logo全球能源互联网期刊信息服务平台

目录

图片（0）

    表格（0）

      基金信息
      出版信息

      相关论文：

      全球能源互联网

      第9卷 第1期 2026年01月；页码：3-23
      EN 引

      基于人工智能的电力电子变流器并网系统稳定性分析与控制研究综述

      A Review of the Stability Analysis and Control of Power Electronic Converters Grid-connected System Based on Artificial Intelligence

      张笑宁1,2 ,王海金1,2 ,刘浴霜1,2* ,黄萌1,2 ,查晓明1,2
      ZHANG Xiaoning1,2 , WANG Haijin1,2 , LIU Yushuang1,2* , HUANG Meng1,2 , ZHA Xiaoming1,2
      • 1.武汉大学电气与自动化学院，湖北省 武汉市 430072
      • 2.武汉大学综合能源电力装备及系统安全湖北省重点实验室，湖北省 武汉市 430072
      • ZHANG Xiaoning1,2, WANG Haijin1,2, LIU Yushuang1,2*, HUANG Meng1,2, ZHA Xiaoming1,2 (1. School of Electrical Engineering and Automation, Wuhan University, Wuhan 430072, Hubei Province, China
      • 2. Hubei Key Laboratory of Power Equipment & System Security for Integrated Energy, Wuhan University, Wuhan 430072,Hubei Province, China
      DOI:10.19705/j.cnki.issn2096-5125.20250361

      关键词

      Keywords

      摘 要

      Abstract

      随着风电、光伏等新能源在交流电网中的渗透率不断提升，电力电子变流器已成为影响系统安全稳定运行的关键设备，其并网控制性能关系到电能质量、系统稳定性及新能源的高效接入与消纳。近年来，人工智能算法因其出色的特征提取、自学习与非线性建模能力，在电力电子稳定分析与控制领域展现出广泛应用潜力。首先，概述了电力电子变流器并网系统失稳机理和控制原理，总结了当前方法在建模精度、稳定性分析和控制性能方面的局限。随后，系统梳理了基于人工智能的变流器并网系统小信号模型建立、稳定分析与高性能控制中的研究进展；同时，针对大信号暂态问题，也相应梳理了基于人工智能的模型建立、稳定分析与高性能控制。最后，结合当前研究趋势，展望了人工智能赋能新型电力系统稳定性控制的发展方向。

      With the increasing penetration of renewable energy sources such as wind and solar power in AC power grids, power electronic converters have become key devices affecting the safe and stable operation of the system. The grid-connected control performance is critical to power quality, system stability, and efficient integration of renewables. In recent years, artificial intelligence (AI) algorithms have demonstrated significant potential in stability analysis and control of power electronic systems, owing to their superiorities in feature extraction, selflearning, and nonlinear modeling. This paper first reviews the instability mechanisms and control theories of converterbased grid-connected systems and summarizes the limitations of existing methods in modeling accuracy, stability analysis,and control performance. It then systematically reviews recent advances in AI-based small-signal modeling, stability analysis,and high-performance control of converter systems, as well as AI applications in large-signal transient modeling and control.Finally, future research directions are discussed, highlighting the role of AI in enhancing stability control for next-generation power systems.

      0 引言

      在全球气候变化背景下，出于对环境保护和可持续发展的迫切需求，中国提出了“双碳”目标，以减少温室气体排放，推动经济结构转型，提升能源利用效率。为推动实现“双碳”目标，大量新能源并入电网[1-3]，使得太阳能、风能等可再生能源在电力系统能源来源中的占比越来越高。在此背景下，作为新能源并网接口的电力电子装备得到了广泛应用，使电网呈现出高比例新能源、高比例电力电子装备的“双高”特性[4]。

      并网变流器作为实现可再生能源并网转换的核心接口装备[5]，在新能源并网运行的过程中发挥着至关重要的作用，其性能直接影响电力系统的稳定性和高质量运行。根据控制模式的不同，可将其分为跟网型并网变流器[6]（grid-following converter，GFLC）和构网型并网变流器（grid-forming converter，GFMC）[7]两大类。其中，跟网型并网变流器主要对外表现为电流源，其工作原理依赖于锁相环（phase locked loop，PLL）技术，通过精确测量并网点的相位来实现对电网的“跟随”[8]，具有较高的动态响应能力。构网型并网变流器则以电压源的形式对外工作，展现出与同步发电机相似的特性[9-10]。具体地，构网变流器能够自主控制输出电压的幅值和相位，为系统提供必要的电压和频率支撑[11-12]，确保电力系统的安全运行。

      然而，新能源机组在并网过程中注入电网的电流容易与电网的固有阻抗特性发生共振，诱发振荡，对电网安全构成威胁[13-14]。近年来，随着新能源并网比例的持续增长，许多地区电网曾发生新能源并网引发的振荡问题。2009年，在美国得克萨斯州，由于风电机组的控制系统与电网中的串联补偿装置之间发生电气控制交互的次同步振荡，导致多个风电机组与电网发生不稳定交互，引发风机的保护跳闸[15]。自2012年起，河北沽源地区的双馈风力发电机组通过串补线路外送时，频繁发生了百余次振荡事故，振荡频率在3～10 Hz之间，导致大量风机脱网[16]。此外，在广东南澳岛的柔性直流输电系统中，随着风电场出力的逐步增加，出现了由风电机组与柔性直流输电系统的控制系统之间的相互作用引发的次同步振荡和高频振荡，严重影响电网稳定[17]。另外，在短路故障等大扰动下，电力系统稳定性受到更为严重的威胁，具体表现为由同步失稳或频率/电压失稳导致的新能源系统大规模脱网，甚至引发电力系统大停电事故[18]。例如，2019年8月，由于Little Barford天然气发电厂和Hornsea海上风电场发电机间电磁和机械动态过程失配引发暂态失稳，几乎同时脱网，导致英国伦敦大停电事故，约100万用户受影响[19]。2021年美国得克萨斯州冬季风暴停电事件中，极端寒冷天气导致电力设施严重受损，引发频率失稳，数百万家庭和企业长时间失去电力供应[20]。为应对这些挑战，增强并网变流器稳定性的控制策略已经成为当前研究的重点。

      围绕电力电子变流器的并网稳定性问题，目前学术界与工程界已提出多种分析与控制策略，主要围绕其失稳机理的分析与有效控制策略的设计展开，部分文献对这些方法进行了系统整理。关于小信号稳定性分析，文献[21]总结了目前常用的分析方法及其模型建立，包括阻抗分析法和空间模型法；文献[22]和文献[23]则分别介绍了两种方法的理论基础及应用。关于暂态稳定性分析，文献[24]综述了暂态失稳的原理、影响因素及暂态稳定性分析的常用方法，其中目前常用的是时域仿真法与直接法。尽管上述四类方法已被广泛应用，但普遍存在建模复杂、计算成本高或对系统参数依赖性强等问题。而在控制策略方面，文献[25]分别总结了跟网型与构网型变流器的多种暂态致稳方法，包括控制注入电流、调整控制参数、混合同步控制等。然而，受限于传统模型参数依赖性强、非线性建模困难[26-27]及控制性能约束等问题，上述方法在极弱电网[28]、多变流器并网[29]、多目标协同[30]等复杂场景下仍面临诸多挑战。

      随着计算机技术的迅猛发展，人工智能（artificial intelligence，AI）算法逐渐兴起[31]并应用于电力行业中。当前已在DC-DC转换器等装备中得到大量应用：如神经网络被用于构建闭环控制器，实现良好的输出电压/电流轨迹跟踪与参数自适应[32-33]；强化算法则被用于实现自动学习调整开关占空比，实现电压稳定控制、自适应调度[34-35]。上述良好应用经验为AI算法在并网逆变器控制中的推广奠定了基础。自2012年起，AI算法开始被广泛应用于并网逆变器的控制研究[36]。一方面，AI算法强大的数据处理能力使得其可以建立起输入数据与输出数据之间的非线性映射关系[37]，进而良好建立系统模型并迅速准确地捕捉系统动态特性，解决传统控制中由并网变流器线性化建模带来的控制难题[38]。另一方面，AI算法具有自适应性，借助AI算法，研究者们能够协调多种目标，针对并网变流器的不同状态采取相应的控制措施[39]。

      综上所述，本文首先从小信号稳定与暂态稳定两方面研讨目前并网变流器的数学模型建立、稳定性分析以及致稳控制的常用传统方法及局限性；进而回顾现有研究，总结AI算法在建立数学模型、稳定性分析以及致稳控制中的应用；最后，总结全文并对未来研究方向提出展望。

      1 电力电子并网系统稳定分析及控制研究与挑战

      1.1 电力电子并网系统小信号稳定机理及控制原理

      电力电子并网系统在新能源大量接入背景下日益普及，其小信号稳定性问题受到广泛关注。由于并网变流器的控制特性和电网条件的复杂性，系统容易在小扰动下出现振荡或不稳定。本节将介绍并网系统的小信号建模方法、稳定性分析手段及常用控制策略，并探讨其中存在的问题与挑战。

      电力电子变流器的小信号稳定性是指在给定工作点下，当系统受到小幅度扰动时，变流器控制系统是否能使系统状态回归稳定的能力[40-42]。在小信号失稳时，系统对小扰动失去抑制能力，功角将呈现周期性摆动，如图1所示，电压、电流持续振荡甚至波形失真，严重时可能引发并网失败或系统保护动作。并网变流器小信号失稳机理及稳定性分析方法如表1所示。

      图1 小扰动下变流器功角变化
      Fig. 1 Power angle variation of converter under small disturbance

      在并网运行过程中，变流器的小信号稳定性受到多种因素的综合影响。在弱电网条件下，跟网型变流器的锁相环在与电网阻抗耦合时可能产生动态交互作用，引发负阻尼效应，从而在相位跟踪过程中出现低频振荡，降低系统的稳定性[43-44]。另一方面，构网型变流器功率同步控制环的阻尼特性若设计不当，或虚拟惯量与阻尼系数参数匹配不合理，也可能在功率动态调节过程中发生振荡[45]。此外，在高频段，变流器控制环路的固有延时与输出滤波器网络可能发生交互，引发高频谐振或导致相位裕度不足，威胁系统的鲁棒运行[46]。

      如表1所示，当前对电力系统小信号建模以及稳定性分析方法主要包括状态空间法和阻抗分析法两大类[47-48]。其中，状态空间法以系统的微分代数方程为基础，首先建立反映系统物理过程的状态变量方程，而后对非线性模型在特定运行点处进行线性化处理，得到标准形式的线性状态空间方程，通过特征值分析判断系统是否稳定、动态响应是否振荡及其收敛速度[23]。该方法理论体系成熟，能够系统性地刻画多变量、多环节耦合下的系统动态特性，适用于单机系统及多变流器并网系统的稳定性分析[49]。然而，其建模过程复杂，对系统参数精度依赖性强[50]。相比之下，阻抗分析法基于级联系统理论，将电力系统划分为“源端”与“负载端”两子系统，通过建立子系统的频域阻抗和传递函数形式的小信号阻抗模型，以频域准则（如奈奎斯特判据）判断其在耦合点处的交互是否导致不稳定[21-22]，具备建模简单、模块化强、可实验获取模型等优势[51]。但其难以反映系统完整的时域动态，分析精度亦受测试条件及系统非线性影响。

      表 1 并网变流器小信号失稳机理及稳定性分析方法
      Table 1 Small-signal instability mechanisms and stability analysis methods of grid-connected converters

      失稳类型变流器类型及对应失稳机理分析方法 特点小信号失稳低频：GFL-锁相环引发的负阻尼效应GFM-系统参数与结构设计不合理高频：控制环路固有延时与输出滤波器网络发生交互状态空间法理论成熟，适用于多变量复杂系统分析；但建模复杂、依赖参数精度阻抗分析法建模简单、模块化强、适合实验验证；但难以全面反映时域动态，精度受限于非线性与测试条件

      在弱电网环境下，由于电网阻抗较大、短路比低，并网变流器及其控制系统尤其容易受到外部扰动和自身动态特性的影响，进而引发小信号不稳定问题。当前提升系统稳定性的研究主要集中在调节系统参数和优化控制器设计两方面。

