针对高渗透率光伏发电的农村电网，采用网格化储能优化与自适应电压控制技术 王同章、 田叶、 李辉、 陈尚、 陈浩然

《Energies》：Grid-Forming Energy Storage Optimization and Adaptive Voltage Control for Rural Networks with High-Penetration Photovoltaic Tongzhang Wang, Ye Tian, Hui Li, Shang Chen and Haoran Chen

　　摘要：为了解决由于分布式光伏（DPV）高渗透率集成导致的农村配电网络电压超限问题，以及农业电网系统中频繁的负载切换和可变运行条件引起的电压扰动问题，本文提出了一种双层优化配置和自适应电压控制方法，用于电网形成型储能系统。首先，建立了一个外层选址和容量模型，该模型考虑了电压稳定性、偏差、网络损耗和经济因素等约束条件。配置方案采用多目标粒子群优化（MOPSO）算法进行求解。然后，构建了一个以内层滚动优化调度模型为核心，并提出了基于虚拟同步发电机（VSG）控制的自适应无功功率-电压控制方法，以增强扰动条件下的瞬态电压支持能力。基于实际10 kV农村配电线路的仿真分析验证了所提出的方法可以有效缓解过电压问题，并在典型日常运行中减少反向功率流动，同时在电压扰动下显著提高节点电压恢复速度和无功功率支持能力。

1. 引言
在“双碳”目标的背景下，随着新能源的快速发展，分布式光伏（DPV）系统的集成已成为配电网络的一个重要特征。随着DPV输出比例的增加，配电网络的电压运行模式从以线路末端电压降为特征的模式转变为受分布式发电时变输出影响的双向变化模式。在光伏输出高峰期，容易发生反向功率流动和节点电压升高；而在负载高峰期或辐照度快速变化期间，电压下降和扰动较为常见[1]。电压偏差超过允许范围可能会触发逆变器保护动作和电网断开，影响继电保护协调，并增加配电网络运行风险。因此，在高渗透率DPV条件下，电压合规性已成为配电网络运行的关键约束[2]。对于DPV渗透率较高的农村网络，过电压问题通常集中在馈线末端、电网连接点以及光伏输出高峰期或快速波动期间。由于农村电网的电压调节能力和储能资源有限，单一措施难以长期平衡合规性、经济性和可靠运行。因此，解决电压限制问题需要一个涵盖规划、运行和控制的协调解决方案[3,4]。

关于配电网络中过电压缓解的研究已经非常广泛。研究表明，储能系统（ESSs）作为关键的调节资源，可以通过基于需求的充放电提供功率补偿，从而减少网络损耗和抑制电压波动。在配电网络中合理配置电网形成型储能是解决可再生能源集成引起的电压限制问题的有效手段[5,6,7]。然而，由于配置成本高等因素的限制，电网形成型储能的优化配置已成为缓解配电网络电压限制问题的关键研究方向[8]对静态电压稳定性进行了定量评估，但缺乏对储能配置的具体分析[9]提出了一种结合电池储能和分布式光伏源的配电网络系统的多目标优化模型[10]建立了一个基于典型日常场景的优化储能容量配置模型[10]。关于电网形成型储能的优化配置，现有研究尚未考虑充电状态（SOC）的优化管理。对于负载切换频繁且易受电压扰动影响的农村网络，优化结果可能会偏离设备运行的长期经济可行性。此外，由于DPV输出的间歇性和波动性，加上农村配电网络中更频繁的负载切换，实际运行中更有可能发生电压扰动[11]。这表明，为了全面解决电压限制问题和扰动条件下的动态电压调节需求，还需要从控制角度进一步研究电网形成型储能的快速响应控制策略，以提高其在瞬态运行条件下的电压支持能力。在电网形成型储能的控制方法中，虚拟同步发电机（VSG）控制模拟了同步发电机的旋转惯性、阻尼特性和外部特性，从而使静态逆变器能够表现出类似同步机的动态响应以及频率和电压支持能力[12,13]，已成为电网形成型储能参与配电网络电压调节和瞬态支持控制的常用控制策略。目前关于VSG主动支持功能的研究主要集中在频率支持、惯性支持、相关机制和控制策略改进方面[14]提出了一种基于模糊规则和权重自适应MPC的VSG控制策略，可以减少频率偏差并提高系统频率稳定性[15]引入了一种带有角频率负反馈的自适应控制，增强了系统的瞬态稳定性[16]提出了一种分布式二次无功功率-电压控制结构，以实现平均电压恢复和与容量成比例的无功功率共享[17]提出了一种涉及电网形成型储能和VSG的协调电压和无功功率控制系统，以提高电压稳定性和无功功率调节能力[18]通过修改电压控制回路实时调节无功功率和输出电压，实现了稳定的并网电压控制[18]。关于电网形成型储能提供的主动电压支持，从控制参数角度考虑提高VSG在扰动条件下的电压支持能力的控制策略研究较少。

基于上述分析，本研究通过构建电网形成型储能系统的双层优化配置模型来解决农村网络中由高渗透率DPV引起的过电压问题。外层模型优化了电网形成型储能的位置和容量，目标是系统电压稳定性和降低运行成本。在外层模型的基础上，内层模型优化了电网形成型储能的充放电过程，目标是管理其SOC。为了解决扰动下的瞬态电压波动，本研究在VSG控制框架内引入了一种自适应机制。最后，基于农村网络线路的仿真模型对设计模型进行了仿真验证。

