在系统拓扑变化的情况下，利用GCN-LSTM网络对配备GFM和GFL逆变器的虚拟发电厂进行数据驱动的动态建模

《International Transactions on Electrical Energy Systems》：Data-Driven Dynamic Modeling of Virtual Power Plants With GFM and GFL Inverters Using GCN-LSTM Networks Under System Topological Changes

虚拟电厂（VPP）的动态建模与电网拓扑适应性分析，提出GCN-LSTM融合框架，通过图卷积网络捕捉空间拓扑依赖，结合LSTM建模时序动态，有效处理混合型逆变器（GFM/GFL）的复杂交互，经8节点系统EMT仿真验证，在频率/电压波动预测中优于传统方法，支持大规模VPP的实时稳定性评估与重构场景下的动态分析。

　　虚拟电厂（Virtual Power Plants, VPPs）作为整合分布式能源资源（Distributed Energy Resources, DERs）的关键手段，正逐步成为现代电力系统的重要组成部分。VPPs通过聚合和协调多种分布式发电资源（DGs），能够像一个可控实体一样运行，支持电网的关键功能，如频率和电压调节，而无需对资产进行物理集中。这种灵活性和可扩展性使得VPPs在应对日益增长的可再生能源渗透率和复杂电网运行条件方面具有显著优势。

然而，随着越来越多的逆变器型资源（Inverter-Based Resources, IBRs）取代同步发电机（Synchronous Generators, SGs），传统电力系统面临着惯性减少、频率偏差增大以及频率变化率（RoCoF）上升等挑战。这些变化在电网遭遇扰动时，如负荷波动或故障，可能影响系统的稳定性，甚至引发频率调节不足，导致电网可靠性下降。此外，高比例的IBR接入还会引发电压骤降和振荡，尤其是在高渗透率的光伏（PV）系统中。这些问题在极端气候事件、网络安全威胁和市场波动等背景下变得更加复杂，对电网提出了更高的韧性要求。

为应对这些挑战，VPPs利用分布式能源资源的运营灵活性，提供了一种可扩展且适应性强的方法，以提升电网可靠性并推动向清洁能源系统的转型。多个国家，包括美国、德国、澳大利亚和中国，都在积极推动VPP试点项目，以探索其在实际中的应用潜力。然而，尽管这些项目在提升系统灵活性方面取得了进展，其在辅助服务，尤其是频率调节中的参与度仍显不足。目前仅有少数研究尝试将频率调节市场（Frequency Regulation Markets, FRMs）与VPP结合，但这些研究在扩展性和准确性方面仍存在局限。

近年来，深度学习方法，特别是长短期记忆网络（Long Short-Term Memory, LSTM）网络，被广泛用于增强VPP在能源市场中的不确定性感知能力。这些方法在处理时间序列数据和应对市场波动方面展现出优于传统情景模拟方法的优势。然而，大多数VPP相关研究仍聚焦于稳态运行，如经济调度、调度和能源管理，而忽略了VPP在实时扰动下的动态行为和瞬态响应。这种局限性在逆变器主导的VPP系统中尤为明显，因为这些系统在面对瞬时变化时，需要快速响应以维持电网稳定。

随着逆变器型资源的广泛应用和电网复杂性的增加，对VPP的动态建模和瞬态稳定性分析的需求也日益增长。特别是在同时包含电网跟随型（Grid-Following, GFL）和电网形成型（Grid-Forming, GFM）逆变器的系统中，这两种资源之间的相互作用是高度非线性的，且具有时间依赖性。一些研究提出了对单个GFL和GFM单元的详细全阶或简化阶动态模型，以更好地反映转换器的动态特性。然而，当这些模型扩展到包含大量DER的大型VPP时，计算成本变得很高。因此，系统运营商更关注VPP的总体响应，而非对每个单元进行建模。

为解决这一问题，许多研究采用聚合建模方法。例如，大型系统如WECC网络被简化为更小的等效模型，以研究频率响应特性。一些研究还提出了基于传递函数的聚合模型，以反映同步和逆变器型发电在总体形式下的行为。然而，这些模型通常假设DER在电压方面保持恒定，这在实际扰动中并不成立。电压偏差会显著影响DER的有功功率输出，特别是在同时包含GFL和GFM单元的VPP中，这些单元具有不同的控制策略，导致复杂的电压和频率相互作用。

近年来，数据驱动的方法被广泛用于克服基于物理的聚合模型的局限性。一些综述研究表明，机器学习和人工智能方法已被用于从测量数据中直接捕捉转换器动态，显示出在稳定性评估、故障诊断和保护方面的广泛应用。在这一范式中，动态行为通过输入输出数据进行推断，而非依赖于详细的设备模型，使得即使在无法获得厂商特定参数的情况下，也能实现黑盒或灰盒建模。在系统层面，一些研究提出了适用于高DER渗透率的分布网络的聚合数据驱动模型，如模型无关、数据驱动的动态分区模型（DPM），在准确捕捉电压稳定性行为的同时，显著降低了计算成本。