      在调节系统参数方面，通过调整锁相环或功率环参数[52-53]，可以在一定程度上改善系统的阻尼特性和动态响应，如通过增大比例增益Kp、减小积分增益Ki增强系统阻尼和调节速度，拓展稳定域。此外，利用自适应控制、模糊控制等智能算法在线调节变流器虚拟同步机（virtual synchronous generator，VSG）控制参数，可有效改善变流器在不同运行工况下的性能。

      在优化控制器设计[54]方面，针对PLL控制的变流器，研究者提出了如电压归一化[55]、冻结PLL[56]、改进PLL结构[57]等控制策略，以增强系统对电网扰动的适应能力。对于VSG控制的变流器，研究则更多集中在引入虚拟阻尼环、功率调节补偿环等附加控制环节，以增强动态调节能力和系统鲁棒性。

      1.2 电力电子并网系统暂态稳定机理及控制原理

      电力电子变流器暂态稳定性是指其在遭受如电网故障、电压骤变或负载突变等大扰动后，能否在短时间内维持同步控制目标并恢复至稳定运行状态的能力[40,58]。在大扰动下并网变流器的功角变化如图2所示，其中图2（a）是在扰动下保持暂态稳定，而图2（b）则是在扰动下发生暂态失稳的情况。并网变流器暂态失稳机理及稳定性分析方法如表2所示。

      图2 大扰动下变流器功角变化
      Fig. 2 Power angle variation of converter under large disturbance

      如表2所示，变流器并网系统失稳机理与变流器的控制策略及电网故障特性密切相关。系统在受到暂态扰动后，根据失稳机理可将失稳问题分为以下两类[59-60]。

      表 2 并网变流器暂态失稳机理及稳定性分析方法
      Table 2 Transient instability mechanisms and stability analysis methods of grid-connected converters

      失稳类型变流器类型及对应失稳机理分析方法 特点暂态失稳GFL和不触及限幅的GFM：静态：失去平衡点动态：越过不稳定平衡点触及限幅的GFM：最大输出受限，虚拟功角发散；收敛至非预期平衡点，电流持续饱和或异常锁定时域仿真法详细反映系统动态，适用于复杂系统；但计算量大、效率低、难获取稳定裕度直接法基于Lyapunov能量函数，计算效率高、适合在线分析；但函数构造复杂，应用受限于系统规模与特性

      1）平衡点不存在导致的系统暂态失稳。在电网电压发生深度跌落、线路阻抗较大或变流器进入电流饱和状态等情况下，系统可能失去可行的平衡工作点，从而诱发静态失稳[61]。由于不存在平衡点，此时需要继电保护装置切除故障，进而恢复系统的平衡点。

      2）平衡点存在，减速面积不够导致的暂态失稳。系统存在理论平衡点，若暂态过程中状态变量超越不稳定平衡点，由于功率-相位动态的加速与减速过程失配，将导致动态失稳现象[62]。特别地，对于含电流限幅装置的构网型变流器，其动态失稳过程又可进一步细化为两种典型模式：一是由于变流器最大输出能力受限，无法满足控制指令，从而导致系统无法维持稳定平衡点，表现为虚拟功角持续发散[63]；二是系统状态收敛至一个非预期平衡点，即便故障切除，系统亦无法回到初始运行状态，表现为电流持续饱和或长期锁定于异常运行模式[64]。电流限幅及控制饱和所引入的非线性是影响该状态的关键因素。当变流器进入限流状态时，系统暂态能量交换机制发生变化，若饱和恢复过程设计不当，可能导致其暂态稳定裕度降低[65]。

      当前，对电力系统暂态稳定性的分析方法主要包括时域仿真法和直接法两大类[66-67]。时域仿真法通过数值积分模拟系统扰动后的动态过程[68]，能够较为详细地呈现系统状态随时间的演变[69]，适用于大多复杂系统，但其计算量大、效率较低，且难以直接获取稳定裕度。直接法则基于Lyapunov稳定性理论，通过构造能量函数并计算系统在扰动前后的能量变化，直接判断系统的稳定性及其裕度[70]，计算效率高，适合在线分析，但受限于能量函数的构造，应用于复杂系统时存在一定难度。此外，针对限流饱和引起的控制模式切换特性，近年来学者通常引入切换系统理论，结合Lyapunov稳定性理论解决，属于直接法的变种，但同样存在应用困难的问题[71]。

      基于对构网型变流器暂态失稳机理的分析，现有研究普遍沿着以下两条技术路径来提升其暂态稳定性能。

      一方面，降低变流器在故障扰动下平衡点消失的风险。该策略侧重于通过控制结构与参数优化，增大系统在大扰动条件下存在稳定平衡点的概率。具体而言，在故障发生时，一方面降低变流器的有功参考功率[72]，另一方面提高无功功率的参考值[73]。此外，也有研究将q轴的电压前馈加入到有功控制环中[74]。

      另一方面，优化动态响应过程，防止系统状态在暂态过程中跨越不稳定平衡点。此类方法着重于控制系统的动态行为调控，通过加快内外环控制器的响应速度、引入非线性或自适应控制机制，以及增强动态阻尼特性，以提升系统对扰动的动态恢复能力。具体而言，一方面改进无功环设计，在故障情况下提升变流器机端电压[75]；另一方面优化有功环控制参数，保证其动态响应无超调[76]。此外，可以采用自适应惯性和阻尼系数[77]或自适应功角控制方法[78]来实现暂态稳定性提升。

      1.3 并网系统稳定分析与控制面临的挑战与机遇

      传统电力电子并网系统在小信号稳定性建模与分析中面临诸多关键挑战。首先，传统状态空间法需要建立微分方程和代数方程并进行线性化，过程复杂且参数敏感性强。与之相对的，阻抗分析方法虽简化了建模，但其频域特性难以反映时域动态，且易受非线性和测试条件影响。其次，传统建模方法普遍依赖特定的运行工况，缺乏广泛的适应性。当系统拓扑、负荷水平或运行状态发生改变时，往往需要重新建模与线性化，难以满足新型电力系统实时稳定性评估的需求。

      在控制策略方面，传统方法亦存在不足。首先，现有的控制器参数整定通常依赖于精确的系统模型与运行经验，难以适应电网结构复杂化、运行状态多变化的发展趋势，在应对扰动或运行条件变化时，往往缺乏足够的灵活性与快速响应能力。此外，控制器结构优化虽能提升动态性能，但设计复杂且参数敏感性高，系统适应能力不足，特别是在弱电网条件或遭受强扰动情形下，可能表现出响应滞后、振荡增强或稳定裕度缩小等问题，从而对系统的整体稳定性构成威胁。

      现有暂态稳定性评估方法存在效率与适用性的权衡。时域仿真法能够详细刻画系统动态特性，适用于结构复杂、控制耦合显著的系统，但其计算量大、效率低，不适合用于在线分析与实时调度，且难以直接量化系统的稳定裕度。相比之下，直接法依托Lyapunov能量函数理论，具备计算效率高、适用于在线稳定性判别的优势，但其能量函数的构造过程依赖于系统规模与特性，方法的通用性和适应性较差，尤其在多变流器、大规模并网场景下应用受限。

      另一方面，现有暂态稳定提升策略尚存在针对性与普适性不足的问题。在降低故障扰动下平衡点消失风险方面，现有方法如降低有功功率指令、提升无功支撑水平或引入电压前馈机制，虽能在一定程度上扩大系统的稳定运行域，但这些措施高度依赖具体故障类型与运行条件，存在控制效果受限、对系统其他性能指标（如效率、功率质量）产生副作用的问题。此外，提升动态响应过程的相关方法，如优化控制器带宽、引入自适应控制或动态阻尼技术，尽管能够增强系统暂态恢复能力，但其参数设计过程复杂，控制器之间的相互耦合效应尚未充分厘清，且在多扰动、强耦合场景下的有效性与鲁棒性仍有待验证。

      目前，针对上述关键问题，AI技术展现出显著优势。总体而言，AI算法可大致归纳为四类：神经网络类，如人工神经网络（artificial neural network，ANN）、卷积神经网络（convolutional neural network，CNN）、深度神经网络（deep neural network，DNN）等，侧重于非线性建模与动态特征提取，适合实现实时预测与状态估计；强化学习类，如Q学习算法、深度确定性策略梯度算法（deep deterministic policy gradient，DDPG）、双延迟深度确定性策略梯度算法（twin delayed deep deterministic policy gradient，TD3）等，注重通过与环境交互进行策略优化，具备较强的自适应与在线优化能力；进化与群智能优化类，如遗传算法、粒子群算法、多目标优化等，主要用于控制参数整定与多目标权衡；混合与迁移学习类，如物理信息神经网络、迁移学习，在可解释性与跨场景适应方面展现优势，尤其适合数据受限或工况快速变化的情形。AI算法的应用价值主要体现在以下维度：

      1）对于小信号稳定性建模与分析研究，AI算法采用数据驱动范式，有效突破了传统机理建模的局限性，具有三重优势：首先，能够直接从海量运行数据中提取系统动态特性，实现时-频域特征的协同捕捉；其次，具备模型参数在线更新能力，可随系统拓扑演变或运行工况变化进行实时迭代优化；最后，通过特征迁移技术显著提升模型的跨工况适应能力，为复杂电力系统提供更精准的稳定性评估手段。

      2）对于小信号稳定控制策略，通过强化学习、遗传算法等智能优化方法，可实现控制参数的自主整定，摆脱对精确数学模型和经验调参的依赖，还可在电网结构复杂化场景下实现多机协同优化。此外，基于强化学习的自适应控制器能动态优化控制结构，通过在线学习扰动特征快速响应系统变化，有效抑制振荡并维持稳定裕度。在上述基础上，通过引入AI算法，还可达到稳态性能、动态性能等多目标的协同优化。

      3）对于暂态稳定评估领域，深度神经网络无需显式构建能量函数，可通过学习历史故障数据建立高维特征映射，高效计算并预测暂态轨迹。这种数据驱动的评估范式尤其适应多变流器并网场景，通过迁移学习技术可快速适配不同规模电网。

      4）对于传统暂态稳定提升策略的针对性、普适性及动态响应问题，通过实时监测与AI预测可实现超前精准调控；通过替代复杂非线性模块可简化系统结构并增强动态性能；通过强化学习自主优化决策可在保证控制精度的同时提升多扰动场景下的鲁棒性，从而避免传统策略对故障类型和运行条件的依赖，有效协调控制效果与系统其他性能指标。

      2 基于AI的变流器并网系统小信号稳定分析及控制研究

      2.1 基于AI的变流器并网系统小信号建模

      传统小信号建模方法面临建模复杂度高、参数敏感性强、实时性不足等问题。为此，引入AI算法构建基于运行数据的非线性“黑箱”模型，成为提升小信号建模效率与实时性的有效路径。该方法摆脱了对显式物理模型和线性化处理的依赖，具备较强的动态特征捕捉与在线预测能力，可有效增强系统稳定性评估的实时性与鲁棒性。

      文献[79]中提出了一种基于ANN的在线稳定控制方法，采用ANN建立VSC（voltage source converter）并网系统控制参数和闭环极点之间的映射，作为一个计算的轻型模型代理，在电网条件变化时实时预测系统动态行为，从而增强系统的小信号稳定性，ANN的结构如图3所示。文献[80]进一步引入深度置信网络-极限学习机（deep belief network-extreme learning machine，DBN-ELM）模型，通过深层结构学习控制参数与关键极点之间的映射关系，训练得到的闭环极点预测模型可在电网阻抗波动时快速判断系统稳定性，实现对复杂运行状态的实时适应与稳定运行。

      图3 人工神经网络结构图
      Fig. 3 Structure diagram of artificial neural network

      2.2 基于AI的变流器并网系统小信号稳定分析

      为提升小信号稳定分析的适应性和效率，数据驱动方法成为一种新兴技术路径。该类方法通过提取系统运行数据中的关键特征，借助AI算法建立快速评估模型，能够实现变流器小信号稳定性的实时、自适应分析，根据应用范围，可分为单机系统和多机系统两类。