2. 电网形成型储能系统的双层优化配置模型
2.1 外层位置容量优化模型
外层模型以储能系统的额定功率和容量为变量，利用多目标粒子群优化算法优化储能设备的选址和容量。其目标包括保持系统电压稳定性、减少网络损耗和降低系统运行成本。构建的多目标函数如下：
(1) 静态电压稳定性目标函数
配电网络中的静态电压稳定性评估通常可以分为两类：基于支路功率流的指标和基于节点电压限制或裕度的指标。与输电系统相比，配电网络通常由一个根节点、主馈线、侧向支路和终端支路组成，具有不同的电气特性，包括较低的电压水平、较短的线路长度、较大的电阻-电抗比和相对较高的有功功率损耗。由于这些特性，配电网络的电压稳定性更直接受到支路功率传输能力和接收端电压变化的影响[19,20]。因此，根据配电馈线的阻抗特性和支路功率-流关系，建立了支路电压稳定性的数学模型。该模型量化了分布式发电集成后的静态电压分布，为改善网络电压的薄弱环节提供了数据支持[8,21]。优化目标是最小化最弱支路的静态电压稳定性指数，从而提高系统的静态电压稳定性裕度：
电路使用等效电路进行建模。设支路-的串联阻抗为，支路并联导纳为。在稳态正弦条件下，接收端的复功率表示为：
(1)
其中是接收端电压相位，是串联支路电流相位。
据此，串联支路电流可以表示为：
(2)
根据支路电压方程，支路-的电压关系为：
(3)
将(2)代入(3)得到：
(4)
引入辅助变量：
(5)
(6)
将(4)的两边乘以并取模平方得到：
(7)
为了使接收端电压有实数解，(7)的判别式必须满足：
(8)
其中表示与相关的二次方程的判别式。当接近零时，接收端节点逐渐接近静态电压稳定性极限。
配电网络通常具有较短的线路长度、相对较高的电阻-电抗比和弱的并联电容效应。在这些条件下，支路并联导纳的贡献较小，可以假设：
(9)
因此，(4)中的并联导纳项可以忽略，支路电压方程简化为：
(10)
将(10)的两边乘以并取模平方得到：
(11)
为了使其有实数解，其判别式必须满足：
(12)
因此，简化的支路静态电压稳定性指数定义为：
(13)
其中和分别是节点和的电压相位；是支路-的串联电流相位；和分别是支路-的接收端有功和无功功率；是并联导纳修正因子；是阻抗-功率耦合项。
为了评估忽略支路并联导纳对静态电压稳定性指数的影响，进行了案例分析，详细结果见附录A。结果表明，简化模型与完整等效模型之间的误差非常小，弱支路的排名保持不变。为了进一步研究不同阻抗特性对电压稳定性模型准确性的影响，通过改变支路阻抗幅度和比率进行了参数分析。结果表明，近似误差主要随阻抗幅度的增加而增加，而比率变化的影响有限。这些发现证实了在本研究中忽略支路并联导纳的可行性。因此，后续优化模型采用方程(13)作为静态电压稳定性目标。
当≤1时，表示配电网络中相应节点的静态电压稳定性得到保持。的值越小，静态电压稳定性越高。当=1时，节点j处于电压临界稳定状态。静态电压稳定性指数可用于详细分析和评估配电网络中的电压分布。的值越接近1，节点触发电压崩溃的可能性越大。
(2) 节点电压偏差目标函数
减少配电网络系统中的节点电压偏差可以提高对电压异常的安全裕度。优化目标旨在最小化每个节点电压与其额定值之间的偏差程度：(14) (15) 其中 是节点的实际电压； 是参与统计的节点总数； 是线路起点的电压； 是第 i 个节点的负载有功功率； 是第 i 个节点的电网形成型储能系统的有功功率输出； 代表分布式光伏注入线路的有功功率。(3)系统网络损耗目标函数优化目标是减少配电网络运行中的有功功率损耗：(16) (17) (18) 其中 是考虑储能效果后支路上的等效有功分量； 是考虑储能效果后支路上的等效无功分量。(4)电压超限惩罚函数为了降低系统电压超限的风险并提高电压质量，优化目标是最小化节点电压超过允许限值的风险[8]：(19) (20) 其中 代表节点的拓扑重要性， 是节点的直接支路连接数； 是网络中所有节点之间的最大连接数； 是节点的实际电压； 和 分别是节点的电压下限和上限。(5)电网形成型储能经济目标函数电网形成型储能的经济目标函数主要包括降低线路损耗成本、通过减少能源浪费来增加可再生能源利用的收入，以及覆盖电网形成型储能系统的建设和投资成本。(21) 其中 表示单位线路损耗的成本； 代表时间 t 时节点 的线路损耗； 表示单位削减能源的成本； 是时间 t 时削减的光伏能源； 指电网形成型储能系统的年化投资成本。(22) 其中 表示储能设备的初始投资成本； 表示资本回收因子，将一次性投资成本转换为年化等效费用。(23) 其中和 分别代表电网形成型储能的额定容量单位和额定功率单位成本； 表示电网形成型储能系统的额定容量； 表示电网形成型储能系统的额定功率。(24) 其中 是年利率， 是服务寿命（以年为单位）。考虑到电网形成型储能系统的优化涉及多个异构目标，如电压稳定性指标、电压偏差、网络损耗和经济效率，这些指标在维度、数值范围和物理意义方面存在显著差异。直接的多目标加权会导致某些指标在数值上占主导地位，从而影响优化结果的合理性。为了解决这个问题，采用了一种改进的 Min–Max 标准化方法对每个目标指标进行无量纲处理。对于任何给定的指标，其标准化值定义为：(25) 其中 表示要标准化的原始数据向量； 表示向量的范围或变化跨度，反映了该指标在所有节点之间的差异程度； 是机器精度常数，是一个小的正数，用于避免除以零的情况。标准化后，所有节点级别的指标都被映射到区间 [0, 1] 内，较大的标准化值表示该节点在相应指标方面的表现较弱。基于标准化指标，节点 i 的基本综合弱点得分定义为：(26) 其中 ， ， ， 和 是加和为 1 的权重系数。标准化后，每个指标对综合得分的相对影响由预设的权重决定，而不是由原始指标的数值大小决定。标准化后的外层多目标函数表示为：(27)2.2. 内层动态优化控制模型在农村配电网络的运行中，电网形成型储能系统的SOC（状态容量）管理决定了其电压支持能力的可持续性。农村配电网络中的分布式光伏输出是间歇性和波动的，负载切换频繁，电压扰动容易发生。电网形成型储能必须频繁充放电以减轻功率波动，导致SOC发生显著变化。过度的SOC波动会增加充放电循环次数，加速储能系统的老化，并降低运行安全性和可用支持的持续时间。因此，根据外层模型获得的选址和规模结果，建立了以内层动态优化控制模型为核心来优化电网形成型储能系统的充放电过程。2.2.1. MPC原理和预测模型MPC根据当前测量状态和预测信息，在有限的时间范围内预测受控系统的未来行为，通过解决一个受限优化问题来确定最佳的未来控制序列，并在每个采样时刻仅应用第一个控制动作。在下一个采样时刻，更新测量状态，并以滚动时域的方式重复优化过程。这种滚动优化机制特别适用于具有时变运行条件和多个实际约束的电网形成型储能系统。为了实施上述滚动优化调度策略，需要为内层MPC建立一个离散时间预测模型。鉴于馈线中的过电压和反向功率流问题与馈线净负荷的变化密切相关，因此使用预测的馈线净负荷作为内层优化模型的基本输入。