找到 27 条结果 · IEEE Transactions on Power Systems
基于序的异构智能体强化学习方法用于配电网与输电网协调的负荷频率控制
Order-based Heterogeneous Agents Reinforcement Learning Method with the Coordination of Distribution Network and Transmission Network for Load Frequency Control
Shixuan Yu · Xiaodong Zheng · Tianzhuo Shi · Ruilin Chen 等6人 · IEEE Transactions on Power Systems · 2025年8月
随着大规模分布式能源（DERs）持续接入配电网（DN），DN已具备参与负荷频率控制（LFC）的能力。本文提出一种基于序的异构智能体软演员-评论家方法（OHASAC），以解决异构可控DERs间的协调问题。通过神经网络估计异构智能体的最优更新顺序，并将最优LFC问题建模为考虑DN与输电网（TN）协调的局部可观测马尔可夫博弈。模型涵盖变辐照条件下电池储能系统（BESS）与光伏（PV）的协同调频。仿真结果表明，该方法在DN-TN协同环境中能有效管理多种分布式电源，兼具优良的泛化性与可扩展性。
解读: 该异构智能体协同控制技术对阳光电源PowerTitan储能系统与SG系列光伏逆变器的协同调频具有重要应用价值。OHASAC方法可优化ST储能变流器在变辐照条件下的BESS-PV协同响应策略，提升配电侧分布式资源参与电网LFC的能力。基于序的智能体更新机制可集成至iSolarCloud平台，实现多站点...
训练集再应用:基于相似样本的电力系统主导失稳模式识别物理可靠框架
Reapplication of Training Set: A Physically Reliable Framework for Power Systems Dominant Instability Mode Identification Using Similar Samples
Yutian Lan · Shanyang Wei · Wei Yao · Yurun Zhang 等6人 · IEEE Transactions on Power Systems · 2025年8月
准确且在物理上可靠地识别主导不稳定模式（DIM）对于确保电力系统的安全稳定运行至关重要。数据驱动模型，尤其是深度学习（DL），在应对这一挑战方面取得了显著进展。然而，深度学习的“黑箱”特性限制了其可解释性，导致结果不可靠，这与电力系统严格的可靠性要求相冲突。为解决这一问题，本文提出了一种新颖的 DIM 识别框架，通过重新应用训练集样本提高识别的准确性和可靠性。首先，提出了一种训练方法，以增强 DIM 模型的抗噪声能力和对相似样本的聚类能力，实现高精度的 DIM 识别。此外，还开发了一种两阶段可解...
解读: 该失稳模式识别技术可应用于阳光电源智慧能源管理系统的稳定性监控。通过数据驱动的失稳模式识别,及时发现光伏并网系统和储能系统的潜在失稳风险,优化控制策略,提升大规模新能源并网的稳定性,为电网安全运行提供预警支持。...
一种用于交流潮流计算的无监督物理信息神经网络方法
An Unsupervised Physics-Informed Neural Network Method for AC Power Flow Calculations
Bozhen Jiang · Chenxi Qin · Qin Wang · IEEE Transactions on Power Systems · 2025年7月
潮流（PF）计算对于电力系统分析至关重要。近年来，数据驱动方法作为一种有前景的加速潮流计算的途径应运而生。然而，这些方法需要高质量的标注数据，且往往存在泛化能力差的问题。为解决这些问题，本文提出了一种用于交流潮流计算的无监督物理信息神经网络（UPINN）方法。该方法遵循牛顿 - 拉夫逊法的一般过程。通过最小化基于有功和无功功率不匹配设计的物理信息损失函数，潮流方程可直接得到满足，而无需计算雅可比矩阵的逆。本文给出了所提出的UPINN训练方法收敛性的证明。在IEEE 24节点和118节点系统上的案...
解读: 该无监督物理信息神经网络潮流计算技术对阳光电源储能与光伏系统具有重要应用价值。在PowerTitan大型储能系统和光储一体化电站中，该方法可嵌入iSolarCloud云平台实现实时潮流分析，无需历史标注数据即可快速求解节点电压与功率分布，显著提升ST系列储能变流器的并网控制响应速度。对于构网型GFM...