      针对单机系统，文献[81]、[82]和[83]从实时数据中挖掘与稳定性相关的特征，分别通过多元随机森林算法（原理如图4）、ANN以及CNN建立监测模型，为变流器的稳定性评估提供了高效的数据驱动解决方案。其中，文献[83]创新性地将输出电流的单一变量扩展为多维特征，在保证精度的同时大幅提升了逆变器稳定性评估的响应速度，并在此基础上验证了所提模型对于逆变器关键参数（如控制器增益、滤波器参数）变化的强适应性，表明其具有良好的鲁棒性与泛化能力。

      图4 随机森林算法原理图
      Fig. 4 Random forest algorithm principle diagram

      对于多机系统稳定性分析问题，文献[84]考虑从物理机理出发，采用粒子群优化算法快速估计同步扭矩系数和阻尼扭矩系数，提供了一种兼具计算效率与物理可解释性的新方法。此外，为了探究何种AI算法性能最佳，文献[85]对比多种神经网络架构对时间序列数据的分类性能，得出多通道深度卷积神经网络在准确率（＞99%）和实时性（ms级预测）上表现最优的结论，为实时稳定性分析提供了高效解决方案。

      综上，AI算法能够以数据驱动方式提取系统动态特征，快速识别失稳模式，与传统方法相比有效提升了实时性与自适应能力。然而，现有研究大多聚焦于模型精度与计算效率的提升，缺乏对模型可解释性的研究，在数据不完备、噪声干扰等极端条件下的可靠性尚显不足，且多停留在仿真层面，缺乏基于实验平台或现场数据的系统性验证。

      2.3 基于AI的变流器并网系统小信号稳定控制

      AI算法在小信号稳定控制中的应用可分为调整系统参数、优化控制器和多目标优化三方面，具备自适应、智能化的优势。

      2.3.1 调整系统参数

      传统的控制器参数整定依赖于精确的系统模型和运行经验，往往无法及时适应电网结构的复杂化和运行状态的多变性。为解决上述不足，可通过以下三种引入AI算法的控制思路整定参数。

      其一，通过深度神经网络或强化学习技术，从大量数据中学习系统的动态特征，并根据系统输入内容及动态特性变化，自适应地调整虚拟惯量和阻尼系数，克服传统方法在处理长时序依赖和非平稳特性方面的不足，实现小信号稳定控制。例如，文献[86]利用深度卷积神经网络来提取系统动态特征，优化虚拟惯量和阻尼系数，但由于深度卷积神经网络在处理长时序依赖和非平稳特性上的局限性，动态响应的持续性改善仍存在不足。为解决这一问题，部分研究考虑引入神经网络进行控制器设计：文献[87]、文献[88]、文献[89]分别利用ANN、DNN、径向基（radial basis function，RBF）神经网络根据输入的电网变量自适应调整虚拟惯量和阻尼系数。此外，强化学习算法因其动态调节特性备受青睐：文献[90]、文献[91]和[92]、文献[93]分别采用Q-学习算法、DDPG算法、Actor-Critic算法代替传统的自适应控制器，在线调整系统的虚拟惯量。文献[94]、文献[95]则分别采用DDPG和TD3算法对虚拟惯量和阻尼系数进行在线学习和优化。进一步地，文献[96]在综合比较DDPG、SAC、TD3三种算法后，得出TD3的方法在减少频率偏差和输出有功功率振荡领域展现出最优性能的结论。文献[97]利用DDPG调节多个逆变器的虚拟惯量，从而改善多机系统的频率响应。文献[98]则提出了一种基于DNN和DDPG的协调广域阻尼控制设计，实现了对不同局部阻尼控制的协调操作，实现多机协同。

      其二，针对并网变流器在弱电网或故障条件下的PLL控制需求，基于智能算法实现PLL参数自适应架构，分析电压相位、频率误差等实时信号，通过在线学习或规则推理输出最优PI增益，解决固定参数在非稳态工况下的失配问题，提升变流器动态性能。例如，文献[99]和文献[100]分别基于强化学习算法和集中模糊逻辑算法实现了并网变流器PLL控制器PI增益的自动控制。文献[101]提出了一种基于ANN的自适应PI补偿器，提高了并网变流器的动态响应性能。

      其三，利用强化学习替代传统控制策略，通过智能体实时监测系统频率、电压及变流器状态，在线优化其他参数，提升小信号稳定性。例如，文献[102]设计了一基于深度强化学习（deep reinforcement learning，DRL）的智能体，通过提供下降系数和直流电压参考值，改善频率下垂控制。文献[103]使用TD3算法，接收所有并网变流器的状态信息并生成相应的无功功率参考值，最小化微电网中的无功功率共享误差并调节各自的输出电压，实现了多机系统的输出优化。

      2.3.2 优化控制器

      传统的控制器结构优化设计复杂、参数敏感，适应能力差，在弱电网或强扰动下易出现响应滞后、振荡或失稳，威胁系统稳定性。通过以下思路引入AI算法设计或优化控制器，能够有效解决该问题。

      其一，利用神经网络强大的非线性映射能力和自学习特性，在不依赖精确系统模型的情况下构建模拟控制器“黑箱”模型，有效突破传统方法在参数依赖性和系统建模上的限制，提升控制器在复杂工况下的综合性能。例如，文献[87]设计了一种最优控制器，并利用单个神经网络结构逼近该控制器。文献[104]通过借助PI控制器和MPC产生数据训练FNN和RNN，设计了基于ANN的新的VSC控制器，在更小计算负担的基础上达到了更高计算精度，更进一步地在文献[105]中揭示其工作机理及与VSC系统的相互作用。文献[106]设计了一种鲁棒性强、动态响应快的全滑模控制器用于功率解耦，并通过在线训练的自适应模糊神经网络模拟结合Lyapunov稳定性定理的理想控制律，从而构建了一种模型无关的控制策略，其解耦性能不依赖于精确的系统参数，从根本上克服了传统虚拟电感等方法因参数敏感而导致的解耦性能下降问题。

      其二，借助强化学习算法的自主优化能力，在线优化现有的变流器控制系统，在无需人工干预参数调谐的条件下实现控制器性能及其协同能力的动态提升。例如，文献[107]运用DDPG算法来训练和优化现有的逆变器控制系统，提高了逆变器的动态响应和稳态性能，减少了总谐波失真。在此基础上，针对DDPG算法对学习率参数高度敏感的设置难题，文献[108]采用一种可调整学习率的DDPG算法，克服了关于模拟控制器学习率的设置难点：既避免学习率太小导致的训练过程收敛缓慢的现象，又解决了学习率太大导致的振荡问题，提高了控制算法的训练效率，同时保证了控制效果。更进一步地，部分研究将AI算法引入多机协同系统，并取得了一定成效。文献[109]基于Q学习算法，提出了一种多智能体分布式调频控制策略，通过检测微电网系统的频率偏差，克服了集中式频率调节的不足，实现分布式发电机全局的协调输出与稳定运行。文献[110]运用SAC算法学习在多种混合电网运行条件下进行控制器参数的自调整，实现对VSC的频率控制，从而提高多机协同下的频率支持性能。文献[111]采用一种基于粒子群优化算法的深度学习优化技术，对涉及多个电网的VSC控制器进行整定，能够为控制器产生最佳可能调整或优化调整的参数，从而提高转换速率、建立时间、下冲和过冲方面的性能。

      2.3.3 多目标优化

      在小信号稳定控制中，传统方法通常聚焦于单一稳定性指标。然而，实际电力系统需要在稳定性、电能质量、能耗效率等多维目标之间实现平衡。针对这一问题，AI驱动的多目标优化逐渐成为新的研究方向。例如，文献[112]采用多目标遗传算法，以最小化积分时间绝对误差等五种目标函数为目标，优化了三相逆变器的PI控制器参数，实现了电压与电流的稳态与动态性能的兼顾，并在负载和参考值波动下展现出较强的鲁棒性。在此基础上，更具智能性的强化学习方法被引入，以突破传统进化算法依赖离线优化的局限。文献[113]采用TD3等强化学习算法，通过动态优化虚拟同步发电机的惯量与阻尼参数，有效协同降低了频率最低点、频率变化率和功率超调等多个指标，较传统非自适应方法展现出更优的动态稳定性能。进一步地，文献[114]采用改进的SD3（softmax deep double deterministic policy gradients）强化学习算法，利用其更高效的策略探索能力实现对角频率波动、有功及无功功率偏差的多目标自适应优化，在频率稳定性与功率振荡抑制方面优于DDPG和TD3等主流算法。

      2.3.4 总结展望

      总体而言，强化学习、神经网络等AI算法能够有效突破传统控制器参数整定与结构优化中的模型依赖性与人工调参问题，关于小信号稳定性传统方法的局限性与AI解决方案的应用框架见图5。尽管已有研究目前取得了良好成效，但仍存在若干不足：其一，大部分方法仍依赖于离线训练，难以在运行过程中快速适应系统参数和外部扰动变化；其二，部分算法存在计算负担重、实时性不高的问题，限制了其在线部署潜力。未来研究应发展轻量化的在线AI控制框架，结合多目标协调，以实现高性能稳定控制。

      图5 小信号稳定性传统方法的局限性与AI解决方案的应用框架
      Fig. 5 Limitations of traditional small-signal stability methods and the application framework of AI solutions

      2.4 AI在小信号稳定性分析与控制中的典型实施案例

      如表3所示，前述研究主要展示了AI算法在小信号稳定理论建模与控制优化方面的应用，本节选取两个典型RT-LAB实施案例，分别体现了AI在小信号建模与控制环节的工程实践。

      表 3 AI算法在小信号稳定性中的应用
      Table 3 Application of AI algorithms in small-signal stability

      领域 分类 具体策略 AI算法 具体功能/适用建立智能控制模型 系统极点预测ANN [79] 追踪闭环极点，提高小信号稳定性DBN [80] 预测关键极点，得到控制参数实时评估系统稳定性根据系统实时信息，监测并评估系统状态多元随机森林回归 [81]建立监测模型ANN [82]CNN [83] 建立监测模型并将变量扩展为多维，提升速度粒子群优化算法 [84] 多机协同多种算法 [85] 比较发现多通道深度卷积神经网络准确率和实时性最优制定智能自适应控制策略调整系统参数调整系统虚拟惯量与阻尼系数深度卷积神经网络 [86] 单机系统ANN [87] 多机系统DNN [88]单机系统RBF [89]Q-学习 [90]DDPG[91-92][94][97]多机系统DDPG、DNN [98]SAC [93] 单机系统TD3 [95-96] 单机系统，且性能优于其他算法调节PLL的PI增益强化学习 [99]单机系统集中模糊逻辑 [100]ANN [101] 多机系统其他参数DRL [102] 提供下降系数和直流电压参考值TD3 [103] 生成无功功率参考值、最小化共享误差、调节各自输出电压设计或优化控制器采用神经网络模拟控制器“黑箱”模型单个神经网络 [87] 逼近设计好的最优控制器FNN、RNN [104-105] 设计新的VSC控制器模糊神经网络 [106] 设计用于功率解耦的全滑模控制器采用强化算法优化控制器DDPG[107] 训练和优化现有控制系统[108] 解决学习率设置问题Q学习 [109] 监测系统频率偏差、协调全局输出与运行SAC [110] 调整控制器参数粒子群优化 [111] 整定多个VSC控制器多目标优化优化PI控制器参数 多目标遗传算法 [112] 兼顾电压电流稳态和动态性能动态优化虚拟惯量与阻尼系数TD3 [113] 动态性能良好SD3 [114] 频率稳定性更优

      在建模层面，前文提到，文献[79]通过构建一个ANN模型作为“参数-极点”映射器，用于快速预测多输入多输出系统的闭环极点。在RT-LAB与dSPACE平台的验证中，该方法在100 μs控制周期下实现了在线参数搜索与极点调节。当电网短路比由11.3骤降至4时，系统能够自动修正控制器参数，使主导极点回归至稳定区，从而有效抑制振荡，展现了ANN在实时小信号分析与在线校正中的可行性。

      在控制层面，文献[106]利用模糊神经网络逼近总滑模控制律，提出了一种不依赖精确物理模型的智能控制器。在基于TMS320F28335与FPGA的实验平台上，该控制器在10 kHz的采样频率下运行。实验结果显示，在主动功率突变工况下，其无功功率波动远小于传统方法，显著提升了系统的动态性能与鲁棒性，为AI直接嵌入实时控制环路以增强小信号稳定性提供了实践范例。