结合储能系统的充放电功率和SOC状态方程，这描述了储能系统有功功率和SOC的动态演变，为后续的目标函数制定和滚动优化解决方案提供了模型基础。因此，时间步长 t 的预测馈线净需求定义为：(28) 其中和 分别是馈线的预测总负荷功率和总光伏功率。定义 为时间 t 时第 i 个并网储能单元的有功功率。馈线与上游电网之间的有功功率交换可以表示为：(29) 其中表示由外层选址和容量分配模型确定的储能单元集合； > 0 表示放电，< 0 表示充电。为了抑制馈线功率的突然波动并在高光伏输出期间缓解反向功率流，通过低通滤波预测的净需求来生成馈线功率参考值：(30) 其中 是平滑因子，0 < < 1。对于第 i 个储能单元，控制增量定义为：(31) 功率更新方程为：(32) SOC状态更新方程表示为：(33) (34) 其中 是第 i 个储能单元的额定能量容量， 和 分别是充电和放电效率。因此，状态向量、控制向量和输出向量定义为：(35) (36) (37) 内层模型然后以离散状态空间形式表示为：(38) (39) (40) (41) (42) (43) (44) 其中 是 M 维单位矩阵， 是全一向量。2.2.2. MPC优化目标函数基于内层MPC预测模型，优化目标是抑制馈线功率波动、减少SOC波动并限制过度的总充放电深度：(45) (1)功率波动抑制目标函数储能输出的剧烈波动会影响系统稳定性。通过抑制相邻时间间隔之间的输出变化幅度，有助于减轻发电和负载之间的功率不平衡。因此，优化目标是随时间最小化储能的输出波动水平。(46) 其中表示时间 t 时电网形成型储能的输出功率。(2)SOC波动最小化目标函数SOC的频繁和大幅度波动会削弱储能系统的持续调节能力并加速其性能退化。保持相对稳定的SOC有助于提高储能的运行可靠性。因此，优化目标是最小化调度期间储能SOC的偏差。(47) 其中表示时间 t 时节点 的电网形成型储能的充电状态。(3)总充放电深度最小化目标函数过度的充放电循环会显著加速电池老化并缩短使用寿命。限制放电深度有助于延缓储能性能的退化。因此，优化目标是抑制SOC接近其上下限的运行条件，从而减少总的充放电深度。(48) 其中表示推荐的上限运行SOC边界； 表示推荐的下限运行SOC边界； 表示惩罚系数，当SOC接近边界时该系数会增加。在滚动优化过程中，上述三个目标在同一个MPC框架内协调。此外，中的边界惩罚项用于在SOC接近其上下运行边界时加强保护效果，从而协调馈线功率平滑和可持续的SOC管理。2.2.3. 滚动时域优化和解决机制在每个采样时刻，MPC根据当前测量状态、预测信息和规定的参考轨迹构建一个有限时域优化问题。将未来的控制增量堆叠在控制时域上后，决策向量表示为：(49) 上述MPC问题可以重新表述为以下标准二次规划问题：(50) 其中 是Hessian矩阵， 是线性项的系数向量。在滚动优化的每一步中，只有第一个最优控制输入被应用于储能单元。在下一个采样时刻，根据最新的测量值更新系统状态，预测时间域向前推进一步，并重复优化过程。这种滚动优化机制特别适用于具有时变运行条件和多个实际约束的电网形成型储能系统。为了实施上述滚动优化调度策略，需要为内层MPC建立一个离散时间预测模型。鉴于馈线中的过电压和反向功率流问题与馈线净负荷的变化密切相关，因此使用预测的馈线净负荷作为内层优化模型的基本输入。结合储能系统的充放电功率和SOC状态方程，这描述了储能系统有功功率和SOC的动态演变，为后续的目标函数制定和滚动优化解决方案提供了模型基础。因此，时间步长 t 的预测馈线净需求定义为：(28) 其中和 分别是馈线的预测总负荷功率和总光伏功率。定义 为时间 t 时第 i 个并网储能单元的有功功率。馈线与上游电网之间的有功功率交换可以表示为：(29) 其中表示由外层选址和容量分配模型确定的储能单元集合； > 0 表示放电，< 0 表示充电。为了抑制馈线功率的突然波动并在高光伏输出期间缓解反向功率流，通过低通滤波预测的净需求来生成馈线功率参考值：(30) 其中 是平滑因子，0 < < 1。对于第 i 个储能单元，控制增量定义为：(31) 功率更新方程为：(32) SOC状态更新方程表示为：(33) (34) 其中 是第 i 个储能单元的额定能量容量， 和 分别是充电和放电效率。因此，状态向量、控制向量和输出向量定义为：(35) (36) (37) 内层模型然后以离散状态空间形式表示为：(38) (39) (40) (41) (42) (43) (44) 其中 是 M 维单位矩阵， 是全一向量。2.2.2. MPC优化目标函数基于内层MPC预测模型，优化目标是抑制馈线功率波动、减少SOC波动并限制过度的总充放电深度：(45) (1)功率波动抑制目标函数储能输出的剧烈波动会影响系统稳定性。通过抑制相邻时间间隔之间的输出变化幅度，有助于减轻发电和负载之间的功率不平衡。因此，优化目标是随时间最小化储能的输出波动水平。(46) 其中表示时间 t 时电网形成型储能的输出功率。(2)SOC波动最小化目标函数SOC的频繁和大幅度波动会削弱储能系统的持续调节能力并加速其性能退化。保持相对稳定的SOC有助于提高储能的运行可靠性。因此，优化目标是最小化调度期间储能SOC的偏差。(47) 其中表示时间 t 时节点 的电网形成型储能的充电状态。(3)总充放电深度最小化目标函数过度的充放电循环会显著加速电池老化并缩短使用寿命。限制放电深度有助于延缓储能性能的退化。因此，优化目标是抑制SOC接近其上下限的运行条件，从而减少总的充放电深度。(48) 其中表示推荐的上限运行SOC边界； 表示推荐的下限运行SOC边界； 表示惩罚系数，当SOC接近边界时该系数会增加。在滚动优化过程中，上述三个目标在同一MPC框架内协调。此外，中的边界惩罚项用于在SOC接近其上下运行边界时加强保护效果，从而协调馈线功率平滑和可持续的SOC管理。2.2.3. 滚动时域优化和解决机制在每个采样时刻，MPC根据当前测量状态、预测信息和规定的参考轨迹构建一个有限时域优化问题。将未来的控制增量堆叠在控制时域上后，决策向量表示为：(49) 上述MPC问题可以重新表述为以下标准二次规划问题：(50) 其中 是Hessian矩阵， 是线性项的系数向量。在滚动优化的每一步中，只有第一个最优控制输入被应用于储能单元。在下一个采样时间，根据最新的测量值更新系统状态，预测时间域向前推进一步，并重复优化过程。这形成了一个完整的滚动优化机制，包括“测量—预测—优化—执行—重新预测”，使内层模型能够持续适应光伏输出和负载需求的变化特性。2.3.在优化过程中，为了确保能源存储选址和容量分配决策的可行性、规划方案的离散性和工程合理性，以及能源存储系统在滚动优化过程中的安全动态运行，所提出的双层优化模型必须满足以下约束条件：配电网络节点功率平衡约束；构网型能源存储的离散选址和安装容量约束；额定功率和额定能量容量约束；相应的容量-功率耦合约束；充放电功率约束；SOC状态更新及上下限约束；以及构网型能源存储系统的坡度率约束。

