构网型变流器稳定性新高度：突破 EAC 保守限制的 ANN 评估法

TL;DR

在新能源占比持续攀升的背景下，构网型变流器（Grid-forming Converters）已成为电网稳定运行的核心。然而，传统的稳定性评估方法（如 EAC）往往因为忽略了虚拟惯量和阻尼的动态效应，导致对故障切除时间（CCT）的判断过于“胆小”。本文通过相轨迹分析与人工神经网络（ANN），精准量化了惯量与阻尼对稳定性的增益，将安全操作窗口延长了近 70%。

现状痛点：为什么我们的模型“太保守”？

传统电力系统分析习惯将变流器类比为同步发电机（SG），使用**等面积法则（EAC）**来判断稳定性。但现实是严峻的：

1. 电流瓶颈：变流器受半导体器件限制，过流能力极差（通常仅 1.2 倍标幺值），而同步机则强得多，这使得传统的功角曲线发生畸变；
2. 动态忽略：EAC 是一种准静态方法，它假设系统在电压跌落瞬间是静态平衡的，完全无视了虚拟惯量（H）和阻尼（Dp）在过渡过程中的“拉扯”作用。

结果就是：电网保护装置可能在系统尚未真正失步时就早早动作，导致大规模脱网。

核心机制：深入相轨迹与非线性本质

作者首先建立了一个考虑电流饱和及相位优先级限制的动力学模型。当系统发生电压跌落时，运行点会从传统的功角曲线跳变到饱和功率曲线。

物理直觉

通过**相轨迹（Phase-portrait）**分析发现（见下图 10），当引入更大的惯量和阻尼时，系统状态在 $\delta -\dot{\delta }$ 平面上的轨迹会被更有效地向平衡点“拉曳”。

• 惯量（H）：决定了频率变化的快慢，惯量越大，频率偏移速度越慢；
• 阻尼（Dp）：决定了震荡衰减的速度，阻尼越强，能量耗散越快，系统越容易回归稳定。

核心突破：引入数据驱动的 ANN

由于 CCT、CCA 与电压跌落程度、H、Dp 之间存在复杂的非线性映射，解析求解极其困难。作者采用 ANN（人工神经网络） 替代复杂的解析推演。该网络采用 3-10-2 的结构，通过大量相轨迹模拟数据进行训练，完美捕捉了参数间的耦合关系。

实验与结果：让 LVRT 能力“满格”释放

在 PSCAD/EMTDC 仿真验证中，针对 Condition 3（极端电压跌落）的情况进行了深度测试：

• 精度表现：ANN 预测的 CCT 与真实轨迹的匹配度极高，均方根误差控制在 3.5% 以内。
• 性能提升：在 100% 电压跌落时，EAC 给出的安全时间仅为 69ms，而经 ANN 优化后发现，系统实际可以在 117ms 内保持稳定。这为保护系统争取了极其关键的 48ms 时间窗口。

资深主编点评

本文的精妙之处在于它不仅提出了一个更准确的估算工具（ANN），更重要的是它通过严密的分析确立了电压跌落阈值（0.13 p.u.）。在这个阈值以内，惯量和阻尼对稳定性几乎没有负面影响；一旦超过此阈值，系统便进入了由 H 和 Dp 主导的竞争区。这种分段式的物理见解，比单纯的黑盒模型更具工程指导价值。

局限性：该方法高度依赖于精确的模型参数。如果实际电网阻抗发生大幅偏移，离线训练的 ANN 可能需要在线微调或联邦学习机制的引入。