综述：智能且安全的数字电网：基于人工智能、数字孪生技术以及网络物理安全在100%可再生能源电力系统中的逆变器应用综述

《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Intelligent and secure digital grids: A review of artificial intelligence, digital twins, and cyber-physical security for grid-forming inverters in 100% renewable power systems

　　摘要：向100%基于逆变器的可再生能源系统过渡，要求对电网同步机制进行根本性变革，这使得电网形成型逆变器成为替代传统同步发电机所提供的电磁惯性的新型装置。然而，随着以电网形成型逆变器为主的电网演变为高度数字化、软件定义且规模庞大的网络物理系统，其复杂性已超出传统控制、监控和安全机制的处理能力。本文通过综合人工智能与机器学习驱动的自适应控制、用于实时电网管理的数字孪生框架以及网络物理安全防护三大快速发展但彼此关联不足的领域，开展基于分析的综述，从而填补这一关键研究空白。对现有技术的深入评估表明，智能性、可观测性和安全性是保障电网稳定的不可或缺的前提条件。尽管人工智能在实时自适应控制方面展现出巨大潜力，但由于存在持续的认证难题，仍需采用结合物理约束的混合架构。基于电网形成型逆变器的系统具有微秒级动态特性，使得传统的SCADA系统无法满足需求，这就需要开发基于边缘端的实时数字孪生技术。不过，推动这些进步的数字化进程同时也扩大了网络物理攻击面，因此必须在控制回路中嵌入基于物理原理的异常检测机制。本综述还指出了当前研究中存在的系统性“孤岛效应”，即人工智能、数字孪生或网络物理安全领域的孤立进展反而会加剧其他领域的脆弱性。为解决这些相互依赖的问题，本文提出了智能安全数字电网框架，作为一种统一架构，要求针对以电网形成型逆变器为主的网络，同步设计人工智能、数字孪生和网络物理安全技术。在该框架下，人工智能借助数字孪生实现安全且高效的训练，数字孪生则依靠人工智能提升计算效率，而两者都需要强大的网络物理安全防护措施来确保数据完整性与系统韧性。此外，本文还提供了技术成熟度评估及未来研究路线图，明确了包括经过认证的混合人工智能控制、边缘云融合数字孪生架构、超低延迟6G通信以及后量子密码学在内的关键研究方向。

1. 引言：全球应对气候变化的努力正在从根本上改变电力系统。包括欧盟设定的2030年42.5%可再生能源使用目标，以及国际能源署提出的2050年实现90%清洁电力供应的净零目标在内的雄心勃勃的减碳计划，正在加速推动现代电网中基于逆变器的能源设备占比上升[1,2]。2024年，仅太阳能光伏就占到了全球新增发电能力的50%以上，而风能的累计装机容量则已超过1000吉瓦[1]。这一转变不仅意味着能源来源的更替，更是电力系统在物理特性和运行模式上的根本性变革。

在传统电力系统中，电压和频率的稳定性是由同步发电机的旋转惯性以及电磁同步机制所保障的。随着基于逆变器的能源设备在电网中的占比不断增加，电网逐渐失去了这种电磁惯性，进而引发了诸多严重的稳定性问题：频率变化率过高、故障电流水平下降、同步失步现象日益复杂，以及对瞬态扰动的抵御能力减弱[3]。2016年南澳大利亚州发生的停电事故，正值基于逆变器的能源设备渗透率较高的时期；2019年英国发生的频率异常事件导致100万用户断电，这些都是这些风险在现实世界中的典型体现[4]。要应对这一严峻挑战，就必须从根本上重新思考电网的控制、监测和保护方式。

在这一变革的核心位置，便是电网形成型逆变器，它已成为未来电力系统的核心支撑技术。与传统依靠锁相环被动同步于现有电网电压的跟网型逆变器不同，电网形成型逆变器能够主动建立并维持电网的电压幅值和频率基准，实际上发挥着虚拟同步机的作用[5]。通过下垂控制、虚拟同步发电机、功率同步控制以及可调度虚拟振荡器控制等控制架构，电网形成型逆变器能够提供合成惯性、电压支撑以及黑启动功能，而这些功能在过去仅由同步发电机承担[6]。实际上，南澳大利亚的霍恩斯代尔储能电站（150兆瓦/193.5兆瓦时）、澳大利亚全国电力市场中的ARENA电网形成型电池系统，以及德克萨斯州电力可靠性委员会制定的2025年电网形成型标准，都证明了该技术正从实验室验证阶段迈向大规模商业化应用[7] [8] [9] [10]。虽然本综述主要聚焦于100%基于逆变器的可再生能源系统的极端应用场景，但所提出的智能安全数字电网框架及其核心理念，同样适用于那些以电网形成型逆变器为主、即便仍配备同步调相机或少量传统同步发电机的混合电力系统。

尽管取得了这些进展，但电网形成型逆变器的广泛应用却带来了一系列极为复杂的工程挑战。以这类逆变器为主的电网属于高度软件定义的系统，其特点在于存在微秒级的电磁瞬变现象、多逆变器之间的复杂控制交互，以及不断扩大的网络物理攻击面[11]。由于电网形成型逆变器的控制机制依赖于软件定义的虚拟惯性常数、下垂系数和虚拟阻抗，而非物理上的电磁特性，这使得这类系统容易受到网络入侵攻击，攻击者可通过操纵这些参数带来严重的物理后果[12]。与此同时，100%基于逆变器的电网在运行层面具有极高的复杂性，而传统的确定性控制方法以及为适应同步发电机缓慢动态特性而设计的监控与数据采集系统，已完全无法满足其需求[13]。因此，工程界越来越倾向于运用人工智能、数字孪生以及网络物理安全这三种先进的数字技术来应对这类系统的复杂性。

1.1 现有文献与研究差距的评述：过去五年间，关于电网形成型逆变器及现代电网技术的相关研究文献数量迅速增长，但系统性的分析表明，现有的综述文章往往存在明显的主题划分，未能体现未来电网架构之间所需的紧密关联性。尽管人工智能、数字孪生和网络物理安全在提升电网形成型逆变器性能方面具有密切的相互依赖关系，但目前的相关综述文献仍然十分零散。以往的综述大多是对这些技术领域的分别研究，未能探讨它们在以电网形成型逆变器为主的电网中的集成应用方法，从而留下了重大的研究缺口。

首先，有一大批较为完善的综述文献专注于电网形成型逆变器的控制拓扑结构与稳定性分析。Rosso等人（2021年）较早地对电网形成型逆变器的控制方法进行了全面总结，涵盖了下垂控制、功率同步控制、同步变换器控制以及可调度虚拟振荡器控制等多种策略，并指出了电网同步过程中存在的关键问题[14]。Rathnayake等人（2021年）进一步拓展了这一研究，详细分析了电网形成型逆变器的建模方法、故障穿越能力以及稳定性提升措施，为该领域奠定了重要基础[15]。近期，Mirmohammad和Azad（2024年）对电网形成型逆变器的稳定性进行了深入评估，分析了多种控制方案下的小信号稳定性与瞬态稳定性问题，同时指出了并联式电网形成型逆变器配置在稳定性方面的缺陷[16]。Khan等人（2024年）则概述了电网形成型逆变器的工作原理、系统稳定性以及其在以基于逆变器的能源设备为主的电网中的潜在应用前景[5]。Rahman等人（2024年）对比分析了2022年至2024年间出现的各种电网形成型逆变器控制方案，而Arévalo等人（2025年）则对电网形成型逆变器控制技术进行了系统性综述，重点强调了其实际应用价值[17] [18]。Abudyak等人（2026年）提供了最新的系统性整合分析，涵盖了人工智能与数字孪生在电网形成型逆变器系统中的集成方法、稳定性分析视角以及相关概念框架[11]。Hakam和Tabaa（2026年）则专门研究了光伏电力系统中的电网形成型逆变器，从光伏系统的特殊角度探讨了其建模、控制及稳定性问题[19]。

虽然这些综述为电力电子技术与控制理论提供了深刻而严谨的分析，但它们都是建立在理想、确定性运行环境假设之上的。这类研究大多忽视了电网形成型逆变器控制算法面临的网络物理攻击风险，例如，隐蔽的虚假数据注入攻击如何能够操纵虚拟同步发电机的虚拟惯性参数，进而引发同步失步现象。此外，这些综述也没有探讨数据驱动的实时可观测性平台在提升系统稳定性方面的作用，更未提出在电网形成型逆变器架构中安全部署非确定性人工智能控制器的有效方法。

其次，有一类综述专门探讨人工智能在电网形成型逆变器控制中的应用。Arwa和Folly（2020年）对强化学习技术在并网微电网最优功率控制中的应用进行了全面总结，确立了深度强化学习在能源管理领域的巨大潜力[20]。Kumar等人（2025年）则分析了深度强化学习在现代可再生能源电力系统控制中的应用，强调了无模型方法在应对可变可再生能源发电带来的不确定性方面的优势[21]。Ejiyi等人（2025年）对人工智能在优化可再生能源系统中的应用进行了广泛综述，涵盖了负荷预测、故障检测以及能源管理等多个方面[22]。Awad（2025年）则专门研究了新一代智能逆变器，深入分析了人工智能驱动的电网形成型逆变器在提升电网稳定性与韧性方面的潜力，同时指出了样本效率、仿真到实际环境的转换问题以及安全保障等方面的关键障碍[23]。Waghmare等人（2025年）对基于强化学习的微电网控制策略进行了系统性综述，而Ahmadi等人（2026年）则研究了利用强化学习进行智能电网优化的方法，分析了功率流控制与频率调节方面存在的挑战[24] [25]。Vigneshwaran等人（2026年）则探讨了智能电网中的网络攻击检测方法，特别关注了对人工智能模型的恶意攻击问题[26]。

然而，这些以人工智能为重点的综述往往只关注算法设计及计算性能指标，忽视了至关重要的“认证缺口”问题——即没有正式的安全保障措施，非确定性人工智能控制器就无法被应用于关键性的电网形成型逆变器系统中。更为重要的是，这类综述没有提到为确保人工智能控制器的安全训练与验证，需要构建高精度、基于物理原理的仿真环境（即数字孪生系统），也未考虑人工智能控制器的部署会如何进一步扩大逆变器系统的网络物理攻击面。

第三类文献则着眼于数字孪生技术在电网监测与管理中的作用。Yassin等人（2023年）较早地对数字孪生技术在电力系统中的应用进行了深入研究，涵盖了其在监测、仿真以及预测性维护等方面的应用场景[27]。Palensky等人（2024年）探讨了数字孪生技术在未来电力系统中的应用，提出了一种将拓扑模型与机器学习技术相结合的状态估计框架[28]。Al-Shetwi等人（2025年）对数字孪生技术在可再生能源、智能电网以及能量存储领域的应用进行了全面总结，分析了该技术的发展现状、主要应用主体以及面临的关键挑战[9]。Thwe等人（2025年）则研究了电力系统中数字孪生技术的当前应用实践、技术需求、支撑技术以及数据共享方面存在的问题，尤其强调了通信需求的重要性[29]。Tsegaye等人（2025年）专门研究了深度神经网络在智能电网数字孪生技术中的作用，探讨了在人工智能驱动的数字孪生系统中如何确保系统的可信性、透明度以及网络安全性[30]。Subramanian等人（2026年）则对现代电力系统中数字孪生的应用案例进行了全面梳理[31]。

虽然这些综述认可数字孪生技术对于提升电网可观测性的重要性，但它们通常将数字孪生技术视为单纯的被动监测与仿真工具。更为关键的是，这些综述没有探讨如何利用人工智能驱动的数字孪生技术，使其从被动的监测工具转变为主动的、具备防御功能的系统，尤其是没有分析数字孪生技术中的模型参考一致性检验功能，如何帮助区分真正的电网故障与针对电网形成型逆变器控制回路的复杂参数型网络攻击。此外，这些综述也没有考虑面向电网形成型逆变器系统的实时电磁瞬变现象模拟所需的数字孪生系统在计算能力方面的特殊要求，因为微秒级的动态特性决定了这类系统需要依赖边缘端架构，而这远远超出了传统基于云端的数字孪生平台的处理能力。

第四类文献则聚焦于并网逆变器及智能电网的网络安全问题。Tuyen等人（2022年）对基于逆变器的智能电力系统中的网络安全问题进行了全面调查，梳理了该类系统架构中的各种漏洞以及可能的攻击手段[32]。Li等人（2022年）则专门研究了智能逆变器的网络安全问题，分析了各类关键攻击手段（包括锁相环操纵攻击和虚假数据注入攻击）以及相应的防御策略[33]。Chen等人（2025年）对分布式能源资源的网络安全问题进行了全面综述，针对EPRI提出的五层分级架构，分析了该架构中的各种漏洞及对应的防御策略[34]。Lakhal等人（2025年）则对下一代智能电网的网络安全问题进行了系统性研究，涵盖了操作技术层面的网络威胁、人工智能驱动的防御措施以及网络欺骗技术[35]。Babayomi等人（2025年）研究了区块链技术与联邦学习技术在提升分布式能源系统韧性方面的应用[36]。Alshamasi等人（2025年）则探讨了联邦智能技术在智能电网中的应用，分析了联邦学习在实现安全、去中心化的异常检测中的作用[37]。