(1) 节点功率平衡约束
(51) (52)
其中 \(P_{in}\) 是时间 \(t\) 时节点 \(i\) 的注入有功功率；\(Q_{in}\) 是时间 \(t\) 时节点 \(i\) 的注入无功功率；\(V_{i}\) 和 \(V_{j}\) 分别是时间 \(t\) 时节点 \(i\) 和 \(j\) 的电压；\(\phi_{i}\) 和 \(\phi_{j}\) 是时间 \(t\) 时节点 \(i\) 和 \(j\) 的相位角；\(G_{ij}\) 是节点导纳矩阵第 \(i\) 行第 \(j\) 列元素的实部（电导）；\(B_{ij}\) 是节点导纳矩阵第 \(i\) 行第 \(j\) 列元素的虚部（电纳）；\(N\) 是节点的总数。

(2) 构网型能源存储电池的充放电功率约束
(53) (54)
其中 \(P_{charge}\) 是构网型能源存储电池的额定充电功率；\(P_{discharge}\) 是构网型能源存储电池的额定放电功率；\(C\) 是构网型能源存储电池的容量；\(E_{stored}\) 是时间段内构网型能源存储电池储存的能量。

(3) 构网型能源存储电池的固有性能约束
(55)
其中 \(E_{min}\) 和 \(E_{max}\) 分别是构网型能源存储系统的最小和最大充电状态；\(P_{charge_min}\) 和 \(P_{charge_max}\) 分别是构网型能源存储电池的充电功率上下限；\(P_{discharge_min}\) 和 \(P_{discharge_max}\) 分别是构网型能源存储电池的放电功率上下限。

更新能源存储设备的充电状态：
(56)
其中 \(\eta_{charge}\) 和 \(\eta_{discharge}\) 分别是充电效率和放电效率；\(T\) 是调度时间步长；\(C_i\) 是第 \(i\) 个存储单元的额定能量容量。

(4) 离散选址和安装数量约束
由于构网型能源存储的部署位置属于离散规划决策，引入了一个二进制变量 \(x_{ij}\) 来表示候选节点的安装状态：
(57)
其中 \(x_{ij}=1\) 表示在节点 \(i\) 安装了构网型能源存储单元，\(x_{ij}=0\) 表示该节点未安装存储单元。
安装更多的构网型能源存储系统会导致总体成本增加。因此，对构网型能源存储的安装数量施加以下约束：
(58)
其中 \(N\) 是选定的节点数量。

(5) 额定功率和额定能量容量约束
构网型能源存储单元的额定能量容量和额定功率必须保持在允许的范围内。
(59) (60)
其中 \(C_i\) 和 \(P_i\) 分别表示安装在节点 \(i\) 的构网型能源存储的额定能量容量和额定功率。

(6) 容量-功率耦合约束
构网型能源存储系统的额定功率和额定能量容量应满足实际的容量-功率耦合关系。
(61)
其中 \(P_{max}/E_{max}\) 和 \(P_{min}/E_{min}\) 分别表示允许的功率-能量比的下限和上限。

(7) 滚动调度坡度率约束
为了防止相邻调度周期之间能源存储系统的充放电功率出现过度波动，需要确保能源存储系统的坡度率保持在合理范围内。
(62)
其中 \(P_{out}_i\) 是时间 \(t\) 时第 \(i\) 个构网型能源存储单元的净有功功率输出；\(\Delta P\) 表示两个连续调度间隔之间的最大允许功率变化。

2.4 双层模型的求解过程
多目标粒子群优化（MOPSO）是一种有效的解决复杂非线性多目标优化问题的方法。通过模拟群体智能并利用粒子间的信息共享和共同进化，该方法在解空间中搜索帕累托最优解。在本文提出的构网型能源存储的两层优化模型中，外层采用基于MOPSO的多目标优化方法，将构网型能源存储的选址和容量确定作为决策变量。该过程通过迭代更新粒子的速度和位置来实现解空间的动态搜索，同时利用非支配排序和拥挤距离准则来保持帕累托解集的紧凑性，并采用约束处理机制来确保解的可行性。具体来说，候选解的可行性筛选是在与内层MPC一致的运行条件下进行的，包括光伏/负载时间序列曲线、SOC上下限、充放电效率以及调度时间步长，外层解是根据后续运行要求确定的。鉴于外层优化问题涉及多个目标、约束和非线性，并且帕累托前沿仍包含多个具有权衡的候选解，本研究进一步引入了信息熵加权的TOPSIS方法来对帕累托最优解进行排序，从而确定一个平衡电压约束、经济效益和工程可行性的最优配置。
内层模型采用MPC进行滚动优化。根据外层关于构网型能源存储选址和容量确定的结果，内层动态优化能源存储系统的功率输出，以适应光伏输出和负载波动的时变特性。在此过程中，由外层确定的安装位置、额定功率和额定能量存储容量作为固定配置参数输入到内层，内层在给定配置条件下进行滚动运行优化和状态更新。因此，通过内外层模型的协同解决，本文提出的方法不仅确保了规划层面能源存储配置方案的合理性及其静态运行可行性，还增强了系统在运行层面的动态响应能力，从而形成了一个全面的“规划-运行”集成优化配置方案。具体解决过程如图1所示。