混合电动汽车集群随机充电行为下的异构聚合控制模型
Heterogeneous Aggregation Control Model for Hybrid EV Clusters with Random Charging Behavior
Xin Wu · Xinyu Jiang · Lijuan Yao · Gangjun Gong · IEEE Transactions on Power Systems · 2025年6月
随着大量电动汽车无序接入电网，将其聚合为统一系统并调控其功率输出以支持供需平衡具有重要意义。针对混合电动汽车集群参数异构、随机启停带来的聚合与控制难题，本文提出一种聚合控制模型。首先构建异构电动汽车的等效聚合模型，并采用径向基函数（RBF）神经网络辨识等效参数；其次引入随机数量修正机制提升模型精度；最后利用滑模控制实现聚合功率跟踪。仿真验证了模型在不同异构场景下对风电与光伏出力的跟踪能力，结果表明该模型具备良好的控制精度、稳定性和用户舒适性。
解读: 该研究对阳光电源充电桩集群管理和储能系统调度具有重要应用价值。基于RBF神经网络的异构聚合控制模型可优化充电桩群控系统的功率调度算法,提升电动汽车V2G/G2V双向功率控制精度。该技术可应用于阳光电源直流充电桩、ST系列储能变流器和PowerTitan大型储能系统,实现充放电功率的精准跟踪控制。特别...
电力系统暂态稳定评估中神经网络的鲁棒性认证
Robustness Certification of Neural Networks for Power System Transient Stability Assessment
Liangyuchen Lu · Yanzhen Zhou · Hongtai Zeng · Zhengcheng Wang 等6人 · IEEE Transactions on Power Systems · 2025年5月
神经网络（NNs）可快速准确地评估电力系统安全性，但对输入微小扰动的鲁棒性有限，可能导致误判。现有鲁棒性认证方法在暂态稳定评估中面临物理约束与敏感动态的挑战。为此，本文提出考虑物理可行性的鲁棒性比率指标及两阶段认证框架，通过嵌入系统物理约束推导非平凡鲁棒下界，并利用优化样本的稳定性验证获取上界。基于该框架开展模型选择与对抗训练，提升模型鲁棒性。在新英格兰10机系统及实际区域电网中的验证表明所提方法有效。
解读: 该神经网络鲁棒性认证技术对阳光电源PowerTitan大型储能系统及构网型控制产品具有重要应用价值。在储能系统参与电网暂态稳定支撑时，需快速准确评估系统安全裕度，但传统神经网络模型易受扰动影响导致误判。该研究提出的物理约束嵌入式认证框架可应用于：1）ST系列储能变流器的GFM控制策略优化，通过鲁棒性...
基于矩阵补全的部分可观测条件下配电网络拓扑与参数学习
Learning to Learn Topology and Parameters of Distribution Grid with Matrix Completion under Partial Observability
Garima Prashal · Parasuraman Sumathi · Narayana Prasad Padhy · IEEE Transactions on Power Systems · 2025年5月
针对量测受限导致的配电网拓扑与参数信息不完整问题，提出一种融合图卷积网络与物理约束的拓扑增强型模型（TE-GCN）。通过引入节点间物理连接关系并嵌入潮流方程作为节点特征，提升模型可解释性与物理一致性。对于无电压量测的隐藏节点，采用神经网络结合潮流约束补全电压矩阵，并利用GCN估计拓扑结构。该方法将原始-对偶分裂算法展开为神经网络，以变分自编码器替代拓扑投影，优化网络结构学习。在四个含真实负荷数据的IEEE标准系统上的实验验证了其有效性。
解读: 该配电网拓扑与参数学习技术对阳光电源iSolarCloud智能运维平台及PowerTitan储能系统具有重要应用价值。在分布式光伏与储能大规模接入场景下，配电网拓扑信息往往不完整且动态变化，该研究提出的TE-GCN模型可基于有限量测数据重构网络拓扑并估计线路参数，为ST系列储能变流器的并网控制策略优...
基于特征谱与扩张因果卷积及Squeeze-Excitation ShuffleNet轻量级深度学习的区域风电场日前低功率输出事件预测
Prediction of Day-Ahead Low-Power Output Events in Regional Wind Farms Using Feature Spectrums with Dilated Causal Convolution and Squeeze-Excitation ShuffleNet Lightweight Deep Learning
Zimin Yang · Xiaosheng Peng · Xiaobin Zhang · Guoyuan Qin 等6人 · IEEE Transactions on Power Systems · 2025年5月
区域风电场低功率输出事件的准确预测对电力系统的电网调度至关重要。然而，传统的风电预测方法主要侧重于提高整体预测精度，因此很少单独讨论风电低功率输出事件。本文提出了一种创新的区域风电场日前低功率输出事件预测方法，该方法利用特征频谱，结合扩张因果卷积（DCC）和挤压 - 激励（SE）改进的ShuffleNet网络。首先，将时间序列区域特征转换为频谱图像，在特征创建和选择后，引入并讨论了三种可能的特征排列方式。其次，提出了DCC - SE - ShuffleNet轻量级深度学习神经网络作为低功率输出事...