尽管这些方法在数据驱动建模方面取得了进展，但大多数研究仍基于固定的网络配置。这些模型在特定运行条件下能有效近似聚合动态，但未能考虑网络拓扑变化或结构变化对系统响应的影响。此外，准确的系统识别技术，如惯性和电网阻抗估计，已被用于调整聚合模型，但尚未提出一个能够同时考虑GFM/GFL逆变器内部动态和电网结构变化的聚合动态模型。

为此，本文提出了一种数据驱动的动态模型，用于VPP，以捕捉逆变器相互作用产生的瞬态行为，以及网络拓扑变化对系统的影响。通过结合基于图的和基于序列的神经网络，该模型提供了一种可扩展且适应性强的方法，用于现代逆变器主导的VPP的瞬态稳定性分析。

本文的主要贡献如下：首先，提出了一种数据驱动的建模框架，用于捕捉由GFM和GFL逆变器组成的VPP的瞬态动态。与传统的静态模型不同，该方法解决了逆变器主导系统中动态分析的需求。其次，该模型结合了图卷积网络（Graph Convolutional Networks, GCNs）和LSTM网络，以学习电网拓扑结构中的空间依赖关系和逆变器响应中的时间动态。这种时空学习能力使得该模型能够准确反映现代VPP中复杂的相互作用。第三，该模型明确考虑了电网结构的变化，使得模型在面对网络重构等场景时保持稳健和适应性。第四，该框架采用模型无关且可扩展的方法，仅需测量或模拟数据进行训练，无需对每个逆变器或单元进行详细物理建模，使得其适用于大型和实际的VPP部署。第五，通过EMT模拟验证了该方法的有效性，结果表明该模型在捕捉关键瞬态特征如频率和电压偏差方面优于传统LSTM方法，从而凸显了其在稳定性评估中的潜力。

本文的其余部分结构如下。第二部分介绍VPP的基本概念，重点在于由GFL和GFM逆变器组成的系统。该部分还概述了各自的控制方案和简化动态模型。第三部分回顾了VPP聚合建模的相关研究，并突出了传统方法在捕捉瞬态动态方面的局限性。同时，该部分还强调了深度学习技术，特别是GCN和LSTM网络，用于同时提取空间和时间特征。第四部分提供了基于8-bus VPP测试系统的详细案例研究，评估了该方法在不同网络拓扑和动态场景下的性能。最后，第五部分总结了本文的主要发现，并提出了未来研究的方向。

VPP的核心在于其对异构DER的聚合和协调。这些DER包括DG、储能系统（ESS）、电动汽车（EV）和可控负荷（CL）。DG作为主要的发电资源，可以是调度型的，如微型燃气轮机和生物质发电，也可以是非调度型的，如风能和太阳能。非调度型DG由于依赖于天气条件，导致其输出具有高度的不确定性。而CL则通过响应外部控制信号或价格激励，实现需求侧的灵活性。这些包括直接负荷控制和中断负荷方案，使得消费模式能够进行实时调整。在许多情况下，不具备车辆到电网（V2G）功能的电动汽车被归类为可控负荷的一部分。

ESS，如固定式电池，由于其在缓解功率波动和进行能源套利方面的能力，在VPP运行中变得越来越重要。随着锂离子技术成本的下降，其在VPP中的应用正在迅速扩大。同时，具备V2G功能的电动汽车不仅作为消费者，还能作为分布式能源存储资产，实现与电网的双向能量交换。

VPP的运行依赖于强大的信息与通信技术（ICT）基础设施。双向、低延迟的通信对于协调DG、ESS、EV和CL的运行至关重要。无线和有线技术都被用于此目的。无线系统提供了灵活性和可扩展性，但也面临干扰、网络安全风险和监管限制等问题。而有线系统则提供更高的数据传输速率和对网络安全威胁的更好防护，但在部署上相对不够灵活。

尽管VPP技术具有高度的复杂性，但其最核心的挑战在于处理不确定性。这些不确定性来源于三个主要因素：可再生能源输出、负荷需求和电力市场价格波动。可再生能源的输出，特别是来自光伏和风力资源，具有高度的不确定性，难以准确预测，导致在没有准确预测的情况下可能出现不平衡。同样，负荷需求随着可再生能源的接入而变得更加复杂，使得精确的负荷预测对于可靠运行至关重要。最后，电力市场价格由于去监管化、跨境交易和外部因素如天气，导致其高度动态，影响着投标策略和调度决策。