图1. 双层模型求解流程图。
所提出的内外双层优化模型的详细解决程序如下：
步骤1：根据时间序列功率流模拟结果，提取配电网络的每个节点的电压、支路功率流和线路参数。考虑节点电压违规风险、网络损耗贡献、电压偏差和拓扑重要性等因素，对每个节点进行无量纲处理，构建一个综合弱点评分，为构网型能源存储的选址提供先验基础。
步骤2：在外层模型中，将构网型能源存储的安装位置、额定功率和容量作为决策变量，构建一个多目标优化问题。采用多目标粒子群优化（MOPSO）算法搜索解空间，并通过非支配排序和拥挤距离保持解集的多样性，得到满足系统电压质量、稳定性和经济要求的帕累托优化解集。
步骤3：使用信息熵加权的TOPSIS方法进一步对从外层获得的帕累托非支配解集进行排序，并根据每个候选解与正理想解和负理想解的相对接近程度进行全面评估。选择与理想解总体接近度最高的帕累托解作为优化折中方案，从而确定构网型能源存储系统的最终选址和容量配置。
步骤4：将外层优化确定的构网型能源存储的选址位置、额定功率和额定能量容量作为已知配置参数输入到内层模型。以内层MPC为核心，通过滚动优化优化构网型能源存储在典型一天内的充放电功率，受SOC约束。获得每个时间间隔的优化输出序列。
步骤5：根据内层优化得到的构网型能源存储的有功功率输出结果，计算相应时间间隔内的可用无功功率容量，使构网型能源存储能够在满足能量约束的同时参与电压调节。通过功率流计算更新系统运行状态，并相应地校正构网型能源存储的SOC。
步骤6：重复执行内层动态优化和状态更新过程，直到完成整个典型天的模拟。通过内外双层模型的协同解决，所提出的方法确保了构网型能源存储配置方案在规划层面的合理性以及在运行层面的可实现性。

3. 基于VSG的转换器控制策略
VSG控制将同步电机的等效转子运动方程和电磁特性引入逆变器控制中，使构网型能源存储转换器具备惯性、阻尼和电压/频率调节能力，从而为瞬态电压调节提供有效的控制手段。
如图2所示，能源存储电池通过直流侧连接到电压源型并网逆变器。逆变器采用VSG控制来模拟同步发电机的外部特性，表现为具有可控幅度和相位的受控电压源，从而具备频率和电压调节能力。VSG控制根据从并网点电压和电流计算出的有功功率/频率和无功功率/电压反馈，生成逆变器输出电压的频率和幅度参考值。同时，引入虚拟惯性和阻尼以提供惯性和阻尼支持。图中的变量定义如下：
\(L_f\) 是滤波电感；\(C_f\) 是滤波电容；\(Z_f\) 是等效阻抗；\(V_{out}\) 是端电压。

3.1 VSG控制
VSG控制通过模拟同步发电机的外部特性，使转换器具备电压和频率调节能力，从而为系统提供阻尼和惯性支持，并允许灵活调整阻尼和惯性参数。功率外环是VSG控制的关键组成部分，主要由有功功率-频率控制和无功功率-电压控制组成。
(63)
其中 \(J_f\) 是VSG的虚拟惯性矩；\(\kappa\) 是表示发电机阻尼特性的阻尼系数；\(\delta_P\) 是有功功率-频率下降系数；\(P_{active}\) 是虚拟同步发电机的实际有功功率输出；\(f_{ref}\) 是有功功率的参考值；\(\omega_{ref}\) 是额定角频率。
通过模拟传统同步发电机的主电压调节特性和激励调节机制，VSG实现了无功功率调节和电压控制。
(64)
其中 \(V_{exc}\) 是VSG控制中的等效激励电压；\(V_{refexc}\) 是稳态运行下的激励电压参考值；\(\delta_Q\) 是无功功率-电压下降系数；\(Q_{ref}\) 是无功功率的参考值；\(P_{reactive}\) 是虚拟同步发电机的实际无功功率输出。
基于VSG控制的构网型转换器通过有功功率-频率控制和无功功率-电压控制实现频率和电压调节。其外部特性表现为具有串联阻抗和可控幅度和相位的受控电压源[22]。

3.1. VSG控制
VSG控制通过模拟同步发电机的外部特性，使转换器具备电压和频率调节能力，从而为系统提供阻尼和惯性支持，并允许灵活调整阻尼和惯性参数。功率外环是VSG控制的关键组成部分，主要由有功功率-频率控制和无功功率-电压控制组成。根据同步发电机的转子运动方程和主要频率调节特性，可以建立有功功率-频率控制环路。
(63)
其中 \(J_f\) 是VSG的虚拟惯性矩；\(\kappa\) 是表示发电机阻尼特性的阻尼系数；\(\delta_P\) 是有功功率-频率下降系数；\(P_{active}\) 是虚拟同步发电机的实际有功功率输出；\(f_{ref}\) 是有功功率的参考值；\(\omega_{ref}\) 是额定角频率。
通过模拟传统同步发电机的主电压调节特性和激励调节机制，VSG实现了无功功率调节和电压控制。
(64)
其中 \(V_{exc}\) 是VSG控制中的等效激励电压；\(V_{refexc}\) 是稳态运行下的激励电压参考值；\(\delta_Q\) 是无功功率-电压下降系数；\(Q_{ref}\) 是无功功率的参考值；\(P_{reactive}\) 是虚拟同步发电机的实际无功功率输出。
基于VSG控制的构网型转换器通过有功功率-频率控制和无功功率-电压控制实现频率和电压调节。其外部特性表现为具有串联阻抗和可控幅度和相位的受控电压源[22]。

3.2.基于无功功率-电压降系数的自适应VSG控制策略

在传统的无功功率-电压降控制的VSG中，常用的电压调节系数定义为电压变化与无功功率变化的比值，如下方程所示：(66) 根据VSG的无功功率-电压调节方程，传统VSG无功功率-电压控制中的电压调节系数通常是一个固定值，无功功率参考值设为0。在这种控制模式下，电压和无功功率之间的关系如图4所示。图4. 传统VSG控制下的无功功率-电压关系。在图4中，表示当等效激励电压降低到其最小允许值时，能量存储系统的无功功率输出；表示当等效激励电压升高到其最大允许值时，能量存储系统的无功功率输出；这个值是负的，对应于能量存储系统吸收的最大无功功率。

当能量存储系统在不同的工作条件下运行时，其有功功率输出会实时变化以满足系统功率平衡，从而导致其可用无功功率容量的同时变化。当无功功率容量充足时，采用较小的电压降系数。在参考电位的允许变化范围内，无功功率调节范围扩大，使能量存储能够提供更强的无功功率支持。如图所示，传统VSG控制采用固定的电压调节系数，难以根据无功功率容量的变化调整电压降特性。因此，并网能量存储系统的无功功率支持潜力没有得到充分利用，其电压支持能力也受到限制。

在并网模式下，形成电网的能量存储系统具有双向功率传输能力。当电网连接点出现功率 deficit 时，能量存储电池放电以补偿功率需求；相反，当电网连接点出现功率 surplus 时，多余的功率用于给能量存储电池充电。在满足充电状态（SOC）要求的前提下，形成电网的能量存储在双向充放电运行条件下可以提供的无功功率支持能力受到视在功率和有功功率的共同限制，具体表达式如下：(67) 其中 和 分别是形成电网的能量存储在时间 t 的无功功率的上限和下限； 是形成电网的能量存储系统的视在功率； 是形成电网的能量存储系统在时间 t 的有功功率。