      3 基于AI的变流器并网系统暂态稳定研究

      3.1 基于AI的变流器并网系统暂态建模

      变流器作为现代电力系统的重要组成单元，其运行安全性要求高。然而，现有基于物理建模的暂态建模方法在效率与适应性之间难以兼顾。一方面，时域仿真方法尽管能精确再现系统动态，但计算开销大、难以满足在线评估与优化需求；另一方面，基于Lyapunov理论的直接法则面临函数构造复杂、应用条件受限等挑战。

      为了应对上述挑战，引入AI技术构建变流器并网系统的暂态建模框架，正成为一条具备前沿性与实用价值的研究路径[115]。AI模型（如神经网络、混合物理-数据驱动方法）具备强大的非线性映射能力与在线学习能力，能够在无需精确物理模型的前提下，通过对仿真或运行数据的学习，实现对系统暂态动态的快速建模与预测。同时，AI方法天然适用于处理高维、强耦合、多扰动等复杂情形，具备良好的扩展性与实时性，为系统稳定性在线评估与控制策略快速迭代提供了可能。

      为实现对变流器并网系统的暂态建模，文献[116]采用长短时记忆网络实现并网变流器的暂态建模，通过输入系统时间序列的数据可以实现对变流器并网系统动态的预测。长短时记忆网络的结构图如图6所示。然而基于AI的建模方法缺乏可解释性。为此，文献[117]基于深度神经网络结合决策树的方法对并网系统进行建模，其中决策树能够提升神经网络的可解释性。

      图6 长短时记忆网络的结构图
      Fig. 6 Structure diagram of long short-term memory network

      因此，基于AI的变流器并网系统暂态建模不仅有望缓解传统方法在建模效率与应用范围上的制约，也为后续实现稳定性自适应评估、智能控制策略优化等提供了理论与工具基础，是当前构网型电力系统研究中的关键技术方向之一。

      3.2 基于AI的变流器并网系统暂态稳定分析

      随着AI技术的不断进步，深度学习算法表现出比传统机器学习更高的准确率性能。具体地，深度学习算法通过多层神经网络从输入数据中逐步提取更高级别的特征，并利用这些特征近似训练数据分布，具有更强的高阶非线性拟合能力。为此，在电力系统分析控制中引入深度学习算法可以准确预测变流器并网系统的动态行为，评估其失稳风险。尤其在多机或大规模并网系统的暂态稳定性分析中，基于AI方法有巨大的优势，在精准度和计算效率方面都优于传统机理的分析方法。根据采用AI算法的不同，可分为神经网络和迁移学习两类。

      基于遗传算法与前馈神经网络，文献[118]构建了有功出力控制变量与暂态稳定系数指标之间的映射关系，进而实现暂态稳定的迅速预测。此方法虽然有较高的识别效率和精度，但无法识别变流器并网系统的主导失稳模式。为此，文献[119]构建了一种深度神经网络，此方法基于功角和母线电压数据，不仅能识别并网系统是否稳定，还能判断系统是由电压或者功角主导的失稳，如图7所示。在神经网络训练过程中，对原始数据的特征提取与数据挖掘工作影响着后续模型的识别效率和精度。为此，文献[120-121]将系统的原始数据转化为特征图，然后使用多个卷积神经网络实现对关键特征的有效提取，其示意图如图8所示。此外，文献[122]对并网系统暂态稳定评估的原始数据进行分析，通过参数敏感性分析筛选关键特征，提出一种以系统动态参数为主、稳态参数为辅，两者结合的输入特征集。同时利用此特征数据集训练多变流器系统暂态稳定评估模型，实现变流器并网系统在参数、电流限幅、故障变化、负载变化等复杂工况下的在线准确评估。

      图7 变流器并网系统主导失稳模式判别
      Fig. 7 Identification of dominant instability modes in gridconnected converter systems

      图8 变流器并网系统多卷积并联综合判稳示意图
      Fig. 8 Schematic diagram of multi-convolution parallel comprehensive stability assessment for grid-connected converter systems

      在现实工况中，大扰动出现的频率较低，导致现实中的目标样本较少。为了在目标样本数据匮乏的条件下，提升模型的识别精度，文献[123]将迁移学习的思想引入到大规模变流器并网系统的稳定性评估工作中，其示意图如图9所示。具体地，训练过程分为两个步骤，首先采用大量源系统的样本数据对模型进行预训练，训练完成后基于目标系统的少量样本数据对模型进行修正。采用迁移学习可以在少量目标数据的条件下，提升暂态稳定性评估的准确率。

      图9 基于迁移学习的并网系统判稳示意图
      Fig. 9 Schematic diagram of stability assessment for gridconnected systems based on transfer learning

      现有的变流器并网系统稳定性AI评估工作大多基于输入数据完整的情况。然而，在系统发生故障时，往往伴随着测量数据丢失或因拓扑变化而导致测量数据不可用，这将导致神经网络的评估性能下降。为了解决这类问题，文献[124]详细分析了数据样本部分或完全缺失对经过训练的深度神经网络模型性能的影响。与此同时，为了提升在数据缺失下的暂态稳定评估的准确率，提出了一种插补技术来补全缺失数据。

      综上所述，AI驱动的暂态稳定分析方法在复杂扰动场景下表现出较高的预测精度与计算效率，显著改善了传统方法在实时性与适应性方面的不足。然而，现有研究仍主要停留在数据驱动阶段，对模型在数据缺失、拓扑变化及极端故障下的研究尚且不足，未来应重点探索AI与传统机理模型的融合。

      3.3 基于AI的变流器并网系统暂态稳定控制

      AI算法引入自适应控制策略制定的方式包括通过实时监测系统状态并利用AI模型预测潜在扰动和提出控制策略、采用AI算法代替复杂非线性动态模块、利用强化学习算法不断优化控制决策三类。

      其中，通过实时监测系统状态并利用AI模型预测潜在扰动，能够提前调整控制参数以迅速应对电力系统的突发变化。文献[125]采用学习矢量量化（learning vector quantization，LVQ）神经网络，实现在5 ms内识别故障类型，并根据故障类型识别结果自适应调整控制参数。文献[126]提出了一种基于ANN的并网型VSC的实时预测参数自适应控制算法，该算法利用扩展卡尔曼滤波在线辨识电网阻抗并估算状态变量，通过在每次迭代中修正控制参数，将静态参数设计转化为动态系统优化，有效降低控制系统对电网参数变化的敏感性，实现暂态稳定自适应控制。

      而采用AI算法代替或优化复杂非线性动态模块，能够改善并网变流器的操作性能，确保电压和频率的快速恢复。文献[127]采用TD3算法，取代了传统模块化多电平换流器控制中的VSG模块，有效改善了并网变流器的控制性能。文献[128]采用CNN结合DRL算法，完成了对微电网中电网馈电电压源转换器故障穿越瞬态稳定性的研究工作。通过CNN处理时间序列数据，解决了DRL在动态时间尺度下训练和操作的计算问题，提高了并网变流器同步控制器的性能和稳定性。基于DRL的并网系统优化决策示意图如图10所示。

      图10 基于DRL的并网系统优化决策示意图
      Fig. 10 Schematic diagram of optimization decision-making for grid-connected systems based on DRL

      此外，利用强化学习不断优化控制决策，能够使控制系统在保证高精度的同时降低运算复杂度，增强系统的鲁棒性和抗干扰能力。文献[129]提出了一种结合SAC算法的物理信息神经网络，通过调节虚拟惯量和阻尼系数，实现VSG的暂态控制。文献[130]则设计了一种基于目标表示启发式动态规划的由三个神经网络组成的附加阻尼控制器，可以自动形成内部自适应奖赏信号，以便于更好地映射系统状态和控制动作，能够明显改善电力系统的动态性能。

      值得注意的是，近年来，部分研究开始尝试将AI与多目标优化方法结合，用于暂态稳定控制的综合性能提升。文献[131]采用粒子群多目标优化算法，以最大化临界切除角和临界切除时间为目标，优化虚拟同步发电机的惯量与阻尼参数，成功提升了系统的暂态稳定性能。在此基础上，文献[132]引入ANN，将响应速度与超调量等动态性能指标纳入优化目标，实现对多机VSG阻尼因子和惯性的协调调整，从而在更复杂的运行工况下保障系统的综合性能。更进一步地，文献[133]提出了Stable-DDPG算法，将稳定性条件作为结构性约束与深度强化学习相结合，通过控制逆变器无功功率注入的变化率，同时优化暂态控制成本与电压恢复时间，既保证了电压稳定性，又显著降低了控制代价并加快了恢复速度，其性能明显优于传统线性控制器和标准DDPG方法。

      综上，如表4所示，AI算法在暂态控制中展现出显著的自适应与决策优化能力。尽管强化学习与神经网络控制器在仿真与实验中表现优越，但AI控制系统的安全性与可验证性尚不足，可能在极端故障或边界条件下产生不可预测行为。未来研究应聚焦于推动AI技术从实验验证走向工程落地。

      表 4 AI算法在暂态稳定性中的应用
      Table 4 Application of AI algorithms in transient stability

      领域 分类 AI算法 具体功能/适用暂态建模长短时记忆网络 [118] 并网变流器的暂态建模深度神经网络结合决策树 [119]并网变流器的暂态建模，提升神经网络的可解释性预测系统状态前馈神经网络 [120] 根据暂态稳定程度预测控制参数深度神经网络 [121] 判断系统的失稳类型卷积神经网络 [122-123]并网系统暂态稳定评估迁移学习 [124]少量目标数据的条件下，提升暂态稳定性评估的准确率制定智能自适应控制策略检测状态、预测扰动LVQ神经网络 [125]识别故障类型、自适应调整控制参数ANN [126]辨识电网参数，基于此迭代控制参数代替或优化非线性模块TD3 [127] 取代VSG模块实现控制CNN [128]研究故障穿越稳定性、优化控制决策优化控制决策SAC、物理信息神经网络 [129] 调整虚拟惯量与阻尼系数神经网络 [130] 附加阻尼控制器多目标优化粒子群多目标优化算法 [131] 优化虚拟惯量与阻尼系数ANN [132]协调调整多机VSG阻尼因子和惯性Stable-DDPG [133] 控制无功功率注入的变化率

      3.4 AI在暂态稳定性分析与控制中的典型实施案例

      前述研究从理论层面探讨了AI在暂态稳定领域的应用，本节聚焦于工程实施，选取三个典型案例，分别对应暂态建模、暂态稳定性分析和控制策略三个环节。

      在暂态建模方面，文献[119]通过树正则化机制将深度学习的非线性建模能力与决策树的可解释性相结合。在仿真实验中，该方法在39节点系统中实现了高达94%以上的暂态稳定评估准确率，并通过DT规则生成预防控制策略。尽管其实验未在RT-LAB中直接部署，但其基于实时PMU数据的在线评估架构具备良好的移植性，也能为后续AI的实践应用提供理论支撑与仿真验证基础。

      在暂态稳定性分析领域，文献[121]开发的基于深度神经网络的主导失稳模式识别模型展示了AI在复杂失稳场景下的精细识别能力。研究团队在中国电力科学研究院36节点系统及东北电网中进行了大规模仿真验证，实验结果表明，该模型在测试集上的识别准确率达到97.7%，显著优于传统机器学习方法。

      在控制策略领域，文献[125]相关研究在RT-LAB平台中进行了实验，结果表明，所提出的LVQ网络能够在故障发生后5 ms内完成准确率高达99%的故障类型识别，并基于识别结果自适应调整虚拟惯量与阻尼系数，实现良好控制。例如，在电压暂降为0.8 pu的严重故障场景下，该控制框架可将临界切除时间延长至1 s以上，有效提升了系统的暂态稳定性。

      基于上文内容，总结传统方法与AI方法在变流器稳定研究中的性能与工况优势对比如表5所示。

      表 5 传统方法与AI方法在变流器稳定性研究中的性能与工况优势对比
      Table 5 Comparison of the performance, working conditions and advantages of traditional methods and AI methods in the study of converter stability

