基于聚类专用神经网络的多样化 IBRs 阻抗辨识 scalable 框架
系统与控制
2026-03-25 v1 系统与控制
摘要
现代机器学习方法通常识别单个基于逆变器的资源 (IBR) 的阻抗，并假设跨设备的阻抗特性相似。在现代电力系统中，IBRs 将采用多样化的控制拓扑和算法，导致阻抗行为高度异构。为每个 IBR 训练一个模型效率低下且难以扩展。本文提出一种基于聚类专用神经网络的可扩展阻抗辨识框架，用于多样化 IBR。首先，使用 K 均值聚类方法将数据集划分为具有相似特征轮廓的多个聚类。然后，为每个聚类分配一个专用的全连接神经网络 (FNN)，以其特征为定制，提高准确性和计算效率。在部署时，仅需少量测量即可预测单个 IBR 在广泛运行点上的阻抗。该框架在六个具有不同控制带宽、控制结构和运行条件的 IBR 上进行验证，并在仅用十个测量点的情况下测试未见过的 IBR。结果表明聚类和预测阶段均具有高准确性，确认了该方法的有效性和可扩展性。
引用
@article{arxiv.2603.23203,
title = {Scalable Impedance Identification of Diverse IBRs via Cluster-Specialized Neural Networks},
author = {Quang Manh Hoang and Guilherme Vieira Hollweg and Bang Nguyen and Akhtar Hussain and Wencong Su and Van-Hai Bui},
journal= {arXiv preprint arXiv:2603.23203},
year = {2026}
}
备注
This paper is accepted for presenting at IEEE PES General Meeting (PESGM) 2026. All the resources can be found here: https://github.com/ManhqhUMich12/Scalable-Impedance-Identification-of-Diverse-IBRs-via-Cluster-Specialized-Neural-Networ