虽然这些网络安全相关的综述为识别攻击向量与防御机制提供了有价值的分类体系，但它们往往将网络安全视为需要在现有控制系统之上额外添加的一层防护措施。这类研究很少关注电网形成型逆变器控制回路所固有的参数型漏洞，例如，攻击者如何通过隐蔽的虚假数据注入攻击，操纵虚拟同步发电机中的虚拟惯性参数，从而在绕过传统信息技术安全防护措施的情况下，引发电网频率不稳定问题。此外，这些研究并未探讨用于性能优化的人工智能与数据技术如何同时带来新的攻击途径，也没有提出兼顾安全与控制的协同设计框架。基于上述情况，为凸显研究缺口，表1对该领域最重要的综述论文进行了结构化对比分析，明确指出了它们的研究范围以及未能覆盖的关键维度。表1. 现有文献对比分析与已识别研究缺口。|参考文献|研究范围|GFM专用控制方法|人工智能集成|数据技术集成|CPS/安全性|统一框架|[14]|GFM控制方法|?|?|?|?|?|[15]|GFM建模、快速响应时间、稳定性|?|?|?|?|?|[20]|用于微电网控制的强化学习|部分|?|?|?|?|[32]|智能逆变器系统的网络安全|部分|?|?|?|?|[33]|智能逆变器的网络安全|部分|?|?|?|?|[16]|GFM稳定性分析|?|?|?|?|?|[5]|GFM运行与稳定性|?|?|?|?|?|[17]|GFM控制范式|?|部分|?|?|?|[27]|电力系统中的数据技术|?|?|?|?|?|[28]|面向未来电力系统的数据技术|?|部分|?|?|?|[21]|用于可再生能源控制的深度强化学习|?|?|?|?|?|[23]|下一代智能逆变器与人工智能|?|?|?|部分|?|[9]|用于可再生能源电网的数据技术|?|?|?|?|?|[34]|分布式能源资源的网络安全|部分|?|?|?|?|[35]|智能电网的网络安全|?|?|?|?|?|[37]|用于智能电网的频率锁定|?|?|?|部分|[11]|GFM控制、人工智能、数据技术|?|?|?|?|部分|本综述|GFM+人工智能+数据技术+CPS（ISDG）|?|?|?|?|?|表1的系统性分析揭示了一个明显且持续存在的缺口：目前还没有任何综述论文同时涉及GFM专用控制架构、用于自适应控制的人工智能集成、用于实现可预测性观测的数据技术作用，以及这些技术融合所带来的网络物理安全问题。这种各领域孤立研究的“孤岛效应”不仅是一种学术上的局限，更意味着实际的工程风险——没有基于数据技术安全训练环境部署的人工智能控制器会产生无法验证的控制行为；没有人工智能驱动的异常检测功能的数据技术则只能被动响应；而若这两者都缺乏内在的网络物理安全机制，就会产生新的攻击途径，进而破坏它们本应保护的电网稳定。1.2 本综述的创新点与贡献为填补上述关键研究缺口，本文引入并深入评估了智能安全数字电网（ISDG）框架，这是一种全新的统一架构，要求人工智能、数据技术与CPS相互协同设计，以GFM逆变器作为核心支撑技术。本综述的具体贡献如下：首先，本文系统阐述了GFM自主性的“双重特性”：虽然GFM控制的软件定义特性使其相比传统同步发电机逆变器具有更高的抗干扰能力（例如在通信中断时能够切换到“虚拟锚定”模式），但同时也带来了传统基于同步发电机的系统所没有的独特参数漏洞。这种双重特性对于设计专门针对GFM系统的安全架构而非直接套用通用信息技术安全框架至关重要。其次，本文提出了人工智能驱动的数据技术这一概念，并对其进行了严谨分析，将其视为一种主动的网络监控机制，代表了从被动监测向主动的、基于物理原理的异常检测的范式转变。通过持续将物理层面的GFM逆变器实际运行状态与其数据技术预测状态进行比较，可通过人工智能算法计算出残差值，并对其分类，从而区分是物理故障、模型不确定性还是网络攻击导致的异常。这种“模型参考一致性检验”框架为GFM系统的网络防御提供了全新的思路，目前现有综述中尚未涉及这一方法。第三，本文介绍了安全联邦学习技术，并对其在多厂商GFM逆变器之间的互操作性应用进行了评估。该技术能够在不共享专有控制参数的情况下，实现来自不同制造商的GFM逆变器之间的协同人工智能模型训练，直接解决了诸如ARENA GFM储能系统项目及UNIFI联盟等实际应用中面临的多厂商协作难题。第四，据笔者所知，此前尚无综述对基于形成电网逆变器的可再生能源系统中，集成人工智能、数据技术与CPS生态系统的成熟度进行系统性的分级评估。本文通过评估各项支撑技术的成熟度，并提出分阶段的研发路线图，旨在弥补现有缺陷，推动相关技术的实际应用。最后，尽管Canaan等人（2025年）[38]以及Gaggero等人（2025年）[39]等近期研究已经强调了人工智能赋能的数据技术以及具备网络抗扰能力的监控框架在电力系统中的应用潜力，但这些研究主要聚焦于特定的数据技术架构或网络安全机制，尚未提供全面涵盖GFM控制、人工智能、数据技术、CPS、技术成熟度、部署挑战以及未来研究方向的综合综述。本文则着眼于更广泛的整合研究。1.3 本文目标本文的研究目标包括：•评估GFM控制拓扑结构的当前发展水平，阐明在高度随机化、全逆变器构成的电力系统中，传统固定参数控制方式存在的根本局限性。•分析先进人工智能与机器学习方法在GFM控制回路中的应用现状，指出目前阻碍这些技术从仿真环境走向实际应用的“认证缺口”。•评估数据技术架构在为多逆变器系统提供超低延迟的端到云可预测监控功能及替代建模能力方面的作用。•系统识别高度数字化的GFM电网所特有的新兴网络物理安全漏洞，包括参数操纵类攻击及基于数据技术的攻击途径，并研究基于物理原理的防御机制。•提出统一的ISDG框架，展示新一代电网基础设施在智能化、可观测性及安全性方面的协同设计需求。•制定优先级明确的跨学科研究路线图，为行业相关方及研究人员提供指引，帮助他们克服障碍，实现完全自主化的可再生能源电网。1.4 本文结构本文的其余部分安排如下：第2节阐述GFM逆变器的基本原理与运行特性，介绍其在以逆变器为主体的电力系统中的主要控制拓扑结构及其稳定性特点。第3节回顾人工智能在GFM控制中的应用情况，重点讨论深度强化学习与基于物理原理的神经网络技术。第4节探讨数据技术在实现高精度实时电网观测及可预测监控中的作用。第5节详细分析GFM系统特有的网络物理安全现状、攻击类型以及具备抗扰能力的控制策略。第6节将上述三个方面整合为创新的ISDG框架，分析其融合效果、带来的新功能以及在实际应用中的进展状况。第7节梳理当前仍存在的挑战，并提出未来的战略研究方向。第8节总结全文，归纳核心研究发现与观点。2. 形成电网控制的基础：分类、稳定性与标准随着电力系统从传统的机械式同步发电机逐步向以逆变器为基础的发电设备转型，用于实现电网同步的基本理念也必须随之发展。传统上，同步发电机逆变器依靠锁相环将自身的电流控制回路与现有的稳定电网电压同步[5]。虽然在以同步发电机为主的电力系统中这种方法十分有效，但随着同步惯量与短路强度的逐渐下降，同步发电机逆变器面临着严重的稳定性问题，包括锁相环不稳定、同步失步现象，以及在故障发生时频率变化率过高等问题[40]。为解决这些根本性限制，GFM逆变器便成为了实现100%可再生能源电力系统的核心技术。与传统同步发电机逆变器不同，GFM逆变器作为独立电压源工作，位于耦合阻抗之后。它们无需依赖锁相环来实现同步，而是能够自主确定本地电压幅值与频率，根据本地测量数据自动与电网进行有功功率与无功功率的交换[11]。如今，部署GFM技术已不再仅仅是学术上的设想。在实现碳减排目标的迫切需求以及稳定弱电网的现实压力推动下，全球GFM逆变器市场呈现出快速发展的态势。最新的市场分析预测，GFM逆变器行业将以约9.1%的复合年增长率发展，到2034年市场规模将超过17亿美元，与此同时，具备GFM功能的电池储能系统也将实现吉瓦级规模的部署[41,42]。2.1 形成电网控制策略的分类现有文献中提出了多种不同的GFM控制策略，每种策略都是为了解决特定的运行需求而设计的，应用场景从孤岛式微电网中的简单功率共享，到输电网络中的复杂惯量模拟不等。这些策略可以系统地分为五类：（i）下垂控制，（ii）虚拟同步机控制，（iii）振荡器控制，（iv）功率同步控制，（v）混合与高级控制。图1展示了这些策略的层级分类结构，包括相应的控制方程以及当前的技术成熟度等级。表2则总结了各类GFM控制策略的关键特征，便于从最关键的运行维度进行直接对比。下载：下载高分辨率图像（1MB）下载：下载完整尺寸图像图1. GFM逆变器控制策略的层级分类结构、控制方程、典型实际应用案例及技术成熟度等级。H = 惯量常数；D = 阻尼系数；kp、kq = 下垂控制增益；P*、Q* = 有功/无功功率设定值；α、β、κ = dVOC振荡器参数。表2. 各类GFM控制策略在关键运行维度上的对比总结。技术成熟度等级（1=基础研究阶段，9=已实现商业应用）。资料来源：[5,11,40,[42], [43], [44], [45]]。|控制策略|同步机制|惯量模拟能力|弱电网适用性|稳定性证明|2025年技术成熟度等级|下垂控制|功率角下垂控制（隐式实现）|无（即时响应）|中等|基于李雅普诺夫理论的局部稳定性分析|9|虚拟同步机控制|摆动方程模拟（H值可调节）|良好|基于李雅普诺夫理论的局部稳定性分析|9|同步逆变器控制|同步发电机动态模拟（H、D值可调节）|良好|基于李雅普诺夫理论的局部稳定性分析|8|dVOC振荡器控制|安德罗诺夫-霍普夫振荡器（隐式实现）|良好|基于全局李雅普诺夫理论的稳定性分析|6–7|功率同步控制|有功功率积分控制|无|优异|基于李雅普诺夫理论的局部稳定性分析|8–9|匹配控制|直流母线电压映射控制（依赖直流电容）|隐式实现|优异|基于全局李雅普诺夫理论的稳定性分析|5–6|混合式GFL/GFM控制|自适应模式切换|需满足特定条件|非常好|取决于具体应用场景|6–8|2.1.1 下垂控制下垂控制是最基础且应用最广泛的GFM控制策略，最初是为了在没有高带宽通信链路的情况下，实现自主微电网中的分布式功率共享而开发的[43]。其基本原理类似于同步发电机的速度调节器与自动电压调节器：当有功功率输出增加时，逆变器会降低输出频率；当无功功率输出增加时，则会降低输出电压幅值。在以电感为主的电路中，传统的有功功率-频率关系式与无功功率-电压关系式可表示为[46]：(1)ω=ω0?kp(P?P*) (2)|E|=V0?kq(Q?Q*)其中，ω0和V0分别是额定角频率与电压幅值，P*和Q*为有功/无功功率的设定值，P和Q为经过低通滤波后的实际输出功率，kp和kq分别为对应的下垂控制系数。下垂控制系数直接决定了单位功率失衡所对应的频率偏差大小，从而体现了频率调节精度与负载分配比例之间的平衡关系。图2展示了一个传统下垂控制型GFM逆变器的完整控制框图。外层的功率控制环负责计算所需的频率与电压幅值，这些数值随后被送入积分器，用于生成相位角（见公式(3)）。这些参数进一步用于生成三相电压值（见公式(4)），从而为在同步d–q坐标系下工作的内部级联电压与电流比例积分控制器提供输入[46,47]。(3)θ=∫ωdt (4)vk*=|E|sin(θ+?k)，k∈{a,b,c}下载：下载高分辨率图像（820KB）下载：下载完整尺寸图像图2. 传统P–f/Q–V下垂控制型GFM逆变器的控制框图。虽然下垂控制在稳态功率共享方面表现优异，但也存在一些明显局限。首先，由于该控制方式缺乏显式的惯量项，其频率响应完全由低通滤波器的时间常数决定，而非真实的物理惯量常数，因此在发生较大扰动时可能会出现较高的频率变化率。其次，在电阻性电路中，有功功率与无功功率之间的耦合关系会降低分离式下垂控制法则的准确性。第三，下垂控制本身无法限制故障电流，因此需要额外的电流饱和逻辑装置。近年来，人们提出了分数阶比例积分控制器、自适应下垂控制系数以及虚拟阻抗环等技术，旨在提升系统的瞬态稳定性并改善谐波分布情况[44,48]。一项涉及超过10,000台GFM逆变器与同步发电机逆变器的联合仿真研究表明，只要至少有12%的逆变器处于GFM下垂控制模式，即便全部发电设备均为逆变器，也能维持系统的频率稳定[18]。2.1.2 虚拟同步机控制为解决现代电力系统中物理惯量缺失的问题，人们提出了虚拟同步机控制技术，它也被称为虚拟同步发电机控制或同步逆变器控制。该技术通过将同步发电机的摆动方程以数学形式嵌入逆变器的数字控制算法中，从而为电网提供模拟的惯量与阻尼效应。有功功率控制环由虚拟摆动方程来控制[49]：(5)2Hω0dωdt=P*=Pe?D(ω?ω0)其中，H为虚拟惯量常数（单位为秒），D为虚拟阻尼系数，Pe为测得的实际有功功率。方程左侧代表虚拟动能的交换速率，右侧则表示净功率失衡量。无功功率控制环通常采用类似自动电压调节器的Q–V下垂控制机制或积分控制器，用于调节电压幅值|E|[11]。图3展示了虚拟同步机控制的结构框架，并给出了物理同步发电机参数与其对应虚拟参数之间的关联关系。相比真正的同步发电机，虚拟同步机的一个显著优势在于其参数具有可调性：虚拟惯量H与虚拟阻尼系数D可以根据实际情况实时调整，从而优化系统的瞬态稳定性，而这种能力是传统物理旋转质量无法实现的[50]。在仿真研究中，通过在故障发生时动态调整阻尼系数，自适应虚拟同步机控制策略已成功将系统的临界清除时间从137毫秒延长至261毫秒[18]。下载：下载高分辨率图像（971KB）下载：下载完整尺寸图像图3. 虚拟同步机（VSM/VSG）型GFM逆变器的控制框图。同步逆变器控制方式的最大优势在于，同步发电机的各类参数与逆变器控制变量之间存在直接的对应关系，这使得控制参数的调整更加便捷，同时也更易于满足电网运行的相关规范要求。VSM/VSG系列目前是用于大规模应用的最为成熟的GFM技术（TRL 9级）。它已被应用于多项具有里程碑意义的项目，包括澳大利亚南部的150兆瓦Hornsdale电力储备系统（采用特斯拉的虚拟机模式）、澳大利亚的30兆瓦Dalrymple电池储能系统（澳大利亚首个虚拟同步发电机，在运行18个月内就将区域停电时间减少了95%），以及英国的500兆瓦Blackhillock项目[51,52]。

