综述：可再生能源电力系统中的惯性：估计方法与实际应用综述

这篇综述系统评述了现代电力系统中惯性（Inertia）估计的前沿技术，重点探讨了低惯量可再生能源（RES）并网引发的频率稳定性挑战。文章对比了模型驱动、测量驱动和人工智能驱动的三类方法，剖析了同步发电机（SG）、换流器接口发电（CIG）及需求侧虚拟惯性（VI）的贡献机制，为电网运营商（TSO）实现实时惯性监测提供了技术路线图。

　　

可再生能源电力系统中的惯性挑战

随着风电、光伏等低/零惯量可再生能源（RES）大规模并网，传统同步发电机（SG）提供的旋转惯性显著降低。这种转变导致系统频率变化率（RoCoF）加快、频率最低点（nadir）下降，进而引发低频减载（UFLS）和发电机保护误动作等连锁风险。虚拟惯性（VI）技术通过换流器模拟SG的惯性响应，成为弥补一次频率控制（PFC）10秒内响应空窗的关键手段。

惯性估计方法的三重维度

模型驱动法基于物理方程构建，但依赖精确网络参数；测量驱动法通过PMU数据实时捕捉扰动事件，却受限于滑动窗口选择和扰动识别精度；预测驱动法结合人工智能（AI）处理高维数据，但需解决训练样本不足的瓶颈。值得注意的是，北欧电网通过SCADA追踪断路器状态估算动能，而日本则依赖暂态事件分析，反映地域化技术路线差异。

实践困境与技术突破

美国NREL开发的多变量线性回归模型利用探测信号实现惯性实时估计，但普遍存在三大痛点：PMU布点不足导致观测盲区、网络参数时变影响模型精度，以及网络攻击威胁数据安全。英国国家电网采用"惯性常数-频率响应"关联模型，创新性地引入电动汽车（V2G）作为分布式惯性源。

未来方向：自适应智能监测

前沿研究聚焦四大方向：建立惯性时空分布图谱以优化调度策略、开发抗干扰的联邦学习算法、制定RoCoF评估标准化时间窗，以及量化最小同步惯性阈值。特别值得关注的是，数字孪生技术正被用于模拟高比例RES场景下的惯性动态响应。

结论

惯性估计技术正从离线分析向在线智能诊断演进，需在算法鲁棒性、数据安全性和标准统一性三个维度持续突破。未来需构建涵盖SG、CIG和需求侧资源的全息惯性监测网络，为碳中和目标下的电力系统稳定运行保驾护航。