能量存储系统在充电和放电过程中的有功功率和无功功率输出范围如图5所示。图5. 双向能量存储运行的有功功率和无功功率容量范围。如图5所示，能量存储的有功功率越小，可用于无功功率支持的剩余容量越大。因此，在该时刻，对电网连接点电压下降的无功功率支持潜力也更强。

在传统的固定无功功率-电压降控制策略下，形成电网的能量存储可用于电压支持的无功功率容量往往没有得到充分利用，导致一定程度的浪费。为了更好地释放形成电网的能量存储系统在故障条件下的无功功率支持能力，将任何给定时刻的可用无功功率容量引入到自适应无功功率-电压比例系数中。这使得可以根据能量存储的运行状态快速调整无功功率输出，从而提高形成电网的能量存储系统的瞬态稳定性。结合形成电网的能量存储的双向运行特性，并考虑无功功率容量的修正，自适应无功功率-电压降系数的表达式如下：(68) 其中 是电网连接点允许的最大电压波动范围。根据10 kV配电网络的适用电网规范，这个值取为0.14 pu。

比例系数的自适应调整根据有功功率输出进行更新，同时考虑能量存储的双向运行特性，从而自适应地修正VSG的无功功率-电压调节系数。因此，在不同的运行条件下，能量存储的有功功率输出会变化，每种条件下的相应无功功率-电压调节系数使用所提出的公式计算。分析结果如图6所示。图6. 不同运行条件下能量存储的无功功率容量。当能量存储系统的有功功率分别为 和 时，系统能够提供给电网的无功功率容量在这两种条件下是不同的。在这两种运行条件下，有功功率输出 对应于较小的无功功率-电压降系数 和较大的无功功率调节范围；相反，有功功率输出 对应于较大的无功功率-电压降系数 和较小的无功功率调节范围。

具有改进的自适应无功功率-电压降系数的形成电网的能量存储系统的并网结构如图7所示。图7. 改进的并网转换器拓扑结构。根据图7，所提出的改进保留了基本的VSG控制结构，同时在Q-U控制回路中引入了一个根据能量存储系统的运行状态进行更新的自适应调节系数。具体来说，控制器首先根据能量存储系统的瞬时有功功率输出计算当前运行条件下的无功功率容量限制 ，然后结合最大允许电压偏差在线确定自适应系数 。获得的系数随后被纳入VSG的Q-U控制回路中，以自适应地调整与无功功率项相关的调节强度，从而修改等效激励电压的调节幅度。经过虚拟阻抗回路和双电压-电流内回路后，逆变器输出电压和无功电流相应得到调节，使得在不同有功功率运行条件下能够自适应地调整无功功率支持能力。与固定系数控制策略相比，所提出的方法允许VSG的电压支持强度随着能量存储系统的可用无功功率容量动态变化。

所提出的方法解决农村配电网络电压违规问题的整体流程图如图8所示。图8. 整体流程图。

3.3. 自适应VSG控制器的小信号稳定性和模态分析

为了定量分析所提出的自适应VSG控制策略在不同运行条件下的局部稳定性、阻尼特性和振荡模式行为，基于改进的控制架构建立了一个参数冻结的小信号模型。由于内层优化提供的有功功率调度结果在电压扰动后的瞬态控制过程发生的时间尺度上较慢，因此从(68)计算出的自适应系数可以在任何给定运行点（, ,, , ）附近被视为常数，从而可以局部线性化闭环系统。同时，由于虚拟阻抗回路和双内电压-电流回路的响应速度显著高于VSG外回路，它们的快速动态以等效功率灵敏度的形式反映在小信号特性分析中，并且自适应Q-U回路对等效激励调节的影响被明确纳入闭环模型中。

3.3.1. 有功功率-频率回路的小信号线性化

根据(63)，定义额定角频率附近的频率扰动为 ，并让 表示功率角的小扰动。由于本节关注给定运行点附近的局部稳定性，有功功率参考值被视为常数。(69) 因此，方程(70)可以线性化为：(70) 由此得到：(71) 方程(70)和(71)描述了有功功率-频率回路的局部动态。根据本文采用的符号约定，等效阻尼项可以写为：(72) 方程(72)表明，虚拟惯性和阻尼系数 是决定系统响应速度、阻尼能力和局部稳定裕度的关键参数。

3.3.2. 自适应Q-U回路的小信号线性化

在运行点附近，自适应系数 被冻结为 ，无功功率参考值被视为常数。对于局部特征值分析，电网连接电压的扰动被视为外部输入并设为零。因此，方程(64)可以线性化为：(73) 此外，在运行点附近，输出的有功功率和无功功率可以表示为一阶形式：(74) (75) 其中， , , 和 分别是在选定运行点评估的功率灵敏度系数。它们表征了有功功率和无功功率相对于功率角和等效激励电压的局部灵敏度。结合(73)和(75)得到：(76) 将(76)代入(74)得到：(77) 其中 是考虑自适应Q-U回路影响后的有效同步系数。方程(77)表明，自适应系数不仅重塑了时域响应，还修改了闭环系统的有效同步刚度，从而影响了主导振荡模式。

3.3.3. 闭环特性方程、自然频率和阻尼比

将(77)代入(70)，连同(71)，得到所提出的自适应VSG在选定运行点附近的第二阶近似小信号模型：(78) 因此，闭环系统的特性方程可以写为：(79) 基于方程(79)，可以表示出自然角频率、阻尼比和主导模式的阻尼振荡角频率：(80) (81) (82) 基于上述方程，有功功率回路的根轨迹可以如图9所示绘制。图9. 不同虚拟惯性和阻尼系数下的根轨迹。如图9所示，在不同的虚拟惯性J条件下，随着阻尼系数D的变化，闭环系统的主导极点从共轭复根迁移到实根。当D较小时，主导极点位于复平面的左半部分，系统表现出欠阻尼状态；在这种情况下，扰动将伴随一定程度的振荡响应。随着D逐渐增加，极点逐渐靠近实轴，表明系统的阻尼比继续增加，振荡衰减率加快；当D增加到一定范围时，共轭复根最终分裂为两个实根，系统进一步从欠阻尼状态转变为接近临界阻尼甚至过阻尼的状态。这些结果表明，阻尼系数D主要决定了有功回路中主导模式的阻尼特性和阻尼水平。