解读: 该研究的深度学习预测方法对阳光电源的新能源发电及储能产品具有重要应用价值。特征谱分析与轻量级深度学习模型可集成到ST系列储能变流器和SG系列光伏逆变器的控制系统中,提升功率预测精度。具体应用包括:(1)优化储能系统的充放电调度策略,提高PowerTitan等大型储能系统的经济性;(2)改进光伏/风电...
基于物理信息图学习的大规模机组组合问题求解
Solve Large-scale Unit Commitment Problems by Physics-informed Graph Learning
Jingtao Qin · Nanpeng Yu · IEEE Transactions on Power Systems · 2025年4月
机组组合（UC）问题通常建模为混合整数规划（MIP），并通过分支定界（B&B）算法求解。近年来，图神经网络（GNN）通过学习“下潜”与“分支”策略来增强现代MIP求解器的性能。然而，现有GNN模型多基于数学表达构建，在处理大规模UC问题时计算代价较高。本文提出一种物理信息引导的分层图卷积网络（PI-GCN），用于神经下潜，利用电力系统各组件的物理特征寻找高质量变量赋值；同时采用基于MIP模型的图卷积网络（MB-GCN）进行神经分支。将二者嵌入现代MIP求解器，构建面向大规模UC问题的新型神经求解...
解读: 该物理信息图学习求解大规模机组组合技术对阳光电源储能系统和微网调度具有重要应用价值。在PowerTitan大型储能系统中，可优化多储能单元的充放电调度策略，显著降低综合运行成本；在iSolarCloud云平台的智能运维模块，可实现光储充一体化场景下的实时优化调度，通过PI-GCN快速求解含数百台SG...
面向物理的神经网络用于在线动态安全评估
Physics-following Neural Network for Online Dynamic Security Assessment
Chao Shen · Ke Zuo · Mingyang Sun · IEEE Transactions on Power Systems · 2025年4月
数据驱动的动态安全评估（DSA）已成为应对可再生能源与电力电子设备快速接入带来安全挑战的有力工具。近期，融合微分方程描述物理规律的物理信息神经网络（PINN）被引入DSA，但仍面临代数偏差、收敛错误及训练非凸性等难题。为此，本文提出一种新型面向物理的神经网络（PFNN），通过估计故障后状态响应实现DSA。设计双阶段训练策略：第一阶段采用监督参数空间缩减以提升可优化性；第二阶段引入动力学引导的局部学习，结合经验损失与源自动态模型的物理正则项，解决代数偏差并确保正确收敛。在WSCC 3机9节点、新英...
解读: 该物理引导神经网络技术对阳光电源储能与新能源并网产品具有重要应用价值。在PowerTitan大型储能系统中，可实现故障后动态响应的快速预测与安全评估，提升电网支撑能力；结合ST系列储能变流器的构网型GFM控制，通过动力学模型正则化训练，可优化虚拟同步机参数整定，增强暂态稳定性。在SG系列光伏逆变器的...
基于流形特征插值的静态测量到动态测量的保证转换
Guaranteed Conversion From Static Measurements Into Dynamic Ones Based on Manifold Feature Interpolation
Lihao Mai · Haoran Li · Yang Weng · Erik Blasch 等5人 · IEEE Transactions on Power Systems · 2025年2月
可再生能源渗透率上升及电动汽车等负荷波动导致电力系统稳定性问题，亟需动态测量技术。然而，高分辨率量测设备（如PMU）在配电网中数量有限，而低分辨率量测设备广泛存在。本文提出一种多分辨率数据插值方法，结合自编码器与曲率正则化实现最优插值设计，并引入物理信息神经网络（PINN）和随机物理信息神经网络（SPINN）以融合系统物理规律并处理不确定性。所提方法在输电与配电系统中均得到充分验证。
解读: 该多分辨率动态测量技术对阳光电源储能与光伏产品具有重要应用价值。在PowerTitan大型储能系统中，可融合SCADA低分辨率数据与有限PMU高分辨率数据，通过流形插值实现全站动态状态估计，提升ST系列储能变流器的并网稳定性监测能力。对于分布式光伏场站，该方法可将SG逆变器的秒级功率数据插值为毫秒级...