2.1.3 虚拟振荡器控制（VOC）与可调度虚拟振荡器控制（dVOC）
虚拟振荡器控制（VOC）代表了与机器仿真技术的根本性变革。它并非模仿同步发电机，而是通过控制逆变器来模拟非线性极限环振荡器的动态特性，尤其是安德罗诺夫-霍普夫振荡器。这种方法仅依靠本地终端测量数据，无需任何通信即可实现并行逆变器几乎瞬时的、可全局验证的同步[53]。最初的VOC方案无法跟踪特定的有功和无功功率设定值，因此仅适用于孤岛式微电网。这一限制通过引入可调度虚拟振荡器控制（dVOC）得以解决，该技术将类似下垂控制的设定值跟踪功能整合到振荡器动态中。在αβ静止参考框架下，dVOC的方程表示为[54]：
(6) dxα/dt = αxα ? ω0xβ ? β(xα2 + xβ2)xα + k(vα* ? vα)
(7) dxβ/dt = αxχ + ω0xα ? β(xα2 + xβ2)xβ + k(vβ* ? vβ)
其中参数α和κ会根据有功功率误差(P*?P)和无功功率误差(Q*?Q)动态调整，而β则决定振荡器极限环的幅度。修正项κ(v*?v)能推动振荡器状态朝期望的电压基准靠拢，从而实现精确的功率调度，克服了传统VOC方法的局限性[55]。通过NREL UNIFI联盟在2023–2024年进行的多家厂商联合硬件在环测试，已证实dVOC在不同制造商的系统中具备互操作性，为其大规模应用奠定了基础。图4(a)展示了dVOC的控制结构。相比传统的下垂控制，dVOC因其严谨的数学基础而更具优势，能够实现可验证的大信号（全局）稳定性以及更出色的动态响应能力。

下载：高分辨率图像（770KB）
下载：完整尺寸图像
图4. 可调度虚拟振荡器控制（dVOC）框图。(a) 安德罗诺夫-霍普夫振荡器生成带有下垂修正的αβ框架电压基准，以实现可调度性。(b) 功率同步控制（PSC）与匹配控制框图。PSC无需PLL即可直接根据有功功率误差确定角度；匹配控制则将直流母线电压与输出频率相对应，以实现能量平衡的电网支撑。

2.1.4 功率同步控制（PSC）与匹配控制
PSC是为解决超弱电网中PLL的不稳定性而专门开发的（即短路比SCR低于1.5的电网）。2010年，张、哈内福斯和尼提出了这一技术，它在正常运行时完全摒弃了PLL，转而利用有功功率传输方程来实现同步，依托的是功率角与有功功率流之间的基本物理关系[48]。在PSC中，内部相位角θ是通过有功功率误差的积分来生成的，因此频率动态由以下公式决定：
(8) dθ/dt = ω0 + kp(P*?Pe)
电压幅值则通过Q-V下垂控制器或积分控制器独立调节。与之密切相关且极具前景的另一种技术是匹配控制，它将交流电网频率与直流链路电压动态直接关联起来[56]。通过定义比例关系ω∝vdc，直流链路电容器可充当类似于同步发电机转动惯量的能量缓冲器。这种基于能量的视角为交流-直流组合系统提供了严谨的李雅普诺夫稳定性分析框架，使得匹配控制成为理论上较为稳健的GFM控制策略之一。图4(b)展示了PSC与匹配控制的结构示意图。

PSC已达到商业成熟阶段（TRL 8-9级），并被应用于多个大型高压直流互联项目中，比如通过400兆瓦VSC-HVDC链路连接丹麦与德国同步电网的Kriegers Flak联合电网解决方案[57]。其在弱电网条件下的优异表现，使其尤其适合用于海上风电场连接及偏远可再生能源区域。

2.1.5 对比分析与稳定性框架
为全面评估各类GFM技术，图5(a)以雷达图形式展示了八个关键性能维度的对比情况：弱电网性能、惯性模拟能力、故障穿越能力、实施简便性、多单元系统的扩展性、正式稳定性证明的可用性、可调度性以及标准合规性。雷达图显示，没有一种技术能在所有维度上同时占据优势。VSM/VSG在惯性模拟能力和标准合规性方面表现最佳，因此成为那些需要符合电网规范的大规模应用的首选。dVOC与匹配控制则具备更出色的大信号稳定性证明，非常适合未来高比例智能电池储能系统接入的电网环境。而对于像海上高压直流链路这类超弱电网连接，PSC依然是最佳选择。

下载：高分辨率图像（932KB）
下载：完整尺寸图像
图5. (a) 八个性能维度下GFM控制策略的对比雷达图。评分基于现有文献的定性评估（0=较差，10=优秀）。(b) 以IEEE/CIGRE 2024框架为基础，结合GFM特有的稳定性问题及智能电池储能系统渗透率背景，对以智能电池储能系统/GFM为主导的电网的稳定性进行分类。该分类由作者依据[18,44,58,59]制定。

随着智能电池储能系统渗透率的提升，电力系统稳定性的本质也在发生变化。图5(b)展示了基于IEEE/CIGRE 2024联合工作组报告[58]修订后的以智能电池储能系统为主导的电网稳定性分类框架。GFM逆变器的引入虽然缓解了传统转子角不稳定问题，但也带来了新的高频动态挑战。近期文献中指出的GFM特有的关键稳定性问题包括：(a) 次同步振荡（SSO/SSCI）：GFM逆变器控制动态与串联补偿输电线路或其他智能电池储能系统之间的相互作用，可能引发2–50赫兹范围内的振荡现象，进而导致设备损坏和整个系统不稳定[59]。这种现象不同于以同步发电机为主的系统中的传统次同步振荡，需要采用专门的阻抗分析方法。(b) 限流型暂态角稳定性：在严重故障发生时，GFM逆变器必须启动限流逻辑来保护功率半导体开关。然而，这种模式切换会从根本上改变逆变器的同步动态，甚至在故障消除后仍可能导致同步丧失。这是GFM稳定性研究中最活跃的研究领域之一[18]。(c) 多个GFM逆变器之间的相互作用及循环电流：当多个具有不同控制参数的GFM逆变器并联运行时，它们在虚拟阻抗和下垂设置上的差异可能导致循环无功电流和振荡性功率流动，从而降低整个系统的效率与稳定性[44]。(d) 弱电网阻抗相互作用：GFM逆变器的输出阻抗必须经过精心设计，以避免与电网阻抗发生共振，尤其是在电网阻抗较大且变化剧烈的弱电网中。

2.1.6 实际应用情况与市场发展前景
自2017年以来，从理论研究走向商业化应用的速度显著加快。图6展示了预计的市场增长趋势[42]。由于电网架构多为孤立或孤岛式，且可再生能源占比较高，澳大利亚和英国成为这类先锋项目的集中地，这些项目证明了GFM技术在大规模应用中的技术可行性和经济价值（详见表3）。澳大利亚南部的150兆瓦Hornsdale电力储备系统采用了特斯拉的虚拟机模式，这是首个大规模展示GFM技术如何为输电网络提供虚拟惯性的电池储能系统[60]。ARENA在2025年发布的运行数据表明，GFM配置使得电池能够以GFL逆变器无法实现的速率提供无功支持，而且在多次电网压力事件中，该电池都成功发挥了惯性支撑作用[51]。

下载：高分辨率图像（1MB）
下载：完整尺寸图像
图6. GFM逆变器市场规模及具备GFM功能的电池储能系统累计容量（从2017年到2034年预测值）。数据由作者依据参考文献[42,61]整理得出。

表3. 代表性GFM逆变器应用案例（2017–2025年）[9,42,51,60]
| 项目 | 国家 | 容量 | 技术类型 | GFM策略 | 上线年份 |
|------|------|------|----------|--------|----------|
| Hornsdale HPR | 澳大利亚 | 150兆瓦 | 锂离子电池储能系统 | 虚拟机模式 | 2017/2020 |
| Dalrymple | 澳大利亚 | 30兆瓦 | 锂离子电池储能系统 | VSG技术（澳大利亚首套VSG系统） | 2018 |
| Kriegers Flak | 丹麦/德国 | 400兆瓦 | 高压直流VSC-HVDC | PSC控制（适用于弱电网） | 2018 |
| Bordesholm MG | 德国 | 1兆瓦 | 电池储能系统+相量测量单元 | 下垂控制型GFM（孤岛演示） | 2022 |
| Blackhillock | 英国 | 500兆瓦 | 锂离子电池储能系统 | SMA GFM技术（用于稳定性支撑） | 2024 |
| Wallgrove | 澳大利亚 | 50兆瓦 | 锂离子电池储能系统 | 虚拟机模式（用于输电系统） | 2021 |
| Mortlake | 澳大利亚 | 300兆瓦 | 锂离子电池储能系统 | GFM电池储能系统（正在测试中） | 2025 |
| NREL UNIFI测试平台 | 美国 | 实验室规模 | 多厂商联合测试 | VOC/VSG控制技术验证 | 2023–2024 |
| National Grid Pathfinder | 英国 | 多个地点 | 电池储能系统+风力发电 | GFM稳定性服务 | 2023–2025 |
| SA Big Battery | 澳大利亚 | 150兆瓦 | 锂离子电池储能系统 | 虚拟机模式（功能扩展） | 2024 |

2024年，SMA Solar Technology在苏格兰完成了500兆瓦Blackhillock电池储能系统的建设，这是欧洲规模最大的接入输电网络的GFM电池储能系统。该系统可提供116 MVA的短路水平支撑能力，以及370兆瓦的虚拟惯性，可直接替代原有即将退役的热力发电机所提供的稳定性服务[60]。澳大利亚的300兆瓦Mortlake电池储能系统以及英国的National Grid Pathfinder项目进一步表明，GFM功能正逐渐成为大规模能源存储系统采购时的标准要求。随着IEEE 2800-2022标准（关于基于逆变器的能源资源的互联与互操作性）[62]以及GB电网规范修订版GC0137[63]等标准的出台，这些标准对电网形成能力提出了具体要求，未来这些控制策略的部署将从一项辅助服务，转变为超过一定容量阈值的新型智能电池储能系统项目必须满足的电网连接条件。预计到2034年，全球GFM逆变器市场规模将达到17.3亿美元，复合增长率约为9.1%（见图6）[41,42]。

2.2 GFM逆变器的电网规范、标准与监管框架
随着电力系统从以同步发电机为主转向以智能电池储能系统为主，电网互联标准也亟需进行全面修订。此前，电网规范一直默认大型电力系统会提供必要的电压和频率基准，将智能电池储能系统视为单纯的GFL电流源。但随着各地区可再生能源的渗透率不断接近100%，电网运营商意识到智能电池储能系统有必要主动参与电网构建[40,64]。2022年至2026年间，全球范围内涌现出一批新的监管框架和技术规范，为GFM逆变器设定了明确的性能要求。

2.2.1 全球电网规范的演变
针对GFM逆变器的监管政策已从初步的试点项目发展为正式的强制性标准。这一演变过程及主要电网规范的对比情况如图7所示。英国是率先制定GFM相关要求的国家。2022年1月，英国监管机构Ofgem批准了GB电网规范GC0137，这是世界上首个关于“电网形成能力”的正式技术规范[65]。该规范要求符合标准的GFM逆变器必须在内部阻抗之后表现为电压源，具备快速的故障电流注入能力（20毫秒内注入强度≥1.0每单位），并能有效抑制0.1-2赫兹范围内的区域间振荡。此外，该规范还要求逆变器能够模拟惯性效应（建议惯性常数H≥2秒，以便在突发情况下限制旋转动能变化率）[65]。

下载：高分辨率图像（413KB）
下载：完整尺寸图像
图7. 全球针对电网形成型逆变器标准的监管发展时间线及重要节点（2017–2027年）。

在美国，IEEE标准2800-2022的发布为接入输电网络的智能电池储能系统带来了重要转折点[66]。尽管该标准主要侧重于故障穿越能力以及不平衡故障时的负序电流注入功能，但它为GFM技术的集成奠定了基础。为提供更具体的指导，美国能源部的UNIFI联盟于2022年12月发布了《基于GFM逆变器的能源资源规范》第一版[67]。该规范明确了各项通用性能要求，包括自主电网支撑能力、有功和无功功率的可调度性，以及无需依赖外部通信网络即可按比例分担负荷的关键能力[67]。目前，IEEE P2800a修正案正在积极制定中，旨在将这些针对GFM技术的特定指标纳入强制性标准之中[68]。在市场层面，美国电网中智能电池储能系统渗透率最高的ERCOT机构在2024年正式规定了快速频率响应和虚拟惯性服务的采购机制，这为北美地区提供了首个基于市场的激励措施，也表明监管政策的演变越来越依赖于实际运营需求，而非单纯的理论预判[10]。