同时，随着虚拟惯性J的增加，根轨迹整体向虚轴移动，主导复根的虚部减小，表明系统的自然振荡角频率减小，动态响应速度相应减慢。这与方程(80)揭示的模式一致：在给定的K条件下，增加J会降低主导模式的自然频率。因此，J主要影响系统的惯性特性和响应速度，而D主要影响阻尼水平和振荡衰减能力。

4. 仿真分析

4.1. 建立时间序列仿真模型

基于Distribution Network Cloud、D5000系统和电力消耗信息收集系统的历史数据，采用了ETAP 2022（版本22.0.1）电力系统仿真软件。在建立特定区域10 kV配电线的时间序列仿真模型的基础上，提取了如图9所示的典型局部配电网络结构，用于时间序列分析。这个本地网络采用单一的辐射结构，以电源节点作为起点，沿着主馈线延伸至末端，并在几个节点形成分支电源。本地网络共有39个节点，其中23个等效负载设置在配电变压器区域。在节点8和节点16处集成了容量为500千瓦的分布式光伏（DPV）电源。配电变压器区域的负载被视为总负载。因此，构建了图10所示的本地配电网络时间序列仿真模型，以便后续分析典型情景下的电压和功率流特性。图10. 本地配电网络的拓扑结构。

4.2 分布式光伏集成的典型情景分析
对集成分布式光伏的配电变压器区域进行了分析。选择了起点节点的电压、节点16处变压器区域的高压侧线电压以及同一变压器区域内连接低压侧分布式光伏的节点36的电压进行电压分析。所选区域的配电变压器容量为400千伏安，其供电区域内有11个分布式光伏用户，总安装容量为500千瓦，光伏渗透率为125%。由于测量到的电压水平不同，为了便于更直观的比较分析，分别测量和计算了不同节点的电压偏差率（实际值/额定值）。结果如图11所示。图11. 分布式光伏集成后的不同位置的电压偏差率。从图11可以看出，当分布式光伏输出相对较高时，光伏用户节点的电压表现出显著变化，电压偏差明显。光伏输出对低压光伏用户的并网点电压有较大影响。

以某个地区的实际10千伏农村配电网络模型作为研究案例，将光伏发电和负载样本数据标准化，然后使用聚类分析将其分为四种典型情景，如图12所示。通过提取典型情景，可以将原始波动的光伏-负载时间序列转换为多个代表性的确定性输入，从而避免分析过度依赖于单一典型日，并提高基于模型的分析的代表性以及所提出方法的应用性。同时，这种方法在保持所需精度水平的同时，有效减少了后续优化的计算负担。图12. 典型每日分布式光伏功率输出。

为了表征馈线级别的光伏集成水平，本研究中的光伏渗透率定义为所研究馈线中总安装光伏容量与馈线峰值负载的比率。在此基础上，通过按比例缩放总安装的光伏容量，在相同的实际10千伏馈线上构建了80%、100%、125%和140%的光伏渗透情景，同时保持光伏连接位置不变和负载条件一致。不同渗透水平下的相应电压影响如图13所示。图13. 不同光伏渗透水平下的电压影响。结果表明，随着光伏渗透率的增加，低压侧的电压升高更加明显。当渗透率达到100%时，某些节点的电压已经超过了允许的上限，表明系统进入了高光伏渗透率运行区域。对于本文研究的农村配电馈线，当节点电压接近或超过上限时，系统可以被认为是处于高光伏渗透率运行条件，反向功率流变得更加显著，需要能量存储或无功功率调节资源的主动干预。

4.3 双层优化模型的仿真分析
基于提出的双层优化模型，在三种光伏渗透率（100%、125%和140%）下进行了时间序列功率流计算，以研究不同渗透率下的电压超限问题。在此基础上，外层模型获得了节点电压、支路功率流和线路参数，并进一步计算了支路静态电压稳定性指数。同时，电压违规风险、网络损耗和电压偏差等指标被统一标准化并加权，形成一个综合得分。通过使用多目标粒子群优化（MOPSO）算法进行迭代优化后，最终确定了形成电网的能量存储系统的优化配置方案。图14显示了不同光伏渗透率下每个节点的综合得分。表1展示了使用外层站点选择和容量优化模型通过多目标优化过程获得的不同光伏渗透率下的形成电网的能量存储系统的具体配置结果。表1. 光伏渗透率。在不同光伏渗透率下，对有无提出优化模型的情况进行了比较。表2展示了电压偏差、网络损耗和经济成本的相应结果。表2. 提出模型在不同光伏渗透率下的性能改进。如表2所示，与未优化的情况相比，提出模型在不同光伏渗透率下仍然有效。结果表明，该模型不仅在125%的光伏渗透率下提供技术和经济效益，而且在本研究考虑的相对较低和较高的渗透率条件下也同样有效，这验证了其在不同光伏渗透情景下的有效性和适用性。

使用相同安装容量的实际测量数据，在125%的光伏渗透率下，对基于MPC的策略和传统非优化策略下的能量存储控制进行了比较分析。具体结果如图15所示。图15. 不同能量存储调度策略的比较：(a) 基于MPC的滚动优化；(b) 传统非优化策略。基于内层模型中实现的滚动时域优化控制，对提出的基于MPC的策略和传统非优化策略进行了比较分析。图13显示了两种策略下形成电网的能量存储系统的功率调度曲线和相应的SOC轨迹。可以看出，提出的MPC策略在日常运行中保持了更平稳的充放电过程，并将SOC保持在更协调的运行范围内，显示出对源负载变化的更强预测调节能力。相比之下，在传统非优化策略下，能量存储系统的充放电波动更为明显，状态切换更频繁，伴随着更宽的SOC变化范围。这表明传统策略在日常运行中缺乏足够的前瞻性协调，因此更容易导致功率振荡和更深的SOC波动，而提出的MPC策略实现了更平衡和有序的调度过程。

为了说明提出的内层滚动时域优化模型对能量存储状态管理的影响，使用平均SOC来反映日常运行中的充电状态维护水平，同时使用等效全周期（EFC）计数来表征电池的循环强度及其潜在的循环退化负担。因此，本研究选择平均SOC和等效全周期计数作为两个指标，来比较提出的MPC策略和传统非优化策略。如图3所示，与传统非优化策略相比，提出的MPC策略在平均SOC和等效全周期计数方面表现出更优的操作特性。在保持相对稳定的充电状态水平的同时，MPC策略减少了能量存储系统的等效全周期计数，表明它可以在满足运行调节要求的同时减少不必要的充放电重复，从而减轻电池的循环负担。相比之下，在传统非优化策略下，能量存储系统更可能在充放电状态之间频繁切换，SOC波动更大，导致电池的循环强度更高，进一步加剧了电池的长期循环退化趋势。此外，提出的MPC策略下充放电过程的优化协调也改善了馈线级别的功率分配特性。图16显示了MPC策略下的馈线功率结果。表3. 不同策略下的平均SOC和等效全周期比较。图16. 有无能量存储的馈线功率比较。从图16可以看出，没有集成能量存储系统时，在光伏输出较高的时期，变电站出线功率显著下降，中午左右出现反向功率流，表明分布式光伏输出超过了当地负载需求。相比之下，集成形成电网的能量存储系统后，反向功率流的幅度显著减小。在夜间和高峰负载期间，能量存储系统参与供电，导致变电站出线功率低于没有能量存储的情景。结果表明，集成形成电网的能量存储系统可以有效吸收多余的分布式光伏能量并参与负载供应，从而在典型的日常运行中减轻反向功率流，并改善配电网络的功率流分配特性。