      方法类别 代表方法 机理揭示性 响应速度 控制精度 鲁棒性 适应性 典型工况与优势传统机理方法状态空间法、阻抗法、Lyapunov直接法 高 较低 高 低 低常规小扰动、参数已知场景；机理清晰、理论分析可靠，但实时性和普适性不足神经网络类ANN、CNN、RNN、DBN、FNN 低 高 高 中 高弱电网小信号下可在线预测极点、实时判稳；突发扰动下快速自适应调整控制参数强化学习类Q-learning、DDPG、TD3、SAC、Stable-DDPG中高高高 高多机协同、强非线性或大扰动工况；可自适应优化惯量/阻尼，提升全局稳定性并支持多目标优化进化与优化类粒子群优化、遗传算法、多目标优化 中 中 中 中 高 多机系统参数整定、多目标权衡；能协调控制器参数，兼顾稳态与动态性能混合与迁移学习类迁移学习、物理信息神经网络、AI+传统混合中高高中 高数据缺失或小样本场景；可在少量数据条件下保持判稳精度，并通过物理约束提升可解释性

      4 总结与展望

      随着新型电力系统向高比例新能源接入和高电力电子化方向加速演进，并网变流器的稳定运行已成为保障系统安全性与提升新能源消纳能力的关键环节。基于AI的并网变流器建模、分析与控制逐步展现出强大的潜力。本文围绕并网变流器稳定性分析方法、致稳控制策略及AI算法在相关领域的应用开展综述研究。然而，将AI方法大规模部署于实际系统中，仍面临诸多关键问题亟待解决，未来研究需围绕以下几个核心方向持续推进。

      1）AI模型在处理非线性、高维系统方面具有显著优势，但其“黑箱”特性也可能带来安全隐患，尤其是在应对极端故障场景和异常运行条件时，可能产生不可预测的控制输出。因此，亟须建立AI模型在电力系统中的安全验证与可信运行机制，如引入鲁棒性评估、故障容错机制，或将AI模型与传统模型融合，在保障智能性提升的同时，维持系统的可控与安全运行。

      2）AI技术在变流器系统中的应用需充分考虑实时性与部署模式之间的权衡。离线训练-在线推理的模式适用于大部分场景，但对于极端扰动条件下的快速决策，仍需探索具备快速适应能力的增量学习或小样本在线学习机制。同时，边缘计算平台的发展也为高响应速度的AI模型部署提供了技术支持，有望实现真正意义上的在线智能分析与控制。

      3）尽管AI技术本身日趋成熟，但其在电力电子系统中的部署仍面临成本控制与工程复杂性问题。如何在模型精度、推理速度与硬件成本之间取得最优平衡，是未来研究必须考虑的实际问题。例如，轻量化神经网络（如TinyML、知识蒸馏）以及模型压缩技术的引入，可在降低部署成本的同时，保持良好的性能表现。

      4）AI模型能否被广泛接受并应用于关键控制环节，一个重要前提是其具备良好的可解释性。未来可结合物理经验与因果推理方法，提升模型的结构透明性和决策可追溯性；同时，也可引入可解释AI框架，对AI模型输出进行结构化解释，从而增强系统运行人员对智能模型的信任度与操作可控性。

      综上，AI技术在大规模并网变流器系统中的应用虽具备显著优势，但要实现从“实验验证”到“工程落地”的跨越，仍需在安全性保障、实时性优化、经济性评估与可解释性增强等方面形成系统化的技术体系。未来构建可信、高效、可解释的AI辅助变流器系统将成为新型电力系统智能化发展的重要方向。

      参考文献

      1. [1]

        舒印彪，张丽英，张运洲，等. 我国电力碳达峰、碳中和路径研究[J]. 中国工程科学，2021，23(6)：1-14.SHU Yinbiao, ZHANG Liying, ZHANG Yunzhou, et al. Carbon peak and carbon neutrality path for China’s power industry[J].Strategic Study of CAE, 2021, 23(6): 1-14(in Chinese). [百度学术]

      2. [2]

        刘江，高淑萍，孙向东，等. 弱电网下光伏并网逆变器谐振抑制方法综述[J]. 南方电网技术，2024，18(3)：65-71.LIU Jiang, GAO Shuping, SUN Xiangdong, et al. Overview of resonance suppression methods for PV grid-connected inverters in weak grid[J]. Southern Power System Technology,2024, 18(3): 65-71(in Chinese). [百度学术]

      3. [3]

        蒋明华，李丁，孔德祯，等. 面向高比例新能源送端系统频率稳定的多源协同控制及参数优化方法[J]. 电力建设，2025，46(5)：36-46.JIANG Minghua, LI Ding, KONG Dezhen, et al. Multi-source coordinated control and parameter optimization methods for frequency stability in high-proportion new energy sending-end systems[J]. Electric Power Construction, 2025, 46(5): 36-46(in Chinese). [百度学术]

      4. [4]

        谢小荣，贺静波，毛航银，等. “双高”电力系统稳定性的新问题及分类探讨[J]. 中国电机工程学报，2021，41(2)：461-475.XIE Xiaorong, HE Jingbo, MAO Hangyin, et al. New issues and classification of power system stability with high shares of renewables and power electronics[J]. Proceedings of the CSEE,2021, 41(2): 461-475(in Chinese). [百度学术]

      5. [5]

        丁然，邵尹池，李咏凯，等. 功率同步型构网型变流器功率环建模及其差异性对暂态稳定的影响[J]. 电力工程技术，2025，44(2)：111-122.DING Ran, SHAO Yinchi, LI Yongkai, et al. Power loop modeling of grid-forming converter and the influence of difference on transient stability[J]. Electric Power Engineering Technology, 2025, 44(2): 111-122(in Chinese). [百度学术]

      6. [6]

        于琳琳，丁咚，毛玉宾，等. 构网型-跟网型混合多变流器系统小干扰稳定分析与参数优化研究[J]. 全球能源互联网，2025，8(4)：445-455.YU Linlin, DING Dong, MAO Yubin, et al. Research on small signal stability analysis and parameter optimization of gridfollowing and grid-forming hybrid multi-converter system[J].Journal of Global Energy Interconnection, 2025, 8(4): 445-455(in Chinese). [百度学术]

      7. [7]

        迟永宁，江炳蔚，胡家兵，等. 构网型变流器：物理本质与特征[J]. 高电压技术，2024，50(2)：592-606.CHI Yongning, JIANG Bingwei, HU Jiabing, et al. Gridforming converters: physical mechanism and characteristics[J].High Voltage Engineering, 2024, 50(2): 592-606(in Chinese). [百度学术]

      8. [8]

        周孝信，陈树勇，鲁宗相，等. 能源转型中我国新一代电力系统的技术特征[J]. 中国电机工程学报，2018，38(7)：1893-1904.ZHOU Xiaoxin, CHEN Shuyong, LU Zongxiang, et al.Technology features of the new generation power system in China[J]. Proceedings of the CSEE, 2018, 38(7): 1893-1904(in Chinese). [百度学术]

      9. [9]

        李毅丰，张学，韦统振，等. 多应用场景下构网型变流器的输出特性及其等价性分析[J]. 全球能源互联网，2025，8(4)：418-430.LI Yifeng, ZHANG Xue, WEI Tongzhen, et al. Output characteristics and equivalence analysis of grid-forming converters in complex application scenarios[J]. Journal of Global Energy Interconnection, 2025, 8(4): 418-430(in Chinese). [百度学术]

      10. [10]

        黄炳政，陈俊儒，刘牧阳，等. 基于自适应虚拟阻抗的构网型变流器暂态稳定性提升策略研究[J]. 电力系统保护与控制，2025，53(12)：57-68.HUANG Bingzheng, CHEN Junru, LIU Muyang, et al. Gridforming converter transient stability enhancement strategy based on adaptive virtual impedance[J]. Power System Protection and Control, 2025, 53(12): 57-68(in Chinese). [百度学术]

      11. [11]

        林宇轩，李威，朱玲，等. 电网电压跌落下构网型变流器暂态控制策略综述[J]. 电力工程技术，2025，44(2)：55-68.LIN Yuxuan, LI Wei, ZHU Ling, et al. Review of transient control strategies for grid-forming converters under grid voltage sag conditions[J]. Electric Power Engineering Technology, 2025, 44(2): 55-68(in Chinese). [百度学术]

      12. [12]

        刘泽洪，郑炜，李佳朋，等. 构网型技术发展现状与前景[J]. 全球能源互联网，2025，8(4)：399-415.LIU Zehong, ZHENG Wei, LI Jiapeng, et al. Status and outlook for the development of grid-forming technologies[J].Journal of Global Energy Interconnection, 2025, 8(4): 399-415(in Chinese). [百度学术]

      13. [13]

        徐虹伟，王炜宇，曹一家，等. 基于振荡能量法的构网型变流器振荡特性分析与参数优化[J]. 电力系统保护与控制，2025，53(19)：101-113.XU Hongwei, WANG Weiyu, CAO Yijia, et al. Analysis of oscillation characteristics and parameter optimization of gridforming converters based on the oscillation energy method[J].Power System Protection and Control, 2025, 53(19): 101-113(in Chinese). [百度学术]

      14. [14]

        胡家兵，朱建行，郭泽仁，等. 电力电子化电力系统多时间尺度时变动态小干扰稳定问题[J]. 中国电机工程学报，2024，44(18)：7349-7361.HU Jiabing, ZHU Jianhang, GUO Zeren, et al. Small-signal stability in power-electronized power systems considering multi-timescale time-varying dynamics[J]. Proceedings of the CSEE, 2024, 44(18): 7349-7361(in Chinese). [百度学术]

      15. [15]

        ADAMS J, CARTER C, HUANG S H. ERCOT experience with sub-synchronous control interaction and proposed remediation[C]//PES T&D 2012. May 7-10, 2012, Orlando,FL, USA. IEEE, 2012: 1-5. [百度学术]

      16. [16]

        孙东阳，孟繁易，王南，等. 基于反步自适应准谐振控制的双馈风机次同步振荡抑制策略[J]. 电工技术学报，2023，38(9)：2375-2390.SUN Dongyang, MENG Fanyi, WANG Nan, et al. DFIG sub-synchronous oscillation suppression strategy based on backstepping adaptive quasi-resonant control[J]. Transactions of China Electrotechnical Society, 2023, 38(9): 2375-2390(in Chinese). [百度学术]

      17. [17]

        魏伟，许树楷，李岩，等. 南澳多端柔性直流输电示范工程系统调试[J]. 南方电网技术，2015，9(1)：73-77.WEI Wei, XU Shukai, LI Yan, et al. The system commissioning of Nan’ao VSC-MTDC demonstration project[J]. Southern Power System Technology, 2015, 9(1):73-77(in Chinese). [百度学术]

      18. [18]

        梁志峰，葛睿，董昱，等. 印度“7.30”、“7.31”大停电事故分析及对我国电网调度运行工作的启示[J]. 电网技术，2013，37(7)：1841-1848.LIANG Zhifeng, GE Rui, DONG Yu, et al. Analysis of largescale blackout occurred on July 30 and July 31, 2012 in India and its lessons to China’s power grid dispatch and operation[J].Power System Technology, 2013, 37(7): 1841-1848(in Chinese). [百度学术]

      19. [19]

        孙华东，许涛，郭强，等. 英国“8·9”大停电事故分析及对中国电网的启示[J]. 中国电机工程学报，2019，39(21)：6183-6191.SUN Huadong, XU Tao, GUO Qiang, et al. Analysis on blackout in Great Britain power grid on August 9th, 2019 and its enlightenment to power grid in China[J]. Proceedings of the CSEE, 2019, 39(21): 6183-6191(in Chinese). [百度学术]

      20. [20]

        李政麒，蔡晔，曹一家，等. 美国得州“2·15”停电事故分析及对中国新型电力系统供电充裕度的启示[J]. 电力科学与技术学报，2022，37(5)：17-24.LI Zhengqi, CAI Ye, CAO Yijia, et al. Analysis of “2·15”blackout in Texas and its enlightenment to China’s new power system supply adequacy[J]. Journal of Electric Power Science and Technology, 2022, 37(5): 17-24(in Chinese). [百度学术]

      21. [21]

        曾志杰，肖华锋，高博，等. 并网逆变器小信号建模简化方法与应用[J]. 中国电机工程学报，2020，40(21)：7002-7012.ZENG Zhijie, XIAO Huafeng, GAO Bo, et al. Simplified small-signal modeling method of grid-connected inverters and its applications[J]. Proceedings of the CSEE, 2020, 40(21):7002-7012(in Chinese). [百度学术]