在欧洲，欧洲电力传输系统运营商网络ENTSO-E采取了分步推进的方式。2024年5月发布的关于电网形成能力技术要求的初步报告提议设立一个独立的“电网形成型电源模块”类别[69]。预计这一框架将会被纳入即将制定的发电机组技术规范NC RfG 2.0中。同样，澳大利亚的能源市场监管机构AEMO负责管理全球可再生能源渗透率最高的电网之一，该机构也在2024年推出了自愿性规范，而在2025年8月则出台了正式的GFM接入标准，要求新的大型太阳能及电池储能系统必须具备电压源特性，并通过严格的合规性测试[8,70,71]。对这些主要框架的对比分析表明，尽管存在一定的区域差异，但各方在核心技术要求方面已逐渐形成共识，具体内容见表4。虽然所有电网规范都要求逆变器具备电压源特性并能快速注入故障电流，但英国和澳大利亚等国家的电网由于采用孤立式或弱互联的拓扑结构，因此对惯性模拟和主动振荡抑制的要求更为严格[8,65]。表4展示了各主要电网规范中对GFM技术要求的对比分析。

| 技术要求 | GB GC0137（英国）[65] | IEEE 2800/UNIFI（美国）[62,66,67] | ENTSO-E（欧盟）[69] | AEMO（澳大利亚）[8,70,71] |
|----------|---------------------|----------------------------------|-------------------|---------------------------|
| 电压源特性 | 强制要求 | 强制要求 | 强制要求 | 强制要求 |
| 惯性模拟 | 强制要求 | 建议要求 | 强制要求 | 强制要求 |
| 快速故障电流注入 | 强制要求 | 强制要求 | 强制要求 | 强制要求 |
| 振荡抑制 | 强制要求 | 建议要求 | 强制要求 | 强制要求 |
| 黑启动/孤岛模式 | 建议要求 | 建议要求 | 建议要求 | 强制要求 |
| 负序电流注入 | 建议要求 | 建议要求 | 建议要求 | 建议要求 |

2.2.2 合规性测试与验证框架
制定电网规范只是第一步，要验证兆瓦级逆变器在动态电网条件下的GFM要求则是一项极为复杂的工程任务。与行为受成熟物理定律支配的同步机不同，GFM逆变器的控制依赖于专有的高度非线性控制算法[72]。为解决这一问题，系统运营商采用了多阶段的合规性测试框架，如图8所示。测试首先从电磁暂态仿真开始。由于相量域模型无法捕捉GFM逆变器的快速内环动态和开关行为，像AEMO和NGESO这样的运营商现在普遍要求使用高精度的电磁暂态模型，这类模型可在PSCAD或EMTP-RV等平台上构建[8,73]。电磁暂态模型需证明逆变器能够在相位跳变、电压跌落以及次同步共振条件下正常工作。

图8. GFM逆变器电网规范合规性测试框架
仿真之后则是硬件在环测试。控制器在环测试会将逆变器的实际物理控制板与实时数字仿真器（如RTDS或OPAL-RT）相连，用以模拟电网环境。这一步骤至关重要，因为它能够验证即将投入现场使用的固件是否存在缺陷，比如在严重故障情况下可能出现的数值溢出或积分饱和等问题，而这些是离线仿真难以发现的[74]。最后，工厂验收测试和现场验收测试则用于确保逆变器的物理硬件，包括散热性能和磁性组件，能够在不触发保护装置的情况下承受规定的故障电流[75]。

2.3 以GFM逆变器为主导的电网的稳定性分析方法
随着电力系统向100%基于逆变器的发电方式转型，电网稳定性的本质也发生了根本变化。传统上，根据同步发电机的机电特性，电网稳定性被分为转子角稳定性、电压稳定性和频率稳定性三类，但这些方法已不再适用。GFM逆变器带来了由软件和电力电子器件控制的超快速、宽频带动态特性[76]。因此，研究人员开发出了专门针对以GFM逆变器为主的电网的新的稳定性分析方法体系，如图9所示。这些方法大致可分为小信号（线性）方法和大信号（非线性）方法，此外还有基于人工智能的新技术正在弥补两者之间的差距。

图9. 以GFM逆变器为主的电力系统稳定性分析方法分类

2.3.1 小信号分析与阻抗分析法
小信号稳定性分析用于评估系统对轻微扰动的响应，比如负载的微小变化或参考值的调整。传统方法为状态空间特征值分析，即围绕特定工作点对包含逆变器外部功率回路、内部电压/电流回路、锁相环以及电网网络在内的整个系统进行线性化处理[77]。通过计算所得状态矩阵的特征值，研究人员可以识别出系统的振荡模式，再通过参与因子分析来确定是哪个控制参数（如下垂系数或虚拟惯性常数）导致了特定的不稳定现象[78]。不过，对于由数百台不同制造商生产的逆变器构成的大型电网，状态空间建模在数学上极为复杂，因为这需要掌握那些往往属于商业机密的内部控制结构信息[79]。为解决这一“黑箱”问题，阻抗分析法已成为行业通用标准，如图10所示。

图10. 以GFM逆变器为主的电网的阻抗分析法：(a)用于GFM稳定性评估的源-负载阻抗分解；(b)GFM逆变器与常规逆变器的Zs(jω)/ZL(jω)奈奎斯特图对比
在阻抗分析法中，系统在公共耦合点被划分为源侧子系统（即GFM逆变器）和负载侧子系统（即电网）。通过应用广义奈奎斯特准则，计算源侧阻抗与负载侧阻抗的比值Zs(jω)/ZL(jω)，即可判断整个互联系统的稳定性[80]。这种方法的优势在于，可以通过频率扫描技术在外部测量逆变器的频率依赖型阻抗，无需了解其内部代码。在那些高比例采用网格形成逆变器的地区，如美国的ERCOT和中国新疆，阻抗分析在诊断和缓解2–50赫兹频段的次同步振荡及次同步控制交互现象方面发挥了重要作用，这些现象曾引发过实际的电网故障[81]。

2.3.2 大信号瞬态稳定性与电流限制
虽然小信号方法适用于稳态振荡分析，但在发生严重短路等重大扰动时则完全失效。在故障状态下，电压会急剧下降，而真正的电压源型GFM逆变器会试图注入大量电流来支撑电网。由于电力电子半导体开关器件（如IGBT或SiC MOSFET）的过热承受能力远远低于同步发电机的铜绕组，因此逆变器必须主动限制电流，以避免硬件出现灾难性损坏[82]。这种电流限制行为会为系统带来严重的非线性效应。当GFM逆变器达到电流限制阈值时，它会暂时失去电压源特性，转变为非线性电流源，进而引发瞬态角度不稳定现象[83,84]。Aliyu和Kannan对GFM逆变器的故障穿越策略进行了全面总结，将这些策略分为电流限制型、虚拟阻抗型、混合型以及基于控制器的类型，他们指出，目前还没有一种策略能够同时实现故障电流限制、瞬态稳定性提升以及故障后恢复速度加快的目标，这一难题将在本文的第7部分进行探讨。

2.3.3 各分析方法的对比评估
没有一种稳定性分析方法能够适用于所有时间尺度和所有类型的电网现象。图11根据准确性、计算效率以及适用频率范围对这些分析方法进行了对比。如图11(a)所示，电磁暂态仿真虽能在大信号瞬态分析中提供最高的精度，并且能够捕捉所有开关谐波，但其可扩展性较差，计算成本极高。而特征值分析虽然能提供深入的物理洞察，但仅适用于小信号现象[86]。为弥补这一不足，业界逐渐采用电磁暂态仿真与相量仿真的混合方法，即对GFM逆变器附近的区域进行高精度的电磁暂态仿真，而对更广泛的电网则采用计算效率更高的相量域仿真[87]。此外，基于人工智能的方法，如概率积分神经网络，也被视为实时瞬态稳定性预测的前沿解决方案，它们能够避开传统时域仿真的计算瓶颈[88]。表5对这些方法进行了详细的对比分析。

表5. 以GFM逆变器为主的电网稳定性分析方法对比
| 分析方法 | 主要应用场景 | 优势 | 局限性 |
|----------|--------------|------|--------|
| 特征值分析 | 控制带内的振荡现象（1–100赫兹） | 通过参与因子分析可提供深入的物理理解 | 需要完全掌握控制参数的“白箱”信息 |
| 阻抗分析法 | 次同步振荡/次同步控制交互现象（2–50赫兹）、谐波共振 | 可将逆变器视为“黑箱”，易于测量；假设系统线性，但在严重故障时无效 | |
| 李雅普诺夫/能量分析法 | 瞬态稳定性分析、确定关键清除时间 | 能够严格证明系统的最大信号稳定性 | 对于结构复杂的GFM电网，构建此类模型极为困难 |
| 电磁暂态仿真 | 电磁瞬态现象分析（频率高于1千赫兹） | 精度最高，能够捕捉所有非线性效应 | 对于整个电网范围的仿真而言，计算成本过高 |
| 混合电磁暂态-相量仿真法 | 整个电网的瞬态稳定性评估 | 能在保证精度的同时降低计算成本 | 需要处理电磁暂态域与相量域之间的接口问题 |
| 基于人工智能的方法 | 实时稳定性预测 | 推理速度极快，无需复杂建模 | 需要大量训练数据，且结果缺乏可解释性 |

3. 人工智能与机器学习在GFM控制中的应用
从传统的线性控制向数据驱动的智能控制转变，是2024–2026年间GFM逆变器研究领域最重大的变革之一。虽然传统的控制策略，如下垂控制、电压源磁阻控制以及dVOC控制，在结构清晰、线性度高的运行环境下表现良好，但面对100%可再生能源构成的、具有高度非线性、随机性以及低惯性的电网时，这些策略就显得力不从心了[89]。尤其是，传统控制器依赖固定的参数，无法适应电网拓扑结构、故障状况或短路比变化带来的实时影响。为克服这些局限，人工智能和机器学习已不再仅仅是辅助优化工具，而是成为了主控制回路的核心组成部分。如图12所示，人工智能在GFM控制中的应用可分为多种类型：深度强化学习用于实现自适应控制，概率积分神经网络用于状态估计，基于机器学习的模型预测控制可用于约束优化，多智能体强化学习和联邦学习则用于实现分布式协调，此外还包括模糊逻辑和元启发式优化等传统人工智能技术。图13展示了2020–2026年间相关文献中各类方法的分布情况，可以看出，强化学习和优化技术在解决GFM稳定性问题方面占据主导地位。

图12. 按控制范式、控制目标、核心算法、主要挑战以及当前技术成熟度对用于GFM逆变器控制的人工智能与机器学习方法进行的分类。TRL：技术成熟度等级；SAC：软演员-评论家算法；TD3：双延迟深度确定性策略梯度算法；PPO：近端策略优化算法；GP：高斯过程；MAPPO：多智能体PPO算法；MADDPG：多智能体DDPG算法；FRT：故障穿越技术；FDI：虚假数据注入技术
图13. 2020–2026年间GFM逆变器相关文献中人工智能/机器学习方法的分布情况。数据来源：OpenAlex（openalex.org），2026年3月。查询条件：TITLE-ABS("grid-forming inverter” AND "")，筛选时间范围：2020–2026年。

3.1 深度强化学习在自适应GFM控制中的应用
深度强化学习已成为自适应GFM控制领域最主流的人工智能框架，其主要优势在于无需为高度非线性的电网建立精确的数学模型。相反，深度强化学习智能体通过与环境的持续交互来学习最优的控制策略，通过将电网状态映射为相应的控制动作，从而实现累积奖励的最大化[90]。

3.1.1 深度强化学习的控制架构
用于GFM逆变器的标准深度强化学习架构通常采用演员-评论家框架，比如软演员-评论家算法或双延迟深度确定性策略梯度算法，如图14所示。状态空间通常包括角频率、端电压、有功功率和无功功率以及相位角等本地测量参数。动作空间则定义了控制输出，这些输出可以是直接调整电压和频率的参考值，也可以是针对虚拟同步机拓构中的虚拟惯性参数和阻尼参数的适应性调节[91]。在深度强化学习中，奖励函数是至关重要的组成部分，它通常被设计为多目标惩罚函数：
(9) R(t)=?(ω1(ω(t)?ωref)2+ω2(V(t)?Vref)2+λ·Penalty(Ilim))
其中，ω1和ω2分别是用于频率和电压调控的权重系数，而λ则用于在逆变器电流超过其瞬态限制值时施加较强的惩罚[11]。

图14. GFM逆变器深度强化学习演员-评论家控制回路的框图，展示了电网系统与环境以及智能体神经网络之间的交互关系。

3.1.2 发展现状与局限性
近期的一些研究表明，基于深度强化学习的GFM控制器在性能上显著优于采用固定参数的电压源磁阻控制策略。例如，在低惯性微电网中，某种自适应深度强化学习框架能够在负载发生剧烈变化时，将频率最低点下降幅度控制在45%以内，同时还能缩短系统恢复时间[90]。然而，该技术尚未被广泛应用于实际电网的主要障碍仍是“仿真与实际环境之间的差异”以及缺乏正式的稳定性保障。由于神经网络属于“黑箱”结构，电网运营人员无法从数学上证明某种深度强化学习控制器在面对各种可能的电网故障时依然能够保持稳定。为解决这一问题，学术界目前正在探索安全强化学习技术，该技术将李雅普诺夫能量函数直接引入深度强化学习训练过程中，从而为动作空间设定数学上的约束，确保即使在探索阶段系统也能保持瞬态稳定性[92]。Shuai等人给出了这一方法的应用实例[92]，他们开发了一种基于安全模型的强化学习算法，用于调控GFM逆变器的频率。该算法结合了描述逆变器非线性特性的高斯过程模型与近似动态规划优化器，并通过李雅普诺夫函数设定约束，从而确保即使在参数存在不确定性的情况下，所学到的控制策略也能在经过验证的稳定区域内保持稳定。

