与可解释性，解决传统黑盒AI在电网能量管理中的工程化难题。该方法可集成至iSolarCloud云平台，实现...