基于图神经网络的电力系统实时多稳定性风险评估与可视化
Real-Time Multi-Stability Risk Assessment and Visualization of Power Systems: A Graph Neural Network-Based Method
Qifan Chen · Siqi Bu · Huaiyuan Wang · Chao Lei · IEEE Transactions on Power Systems · 2024年12月
相较于单一稳定性评估，多稳定性风险评估（MSRA）在应对可再生能源出力波动和系统故障等不确定性时更具实用性。本文提出一种基于图神经网络（GNN）的实时MSRA方法，统一处理功角、电压、频率及换流器主导的多种稳定性问题。通过构建运行状态图与扰动图作为GNN输入，结合图卷积层与初始残差恒等映射，提取高阶特征；引入GraphNorm缓解过平滑并提升泛化能力。基于实时数据实现多稳定性风险的连续预测，并利用alpha形状可视化稳定与不稳定区域。在IEEE 39节点、WECC 179节点及英国电网系统中的仿...
解读: 该GNN多稳定性评估技术对阳光电源PowerTitan储能系统及iSolarCloud平台具有重要应用价值。针对大规模储能电站中ST系列变流器的构网型GFM控制，该方法可实时评估功角、电压、频率及换流器主导的多维稳定性风险，解决可再生能源波动下的系统安全问题。其图神经网络架构可集成至智能运维平台，实...
基于解析神经网络高斯过程的机会约束电压调节方法用于含光伏、电池和电动汽车的主动配电网
Analytic Neural Network Gaussian Process Enabled Chance-Constrained Voltage Regulation for Active Distribution Systems With PVs, Batteries and EVs
Tong Su · Junbo Zhao · Yansong Pei · Yiyun Yao 等5人 · IEEE Transactions on Power Systems · 2024年11月
本文提出一种基于解析神经网络高斯过程（NNGP）的机会约束实时电压调节方法，适用于含光伏、储能和电动汽车的主动配电网。NNGP利用历史量测数据通过贝叶斯推断实现节点电压的实时概率估计，并被完全解析地嵌入最优潮流模型中，以适应多种拓扑变化。通过机会约束显式考虑电压估计的不确定性，显著提升了不同场景下电压调节的可靠性。在美国科罗拉多州西部实际759节点系统上的仿真结果表明，所提方法在多种拓扑下均能实现精确电压估计，并有效协调光伏、电池与电动汽车实现可靠电压调节。
解读: 该解析神经网络高斯过程电压调节技术对阳光电源多产品线协同控制具有重要价值。在ST储能系统方面，可将NNGP概率预测嵌入PowerTitan的能量管理系统，实现基于不确定性的机会约束优化调度，提升电压支撑可靠性。对于SG系列光伏逆变器，该方法可优化无功调节策略，在拓扑变化场景下保持电压稳定。在充电桩产...
基于物理信息的图学习方法以实现配电系统最优切换问题求解
Physics-Informed Graph-Based Learning to Enable Solving Optimal Distribution Switching Problem
Reza Bayani · Saeed Manshadi · IEEE Transactions on Power Systems · 2024年9月
本文提出了一种新颖的图卷积神经网络（GCN）架构，用于求解配电网络中的最优切换问题，并在学习过程中融合了底层的潮流方程。该切换问题被建模为混合整数二阶锥规划（MISOCP），因其计算复杂性而在实际应用中难以求解。与现有研究不同，所提出的算法在训练及推理阶段均引入描述物理系统约束的数学模型信息，确保决策结果的可行性。研究结果表明，利用线性化模型的预测结果指导MISOCP求解具有显著潜力。
解读: 该基于物理信息的图学习配电优化技术对阳光电源PowerTitan储能系统及iSolarCloud智能运维平台具有重要应用价值。在配电网侧储能场景中，该方法可实时求解含储能系统的最优网络拓扑切换策略，通过GCN快速预测可行开关动作方案，指导MISOCP精确求解，显著提升ST系列储能变流器参与配电网优化...
一种原理约束的风场图像生成框架用于短期风电功率预测
A Principle-Constrained Wind Field Image Generation Framework for Short-Term Wind Power Forecasting
Jingxuan Liu · Haixiang Zang · Tao Ding · Lilin Cheng 等6人 · IEEE Transactions on Power Systems · 2024年8月
随机且非平稳的风特性给风电带来了相当大的不确定性，这对电网管理和市场出清构成了挑战。研究风场的时空特性对于预测未来风电变化至关重要。然而，目前在更精确地描述风场演变特征方面仍有提升空间。在本研究中，通过多阶偏微分方程建模，可将风场演变过程分解为对流、扩散、环流以及其他未知过程。在先验知识和深度学习的共同驱动下，提出了一种新型的物理单元（Phycell），用于从连续的风场图像中学习时间依赖关系。由此，建立了一个递归风场预测框架，以获取未来多步的风场图像。此外，通过引导注意力机制处理风场预测结果，以...