3.2 物理信息神经网络
与纯粹依赖数据的传统深度学习模型不同，物理信息神经网络能够将电力系统的基本物理定律，比如基尔霍夫定律以及电压源磁阻控制中的摆动方程，直接纳入神经网络的损失函数中[93]。在GFM逆变器的研究中，物理信息神经网络主要用于快速的状态估计和参数识别。通过将LC滤波器的微分方程和耦合阻抗纳入损失函数，PINN能够利用局部电压和电流测量值准确估算那些无法直接测量的内部状态（如网格阻抗或相位角），即便存在传感器噪声也不例外[13]。此外，基于物理原理的LSTMs（PI-LSTMs）近来被用于预测严重电网故障时逆变器的动态行为，相比完整的EMT仿真，它为实时决策提供了计算成本更低的替代方案[94]。3.3. 基于机器学习的模型预测控制（ML-MPC）模型预测控制因其具备处理严格约束条件（例如故障时的电流限制）的能力，因而非常适合用于GFM逆变器。然而，传统MPC需要在每个控制步骤中解决复杂的优化问题，这对于电力电子系统所需的微秒级时间尺度而言计算负担过重[95]。机器学习通过两种主要方法解决了这一瓶颈。首先，基于神经网络的MPC（NN-MPC）会离线训练深度神经网络来模拟MPC优化器的行为。在在线运行时，该神经网络可在微秒级时间内计算出最优控制动作，从而无需进行实时优化[96]。其次，混合自适应学习控制（HALC）将MPC与强化学习相结合。在这种架构中，MPC能够立即采取短期纠正措施以消除高频电压干扰，而强化学习智能体则会在较慢的时间尺度上根据长期的电网拓扑变化不断调整MPC成本函数权重[97]。这种混合方法实现了出色的平衡：既保留了MPC在处理约束条件方面的严谨性，又具备了强化学习的自适应能力。3.4. 用于分布式协调的多智能体与联邦学习随着电网向100%可再生能源供电过渡，系统中将包含数千台分布式GFM逆变器。由于通信延迟和单点故障风险，使用完全集中的控制方式来协调这些设备变得越来越不现实。多智能体强化学习通过将每台GFM逆变器视为独立的智能体，使其学会与邻近逆变器协作以实现整体电网稳定，从而解决了这一问题[98]。然而，不同所有者（如居民光伏、大型风电、商业储能系统）所拥有的逆变器之间共享高分辨率的运行数据，会引发严重的隐私和网络安全问题。因此，联邦学习作为一种关键的使能技术，逐渐成为分布式GFM电网的重要支撑[99]。不过，当GFM智能体的数量发展到数千台分布式逆变器时，多智能体强化学习会面临维度灾难的问题，即随着智能体数量的增加，联合动作-状态空间的规模会呈指数级增长，这一挑战将在第7节中作为主要的开放研究方向进一步探讨。如图15所示，在联邦学习架构中，每台GFM逆变器都会使用自身的私有运行数据来训练本地机器学习模型（如PI-LSTM），而非将原始数据传输给中央控制器，逆变器仅将计算得到的模型权重（梯度）上传至全局聚合服务器。该服务器通过FedAvg等算法对权重进行平均处理，然后将经过全局优化的更新后模型反馈给所有逆变器[100]。这种框架确保了任何敏感的运行数据都不会离开本地逆变器，从而在保障数学隐私的同时，仍能让所有逆变器从关于电网扰动和故障模式的集体学习中受益。下载：下载高分辨率图像（993KB）下载：下载全尺寸图像图15. 用于分布式GFM协调的联邦学习框架。本地模型在私有逆变器数据上训练，仅模型权重会与全球聚合服务器共享，从而保护运行隐私。3.5. 经典人工智能、元启发式算法以及新兴范式除了深度学习之外，经典人工智能技术和进化算法在GFM控制中依然发挥着重要作用，尤其是在计算资源有限或需要明确规则库的应用场景中[101]。3.5.1. 模糊逻辑与ANFIS由于无需精确的数学模型即可处理非线性问题，模糊逻辑控制仍然在GFM逆变器中具有很高的应用价值。模糊逻辑控制常被用来根据RoCoF值动态调整VSG的虚拟惯量和阻尼系数[102]。近年来，自适应神经模糊推理系统被引入，它结合了人工神经网络的学习能力与模糊规则的语言可解释性。在光伏集成型GFM系统中，基于ANFIS的PID控制器在不同辐照度条件下的跟踪性能优于传统的PI控制器[101]。3.5.2. 元启发式优化粒子群优化、差分进化以及遗传算法这类元启发式算法被广泛用于GFM控制器参数的离线最优调优。由于调整GFM逆变器的级联电压和电流回路涉及解决高度非线性的多目标优化问题，元启发式算法为寻找全局最优解提供了可靠的方法。最新研究显示，动态粒子群优化和自适应差分进化在优化VSG参数、提升低惯量微电网的小信号稳定性方面具有显著效果[103,104]。3.5.3. 新兴范式：迁移学习与极端学习机针对电力系统中数据匮乏的问题，迁移学习逐渐成为一种解决方案。通过先在通用电力系统模型上预训练神经网络，再针对特定的GFM逆变器数据对其进行微调，迁移学习大幅减少了训练时间并提升了收敛速度[15]。最近，基于领域适配的迁移学习已被应用于直流微电网的深度强化学习控制器中，研究表明，在一种电网拓扑结构上训练好的策略只需少量重新训练即可快速适配新拓扑，这一能力对于在动态重构的交流电网中运行的GFM逆变器具有直接意义[105]。此外，极端学习机也被用于故障诊断和故障穿越能力评估。由于极端学习机能够通过随机分配输入权重并解析计算输出权重的方式实现快速学习，因此特别适合在以逆变器为主的电网中进行实时异常检测[106]。除这些技术之外，智能体人工智能正在成为GFM控制的下一个发展前沿。与传统的人工智能控制器仅能执行从状态到动作的单一映射不同，智能体人工智能系统能够自主规划、分解并执行多步控制策略，例如依次诊断故障、选择相应的纠正控制模式，以及在没有人类干预的情况下与邻近逆变器协同工作[107]。这种范式在需要GFM逆变器在无操作员监控情况下自动恢复电网或实现黑启动的场景中尤为重要。3.6. 对比评估与技术成熟度表6详细总结了应用于GFM逆变器控制的各类人工智能/机器学习技术。虽然深度强化学习和基于机器学习的模型预测控制在提升系统动态性能方面潜力巨大，但目前它们的技术成熟度仅为3–5级，因为要在大规模应用之前还需证明其稳定性。相比之下，元启发式算法和模糊逻辑控制由于具备离线处理特性或规则驱动的可预测性，其商业化程度更高（技术成熟度为5–7级）。表6. GFM逆变器控制中各类人工智能与机器学习方法的对比评估。人工智能/机器学习范式主要应用场景关键算法在线计算成本稳定性保障当前技术成熟度参考文献深度强化学习自适应虚拟惯量、频率/电压调节SAC、TD3、PPO、Safe RL较低（仅用于推理）较弱（借助Safe RL可得到改善）3–4[[90], [91], [92]]基于物理原理的神经网络状态估计、参数辨识、实时决策PINN、PI-LSTM、神经微分方程中等偏高（受物理损失约束）3–4[13,93,94]基于机器学习的模型预测控制最优设定值跟踪、严格约束处理（如电流限制）NN-MPC、GP-MPC、HALC较低至中等较强（源自MPC本身的约束机制）4–5[[95], [96], [97]]多智能体与联邦学习分布式多逆变器协调、兼顾隐私的优化MAPPO、MADDPG、FedAvg较低（本地计算）、较高（全局同步）较弱（适用于非稳态环境）3–4[[98], [99], [100]]模糊逻辑与ANFIS动态参数调整、稳健的电压控制FLC、ANFIS-PID非常低中等（基于规则）5–6[101,102]元启发式优化级联PI回路及VSG参数的离线最优调优PSO、DE、GAN无（离线完成）较强（若在调优后进行测试则更为可靠）6–7[103,104]迁移学习与极端学习机故障诊断、快速适配新电网拓扑结构DTCNN、ELM中等无（属于被动监测）3–4[101,106]这些人工智能技术的融合预示着未来的GFM逆变器将不再仅仅是电力电子执行装置，而是具备自我优化、协同学习及自我防护能力的智能自主系统。不过，要实现这一愿景，还需要在数据驱动的灵活性与电力系统运营商所要求的确定性稳定性保障之间找到平衡点。4. 以GFM为主导的电网的数字孪生框架从同步发电机向智能电池逆变器转变的过程中，带来了一个根本性的可观测性难题。传统电力系统依靠大型旋转机械的缓慢机电响应特性，可通过刷新率为1-4秒的SCADA系统实现对系统状况的有效监控[108]。而GFM逆变器则通过快速的电磁暂态过程和控制循环在毫秒级时间内做出响应[109]。因此，无论在规划阶段精度如何，静态的离线模型都无法反映运行过程中组件的实际退化情况、不断变化的网格阻抗，或是同步相量振荡现象的出现[110]。为弥补这一缺陷，业界越来越多地采用数字孪生技术。不过在电力电子相关文献中，这一术语常常被误用于指代简单的离线仿真。4.1. GFM数字孪生的成熟度分类标准真正的数字孪生并非取决于其仿真精度，而是体现在数据之间的关联程度上。根据ISO/IEC 30186:2025标准以及最新的电力系统分类体系[111]，只有当物理实体与其虚拟对应物之间存在自动化的双向数据流时，该模型才能被称为数字孪生。为清晰呈现GFM应用领域的现状，本综述提出了一个专为以逆变器为主导的电网设计的五级成熟度框架（见图16）。下载：下载高分辨率图像（400KB）下载：下载全尺寸图像图16. 以GFM为主导的电网的数字孪生成熟度等级。该框架展示了从简单的数据监测（L1级）到完全自主的闭环控制（L5级）的进展过程。该框架由作者基于Pavleska（2026）的研究成果开发[112]。目前大多数相关研究和商业应用还处于第1级（描述性）和第2级（诊断性）阶段，此时高速相量测量单元会将数据输入仪表板，用于态势感知或离线故障分析[113]。当前的研究正逐步向第3级（预测性）发展，即在实际电网运行的同时并行开展实时电磁暂态仿真，以便在故障发生前预测出关键的清除时间以及频率最低点[114]。第4级（指导性）涉及利用人工智能进行场景测试以推荐参数调优，而第5级（完全自主型）则是指数字孪生系统能够在无需人工干预的情况下直接调整GFM逆变器的设定值，但由于网络安全和延迟问题尚未得到解决，这两级目前仍主要停留在理论层面[115]。4.2. 核心架构：智能电池逆变器电站的数字孪生模型为GFM逆变器电站构建数字孪生模型时，最大的挑战在于实时电磁暂态仿真的巨大计算负荷。传统的瞬态稳定性（相量）模型虽能更快地模拟大规模电网，但却无法体现GFM逆变器所特有的快速开关动态特性和控制交互作用[116]；而尽管完全的电磁暂态模型精度更高，但其计算强度极大，难以在大型系统中实现实时运行。为解决这一问题，近期的一些研究，尤其是Mittal等人的研究[117]，提出了一种将数据采集与仿真分离的三组件架构（见图17）。该架构包括：（a）实时数据流传输，即通过5G或专用光纤，利用延迟低于20毫秒的相量测量单元，从连接点向数字孪生系统传输高分辨率的电压、电流和相位角数据[118]；（b）在线参数估计，通过递归最小二乘法或扩展卡尔曼滤波器持续估算电网的泰恩宁等效阻抗和短路比，从而无需进行完整的外部电网仿真[119]；（c）实时电磁暂态仿真，即将上述估算得到的参数输入到本地化的电磁暂态模型中，这类模型通常在OPAL-RT或RTDS之类的平台上运行，并能持续更新以反映实际电站的运行状况。这种集成化的框架能够构建出与地理位置无关的数字孪生模型，通过不断更新的泰恩宁等效模型来准确预测GFM逆变器的稳定性裕度[117]。Mittal等人[117]展示了一种适用于并网智能电池逆变器电站的地点无关型数字孪生框架，该框架整合了实时数据流传输、在线泰恩宁等效模型估算以及动态参数更新功能，无需了解上游电网的拓扑结构即可实现持续的稳定性预测。下载：下载高分辨率图像（1022KB）下载：下载全尺寸图像图17. 智能电池逆变器电站的数字孪生架构。该框架结合了实时数据流传输、在线参数估计、高精度电磁暂态仿真以及动态参数更新功能。该框架由作者基于Mittal等人（2025）的研究成果开发[117]。4.3. 符合电网规范要求：从SIL到PHIL的验证流程如2.2节所述，针对GFM逆变器的各类电网规范（如IEEE 2800标准[62,66]以及GB GC0137标准）对故障穿越能力、相量跳变承受能力以及黑启动功能都提出了极为严格的要求。在数兆瓦级的实际硬件上验证这些功能不仅成本极高，还存在极大的设备损坏风险[66]。因此，数字孪生模型便成了验证这些规范要求的必备工具。相关研究建立了一套严格的四阶段硬件在环测试体系。从软件在环测试逐步过渡到控制器硬件在环测试、再到功率系统硬件在环测试，这一流程实际上是一种风险管控机制[65]。在控制器硬件在环测试阶段，实际的GFM逆变器控制器会与实时电网仿真系统相连，这样操作人员就可以在不带来实际风险的情况下，模拟网络攻击或极端的频率波动情况。在PHIL试验中，人们使用了物理功率放大器来验证逆变器实际硬件在功率方面的响应情况[120]。最新研究的一个重要发现是，数字孪生系统并不仅仅是一种测试环境，它还会经历多个发展阶段。在SIL阶段校准的模型会在CHIL阶段进一步完善，在PHIL阶段得到验证，最终在现场验收测试阶段与实际设备一同部署，作为其运行级别的数字孪生体[121]。4.4 可扩展性瓶颈：边缘-云层级架构虽然工厂级的数字孪生系统已接近商业化成熟阶段，但要将其扩展到包含数千台分布式GFM逆变器的电网级数字孪生系统，则面临着巨大的瓶颈。在云环境中并行运行大量EMT模型会导致极高的通信延迟和计算限制[122]。