为应对这些挑战，先进的预测方法和实时优化技术被应用于VPP控制中心。利用历史数据、智能电表输入和天气预测，VPP旨在最小化运营成本，同时确保电网稳定。随着VPP的规模和复杂性不断增加，管理这些不确定性对于保持可靠性、韧性和经济可行性至关重要。

VPP通常由DG和各种包含GFL和GFM逆变器的组件组成。将这些异构组件整合为一个单一的VPP系统，需要考虑诸多因素，如网络结构、每个GFM和GFL逆变器的配置，以及特定的控制方案。由于现实系统中存在大量未知或不可测量的参数，数据驱动建模可能成为关键解决方案。这种方法利用可用数据创建稳健模型，以应对将DG整合到不同特性中的实际挑战。

GFL逆变器是DG系统中最广泛使用的电力电子接口之一，尤其是在由光伏、风力和储能系统组成的VPP中。这些逆变器通过跟踪主电网的电压和频率来运行，有效地作为受控电流源。通常，使用锁相环（PLL）来估计电网的相位角，从而用于电流控制的参考。通过调整有功和无功电流注入，GFL逆变器可以在正常电网连接条件下提供所需的功率输出。

然而，GFL逆变器的固有控制策略在动态场景中带来了关键的限制。由于GFL依赖于外部电压源进行同步和参考，它们无法独立调节电网频率或电压。因此，在负荷波动或电网故障等扰动发生时，GFL逆变器保持其输出电流不变，对系统支持贡献有限。此外，它们无法在孤岛或弱电网条件下独立运行，因为它们依赖于外部参考信号。

这些特性虽然简化了稳态下的功率注入，但在将多个GFL单元整合到VPP时，对动态分析或实时控制提出了挑战。在实际系统中，每个GFL单元的配置和控制增益可能不同，而详细建模往往不可行，因为信息有限。这突显了数据驱动方法在捕捉GFL型DER的聚合行为中的必要性，而无需依赖完整的物理参数知识。

GFM逆变器与GFL逆变器在运行方式上存在根本差异。GFL依赖于电网进行电压和频率参考，而GFM逆变器则作为受控电压源，主动在终端建立电压和频率。这种能力使得它们能够在不依赖主电网的情况下运行，适合孤岛或弱电网条件下的操作。

GFM逆变器通常不需要PLL进行同步，而是通过模拟传统同步机的行为实现自同步。一种广泛采用的控制方案是P-f下垂控制，允许逆变器根据瞬时功率不平衡调整其输出频率。当有功功率输出偏离设定值时，逆变器相应地调整频率参考，遵循一定的原则。这种控制机制使得GFM逆变器能够以去中心化的方式共享频率调节责任，类似于同步发电机。

通过调节频率和电压，GFM逆变器为电网稳定性、惯性和电压支持能力做出了重要贡献，这些能力在现代电网中变得越来越重要，尤其是在高比例IBR接入的情况下。随着系统惯性的下降，GFM逆变器通过适当的下垂控制可以缓解由此产生的频率不稳定性。同时，其电压调节行为，通常通过并行的Q-V下垂控制器实现，确保无功功率在逆变器之间适当分配，同时维持公共耦合点（POC）的电压稳定性。

总结来看，虽然GFL逆变器被动跟随电网，GFM逆变器则通过电压和频率控制主动塑造局部电网环境。这种区别对包含这两种逆变器的VPP的动态行为产生了重要影响，特别是在扰动或网络重构的情况下。

因此，准确建模这些控制机制，如GFM的P-f下垂控制，对于捕捉VPP的瞬态动态和确保聚合VPP的稳健运行至关重要。从建模角度来看，GFL和GFM逆变器可以等效地表示为受控电流源和受控电压源，如图4所示。这种抽象简化了分析，并促进了在统一VPP框架内整合多样IBR。

在VPP的聚合建模中，需要同时考虑网络拓扑结构和时间信息。传统的基于传递函数的VPP建模方法通常忽略了网络拓扑或线路阻抗，而这些是准确反映系统空间特征的关键因素。近年来，物理信息神经网络（Physics-Informed Neural Networks, PINNs）在电力系统应用中受到关注，而图神经网络（Graph Neural Networks, GNNs）则因其有效整合空间信息而被频繁提及。这种对空间信息的强调突显了在电力系统模型中捕捉空间依赖关系的重要性。

电力系统的网络拓扑结构定义了组件之间的物理连接和功率传输能力。在瞬态事件中，如故障或突然的负荷变化，电压和频率扰动在电网中非均匀传播，受线路阻抗、节点连接性和DER的空间布局影响。例如，一个节点的扰动可能在该节点产生显著的电压下降，而随着扰动传播到电距离较远的节点，其影响会逐渐减弱。这种空间异质性在包含大量GFL逆变器的VPP中尤为重要，因为这些逆变器由于其电流源特性，对局部电压变化高度敏感。