在提出的双层优化模型中，外层采用多目标粒子群优化算法来优化形成电网的能量存储系统的选址和规模，其收敛过程如图17所示。从图17可以看出，采用的优化算法在早期迭代中收敛迅速，并在后期逐渐稳定，表明它具有良好的收敛性能，并能够获得稳定的优化结果。

4.4 自适应VSG对电压支持性能的影响分析
4.4.1 在负载扰动下的电压支持效果分析
为了验证提出的自适应VSG控制策略在扰动条件下的瞬态电压支持能力，基于前述的形成电网的能量存储系统的选址和规模优化结果，从配置的形成电网的能量存储集成节点中选择了节点13作为研究对象，并建立了相应的瞬态仿真模型。使用表4中列出的参数，对不同VSG控制策略下的节点电压和无功功率的瞬态响应特性进行了比较分析。表4. 基本系统参数。在仿真系统中，在t = 2.0秒时引入了一个电压阶跃扰动。具体来说，电网电压降低到0.75 pu，然后在t = 3.0秒时恢复到1.0 pu。不同控制策略下的电网连接点电压波形如图18所示。图18. 不同控制策略下的电网连接点电压波形。从图18可以看出，在扰动发生时，两种控制策略下的电网连接点电压都出现了瞬态下降；然而，这种瞬态下降的幅度有所不同。使用传统VSG控制时，电网连接点电压下降到0.81 pu。相比之下，使用自适应VSG控制时，电压下降到0.83 pu。结果表明，自适应VSG控制策略可以有效减轻电网连接点的瞬态电压下降幅度。

从图19可以看出，在扰动发生后，两种控制策略下的形成电网的能量存储系统都能够迅速响应并输出无功功率以参与电压调节。然而，两种控制策略下的无功功率输出幅度存在显著差异。在传统的VSG控制下，无功功率的输出幅度相对较小。相比之下，在自适应VSG控制下，储能系统能够提供更大的无功功率，其响应幅度在充电和放电条件下都显著高于传统VSG控制。图19展示了不同控制策略下的无功功率波形。4.4.2 无功功率容量限制对电压支持性能影响的分析考虑到网格形成转换器的电压支持能力不仅取决于控制策略本身，还取决于其可用的无功功率容量，在严重干扰情况下，随着对无功功率支持需求的增加，转换器的输出可能会逐渐接近其容量限制，从而影响其实际的电压支持性能。因此，为了进一步评估所提出的自适应控制策略在无功功率容量限制下的运行特性，将最大无功功率容量限制设置为0.7 pu，并对系统在所提出的自适应控制策略下的运行进行了模拟，以应对负载干扰和三相接地故障。在模拟系统中，t = 2.0 s时引入了一个电压阶跃干扰。具体来说，电网电压降低到0.75 pu，然后在t = 3.0 s时恢复到1.0 pu。储能系统的相应无功功率波形显示在图18中，而施加了0.7 pu最大无功功率限制与未施加限制时的模拟电网连接端电压响应分别显示在图19中。如图20所示，由于在施加最大无功功率限制之前，储能系统提供的无功功率没有超过规定的0.7 pu限制，因此增加的无功功率限制对系统运行的影响不大。因此，如图21所示，在施加无功功率限制之前和之后，储能系统的电网连接端电压响应基本相似。图20. 有和无功功率限制时的电压阶跃干扰下的无功功率波形。图21. 有和无功功率限制时的电压阶跃干扰下的端电压响应。在t = 2 s时，在输电线路的中点施加了一个三相短路故障，并在0.5 s后清除。在施加了0.7 pu最大无功功率限制之前和之后的储能系统的无功功率波形显示在图22中，相应的电网连接端电压响应显示在图23中。图22. 有和无功功率限制时的三相短路故障下的无功功率波形。图23. 有和无功功率限制时的三相短路故障下的无功功率波形。如图22所示，在三相短路故障期间，施加最大无功功率限制后，储能系统的无功功率输出受到显著限制，其无功功率支持能力低于无限制情况。因此，如图23所示，在施加无功功率限制后，储能系统提供的瞬态电压支持无功功率减少，从而削弱了电压恢复效果。5. 结论本文针对农村地区高渗透分布式光伏（DPV）集成导致的电压超限问题以及干扰条件下的电压支持能力不足问题，提出了一种双层优化配置和自适应VSG控制方法，用于网格形成储能系统，以实现协调的稳态和瞬态电压调节。通过包括机制分析、模型构建和仿真验证在内的系统研究，得出以下结论：通过综合考虑静态电压稳定性和电压偏差等多个因素，网格形成储能的优化配置方案不仅可以有效减轻低压用户侧的过电压，缓解运行过程中的反向功率流动，提高配电网络运行的安全性和稳定性，还有助于改善储能系统在日内运行中的协调调节能力，促进充电/放电行为与充电状态管理之间的更好匹配，并平衡电压缓解性能与设备的长期运行。在VSG控制框架内提出的自适应无功功率-电压下降控制策略根据网格形成储能的有功功率输出状态动态调整无功功率调节能力。瞬态仿真结果表明，与传统固定参数VSG控制相比，所提出的策略在干扰条件下表现出更强的电压支持能力，减少了电压振荡的幅度，并充分利用了储能系统的无功功率支持潜力。同时，无功功率容量限制下的结果显示，在转换器能力范围内实现了电压支持的改善。当未达到无功功率限制时，其影响可以忽略不计；而在严重故障情况下，无功功率限制会削弱电压恢复效果。未来的工作将进一步将所提出的模型扩展到更复杂甚至网状的配电网络结构中，以评估其在更强网络耦合和更多样化运行条件下的适应性。此外，未来的研究还将考虑运营商发起的削减措施，并将动态电价对分布式光伏系统的影响纳入模型分析中，从而开发出一个同时考虑网络安全、控制性能和市场机制的更具实际价值的研究框架。