为了解决这一问题，近期研究开始转向分层式的边缘-云架构（见图18），这种架构根据物理和时间需求来分配计算任务[123]。该框架包括：(a)边缘/设备层，这里的本地微控制器执行高速、本地化的数字孪生模拟，以捕捉如IGBT热退化及次周期电流限制等快速变化的动态现象，对于闭环HIL控制应用，其延迟可低于1毫秒；而对于与相量测量单元报告频率相匹配的状态估计和监控应用，延迟则可在100毫秒以内；(b)第二层即工厂层，这里的边缘-云网关负责汇总来自多台逆变器的数据，从而运行工厂级的EMT仿真，便于监测工厂内部的振荡现象并实现协调的主动功率控制；(c)第三层即云/电网层，这一层的云平台则利用较低层级提供的简化阶数动态等效模型而非完整的EMT模型来进行系统级分析，比如N-1安全评估以及全局惯性映射，其延迟则在100毫秒到1秒之间[124]。Hooshyar等人[125]从电力系统的角度全面分析了针对以大容量IBR发电为主的电网扩展EMT应用的方法，涵盖了混合协同仿真架构、模型验证流程以及数字孪生系统的整合方式，为从基于相量域的工具向基于完整EMT的数字孪生平台过渡提供了实用的路线图。下载：高分辨率图片（1018KB）下载：全尺寸图片图18 分层式边缘-云数字孪生架构。该架构将计算负荷分配到设备级的边缘节点、工厂级的网关以及电网级的云平台之上。4.5 GFM应用中数字孪生系统的网络安全漏洞将数字孪生系统集成到GFM逆变器控制架构中，带来了一个深刻的矛盾：尽管数字孪生系统能够提供高精度的观测能力，有助于稳定100%由逆变器构成的电网，但它们同时也扩大了网络物理系统的攻击面。对这种架构而言，最严重的威胁之一就是相量测量单元的虚假数据注入攻击。由于GFM逆变器会根据所感知的电网状态自主决定电压和频率，一旦数字孪生系统遭到虚假数据注入攻击，就有可能诱使逆变器破坏它本应支撑的电网稳定性。这项研究对PMU虚假数据注入攻击的机制、其在数字孪生系统架构中的传播路径、对GFM系统稳定性的影响，以及基于2024–2026年最新研究成果的检测和缓解策略进行了深入分析。4.5.1 PMU虚假数据注入攻击的机制当攻击者破坏通信网络（例如IEC 61850 GOOSE/SV或IEEE C37.118协议），在数据到达数字孪生系统状态估计器之前篡改电压幅值、相位角或频率数值时，就会发生PMU虚假数据注入攻击[126]。与会导致数据丢失、因而很容易被发现的拒绝服务攻击不同，这类攻击旨在隐蔽地进行，只需稍作改动就能避开传统的不良数据检测算法，却仍能造成严重的实际后果[127]。相关研究根据数学结构将PMU虚假数据注入攻击分为四种主要类型（见表7）。表7 PMU虚假数据注入攻击类型的分类及其对GFM逆变器数字孪生控制的影响[[126], [127], [128]]。攻击类型机制检测难度对GFM控制的影响恒定偏移型在真实测量值上添加一个固定数值（例如Vattack=Vtrue+ΔV）检测难度较低至中等，一旦超过阈值，可通过中位数绝对偏差方法轻易检测出来。会导致采用滞环控制的GFM逆变器出现稳态无功功率分配错误。比例缩放型将真实测量值乘以一个常数因子（例如Vattack=λVtrue）检测难度中等，会改变系统阻抗的感知值，从而导致虚拟惯量的模拟出现误差。渐进式攻击逐渐增加注入的误差数值（例如Vattack=Vtrue+λt）检测难度较高，可通过模仿缓慢的物理退化过程来规避静态阈值检测。当数字孪生系统慢慢调整参数使其超出正常范围时，就会引发延迟的、级联式的保护装置动作。随机偏移型注入来自正态分布且具有特定含义和方差的噪声检测难度非常高，这类噪声可以模仿自然传感器噪声，能够避开累积和法以及库尔贝克-莱布勒散度法。这类攻击会将高频噪声注入数字孪生系统状态估计器，导致虚拟惯量响应出现异常，进而引发同步失步现象。4.5.2 数字孪生系统的放大效应在数字孪生系统与GFM相结合的架构中，最严重的安全隐患就是所谓的数字孪生系统放大效应。在传统电网中，被篡改的PMU数据可能只会导致操作员层面出现错误的显示信息（例如1–2级数字孪生系统）。然而在那些采用指令型或自主控制模式的先进GFM应用中（4–5级数字孪生系统），数字孪生系统会主动计算并发送控制参数，比如虚拟惯量Hv和阻尼系数Dp，给实际的逆变器[129]。在这种情况下，若向PMU数据流中注入虚假的频率偏差Δf，它会通过一系列级联反应扩散开来：(a)数字孪生系统状态估计器会处理这些被篡改的数据，进而得出错误的系统状况判断，比如认为存在严重的发电损失；(b)系统内的优化模块会据此计算出过于激进的控制措施，要求提高虚拟惯量值并增大主动功率注入量；(c)这些参数会被传输到GFM逆变器的控制器；(d)逆变器则会执行这些指令，向原本稳定的电网注入过量功率，从而引发实际的频率波动，这可能会触发保护装置的动作，导致电网断开连接[130]（见图19(a)）。在这种情形下，数字孪生系统就从一种监控工具变成了一个严重的安全隐患，实际上是将网络入侵行为放大成了对物理电网的破坏（见图19(b)）。下载：高分辨率图片（1MB）下载：全尺寸图片图19。(a) PMU虚假数据注入攻击通过数字孪生系统传递到GFM物理控制层的传播路径，展示了数字孪生系统放大效应的原理。(b) 不同类型攻击下传统检测方法的检测准确率，尤其突出了传统不良数据检测方法在面对随机偏移型攻击时的严重缺陷（数据来源于参考文献[131]）。为进一步说明数字孪生系统的放大效应，可以考虑一个具有自适应虚拟惯量Jvirt功能的VSG型GFM逆变器。该逆变器的动态行为遵循以下方程：(10)dδdt=ω?ωn(11)Jvirtdωdt=Pmech?Pelec?D(ω?ωn)其中δ表示转子角度，ω为电网频率，ωn为额定频率，Pmech为有功功率参考值，Pelec为电气输出功率，D为阻尼系数。假设自适应控制器会根据以下公式更新虚拟惯量值：(12)Jvirt(t)=Jbase+kJ|ωest(t)?ωn|+kRoCoF|dωestdt|其中Jbase为额定惯量值，kJ和kRoCoF为调节参数。假定实际电网频率为50Hz，且RoCoF值为0。若有人通过隐蔽的虚假数据注入攻击篡改了PMU的测量值，使其显示的ωmeas值为50.1Hz。如果数字孪生系统状态估计器接受了这个被篡改的数值，那么它估算出的ωest值也会是50.1Hz。在Jbase=4s，kJ=50s2/rad，kRoCoF=0的条件下，可得出：(13)Jvirt=4+50∣(50.1?50)×2π∣=4+(50×0.628)=35.4s。由此可见，仅仅0.1Hz的频率误差，就会导致虚拟惯量值从4s大幅上升至约35.4s。如此错误的控制措施可能会降低系统的动态性能，延缓对实际故障的反应速度，甚至加剧系统振荡，这就说明了即便只是轻微的网络攻击，也有可能通过数字孪生系统扩散开来，带来极其严重的实际后果。与针对传统SCADA系统的常规虚假数据注入攻击相比，数字孪生系统的放大效应有着本质上的不同，因为成熟度较高的数字孪生系统（3–4级）具备预测和指令生成功能。在传统SCADA系统中，虚假数据注入攻击主要作用于相对静态且确定性较强的控制回路中的传感器测量值或控制设定值，其造成的影响通常仅限于错误的监控信息，或是直接基于被篡改的测量值产生的错误控制指令[129]。而成熟度较高的数字孪生系统则能够利用基于物理模型的算法以及人工智能驱动的优化技术，进行实时状态估计、预测性仿真以及自适应决策制定。因此，被篡改的PMU测量值不仅会影响实际观测到的数据，还会影响数字孪生系统对电力系统的内部建模。由于先进的控制器会依据这种估算出的系统状态来持续优化虚拟惯量、滞环系数以及阻尼系数等参数，所以错误的系统状态估算值会进一步转化为经过动态优化但本质上仍然错误的控制指令[130]。这样一来，数字孪生系统就把局部的网络攻击转变成了整个系统的控制问题。它并非仅仅发出错误的控制设定值，而是会基于对系统动态特性的错误理解，不断生成自适应的控制决策，从而进一步放大攻击带来的物理影响。这种数字孪生系统放大效应代表了一种新的网络物理系统安全风险，它超越了传统的基于SCADA系统的虚假数据注入攻击，表明最大的风险在于误导那些依赖智能模型驱动的控制系统，而不仅仅是简单破坏测量数据本身[129,130]。4.5.3 对以GFM为主体的微电网的稳定性影响成功实施的数字孪生系统介导的虚假数据注入攻击所带来的实际后果，会在很大程度上取决于所采用的特定GFM控制拓扑结构。在采用滞环控制技术的系统中，针对电压幅值测量值的攻击会直接破坏Q–V滞环关系，从而操控PCC点的电压感知值，这可能导致系统需要吸收过量的无功功率，进而引发局部电压崩溃，以及逆变器因过流保护而自动跳闸[132]。在依赖RoCoF值来模拟惯量的虚拟同步机配置中，针对PMU频率数据的随机偏移型攻击会在RoCoF的估算值中引入高频噪声；由于在摆动方程中存在微分运算，这类噪声会被进一步放大，从而导致有功功率输出出现严重振荡，进而可能引发微电网整体不稳定[133]。此外，更为复杂的虚假数据注入攻击策略还能操控数字孪生系统发出错误的孤岛运行指令，从而控制PCC处的断路器开关动作；频繁地在并网模式和孤岛模式之间切换，会给系统带来极大的瞬态应力，最终可能导致逆变器失效以及整个系统的不稳定[134,135]。4.5.4 检测与缓解策略基于卡方残差检验的传统不良数据检测方法对于隐蔽型的攻击几乎毫无效果，对于随机偏移型攻击，这类方法的检测准确率甚至低于15%[131]，这一情况促使人们开始转向采用人工智能技术以及基于物理原理的防御策略。较为先进的检测方法包括概率积分神经网络，这类网络会将基尔霍夫定律以及功率平衡约束条件纳入其损失函数中，从而能够识别出那些在统计上虽可能属于正常分布，但实际上与物理规律相悖的PMU数据[39]；长短期记忆网络，则能够利用PMU时间序列数据中的时间依赖特性，精准预测系统状态，并高效地检测出由渐进式或比例缩放型攻击引发的异常现象，且误报率较低[133]；还有联邦学习技术，它能够让多台GFM逆变器分别训练本地检测模型，同时仅共享模型参数，从而提升系统对协同攻击的抵御能力，避免出现数据集中管理的安全风险[136]。与此同时，一些具有更强韧性的控制与缓解策略也应运而生，比如“虚拟锚点”概念，逆变器可以为接收到的数据赋予动态的可靠性等级，一旦发现可疑数据就会将其丢弃，从而恢复到安全的本地控制模式[137]；还有基于数字孪生系统的数据重建技术，这类技术可以通过内部EMT模型生成合成数据，用来替代被篡改的PMU信号，从而确保在攻击发生时系统仍能继续安全运行[138]。Canaan等人[38]对用于同步相量测量的微电网数字孪生系统框架进行了专门的研究，他们按照韧性评估、攻击检测以及威胁缓解这三项核心安全功能对这些框架进行了分类，指出了未来研究的方向，即开发具备人工智能驱动的自动响应功能的智能化、高安全性的微电网数字孪生系统框架。4.6 对比评估与尚未解决的问题表8总结了目前GFM电网中数字孪生系统应用的现状，指出了在不同精度要求、延迟限制以及硬件条件之间的权衡关系。尽管已经取得了不少进展，但现有研究仍暴露出一个明显的矛盾：虽然数字孪生系统被视为解决GFM系统可观测性问题的关键方案，但这些数字孪生系统本身却容易受到网络物理攻击的威胁。一旦PMU数据流被篡改，处于3级预测阶段的数字孪生系统就有可能产生错误的电网状态判断，进而引发不恰当的应对措施[139]。这一安全隐患要求必须将网络安全协议深度集成到数字孪生系统的架构之中，而这正是下一节（第5节）要探讨的核心内容。从实际应用的角度来看，Subramanian等人[31]记录了三种位于不同地区的数字孪生系统应用案例，分别是阿拉斯加的一个远程微电网、新加坡的一个国家级输电网络，以及英国的一个社区低碳化项目。这些案例都显示出数字孪生系统在提升态势感知能力、推迟资本支出，以及评估高比例可再生能源接入场景等方面的显著优势，同时也指出了在整合SCADA系统、智能电表以及物联网设备等多种不同类型的数据源时所面临的挑战。表8 GFM主导型电网中数字孪生系统应用的对比评估。应用领域所需精度最大允许延迟核心算法存在的关键限制重要参考文献电网规范符合性测试（HIL阶段）高精度要求（需使用EMT模型，时间步长需小于2微秒）延迟需低于1毫秒需要使用实时仿真系统，成本较高[66,120]预测性维护中等精度要求（需考虑温度变化及设备老化等因素）延迟为几分钟到几小时可采用基于物理原理的机器学习算法以及剩余寿命估算方法，但目前缺乏标准化的设备老化数据集[110,113]在线参数估计高精度要求（涉及相量信息及系统动态特性）延迟为10–20毫秒可使用卡尔曼滤波算法以及递归最小二乘法，但这些方法对测量过程中的噪声比较敏感[117,119]全系统稳定性分析（云层级处理）低精度要求（需使用简化阶数的模型）延迟在100毫秒到1秒之间可采用动态等效模型以及图论方法，但此类方法无法体现次同步振荡现象[122,124]5.5.1 数字化IBR电网中不断扩大的网络物理攻击面
传统的电力系统网络安全防护主要聚焦在SCADA层面，将物理电网视为遭受拒绝服务攻击或恶意指令注入的被动对象。然而，随着分布式GFM逆变器的普及，形成了一个高度耦合的网络物理威胁环境，攻击可从网络层瞬间蔓延至物理层面，引发系统不稳定。图20展示了针对GFM逆变器系统的五层攻击面结构。