解读: 该风场图像生成框架对阳光电源的风电变流器和智能运维系统具有重要应用价值。可集成至iSolarCloud平台的预测分析模块，提升风电场发电功率预测精度，优化储能调度策略。对ST系列储能变流器的功率调节控制和PowerTitan系统的容量配置提供更准确的数据支撑。通过提前预知风电出力变化，可实现储能系统...
基于机器学习增强的大规模并行暂态仿真方法用于大规模可再生能源电力系统
Machine-Learning-Reinforced Massively Parallel Transient Simulation for Large-Scale Renewable-Energy-Integrated Power Systems
Tianshi Cheng · Ruogu Chen · Ning Lin · Tian Liang 等5人 · IEEE Transactions on Power Systems · 2024年6月
可再生能源系统（RESs）在向绿色智能电网转型中起关键作用，但其受光照、风速等自然因素影响，具有复杂性与不确定性，给并网带来挑战。电磁暂态（EMT）仿真可有效研究RES并网问题，但现有方法受限于模型非线性和计算复杂度，难以实现大规模精细化仿真。本文提出一种面向数据、结合机器学习的CPU-GPU大规模并行EMT仿真方法，采用人工神经网络构建数据驱动的RES模型，并基于实体-组件-系统架构集成。模型训练依托传统物理EMT模型生成的数据，并通过MATLAB/Simulink验证。将RES元件组建成微网...
解读: 该机器学习增强的大规模并行EMT仿真技术对阳光电源具有重要战略价值。在PowerTitan储能系统和大型光伏电站并网设计中，可快速仿真数百万级SiC逆变器的暂态交互特性，400倍加速性能显著缩短产品开发周期。对ST系列储能变流器的构网型GFM控制策略优化尤为关键，能高效评估微电网场景下多台设备的协同...
一种基于神经网络虚拟阻抗的双向电网逆变器控制新方法以改善微电网动态性能
A Novel Bi-Directional Grid Inverter Control Based on Virtual Impedance Using Neural Network for Dynamics Improvement in Microgrids
Mohamad Alzayed · Michel Lemaire · Hicham Chaoui · Daniel Massicotte · IEEE Transactions on Power Systems · 2024年5月
在微电网中，电压源逆变器通常采用下垂控制技术，并结合电压和内部电流控制回路，以实现可靠的电力供应。由于线路阻抗不匹配，标准下垂控制技术难以实现功率的均匀分配，并限制并联连接之间的环流，尤其是在高度非线性系统中。本研究旨在引入一种基于神经网络的虚拟阻抗，并将其与双向电网逆变器控制技术相结合，以提高微电网动态运行期间的稳定性。为了在各种运行场景下以较小的偏差和更好的稳定性准确跟踪需求和参考功率，所提出的技术采用前馈神经网络（FFNN）来学习逆变器暂态过程中的非线性模型。该技术无需额外的调节步骤，仅需...
解读: 该神经网络自适应虚拟阻抗控制技术对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。当前阳光电源储能系统采用下垂控制实现多机并联功率分配，但线路阻抗不匹配和负载突变会影响动态响应。该研究提出的神经网络在线调节虚拟阻抗方案，可直接应用于ST储能变流器的控制算法优化，提升多台...
基于物理信息引导的类型化图神经网络的最优潮流计算
Optimal Power Flow With Physics-Informed Typed Graph Neural Networks
Tania B. Lopez-Garcia · José Antonio Domínguez-Navarro · IEEE Transactions on Power Systems · 2024年4月
本研究介绍了一种应用类型化图神经网络解决最优潮流问题的新方法。与传统前馈神经网络模型得到的结果相比，类型化图神经网络允许用不同类型的节点表示输电系统的不同元件，从而提高了所得解决方案的准确性和可解释性。所提出的图神经网络架构无需训练数据，而是通过一个融入物理信息的损失函数进行训练，该损失函数不仅包含优化目标，还包含物理系统的运行约束。所得结果与内点法得到的结果相当，并且计算时间大幅缩短。
解读: 该物理信息引导的图神经网络技术对阳光电源的储能与光伏产品线具有重要应用价值。首先,可应用于ST系列储能变流器和PowerTitan系统的功率优化调度,提升大规模储能电站的运行效率。其次,该方法能优化SG系列光伏逆变器的MPPT控制策略,特别是在复杂拓扑的光伏电站中实现更快速的功率追踪。通过融合电网物...