      22. [22]

        陈新，王赟程，龚春英，等. 采用阻抗分析方法的并网逆变器稳定性研究综述[J]. 中国电机工程学报，2018，38(7)：2082-2094.CHEN Xin, WANG Yuncheng, GONG Chunying, et al.Overview of stability research for grid-connected inverters based on impedance analysis method[J]. Proceedings of the CSEE, 2018, 38(7): 2082-2094(in Chinese). [百度学术]

      23. [23]

        龚浩岳，郭强，郭剑波，等. 基于变流器系统状态空间法的小干扰稳定分析与控制研究[J]. 中国电机工程学报，2025，45(13)：4943-4955.GONG Haoyue, GUO Qiang, GUO Jianbo, et al. Small disturbance stability analysis and control research based on state space method of converter system[J]. Proceedings of the CSEE, 2025, 45(13): 4943-4955(in Chinese). [百度学术]

      24. [24]

        张宇，蔡旭，张琛，等. 并网变换器的暂态同步稳定性研究综述[J]. 中国电机工程学报，2021，41(5)：1687-1701.ZHANG Yu, CAI Xu, ZHANG Chen, et al. Transient synchronization stability analysis of voltage source converters:a review[J]. Proceedings of the CSEE, 2021, 41(5): 1687-1701(in Chinese). [百度学术]

      25. [25]

        耿华，何长军，刘浴霜，等. 新能源电力系统的暂态同步稳定研究综述[J]. 高电压技术，2022，48(9)：3367-3383.GENG Hua, HE Changjun, LIU Yushuang, et al. Overview on transient synchronization stability of renewable-rich power systems[J]. High Voltage Engineering, 2022, 48(9): 3367-3383(in Chinese). [百度学术]

      26. [26]

        贺之渊，刘栋，庞辉. 柔性直流与直流电网仿真技术研究[J]. 电网技术，2018，42(1)：1-12.HE Zhiyuan, LIU Dong, PANG Hui. Research of simulation technologies of VSC-HVDC and DC grids[J]. Power System Technology, 2018, 42(1): 1-12(in Chinese). [百度学术]

      27. [27]

        谢小荣，刘华坤，贺静波，等. 新能源发电并网系统的小信号阻抗/导纳网络建模方法[J]. 电力系统自动化，2017，41(12)：26-32.XIE Xiaorong, LIU Huakun, HE Jingbo, et al. Small-signal impedance/admittance network modeling for grid-connected renewable energy generation systems[J]. Automation of Electric Power Systems, 2017, 41(12): 26-32(in Chinese). [百度学术]

      28. [28]

        朱蜀，刘开培，秦亮，等. 电力电子化电力系统暂态稳定性分析综述[J]. 中国电机工程学报，2017，37(14)：3948-3962.ZHU Shu, LIU Kaipei, QIN Liang, et al. Analysis of transient stability of power electronics dominated power system: an overview[J]. Proceedings of the CSEE, 2017, 37(14): 3948-3962(in Chinese). [百度学术]

      29. [29]

        LIU H, PENG M L, FENG L, et al. Comprehensive performance-orianted control for grid-forming converters[C]//2024 IEEE 19th Conference on Industrial Electronics and Applications (ICIEA). August 5-8, 2024,Kristiansand, Norway. IEEE, 2024: 1-5. [百度学术]

      30. [30]

        GONZALES-ZURITA Ó, CLAIRAND J M, PEÑALVOLÓPEZ E, et al. Review on multi-objective control strategies for distributed generation on inverter-based microgrids[J].Energies, 2020, 13(13): 3483. [百度学术]

      31. [31]

        LI Y Z, ZHAO Y, WU L, et al. Review for smart grid dispatch[M]//Artificial intelligence enabled computational methods for smart grid forecast and dispatch. Singapore:Springer Nature Singapore, 2023: 31-53. [百度学术]

      32. [32]

        DAS GANGULA S, NIZAMI T K, UDUMULA R R,et al. Adaptive neural network control of DC-DC power converter[J]. Expert Systems with Applications, 2023, 229:120362. [百度学术]

      33. [33]

        QUAN N V, SON N N. Control of a DC-DC buck converter using adaptive neural network[J]. Electrical Engineering, 2025,107(6): 6815-6825. [百度学术]

      34. [34]

        SAHA U, JAWAD A, SHAHRIA S, et al. Proximal policy optimization-based reinforcement learning approach for DCDC boost converter control: a comparative evaluation against traditional control techniques[J]. Heliyon, 2024, 10(18):e37823. [百度学术]

      35. [35]

        MAZAHERI N, SANTAMARGARITA D, BUENO E, et al.A deep reinforcement learning approach to DC-DC power electronic converter control with practical considerations[J].Energies, 2024, 17(14): 3578. [百度学术]

      36. [36]

        LI S H, WUNSCH D C, FAIRBANK M, et al. Vector control of a grid-connected rectifier/inverter using an artificial neural network[C]//The 2012 International Joint Conference on Neural Networks (IJCNN). June 10-15, 2012, Brisbane, QLD,Australia. IEEE, 2012: 1-7. [百度学术]

      37. [37]

        张有兵，林一航，黄冠弘，等. 深度强化学习在微电网系统调控中的应用综述[J]. 电网技术，2023，47(7)：2774-2788.ZHANG Youbing, LIN Yihang, HUANG Guanhong, et al.Review on applications of deep reinforcement learning in regulation of microgrid systems[J]. Power System Technology,2023, 47(7): 2774-2788(in Chinese). [百度学术]

      38. [38]

        汤奕，崔晗，李峰，等. 人工智能在电力系统暂态问题中的应用综述[J]. 中国电机工程学报，2019，39(1)：2-13.TANG Yi, CUI Han, LI Feng, et al. Review on artificial intelligence in power system transient stability analysis[J].Proceedings of the CSEE, 2019, 39(1): 2-13(in Chinese). [百度学术]

      39. [39]

        LI Y Z, DING Y Z, HE S Y, et al. Artificial intelligence-based methods for renewable power system operation[J]. Nature Reviews Electrical Engineering, 2024, 1(3): 163-179. [百度学术]

      40. [40]

        国家市场监督管理总局，国家标准化管理委员会. 电力系统安全稳定导则：GB 38755—2019[S]. 北京：中国标准出版社，2019. [百度学术]

      41. [41]

        全国电网运行与控制标准化技术委员会. 《电力系统 安全稳定导则》条文释义与学习辅导[M].北京：中国电力出版社，2020. [百度学术]

      42. [42]

        LYAPUNOV A M. The general problem of the stability of motion[J]. International Journal of Control, 1992, 55(3): 531-534. [百度学术]

      43. [43]

        ZHAO J T, HUANG M, ZHA X M. Nonlinear analysis of PLL damping characteristics in weak-grid-tied inverters[J]. IEEE Transactions on Circuits and Systems II: Express Briefs, 2020,67(11): 2752-2756. [百度学术]

      44. [44]

        董文凯，杜文娟，王海风. 弱连接条件下锁相环动态主导的并网直驱风电场小干扰稳定性研究[J]. 电工技术学报，2021，36(3)：609-622.DONG Wenkai, DU Wenjuan, WANG Haifeng. Small-signal stability of a grid-connected PMSG wind farm dominated by dynamics of PLLs under weak grid connection[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 609-622(in Chinese). [百度学术]

      45. [45]

        李奕曈，艾诚，覃瑶，等. 基于匹配控制的构网型变换器小扰动稳定性综述[J]. 高电压技术，2025，51(2)：774-792.LI Yitong, AI Cheng, QIN Yao, et al. An overview of smalldisturbance stability of grid-forming converters based on matching control[J]. High Voltage Engineering, 2025, 51(2):774-792(in Chinese). [百度学术]

      46. [46]

        KHAN D, HU P F, HABIB S, et al. A resonant damping control and analysis for LCL-type grid-connected inverter[J].Energy Reports, 2022, 8: 911-928. [百度学术]

      47. [47]

        KREIN P T, BENTSMAN J, BASS R M, et al. On the use of averaging for the analysis of power electronic systems[J]. IEEE Transactions on Power Electronics, 1990, 5(2): 182-190. [百度学术]

      48. [48]

        田艳军，陈映妃，王慧，等. 光伏级联DC/DC变换器模式切换稳定性分析及降压运行策略[J]. 电力建设，2020，41(1)：97-105.TIAN Yanjun, CHEN Yingfei, WANG Hui, et al. Mode switching stability analysis and step-down operation strategy of photovoltaic cascaded DC/DC converters[J]. Electric Power Construction, 2020, 41(1): 97-105(in Chinese). [百度学术]

      49. [49]

        顾丽鸿，周孝信，严剑峰，等. 特高压联网区域实时小干扰稳定分析策略[J]. 中国电机工程学报，2010，30(13)：1-7.GU Lihong, ZHOU Xiaoxin, YAN Jianfeng, et al. Real time small signal stability analysis of power systems interconnected by ultra high voltage transmission line[J]. Proceedings of the CSEE, 2010, 30(13): 1-7(in Chinese). [百度学术]

      50. [50]

        WANG Y B, WANG X F, BLAABJERG F, et al. Harmonic instability assessment using state-space modeling and participation analysis in inverter-fed power systems[J]. IEEE Transactions on Industrial Electronics, 2017, 64(1): 806-816. [百度学术]

      51. [51]

        伍文华，蒲添歌，陈燕东，等. 兆瓦级宽频带阻抗测量装置设计及其控制方法[J]. 中国电机工程学报，2018，38(14)：4096-4106.WU Wenhua, PU Tiange, CHEN Yandong, et al. Megawatt wide-bandwidth impedance measurement device design and its control method[J]. Proceedings of the CSEE, 2018, 38(14):4096-4106(in Chinese). [百度学术]

      52. [52]

        周诗颖，邹旭东，童力，等. 考虑锁相环影响的LCL型并网变换器电流环控制器参数设计[J]. 中国电机工程学报，2016，36(4)：1075-1089.ZHOU Shiying, ZOU Xudong, TONG Li, et al. Design of LCL-type grid-connected converter current loop controller parameters considering effects of phase locked loops[J].Proceedings of the CSEE, 2016, 36(4): 1075-1089(in Chinese). [百度学术]

      53. [53]

        HADJIDEMETRIOU L, KYRIAKIDES E, BLAABJERG F. An adaptive tuning mechanism for phase-locked loop algorithms for faster time performance of interconnected renewable energy sources[J]. IEEE Transactions on Industry Applications, 2015, 51(2): 1792-1804. [百度学术]

      54. [54]

        HUANG L, WU C, ZHOU D, et al. A double-PLLs-based impedance reshaping method for extending stability range of grid-following inverter under weak grid[J]. IEEE Transactions on Power Electronics, 2022, 37(4): 4091-4104. [百度学术]

      55. [55]

        WU C, XIONG X L, TAUL M G, et al. Enhancing transient stability of PLL-synchronized converters by introducing voltage normalization control[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 2021, 11(1): 69-78. [百度学术]

      56. [56]

        WEISE B. Impact of K-factor and active current reduction during fault-ride-through of generating units connected via voltage-sourced converters on power system stability[J]. IET Renewable Power Generation, 2015, 9(1): 25-36. [百度学术]

      57. [57]

        HUANG L B, XIN H H, LI Z Y, et al. Grid-synchronization stability analysis and loop shaping for PLL-based power converters with different reactive power control[J]. IEEE Transactions on Smart Grid, 2020, 11(1): 501-516. [百度学术]

      58. [58]

        李光琦. 电力系统暂态分析[M]. 3版. 北京：中国电力出版社，2007. [百度学术]

      59. [59]

        詹长江，吴恒，王雄飞，等. 构网型变流器稳定性研究综述[J]. 中国电机工程学报，2023，43(6)：2339-2359.ZHAN Changjiang, WU Heng, WANG Xiongfei, et al. An overview of stability studies of grid-forming voltage source converters[J]. Proceedings of the CSEE, 2023, 43(6): 2339-2359(in Chinese). [百度学术]

      60. [60]