图20. GFM逆变器系统的五层网络物理攻击面，展示了从硬件漏洞到地缘政治供应链风险的发展路径。该模型由作者基于[140][141][142][143][145][146]开发。

虽然通信层的传统攻击（如对Modbus TCP或IEC 61850协议的中间人攻击）依然常见，但研究焦点逐渐转向攻击面的两个新极端：(a)感知层（L2），通过隐蔽的FDIA攻击干扰测量单元，使逆变器控制算法误判为真实电网事件；(b)供应链层（L5），这是一种新兴的地缘政治风险，硬件特洛伊木马或恶意固件更新可能同时被触发，导致整个电网崩溃。Ahn等人建立了涵盖15种实际攻击模型的分类体系，包括集成电路供应链阶段的硬件特洛伊木马、固件注入、通信拦截以及恶意控制算法替换等，为图20所示的五层攻击面提供了基础的分类框架。在第五层，可通过CPS层内的安全启动、TPM、PUF、安全隔离区及固件认证等硬件级信任机制，有效防范供应链攻击（包括假冒硬件、恶意固件更新和硬件特洛伊木马）。需要强调的是，供应链攻击极具威胁性，因为它们在系统部署前就攻击了可信计算基础。与传统利用运行漏洞的网络攻击不同，被攻破的半导体器件、恶意固件更新、假冒组件或硬件特洛伊木马可能在系统调试期间一直处于潜伏状态，从而绕过基于软件的入侵检测和异常检测机制。为应对这一挑战，所提出的ISDG框架的CPS层需纳入安全启动、加密固件认证、可信平台模块、物理不可克隆函数、安全隔离区及远程认证协议等硬件级信任机制。这些机制可建立从硬件初始化到应用执行的可验证信任链，从而为基于AI的分析和数字孪生模型提供安全的运行环境。因此，硬件信任被视为CPS架构中的核心支撑能力，而非独立的架构组件。

网络入侵转化为物理后果的过程，取决于GFM逆变器控制回路的动态响应。图21汇总了现有研究中的主要攻击、检测和防御框架，形成了完整的级联影响路径流程图，展示了从攻击发起到检测、防御，或是经历逐步物理恶化最终导致全电网停电的全过程。

5.2 GFM逆变器特有的漏洞：自主性的双刃剑
学术界对于GFM逆变器相比GFL逆变器而言安全性更高还是更低存在争议。目前普遍认为，GFM逆变器具有“双刃剑”式的韧性特征：它们对某些传统攻击具有很强的抵抗力，但却容易受到新型参数操纵攻击的威胁。

5.2.1 对PLL攻击的天然抗性
GFL逆变器完全依赖PLL与电网同步。针对PLL的网络攻击，无论是通过向电压测量值注入噪声，还是直接修改PLL的比例-积分增益，都会导致立即失去同步并引发连锁断电。而GFM逆变器作为独立电压源，无需依赖专用PLL即可实现基本同步。Kontou等人通过硬件在环测试证明，以GFM逆变器为主的微电网对PLL攻击具有天然抗性，即使在同一电网中的GFL逆变器发生故障时，仍能保持电压稳定。

5.2.2 对参数型FDI攻击的脆弱性
相反，GFM逆变器由软件定义的控制方式带来了严重漏洞。Ibrahim等人对比分析了在针对控制参考值的FDI攻击下，下垂控制、VSG控制和dVOC控制的响应情况。在下垂控制中，对有功功率-频率下垂系数的FDI攻击会破坏负载共享机制，导致大量循环电流出现并引发局部电压崩溃。在VSG控制中，针对虚拟惯性或阻尼参数的攻击会导致RoCoF值估算错误，使逆变器针对并不存在的频率变化注入或吸收过多有功功率，进而引发严重的同步失步。在dVOC控制中，对振荡器耦合参数的FDI攻击会破坏全局相位同步，导致电网频率失控。

5.3 基于AI的入侵检测系统
传统的不良数据检测算法，如卡方残差法，无法识别那些刻意模仿自然传感器噪声或与系统测量矩阵匹配的隐蔽FDI攻击。为解决这一问题，研究人员开始采用先进的AI和机器学习技术。

5.3.1 深度学习用于时间序列异常检测
深度学习模型，尤其是长短期记忆网络，擅长识别逆变器传感器产生的高频时间序列数据中的异常模式。Anantarativakorn等人针对GFM逆变器开发了基于LSTM的检测框架，通过分析电压和电流波形的时间序列，能够以超过97%的准确率识别出FDI、DoS和重放攻击。自编码器则提供了一种互补方案，它通过无监督学习方式，根据重构误差来检测新型异常。

5.3.2 基于物理原理的联邦学习
纯数据驱动的AI模型面临的一个重大挑战是，在正常电网工况变化（如负载突变）时会出现大量误报。为降低误报率，Khaleghi等人提出了基于物理原理的LSTM模型，将该模型将VSG摆动方程的约束条件直接嵌入神经网络的损失函数中。通过持续比较实际观测动态与基于物理模型的预期值之间的差异，PI-LSTM能够准确区分真正的网络攻击与严重的但属于自然现象的物理扰动。此外，通过联邦学习技术，可以在不共享原始运行数据的前提下，跨多台逆变器协同训练检测模型，从而在保障隐私的同时实现针对分布式攻击的高精度检测。

5.4 高韧性的网络物理控制框架
由于传统的IT安全防护措施（如防火墙、加密技术）无法防范内部威胁、被攻破的传感器或供应链中的硬件特洛伊木马，学术界的研究重点转向具备网络韧性的控制策略，旨在设计出即便在网络层受到主动攻击时仍能保持稳定的物理控制回路。图22展示了当前最先进的三层防御架构。一旦检测到攻击，就必须在不破坏电网稳定的前提下隔离并消除受污染的信号，为此主要有两种方法：第一种是无模型强化学习防御方法，它克服了基于模型的控制器在网络攻击下的失效问题。Yin等人提出了一种深度强化学习方法，能够动态调整GFM逆变器的设定值以应对各种干扰，无需依赖内部控制参数，从而实现自适应下垂调节或安全模式切换。第二种是虚拟锚点与基于信任的分布式控制方法，用于解决受DoS和FDI攻击影响的分布式控制系统中的安全问题。Marasini和Qu提出了基于WMSR算法的虚拟锚点框架，逆变器可根据输入数据的可信度为其分配动态置信度，从而隔离受攻节点，同时维持稳定的协同控制。

图22. GFM逆变器系统的三层高韧性网络物理控制框架。左侧为攻击向量，经过多层防御机制的检测、隔离和缓解后，再向GFM逆变器发送纠正指令。该框架由作者基于[12][100][133][146][149]开发。

5.5 对比分析与不断发展的监管框架
GFM逆变器的网络安全防护格局处于快速变化之中。各类防御策略在准确性、可扩展性和计算开销方面存在显著差异。图23对这些策略进行了对比分析，并评估了攻击带来的影响程度。表9总结了主流GFM控制架构的典型漏洞及对应的韧性提升策略。现有研究表明，虽然AI技术提升了检测能力，但实现长期电网韧性仍需采用经过数学验证、能在一定程度的网络入侵下保持稳定的控制算法。表10则详细对比了各类关键防御策略，汇总了本节所分析的文献研究成果。

图23. GFM逆变器系统的网络安全策略与攻击影响对比分析：(A)五维度下的防御策略性能雷达图；(B)六种IDS方法的检测准确率与误报率对比；(C)各类网络安全解决方案的成熟度等级；(D)随IBR渗透程度变化的攻击影响严重程度热图。该图表由作者基于[12][100][133][140][142][143][146][147][150]开发。

表9. GFM逆变器架构的网络物理漏洞与韧性提升策略对比
控制架构 | 主要攻击向量 | 攻击造成的物理影响 | 已验证的韧性提升策略 | 关键参考文献
--------|--------------|-------------------|----------------------|--------------
下垂控制 | 对P-f或Q-V系数的FDI攻击 | 负载共享功能失效，出现大量循环电流 | 自适应下垂调节；通过图连通性阈值实现受攻击节点隔离 | [12][153]
VSG/VSM控制 | 对虚拟惯性或阻尼参数的FDI攻击 | RoCoF值计算错误，引发同步失步 | 基于物理原理的LSTM检测；无模型强化学习实现的设定值调整 | [100][152]
dVOC控制 | 对振荡器耦合参数的FDI攻击 | 全局相位同步丧失 | 基于Lur’e系统的输入输出稳定性约束建模 | [137]
所有架构 | PMU数据注入攻击 | 生成虚假物理指令，导致系统状态估计错误 | 通过状态估计对比与数据重构技术实现异常检测 | [135]

表10. GFM逆变器系统的网络防御策略对比分析
防御策略 | 检测准确率（约） | 响应速度 | 可扩展性 | 隐蔽攻击检测能力 | 计算开销 | 隐私保护能力 | 成熟度等级
----------|------------------|----------|----------|------------------|----------|--------------|------------
基于模型状态估计 | 70% | 快 | 低 | 弱 | 低 | 低 | 7级
基于LSTM的IDS | 88% | 中等 | 高 | 强 | 高 | 中等 | 6级
深度自编码器 | 85% | 中等 | 高 | 高 | 中等 | 中等 | 5级
基于PI-LSTM的联邦学习方法 | 90% | 中等 | 非常高 | 非常高 | 高 | 非常高 | 4级
随机森林（基于特征匹配） | 92% | 快 | 中等 | 低 | 低 | 低 | 6级
混合集成方法 | 95% | 中等 | 高 | 高 | 中等 | 高 | 5级
虚拟锚点控制 | 不适用 | 快 | 高 | 中等 | 低 | 高 | 5级
基于深度强化学习的缓解方法 | 不适用 | 快 | 中等 | 高 | 高 | 高 | 4级
区块链安全技术 | 不适用 | 慢 | 中等 | 高 | 非常高 | 高 | 4级

分析表明，检测准确率与计算开销之间存在明显trade-off关系，混合集成方法虽能实现最高的检测准确率（95%），但计算复杂度也相应升高。基于PI-LSTM的联邦学习方法在大型系统部署方面最具潜力，它不仅检测准确率高，可扩展性优异，还能有效保护系统隐私。不过，其目前的成熟度仅为4级，说明在投入实际电力系统应用之前，还有大量的工程工作需要完成。

5.5.1 不断发展的监管框架与标准
随着威胁形势的日益严峻以及可再生能源基础设施战略地位的不断提升，针对GFM逆变器及以IBR为主体的电网的网络安全监管环境正在迅速发展。表11汇总了与GFM逆变器网络安全相关的主要监管框架与标准。

表11.GFM逆变器网络安全的监管框架与标准。标准/法规　管辖范围　适用领域　关键要求　现状
IEC 62351 [154]　国际　电力系统通信安全　针对IEC 60870-5、IEC 61850、DNP3的认证、加密与访问控制　正在持续更新中
IEEE 2030.5 [155]　美国/国际　智能逆变器通信　安全的分布式能源资源与配电系统间通信协议　正在实施中
ENTSO-E NCCS [143]　欧盟　跨境电力传输　风险评估与最低网络安全要求　2024年起强制实施
欧盟网络安全法（修订版）[143]　欧盟　包括逆变器在内的信息通信技术产品　关键基础设施的强制性网络安全认证　草案，2026年1月制定
NERC CIP [156]　北美　大型电力系统　关键基础设施保护标准　正在实施中
FERC PRC-028-1 [157]　美国　IBR发电机的可靠性　抗干扰能力、保护机制及通信要求　2025年7月获批
欧盟网络弹性法案[157]　欧盟　连接的硬件/软件　设计层面的安全性与漏洞披露　2025年起生效

欧洲电力传输系统运营商网络组织制定的关于网络安全的规则（NCCS）[143]是一项具有里程碑意义的监管举措，它首次在全欧洲范围内将网络安全要求正式纳入电力网格运行规范。该规则要求所有参与跨境电力传输的机构定期进行网络风险评估，遵守最低安全标准，并参与信息共享机制。新制定的NCCS特别针对智能逆变器及分布式能源资源通信协议，要求运营方确保所有连接设备符合基本安全标准。在美国，联邦能源管理委员会于2025年7月批准了针对IBR发电机的新电网可靠性标准（PRC-028-1和PRC-002-5）[158]，涉及保护、通信及抗干扰等方面的要求。不过，相比NERC CIP[156]中对大型电力系统资产规定的安全要求，IBR发电机的具体安全标准还不够完善，这一差异凸显出随着IBR技术应用日益广泛而亟需解决的监管缺口。此外，供应链漏洞以及量子计算带来的潜在威胁也表明，目前仍存在重大的监管和技术差距。为确保电网安全，未来需要进一步推动高精度数字孪生技术在实时模型一致性验证中的应用，同时过渡到后量子密码学技术以实现安全通信。