图神经网络，如GCN，天然适合捕捉这些拓扑和空间依赖关系，通过将电力系统建模为图，其中节点代表母线或聚合的DER集群，边编码电气关系如导纳或阻抗。通过引入这些结构特征，GCN允许模型学习扰动如何通过电网传播，以及每个节点如何受到其邻居的影响。此外，由于图结构明确表示了网络的连接性，基于GCN的模型能够灵活适应系统拓扑的变化，使得其适用于分析涉及网络重构或切换事件的场景。最近的文献强调，拓扑感知的学习显著增强了模型在不同配置下的泛化能力，并在动态运行条件下提高了模型的物理一致性。

在本研究中，我们提出了一种结合GCN和LSTM的混合方法，用于聚合建模VPP。该方法整合了空间和时间信息，使得VPP的动态行为得到更全面的反映，从而增强稳定性和瞬态分析能力。

GCN在处理以图结构表示的数据方面展现出强大的能力，使得模型能够有效捕捉节点间的空间依赖关系和互动。在VPP的背景下，GCN促进了DG、负载和其他组件之间的关系建模，为稳定性分析提供了一个稳健的框架。通过将电力系统建模为图，其中节点代表母线，边表示电气连接或依赖关系，GCN允许模型学习扰动如何通过电网传播，以及每个节点如何受到其邻居的影响。

LSTM网络是一种循环神经网络（Recurrent Neural Network, RNN），在建模序列数据方面表现出色，因其能够捕捉长期依赖关系。与传统的RNN不同，LSTM通过特殊的门控机制来设计，使其能够在长时间间隔内保留信息。这使得LSTM特别适用于时间序列预测和序列数据分析，这对于捕捉VPP操作中的时间动态至关重要。LSTM网络由一系列LSTM单元组成，每个单元处理输入序列的一个时间步。在每个时间步t，LSTM单元接收当前输入x_t、前一个单元状态c_{t?1}和隐藏状态h_{t?1}。单元状态在每个LSTM单元中流动，使得网络能够在时间上保留信息。

通过结合GCN和LSTM，本文提出的框架统一了空间和时间特征的提取能力。空间层嵌入多跳电气相互作用，而时间层保留了时间依赖关系，从而形成了对VPP行为的全面时空表示。这种融合不仅提升了预测准确性，还展示了在现实电力系统中应对数据稀缺问题的潜力。

在本研究中，我们采用GCN-LSTM方法对包含GFL逆变器的VPP进行聚合建模。该方法通过整合空间和时间信息，使得VPP的动态行为得到更全面的反映，从而提升稳定性和瞬态分析能力。通过将电力系统建模为图，其中节点代表母线，边表示电气连接或依赖关系，GCN允许模型学习扰动如何通过电网传播，以及每个节点如何受到其邻居的影响。同时，LSTM则捕捉时间序列数据中的变化趋势，使得模型能够反映VPP在不同场景下的动态响应。

为了验证该模型的性能，我们使用8-bus VPP测试系统进行了EMT模拟。该系统包括一个GFM逆变器、三个GFL逆变器和多个负载。所有转换器均采用详细的EMT模型进行模拟，以捕捉系统的全阶瞬态动态。输出变量v_d、v_q、i_d和i_q在POC处进行测量，连接VPP与主电网。在每个时间步，模型使用过去10步的系统行为作为输入，以预测当前响应，从而学习系统的短时动态。为了增强模型的泛化能力和对结构变化的适应性，我们通过系统性改变内部线路G1至G4的连接状态生成模拟数据集，模拟了不同网络拓扑和局部交互对系统响应的影响。这种数据集涵盖了各种运行场景，包括负荷和逆变器输出的变化，以及网络重构。

在对比评估中，GCN-LSTM方法在所有指标上均优于基准模型，如LSTM、1DCNN和1DCNN-LSTM。这些结果表明，尽管基于CNN的时间扩展方法提升了预测准确性，但通过图卷积显式整合空间依赖关系提供了最大的性能提升。这突显了图信息在准确建模逆变器主导的VPP动态中的重要作用。总体而言，这些结果表明，提出的时空模型在捕捉逆变器主导的VPP复杂动态方面表现出色，特别是在拓扑变化和局部相互作用显著影响系统响应的场景中。GCN和LSTM的结合不仅提升了预测准确性，还与现实电力系统的物理直觉和结构相契合。

未来的研究方向将包括将该方法扩展到更大的网络，整合更复杂的电网事件，如故障穿越和孤岛运行，并探索实时实施策略。此外，将物理信息约束整合到神经网络架构中的混合方法，如PINN，将被进一步研究，以提升模型的可解释性和泛化能力。