        汤涌，姚伟，王宏志，等. 电网仿真分析与决策的人工智能方法[J]. 中国电机工程学报，2022，42(15)：5384-5406.TANG Yong, YAO Wei, WANG Hongzhi, et al. Artificial intelligence techniques for power grid simulation analysis and decision making[J]. Proceedings of the CSEE, 2022, 42(15):5384-5406(in Chinese). [百度学术]

      61. [61]

        GÖKSU Ö, TEODORESCU R, BAK C L, et al. Instability of wind turbine converters during current injection to low voltage grid faults and PLL frequency based stability solution[J]. IEEE Transactions on Power Systems, 2014, 29(4): 1683-1691. [百度学术]

      62. [62]

        KUNDUR P. Power System Stability and Control[M]. New York: McGraw-Hill, 1994. [百度学术]

      63. [63]

        姜卫同，胡鹏飞，尹瑞，等. 基于虚拟同步机的变流器暂态稳定分析及混合同步控制策略[J]. 电力系统自动化，2021，45(22)：124-133.JIANG Weitong, HU Pengfei, YIN Rui, et al. Transient stability analysis and hybrid synchronization control strategy of converter based on virtual synchronous generator[J].Automation of Electric Power Systems, 2021, 45(22): 124-133(in Chinese). [百度学术]

      64. [64]

        ROKROK E, QORIA T, BRUYERE A, et al. Transient stability assessment and enhancement of grid-forming converters embedding current reference saturation as current limiting strategy[J]. IEEE Transactions on Power Systems,2022, 37(2): 1519-1531. [百度学术]

      65. [65]

        XIN H H, HUANG L B, ZHANG L Q, et al. Synchronous instability mechanism of P-f droop-controlled voltage source converter caused by current saturation[J]. IEEE Transactions on Power Systems, 2016, 31(6): 5206-5207. [百度学术]

      66. [66]

        仲悟之，汤涌. 电力系统微分代数方程模型的暂态电压稳定性分析[J]. 中国电机工程学报，2010，30(25)：10-16.ZHONG Wuzhi, TANG Yong. Transient voltage stability analysis of differential-algebra equation in power system[J].Proceedings of the CSEE, 2010, 30(25): 10-16(in Chinese). [百度学术]

      67. [67]

        程雪坤，刘辉，田云峰，等. 基于虚拟同步控制的双馈风电并网系统暂态功角稳定研究综述与展望[J]. 电网技术，2021，45(2)：518-525.CHENG Xuekun, LIU Hui, TIAN Yunfeng, et al. Review of transient power angle stability of doubly-fed induction generator with virtual synchronous generator technology integration system[J]. Power System Technology, 2021, 45(2):518-525(in Chinese). [百度学术]

      68. [68]

        SHUAI Z K, SHEN C, LIU X, et al. Transient angle stability of virtual synchronous generators using Lyapunov’s direct method[J]. IEEE Transactions on Smart Grid, 2019, 10(4):4648-4661. [百度学术]

      69. [69]

        苏福，杨松浩，王怀远，等. 电力系统暂态稳定时域仿真快速终止算法研究[J]. 中国电机工程学报，2017，37(15)：4372-4378.SU Fu, YANG Songhao, WANG Huaiyuan, et al. Study on fast termination algorithm of time-domain simulation for power system transient stability[J]. Proceedings of the CSEE, 2017,37(15): 4372-4378(in Chinese). [百度学术]

      70. [70]

        MOON M S, JOHNSON R W. DSP control of UPS inverter with over-current limit using droop method[C]//30th Annual IEEE Power Electronics Specialists Conference. July 1st, 1999,Charleston, SC, USA. IEEE, 2002: 552-557. [百度学术]

      71. [71]

        LIU Y S, GENG H, YANG G, et al. State transfer induced transient synchronization instability of GFM-VSC: analysis and improvement[J]. IEEE Transactions on Sustainable Energy, 2025, 16(3): 2114-2131. [百度学术]

      72. [72]

        SHUAI Z K, SHEN C, LIU X, et al. Transient angle stability of virtual synchronous generators using Lyapunov’s direct method[J]. IEEE Transactions on Smart Grid, 2019, 10(4):4648-4661. [百度学术]

      73. [73]

        PAN D H, WANG X F, LIU F C, et al. Transient stability impact of reactive power control on grid-connected converters[C]//2019 IEEE Energy Conversion Congress and Exposition (ECCE). September 29-October 3, 2019. Baltimore,MD, USA. IEEE, 2019: 4311-4316. [百度学术]

      74. [74]

        黄林彬，章雷其，辛焕海，等. 下垂控制逆变器的虚拟功角稳定机理分析[J]. 电力系统自动化，2016，40(12)：117-123.HUANG Linbin, ZHANG Leiqi, XIN Huanhai, et al.Mechanism analysis of virtual power angle stability in droopcontrolled inverters[J]. Automation of Electric Power Systems,2016, 40(12): 117-123(in Chinese). [百度学术]

      75. [75]

        XIONG X L, WU C, BLAABJERG F. An improved synchronization stability method of virtual synchronous generators based on frequency feedforward on reactive power control loop[J]. IEEE Transactions on Power Electronics, 2021,36(8): 9136-9148. [百度学术]

      76. [76]

        PAN D H, WANG X F, LIU F C, et al. Transient stability of voltage-source converters with grid-forming control: a designoriented study[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics, 2020, 8(2): 1019-1033. [百度学术]

      77. [77]

        ALIPOOR J, MIURA Y, ISE T. Power system stabilization using virtual synchronous generator with alternating moment of inertia[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics, 2015, 3(2): 451-458. [百度学术]

      78. [78]

        WU H, WANG X F. A mode-adaptive power-angle control method for transient stability enhancement of virtual synchronous generators[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics, 2020, 8(2): 1034-1049. [百度学术]

      79. [79]

        ZHANG C, MIJATOVIC N, CAI X, et al. Artificial neural network-based pole-tracking method for online stabilization control of grid-tied VSC[J]. IEEE Transactions on Industrial Electronics, 2022, 69(12): 13902-13909. [百度学术]

      80. [80]

        张梦琪，李永刚，孙庚，等. 基于DBN-ELM的构网型并网逆变器控制参数自适应调整方法[J]. 电力自动化设备，2024，44(4)：111-118.ZHANG Mengqi, LI Yonggang, SUN Geng, et al. Adaptive adjustment method for control parameters of grid-forming inverter based on DBN-ELM[J]. Electric Power Automation Equipment, 2024, 44(4): 111-118(in Chinese). [百度学术]

      81. [81]

        SUN K Q, XIAO H Q, LIU S Y, et al. Machine learning-based fast frequency response control for a VSC-HVDC system[J].CSEE Journal of Power and Energy Systems, 2021, 7(4): 688-697. [百度学术]

      82. [82]

        PEPICIELLO A, VACCARO A. Artificial neural networkbased small signal stability analysis of power systems[C]//2021 IEEE Madrid PowerTech. June 28-July 2, 2021. Madrid, Spain.IEEE, 2021: 1-5. [百度学术]

      83. [83]

        QIN C, GAO F, ZHOU K, Data-driven online stability monitoring of grid-following inverters in weak grid[J]. IEEE Transactions on Industrial Informatics, 2025, 21(6): 4554-4564. [百度学术]

      84. [84]

        KAMARI N A M, MUSIRIN I, IBRAHIM A A, et al.Intelligent swarm-based optimization technique for oscillatory stability assessment in power system[J]. IAES International Journal of Artificial Intelligence, 2019, 8(4): 342. [百度学术]

      85. [85]

        DORADO-ROJAS S A, BOGODOROVA T, VANFRETTI L.Time series-based small-signal stability assessment using deep learning[C]//2021 North American Power Symposium (NAPS).November 14-16, 2021, College Station, TX, USA. IEEE,2021: 1-6. [百度学术]

      86. [86]

        ZENG W, XIONG J J, QI Z Q. DCNN-based virtual synchronous generator control to improve frequency stability of PV-ESS station[C]//2022 12th International Conference on CYBER Technology in Automation, Control, and Intelligent Systems (CYBER). July 27-31, 2022, Baishan, China. IEEE,2022: 861-865. [百度学术]

      87. [87]

        LIU C, CHU Z, DUAN Z, et al, VSG-based adaptive optimal frequency regulation for AC microgrids with nonlinear dynamics[J]. IEEE Transactions on Automation Science and Engineering, 2024, 22: 1471-1482. [百度学术]

      88. [88]

        GHODSI M R, TAVAKOLI A, SAMANFAR A. Microgrid stability improvement using a deep neural network controller based VSG[J]. International Transactions on Electrical Energy Systems, 2022, 2022: 7539173. [百度学术]

      89. [89]

        YAO F J, ZHAO J B, LI X J, et al. RBF neural network based virtual synchronous generator control with improved frequency stability[J]. IEEE Transactions on Industrial Informatics, 2021,17(6): 4014-4024. [百度学术]

      90. [90]

        ZHANG K, ZHANG C H, XU Z H, et al. A virtual synchronous generator control strategy with Q-learning to damp low frequency oscillation[C]//2020 Asia Energy and Electrical Engineering Symposium (AEEES). May 29-31,2020, Chengdu, China. IEEE, 2020: 111-115. [百度学术]

      91. [91]

        ESKANDARI M, SAVKIN A V, FLETCHER J. A deep reinforcement learning-based intelligent grid-forming inverter for inertia synthesis by impedance emulation[J]. IEEE Transactions on Power Systems, 2023, 38(3): 2978-2981. [百度学术]

      92. [92]

        SKIPAREV V, BELIKOV J, PETLENKOV E. Reinforcement learning based approach for virtual inertia control in microgrids with renewable energy sources[C]//2020 IEEE PES Innovative Smart Grid Technologies Europe (ISGT-Europe). October 26-28, 2020. The Hague, Netherlands. IEEE, 2020: 1020-1024. [百度学术]

      93. [93]

        LIU P, BI Y X, LIU C. Data-based intelligent frequency control of VSG via adaptive virtual inertia emulation[J]. IEEE Systems Journal, 2022, 16(3): 3917-3926. [百度学术]

      94. [94]

        LI Y S, GAO W, HUANG S, et al. Data-driven optimal control strategy for virtual synchronous generator via deep reinforcement learning approach[J]. Journal of Modern Power Systems and Clean Energy, 2021, 9(4): 919-929. [百度学术]

      95. [95]

        OBOREH-SNAPPS O, SHE B X, FAHAD S, et al. Virtual synchronous generator control using twin delayed deep deterministic policy gradient method[J]. IEEE Transactions on Energy Conversion, 2024, 39(1): 214-228. [百度学术]

      96. [96]

        BENHMIDOUCH Z, MOUFID S, AIT-OMAR A, et al.A novel reinforcement learning policy optimization based adaptive VSG control technique for improved frequency stabilization in AC microgrids[J]. Electric Power Systems Research, 2024, 230: 110269. [百度学术]

      97. [97]

        SKIPAREV V, BELIKOV J, PETLENKOV E. Reinforcement learning based approach for virtual inertia control in microgrids with renewable energy sources[C]//2020 IEEE PES Innovative Smart Grid Technologies Europe (ISGT-Europe). October 26-28, 2020. The Hague, Netherlands. IEEE, 2020: 1020-1024. [百度学术]

      98. [98]

        GUPTA P, PAL A, VITTAL V. Coordinated wide-area damping control using deep neural networks and reinforcement learning[J]. IEEE Transactions on Power Systems, 2022, 37(1):365-376. [百度学术]

      99. [99]

        VU T L, SINGHAL A, SCHNEIDER K, et al. Tuning phase lock loop controller of grid following inverters by reinforcement learning to support networked microgrid operations[C]//2023 IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT). January 16-19,2023, Washington, DC, USA. IEEE, 2023: 1-5. [百度学术]

      100. [100]

        KHAN S A, LIU C R, ANSARI J A. Centralized fuzzy logic based optimization of PI controllers for VSC control in MTDC network[J]. Journal of Electrical Engineering & Technology,2020, 15(6): 2577-2585. [百度学术]

      101. [101]

        ISMAIL M, CHIBANI R, HAMOUDA M, et al. Artificial neural network based auto-tuned PI compensator to enhance the dynamic response of the DC-link voltage in a gridconnected voltage source converter[C]//2022 IEEE 1st Industrial Electronics Society Annual On-Line Conference(ONCON). December 9-11, 2022, kharagpur, India. IEEE,2023: 1-6. [百度学术]