基于贝叶斯量子神经网络的高可再生能源渗透电力系统潮流计算
Bayesian Quantum Neural Network for Renewable-Rich Power Flow with Training Efficiency and Generalization Capability Improvements
Ziqing Zhu · Shuyang Zhu · Siqi Bu · IEEE Transactions on Power Systems · 2025年9月
针对高比例可再生能源接入下大规模电力系统潮流计算面临的计算效率与泛化能力挑战，本文提出一种基于贝叶斯量子神经网络（BayesianQNN）的新型潮流计算模型。该模型利用量子计算提升训练效率，并通过贝叶斯方法动态更新对可再生能源不确定性的认知，显著增强对未见场景的泛化能力。为评估模型性能，引入有效维度和泛化误差界两项指标。结果表明，所提方法在训练效率与泛化性能方面均优于现有数据驱动方法，适用于未来稳态电力系统分析。
解读: 该贝叶斯量子神经网络潮流计算技术对阳光电源iSolarCloud智能运维平台及PowerTitan储能系统具有重要应用价值。在大规模新能源电站集群管理中，该算法可显著提升实时潮流计算效率，为ST系列储能变流器的功率调度提供快速决策支持。其对可再生能源不确定性的动态认知能力，可优化SG光伏逆变器与储能...
性能保证的深度学习在动态智能电网网络攻击检测中的应用
Performance Guaranteed Deep Learning for Detection of Cyber-Attacks in Dynamic Smart Grids
Mostafa Mohammadpourfard · Chenhan Xiao · Yang Weng · IEEE Transactions on Power Systems · 2025年6月
虚假数据注入攻击（FDIA）对电力系统的可靠性构成了严重威胁，尤其是在诸如线路故障等动态运行条件下，这些情况会导致数据分布发生变化并出现概念漂移。传统的监督式方法依赖于带标签的数据集，这成本高昂且不适用于实时应用，并且在没有大量重新训练的情况下，往往无法适应新的攻击向量和运行变化。为应对这些挑战，我们设计了深度对比变分网络（DCVN），这是一个无监督学习框架，旨在无需带标签的数据或对网络拓扑进行假设的情况下检测FDIA。DCVN框架首先使用深度信念网络（DBN）从原始电力系统数据中进行稳健的特征...
解读: 该深度学习检测方法对阳光电源的储能和光伏产品安全性提升具有重要价值。可直接应用于ST储能系统和SG光伏逆变器的网络安全防护,特别是在大型储能电站和光伏电站的动态运行场景中。通过在iSolarCloud平台集成该检测算法,可提升PowerTitan等大型储能系统的运行可靠性,有效防范数据篡改导致的误操...
一种近似哈密顿神经网络增强的多机电力系统励磁控制
A Nearly Hamiltonian Neural Network-Enhanced Multi-Machine Power System Excitation Control
Youbo Liu · Xuexin Wang · Gao Qiu · Zhiyuan Tang 等6人 · IEEE Transactions on Power Systems · 2025年6月
广义哈密顿系统理论（GHST）是高维非线性电力系统励磁控制的有力工具，但由于实际高阶系统解析不可行以及子模块不完整，该理论依赖降阶动态，从而导致控制误差。为解决这一问题，本文提出了一种基于近哈密顿神经网络（NHNN）的非线性励磁控制方法。该方法从测量数据中学习每台发电机的结构化哈密顿量，减轻了因降阶引起的哈密顿量实现误差。然后，通过组合这些哈密顿量，提出了一种保持系统响应的全局能量函数，用于稳定控制。在双机系统上的仿真结果表明，与广义哈密顿系统理论和PID控制方法相比，该方法提高了系统稳定性，平...
解读: 该近似哈密顿神经网络控制技术对阳光电源构网型储能系统具有重要应用价值。在PowerTitan大型储能系统并网场景中，传统哈密顿励磁控制虽能保证能量结构稳定性，但对参数摄动敏感。该研究提出的深度学习补偿方案可直接应用于ST系列储能变流器的GFM控制策略：通过神经网络实时补偿电网阻抗变化、负载扰动等不确...
第 1 / 2 页