并网逆变器控制策略综述:从传统方法到人工智能驱动方法的演进

《Energies》:Grid-Forming Inverters in Photovoltaic Power Systems: A Comprehensive Review of Modeling, Control, and Stability Perspectives Youness Hakam and Mohamed Tabaa

【字体: 大 中 小 】 时间:2026年03月04日 来源:Energies 3.9

编辑推荐:

  本文(综述)系统梳理了并网逆变器(grid-connected inverter)从传统线性控制向数据驱动人工智能(Artificial Intelligence, AI)控制策略的演进历程。研究人员首先回顾了基于比例–积分(Proportional–Inte

  
本文(综述)系统梳理了并网逆变器(grid-connected inverter)从传统线性控制向数据驱动人工智能(Artificial Intelligence, AI)控制策略的演进历程。研究人员首先回顾了基于比例–积分(Proportional–Integral, PI)和比例–谐振(Proportional–Resonant, PR)控制器的经典双闭环控制方案及其在三相静止/两相旋转坐标系下的电流与锁相环(Phase-Locked Loop, PLL)设计。随后,研究人员阐述了空间矢量脉宽调制(Space Vector Pulse Width Modulation, SVPWM)与滞环比较器(hysteresis comparator)等脉宽调制技术,以及有限集模型预测控制(Finite-Control-Set Model Predictive Control, FCS-MPC)与连续/广义模型预测控制(Generalized MPC, GMPC)的原理与延时补偿机制。在此基础上,研究人员分析了基于自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System, ANFIS)的PID参数自整定方案及双向平滑电流控制在非线性不平衡负载下的表现。最后,研究人员介绍了构网型逆变器(Grid-Forming Inverter, GFMI)的有功–无功功率表达式与基于相角/幅值的下垂控制(droop control)建模方法,并对比了传统基于模型控制器与数据驱动AI策略在稳定性保证、计算复杂度及抗扰性方面的差异,指出AI方法虽具更强适应性与非线性鲁棒性,但受限于训练数据质量与形式化稳定性认证。
一、研究背景与动机
随着可再生能源渗透率不断提高,并网逆变器作为分布式发电单元与公用电网间的核心接口,其控制性能直接影响电能质量与系统稳定性。传统基于比例–积分(PI)/比例–谐振(PR)的双闭环控制虽成熟且具备解析稳定性保证,但在面对弱电网条件、非线性及不平衡负载时动态响应受限。模型预测控制(MPC)可多目标优化但存在权重系数整定困难与计算延时问题。近年来,人工神经网络与模糊逻辑结合的自适应神经模糊推理系统(ANFIS)及深度学习等数据驱动方法展现出更强的非线性适应力,但面临训练数据依赖与缺乏形式化Lyapunov稳定性证明的挑战。为此,研究人员对从传统到AI驱动的并网及构网型(GFMI)逆变器控制技术进行了系统性综述,发表于MDPI期刊《Energies》。
二、主要关键技术方法
研究人员采用文献综述与理论归纳法,首先建立三相并网逆变器的abc与αβ/dq坐标系等效电路模型;归纳PI/PR电流控制器在同步旋转坐标系(dq-frame)与静止坐标系(αβ-frame)的设计原理及锁相环(PLL);分析空间矢量脉宽调制(SVPWM)与滞环PWM的开关逻辑;阐述有限集模型预测控制(FCS-MPC)及连续/广义MPC(GMPC)的目标函数构建与单步延时补偿策略(两步预测法);介绍基于ANFIS的PID自整定与双向电流平滑控制的误差定义式;最后给出GFMI基于有功–无功(P–Q)功率传输方程的小信号线性化模型及P–ω/Q–V下垂控制律,对比传统模型法与AI数据驱动法的优劣。
三、研究结果
Modeling and Control Techniques for Grid-Connected Inverters(并网逆变器的建模与控制技术)
研究人员指出三相并网逆变器经LCL滤波器接入电网,在dq旋转坐标系下建立电压–电流微分方程。经典电流控制采用PI调节器配合电网电压前馈消除耦合,锁相环(PLL)提取电网相位角θpll。PR控制器在αβ静止坐标系中对特定频率(50/60 Hz)呈现无穷增益,适合单相系统。SVPWM通过计算参考电压矢量所在扇区与作用时间生成PWM波,较正弦PWM直流母线利用率提升约15%;滞环PWM依电流误差实时切换开关状态,动态快但开关频率不固定。
Model Predictive Control Strategies(模型预测控制策略)
研究人员介绍有限集模型预测控制(FCS-MPC)以开关状态为候选集,最小化含有功P、无功Q、THD等加权目标函数J=Σwi·Errori2,一步预测引入计算延时致次优,故采用k+2时刻两步预测补偿。广义MPC(GMPC)将连续调制与预测结合,在代价函数中引入开关频率约束以固定采样周期,减少电流纹波但计算量增大。研究人员指出FCS-MPC权重因子整定无统一规则是当前难点。
Artificial Intelligence-Based Control Methods for Grid-Connected Inverters(基于人工智能的并网逆变器控制方法)
研究人员引述文献说明ANFIS结构将模糊逻辑If–Then规则与神经网络参数学习结合,误差定义为Error2=VPCC-VPCC*、Error3=Id*-Id、Error4=Iq*-Iq,在线调节PID的Kp、Ki、Kd以适应非线性不平衡负载,但新单元加入时需重新标定状态信息限制实用性。表3对比显示:经典方法具解析稳定证与成熟工程应用,AI方法具更强非线性适应性与抗扰性,但受限于算力、数据质量与形式化稳定性认证。
Modeling and Control Techniques for Grid-Forming Inverters(构网型逆变器的建模与控制技术)
研究人员给出GFMI输出有功P=3/[Rgrid2+Xgrid2]·[RgridVinv2-RgridVinvVgridcosδ+XgridVinvVgridsinδ]与无功Q=3/[Rgrid2+Xgrid2]·[XgridVinv2-XgridVinvVgridcosδ-RgridVinvVgridsinδ],其中δ为逆变器与电网电压相角差。小信号模型于(Rgrid, Xgrid, Vinv, Vgrid, δ)工作点线性化,适用于高惯量同步机主导系统。Angle-Based Droop(基于相角的下垂控制):δ=δref-nP·(P-P0),V=Vref-nQ·(Q-Q0),实现P–f / Q–V 解耦调节。序域(sequence domain)GFMI详细建模可用于潮流与故障分析,限流特性影响序阻抗已在仿真中验证。
四、讨论与结论
研究人员总结认为:传统PI/PR+SVPWM方案仍是工业主流,FCS-MPC与GMPC为多目标优化提供新途径但需解决延时与权重整定问题;ANFIS等AI驱动控制器在非线性、不平衡工况下优于固定参数PID,但需克服训练成本与稳定性证明缺失;GFMI的下垂控制与序域建模是微网孤岛/并网运行的关键。未来研究方向应包括混合模型–数据驱动控制架构、形式化稳定性分析方法及适用于宽电网强度范围的自适应控制参数整定。论文最终结论为:从传统到AI赋能的并网与构网型逆变器控制技术各有适用场景,工程选型应权衡动态性能、计算资源与稳定性要求,AI方法的大规模商用化尚需解决数据质量与认证标准问题。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号