      102. [102]

        WANG H, ZHANG G Z, HU W H, et al. Artificial intelligence based approach to improve the frequency control in hybrid power system[J]. Energy Reports, 2020, 6: 174-181. [百度学术]

      103. [103]

        OBOREH-SNAPPS O, STRATHMAN S A, SAELENS J, et al. Addressing reactive power sharing in parallel inverter islanded microgrid through deep reinforcement learning[C]//2024 IEEE Applied Power Electronics Conference and Exposition (APEC). February 25-29, 2024,Long Beach, CA, USA. IEEE, 2024: 2946-2953. [百度学术]

      104. [104]

        RANJAN BANA P, AMIN M, MOLINAS M. ANN-based surrogate PI and MPC controllers for grid-connected VSC system: small-signal analysis and comparative evaluation[J].IEEE Journal of Emerging and Selected Topics in Power Electronics, 2024, 12(1): 566-578. [百度学术]

      105. [105]

        BANA P R, AMIN M. State-space modelling and stability analysis of ANN controller for grid-connected VSC system[C]//2023 IEEE IAS Global Conference on Renewable Energy and Hydrogen Technologies (GlobConHT). March 11-12, 2023, Male, Maldives. IEEE, 2023: 1-6. [百度学术]

      106. [106]

        WANG Y, WAI R J. Adaptive fuzzy-neural-network power decoupling strategy for virtual synchronous generator in micro-grid[J]. IEEE Transactions on Power Electronics, 2022,37(4): 3878-3891. [百度学术]

      107. [107]

        YE J, MEI S, GUO H Y, et al. A DDPG algorithm based reinforcement learning controller for three-phase DC-AC inverters[C]//2023 International Conference on Power Energy Systems and Applications (ICoPESA). February 24-26, 2023,Nanjing, China. IEEE, 2023: 429-434. [百度学术]

      108. [108]

        YE J, MEI S, GUO H Y, et al. A deep deterministic policy gradient algorithm based controller with adjustable learning rate for DC-AC inverters[C]//2023 IEEE 2nd International Power Electronics and Application Symposium (PEAS).November 10-13, 2023, Guangzhou, China. IEEE, 2024:1331-1336. [百度学术]

      109. [109]

        JIANG J, LU Y, PAN T, et al. Research on frequency optimization strategy of multi virtual synchronous generator microgrid based on Q-reinforcement learning[J]. International Journal of Innovative Computing, Information and Control,2023, 19(4): 1179-1193. [百度学术]

      110. [110]

        WANG H, ZHANG G Z, HU W H, et al. Artificial intelligence based approach to improve the frequency control in hybrid power system[J]. Energy Reports, 2020, 6: 174-181. [百度学术]

      111. [111]

        KHAN S A, ANSARI J A, CHANDIO R H, et al. AI based controller optimization for VSC-MTDC grids[J]. Frontiers in Energy Research, 2022, 10: 1008099. [百度学术]

      112. [112]

        ALFERGANI A, AL-MEHDAWI F, BUZAKOUK A, et al.Design and control of a three-phase inverter with voltage and current loops using multi-objective genetic algorithm[C]//2025 15th International Renewable Energy Congress (IREC).February 2-4, 2025, Hammamet, Tunisia. IEEE, 2025: 1-6. [百度学术]

      113. [113]

        BENHMIDOUCH Z, MOUFID S, AIT-OMAR A, et al.A novel reinforcement learning policy optimization based adaptive VSG control technique for improved frequency stabilization in AC microgrids[J]. Electric Power Systems Research, 2024, 230: 110269. [百度学术]

      114. [114]

        YANG X H, WANG J J. A novel reinforcement learning algorithm-based control strategy for grid-configured inverters[J]. Energies, 2025, 18(3): 597. [百度学术]

      115. [115]

        SHI Z T, YAO W, LI Z P, et al. Artificial intelligence techniques for stability analysis and control in smart grids: methodologies, applications, challenges and future directions[J]. Applied Energy, 2020, 278: 115733. [百度学术]

      116. [116]

        海涛，刘得刚，骆武宁，等. 一种太阳能光伏并网逆变器的研究[J]. 陕西电力，2010，38(1)：49-52.HAI Tao, LIU Degang, LUO Wuning, et al. Research on solar photovoltaic grid-connected inverter[J]. Shaanxi Electric Power, 2010, 38(1): 49-52(in Chinese). [百度学术]

      117. [117]

        YU J J Q, HILL D J, LAM A Y S, et al. Intelligent timeadaptive transient stability assessment system[J]. IEEE Transactions on Power Systems, 2018, 33(1): 1049-1058. [百度学术]

      118. [118]

        杨跃，刘友波，刘俊勇，等. 基于神经网络预测校核的暂态稳定预防控制[J]. 电网技术，2018，42(12)：4076-4082.YANG Yue, LIU Youbo, LIU Junyong, et al. Preventive transient stability control based on neural network security predictor[J]. Power System Technology, 2018, 42(12): 4076-4082(in Chinese). [百度学术]

      119. [119]

        石重托，姚伟，黄彦浩，等. 基于SE-CNN和仿真数据的电力系统主导失稳模式智能识别[J]. 中国电机工程学报，2022，42(21)：7719-7731.SHI Zhongtuo, YAO Wei, HUANG Yanhao, et al. Power system dominant instability mode identification based on convolutional neural networks with squeeze and excitation block and simulation data[J]. Proceedings of the CSEE, 2022,42(21): 7719-7731(in Chinese). [百度学术]

      120. [120]

        田芳，周孝信，史东宇，等. 基于卷积神经网络综合模型和稳态特征量的电力系统暂态稳定评估[J]. 中国电机工程学报，2019，39(14)：4025-4032.TIAN Fang, ZHOU Xiaoxin, SHI Dongyu, et al. Power system transient stability assessment based on comprehensive convolutional neural network model and steady-state features[J]. Proceedings of the CSEE, 2019, 39(14): 4025-4032(in Chinese). [百度学术]

      121. [121]

        SHI Z T, YAO W, ZENG L K, et al. Convolutional neural network-based power system transient stability assessment and instability mode prediction[J]. Applied Energy, 2020, 263:114586. [百度学术]

      122. [122]

        赵慧敏，帅智康，沈阳，等. 基于深度学习的多虚拟同步机微电网在线暂态稳定评估方法[J]. 电力系统自动化，2022，46(9)：109-117.ZHAO Huimin, SHUAI Zhikang, SHEN Yang, et al. Online transient stability assessment method for microgrid with multiple virtual synchronous generators based on deep learning[J]. Automation of Electric Power Systems, 2022,46(9): 109-117(in Chinese). [百度学术]

      123. [123]

        汤奕，崔晗，党杰. 基于继承思想的时变性电力系统暂态稳定预测[J]. 中国电机工程学报，2021, 41(15): 5107-5119.TANG Yi, CUI Han, DANG Jie. Transient stability prediction of time-varying power systems based on inheritance[J].Proceedings of the CSEE, 2021, 41(15): 5107-5119(in Chinese). [百度学术]

      124. [124]

        BATCHU S, JANAPATI S, REDDY H, et al. An empirical study on missing data imputation techniques for transient stability assessment using four sample frequency features data set[C]//2023 International Conference on Emerging Techniques in Computational Intelligence (ICETCI). September 21-23,2023, Hyderabad, India. IEEE, 2023: 207-214. [百度学术]

      125. [125]

        HAN H, LUO S H, CHEN S M, et al. A transient stability enhancement framework based on rapid faulttype identification for virtual synchronous generators[J].International Journal of Electrical Power & Energy Systems,2024, 155: 109545. [百度学术]

      126. [126]

        MARDANI M M, LAZAR R D, MIJATOVIC N, et al.Artificial neural network-based constrained predictive realtime parameter adaptation controller for grid-tied VSCs[J].IEEE Journal of Emerging and Selected Topics in Power Electronics, 2023, 11(2): 1507-1517. [百度学术]

      127. [127]

        YANG M, WU X J, LOVETH M C. A deep reinforcement learning design for virtual synchronous generators accommodating modular multilevel converters[J]. Applied Sciences, 2023, 13(10): 5879. [百度学术]

      128. [128]

        ESKANDARI M, SAVKIN A V, FLETCHER J.Convolutional neural network with reinforcement learning for trajectories boundedness of fault ride-through transients of grid-feeding converters in microgrids[J]. IEEE Transactions on Industrial Informatics, 2024, 20(3): 4906-4918. [百度学术]

      129. [129]

        QIU J, YANG H H, ZHANG J X, et al. Parameter tuning of new type energy virtual synchronous generator based on physics-informed reinforcement learning[C]//2023 8th International Conference on Power and Renewable Energy(ICPRE). September 22-25, 2023, Shanghai, China. IEEE,2023: 888-893. [百度学术]

      130. [130]

        SHEN Y, CHEN W B, YAO W, et al. Supplementary damping control of VSC-HVDC for interarea oscillation using goal representation heuristic dynamic programming[C]//12th IET International Conference on AC and DC Power Transmission(ACDC 2016). May 28-29, 2016, Beijing: IET, 2016: 1-6. [百度学术]

      131. [131]

        YANG Z W, XIE J H, LIU D Q. Parameter optimization design of virtual synchronous generator for power system transient stability improvement[C]//2022 China International Conference on Electricity Distribution (CICED). September 7-8, 2022, Changsha, China. IEEE, 2022: 1449-1455. [百度学术]

      132. [132]

        LIU H, PENG M L, FENG L, et al. Comprehensive performance-orianted control for grid-forming converters[C]//2024 IEEE 19th Conference on Industrial Electronics and Applications (ICIEA). August 5-8, 2024,Kristiansand, Norway. IEEE, 2024: 1-5. [百度学术]

      133. [133]

        FENG J, SHI Y Y, QU G N, et al. Stability constrained reinforcement learning for decentralized real-time voltage control[J]. IEEE Transactions on Control of Network Systems,2024, 11(3): 1370-1381. [百度学术]

      基金项目

      国家自然科学基金项目（52577211，U25B20204）。

      National Natural Science Foundation of China (52577211,U25B20204).

      作者简介

      • 张笑宁

        张笑宁（2005），女，主要研究方向为新能源并网变流器建模及稳定性分析，E-mail： 2022302191313@whu.edu.cn。

      • 王海金

        王海金（1998），男，博士研究生，研究方向为电力电子设备状暂态稳定性提升，E-mail：haijinwang@whu.edu.cn。

      • 刘浴霜

        刘浴霜（1994），女，博士，副研究员，主要研究方向为新能源并网变流器建模及稳定性分析。通信作者，E-mail：lyshuang@whu.edu.cn。

      • 黄萌

        黄萌（1984），男，博士，教授，博导，主要研究方向为新能源并网变流器稳定性与可靠运行等，E-mail：meng.huang@whu.edu.cn。

      • 查晓明

        查晓明（1967），男，博士，教授，博导，主要从事高比例电力电子装备的“双高”电力系统领域研究，E-mail：xmzha@whu.edu.cn。

      出版信息

      文章编号：2096-5125 (2026) 01-0003-21

      中图分类号：TM46；TP18；TM712

      文献标志码：A

      DOI：10.19705/j.cnki.issn2096-5125.20250361

      收稿日期：2025-07-15

      修回日期：

      出版日期：2026-01-25

      引用信息： 张笑宁,王海金,刘浴霜等.基于人工智能的电力电子变流器并网系统稳定性分析与控制研究综述[J].全球能源互联网,2026,9(1):3-23 .ZHANG Xiaoning, WANG Haijin, LIU Yushuang,et al.A Review of the Stability Analysis and Control of Power Electronic Converters Grid-connected System Based on Artificial Intelligence[J].Journal of Global Energy Interconnection,2026,9(1):3-23 (in Chinese).

      （责任编辑 李锡）

      ISSN 2096-5125
      CN 10-1550/TK

      地址: 北京市西城区宣武门内大街8号
      版权所有: 全球能源互联网发展合作组织 ® 2021 版权所有
      主办单位: 全球能源互联网集团有限公司
      ICP: 京ICP备2025108140号-1

      分享给微信好友或者朋友圈

      使用微信“扫一扫”功能
      将此文章分享给您的微信好友或者朋友圈