基于物理信息神经网络的构网型变换器在过载条件下稳定性控制
系统与控制
2025-05-23 v3 系统与控制
摘要
构网型变换器 (GFC) 对于现代电力系统的频率和电压稳定性至关重要。然而，它们在过载条件下的性能仍然是一个挑战。本文强调了现有方法在处理直流源饱和与交流电流限制方面的局限性，强调了需要改进控制策略以确保系统稳定性。本文提出了一种基于物理信息神经网络 (PINN) 的控制策略，以改善 GFC 在过载条件下的性能，有效防止开关失效并缓解直流源饱和。该方法通过维持稳定的电压和频率，优于传统方法，即使在传统下垂控制单独表现不足的显著负载增加情况下也是如此。使用基于 PINN 的控制，GFC 的扰动后工作点保持不变，与现有的电流限制策略相比，频率改善了 0.245 Hz，有功功率改善了 0.03 p.u.。此外，它将暂态期间的峰值电压偏差降低了 24.14%，将频率变化率 (ROCOF) 从 0.02 Hz/s 降至 0.005 Hz/s，并改善了电压变化率 (ROCOV)，使两者均保持在可接受的范围内。这些改进显著增强了系统弹性，特别是在无惯量电网中。
引用
@article{arxiv.2503.21529,
title = {Physics-Informed Neural Network-Based Control for Grid-Forming Converter's Stability Under Overload Conditions},
author = {Abhay Kumar and Dushyant Sharma and Mayukha Pal},
journal= {arXiv preprint arXiv:2503.21529},
year = {2025}
}