6. 综述：统一的智能安全数字电网框架
前文分别探讨了人工智能、数字孪生技术以及网络物理安全在GFM逆变器中的应用，这些内容大多被视为独立的领域。但本综述的核心观点是，将它们孤立起来看待其实是一种根本性的架构缺陷。随着电力系统向100% IBR架构转型，GFM逆变器不再仅仅是电力电子执行装置，而成为电网中的核心网络物理实体。因此，智能性、可观测性以及安全性不能再分别单独实现，而必须共同设计。这一理念在相关研究中也逐渐得到认可。Awad等人[159]独立提出了一个适用于高比例可再生能源电网的四层统一框架，但该框架并未涉及GFM逆变器特有的控制问题、人工智能认证机制，以及数字孪生技术的放大效应，而这些正是ISDG框架旨在解决的难题[159]。

本节将各类研究成果整合为一个全新的统一框架——智能安全数字电网框架（ISDG框架）。该框架可应用于多种类型的电网架构，从GFM逆变器占比较高的过渡型混合电力系统，到未来100%可再生能源、以逆变器为主的电力系统。

6.1 共同设计的理论必要性
2024年至2026年的研究显示，不同技术领域的进展往往会产生相互矛盾的效应，从而引发新的安全风险。例如，采用深度强化学习技术实现自适应虚拟惯性，虽能显著提升系统的瞬态稳定性[160]，但由于其依赖未经验证的高带宽传感器数据，反而会扩大面向模型的攻击面[161]。另一方面，严格的加密措施虽然能增强安全性，却会增加通信延迟，进而影响GFM逆变器快速运行的内部控制回路[140]。此外，数字孪生技术虽然能提供前所未有的系统可观测性，但其运行需要巨大的计算资源以及持续的数据流支持。如果数字孪生模型被攻破，其预测结果可能会被利用，导致物理上的GFM逆变器根据错误的电网状态做出异常操作[31]。正是由于这些相互关联的故障模式，共同设计才显得十分必要。统一的解决方案应做到：
- 人工智能需要数字孪生技术才能实现安全训练：如果没有高精度的实时电磁暂态数字孪生模型作为安全测试环境，深度强化学习中的模拟与现实之间的差距就无法弥补。
- 数字孪生技术需要人工智能才能实现规模化应用：全系统范围的电磁暂态仿真计算量巨大，因此需要通过概率积分神经网络等手段构建快速且保持物理特性的替代模型。
- 安全性则需要人工智能与数字孪生技术的协同作用：仅依靠静态的防御措施无法有效应对参数化攻击，真正的网络物理系统弹性需要数字孪生技术充当“网络哨兵”，利用人工智能驱动的异常检测功能，及时发现输入数据是否违背了物理定律（如基尔霍夫定律、摆动方程）。

6.2 ISDG框架架构
图24展示了所提出的ISDG框架，该框架摒弃了传统的层级式控制结构，将GFM逆变器置于网络物理系统的核心位置，周围环绕着三个相互关联的模块。ISDG框架的创新之处不在于各个模块本身，而在于它们之间的动态交互与反馈机制：
(a) 人工智能与数字孪生技术之间：人工智能负责优化数字孪生模型，数字孪生技术则持续提供高精度的运行数据，用于训练和优化人工智能模型，比如在多个IBR发电厂之间开展联邦学习，同时人工智能还可通过概率积分神经网络等手段构建快速替代模型，从而实现比实时更快的数字孪生仿真及预测功能；
(b) 数字孪生技术与网络安全之间：数字孪生技术可作为电网的平行、未被篡改的映射版本，持续将预期状态与实际传感器数据对比，计算出偏差值，从而检测那些可能绕过传统信息技术安全措施的参数化攻击[131]；
(c) 人工智能与网络安全之间：通过机器学习技术，尤其是部署在GFM控制器边缘的无监督学习模型和自编码器，可以识别零日网络攻击，并触发系统切换到“虚拟锚点”模式，这是一种具备弹性的局部控制状态，能够忽略受攻击的远程信号[133]。在ISDG框架中，基于硬件的信任机制被视为网络物理系统模块的基础组成部分，它为人工智能算法和数字孪生服务提供了安全的运行环境。

下载：高清图片（828KB）
下载：完整尺寸图片
图24. 统一的智能安全数字电网（ISDG）框架。

6.2.1 中止机制：运行时保障层
ISDG框架的复杂性及其内在的动态关联性，虽然能够提升电网的智能化水平与弹性，但也需要强大的机制来解决冲突并保障系统安全。当人工智能、数字孪生技术以及网络物理系统模块生成的指令相互矛盾，或者某个拟执行的操作可能违反预先设定的安全限制时，就需要一种明确的中止机制。为了解决这一问题，建议在ISDG框架中加入运行时保障层作为核心组成部分（见图24）。运行时保障层充当最终决策者，确保所有控制操作都在经过验证的安全范围内进行。其主要功能包括：
- 持续监控关键参数：运行时保障层会持续监测电网的关键参数，如频率、电压、RoCoF值、功率限制、温度上限，以及GFM逆变器的运行范围。这些参数均来自电网规范、设备规格以及系统稳定性分析结果。
- 检测冲突与违规行为：该层会主动识别人工智能、数字孪生技术以及网络物理系统模块生成的指令与预设安全限制或确定性备用逻辑之间的差异。例如，某些由人工智能生成的指令虽然能在特定目标下实现最优效果，但却可能使系统进入不稳定状态；或者数字孪生模型的预测结果因数据异常或网络攻击而出现偏差，从而导致不安全的控制指令。
- 确定性备用方案与指令覆盖：一旦检测到冲突或潜在的安全违规行为，运行时保障层会立即介入，取消有冲突或不安全的指令，然后启动经过预验证的、确定性的稳定备用控制策略。根据异常的严重程度和类型，该备用策略可能包括恢复到保守且成熟的控制模式（如带有固定虚拟惯量的传统下垂控制），实施可控的功率削减，或是对受影响的逆变器执行安全关闭流程。

通过将智能控制约束在经过验证的安全范围内，运行时保障层能够确保电网的稳定性与运行完整性始终优先于优化目标。即便存在人工智能决策错误、数字孪生模型不准确或复杂的网络攻击，系统也能通过确定的控制措施维持安全运行。所提出的运行时保障层是ISDG框架的固有组成部分，而非外部监督模块。它提供了一种实用且具有科学依据的冲突解决机制，能够提升以GFM逆变器为主体的智能电网的安全性、稳健性及可信度，同时也符合关键网络物理系统的相关安全标准。

这三个模块的协同设计能够产生单一模块无法实现的综合功能。表12总结了这些协同优势以及相应的实现机制。这三者的整合带来了诸多复杂的工程权衡问题，目前相关研究还较少涉及这些方面。表13则汇总了在以GFM逆变器为主的电网中同时应用人工智能、数字孪生技术及网络安全时所面临的主要跨领域挑战。

表12. GFM系统中人工智能、数字孪生技术与网络物理系统协同作用所带来的新增功能
新增功能　实现机制　模块组合　关键参考文献
主动式网络防御　数字孪生技术提供模型参考基准，人工智能负责将异常数据识别为攻击或故障　人工智能+数字孪生技术[31,100]
安全的人工智能应用　数字孪生技术提供高精度的训练环境，网络物理系统模块负责验证数据完整性　人工智能+数字孪生技术+网络物理系统模块[135,160]
自适应弹性　人工智能在遭受攻击时重新配置GFM逆变器的控制策略，数字孪生技术负责监测系统恢复过程　人工智能+数字孪生技术[90,100]
隐私保护型协调　联邦学习技术支持多供应商共同训练人工智能模型，网络物理系统模块负责防范模型被恶意篡改　人工智能+网络物理系统模块[162,163]
预测性维护　数字孪生技术用于监测组件老化情况，人工智能则用于预测组件的剩余使用寿命　人工智能+数字孪生技术[164]
符合监管要求　数字孪生技术支持在系统投产前进行虚拟测试，网络物理系统模块负责确保遵循IEC 62351标准　数字孪生技术+网络物理系统模块[135,143,154,160]
自主电网运行　人工智能负责实时控制，数字孪生技术提供系统状态信息，网络物理系统模块确保系统可靠性　人工智能+数字孪生技术+网络物理系统模块[11,113]

表13. ISDG框架中的主要跨领域权衡问题
交叉领域　主要权衡问题　对GFM逆变器的实际影响　有前景的研究方向
安全性与延迟　加密处理会增加相量测量单元和SCADA系统的信号传输延迟，导致相位裕度降低，多逆变器电站可能出现同步问题　采用硬件加速的边缘加密技术，以及基于事件触发的而非连续式的通信方式
人工智能的适应性与其稳定性保障　深度强化学习技术虽能探索最优参数，但缺乏稳定的数学证明，可能在电网故障时导致逆变器进入不稳定运行状态　开发带有严格约束条件的安全强化学习算法，采用混合MPC-RL架构，或运用屏障证书技术
数字孪生模型的精度与规模化兼容性　高精度的电磁暂态模型计算成本极高，而简化模型则无法准确反映快速的系统变化，难以实时检测高频网络攻击或快速谐波干扰　结合人工智能生成的替代模型与边缘云分级计算技术
数据共享与隐私保护　全球范围的人工智能优化需要各供应商共享数据，但供应商往往会保护自身的核心技术架构，这可能导致电网恢复过程中相邻IBR发电厂之间的协调效率下降　采用联邦学习技术及差分隐私协议来实现参数共享

6.3 技术成熟度评估
为给未来的研究与产业应用提供具体的规划依据，我们对ISDG框架下的各项子技术进行了全面的技术成熟度评估。评估结果如图25所示，它从四个不同的应用场景出发，评估了各项技术的成熟程度，这些应用场景涵盖了从独立的微型电网到完全由可再生能源构成的输电系统。从评估结果得出的技术成熟度矩阵可以看出明显的“成熟度梯度”，从而明确了当前需要重点解决的问题。首先是从规模角度来看：随着应用规模的扩大，从微型电网（通常技术成熟度为7–9级）发展到大规模的100%可再生能源电网（技术成熟度多为2–4级），核心原理虽然已经得到验证，但集成与规模化方面的问题仍然存在。其次是大人工智能技术的瓶颈：传统的离线优化方法（如粒子群优化、遗传算法）已经达到较高成熟度（8级），而基于深度强化学习及联邦学习等技术的实时人工智能控制方法仍处于早期发展阶段（3–5级），这主要是因为这类技术尚未满足输电系统运营商对系统稳定性要求的严格标准。再者是网络安全方面的差距：数字孪生技术的硬件在环测试已经达到很高成熟度（9级），但供应链风险管理以及基于虚拟锚点的弹性控制等关键环节仍不够完善（2–3级），这也带来了较大的安全风险。

下载：高清图片（475KB）
下载：完整尺寸图片
图25. ISDG框架的各项技术成熟度评估结果。

7. 当前面临的挑战与未来研究方向
随着人工智能、数字孪生技术以及智能电网控制技术的不断发展，电力系统正朝着100%可再生能源的方向转型，这一进程为工程创新带来了巨大机遇。然而，这些技术的融合也带来了诸多复杂的跨学科挑战。本节将详细分析这些关键问题，并提出具体的未来研究方向。后续各小节将依次探讨这些挑战，根据问题的紧迫性、技术成熟度以及预期影响程度对它们进行排序，最终在第7.5节形成一个结构化的研究路线图。

7.1 基于人工智能的GFM逆变器控制的可信度与认证问题
阻碍人工智能驱动的GFM逆变器控制技术得以应用的其中一个核心问题是“认证缺失”问题[165]。传统的电网规范和安全标准（如IEC 61508、IEEE 2800-2022）要求控制系统具备确定性行为，并且所有操作都必须具备完整的可追溯性。而先进的人工智能算法，尤其是深度强化学习技术，本质上属于非确定性系统，其行为具有随机性且容易产生不可预测的效应。虽然最新的ISO/IEC TR 5469:2024标准意识到了这一问题，但它并未给出用于电网连接型逆变器认证所需的定量安全完整性等级指标[166]。7.2 实时信息物理系统整合的通信基础设施
为实现高保真度的实时数字孪生系统，用于GFM逆变器的技术应用面临着通信延迟这一根本性限制，因为次瞬态现象以及频率控制响应要求端到端延迟需低于1毫秒[11]。目前常见的5G网络其延迟通常在4至10毫秒之间，显然无法满足这类关键应用的需求。相比之下，预计在2030年代初出现的第六代无线网络或许能够提供解决方案。基于实验模拟的数字孪生框架显示，在理想的6G网络条件下，端到端延迟可低至0.8毫秒，其中0.25毫秒用于通信、0.20毫秒用于边缘人工智能处理、0.15毫秒用于数字孪生同步，还有0.05毫秒用于控制信号生成[170]。不过，由于6G技术预计要到2030年才会实现商业化应用，因此其在实际环境中的有效性仍有待验证。在此期间，有两个互补的研究方向十分重要：其一为本地化架构设计，即通过将简化版的数字孪生模型直接嵌入逆变器的数字信号处理器中，从而实现本地化的实时监控[31]；其二为语义通信技术，该技术不再传输原始数据，而是传递具有实际意义的特征信息，比如检测到的瞬态事件类型，这样既能大幅降低带宽需求，又能确保关键信息的完整性[171]。

7.3 量子时代下的加密安全性与硬件安全
由于电网设备的寿命较长，它们容易受到即将出现的量子计算机带来的威胁。所谓“现在收集数据，日后解密”的攻击策略，意味着攻击者可以截获当前加密后的运营技术通信数据，以便日后解密使用，这一威胁极具紧迫性且危害严重[172]。尽管美国国家标准与技术研究院已在2024年8月制定了首批后量子密码学标准（FIPS 203、204和205），但在传统电网控制器的有限计算环境中应用这些标准仍面临诸多工程难题[173]。后量子密码学算法需要更大的密钥尺寸以及更高的计算成本，这可能会在那些对时间敏感的保护协议中引入不可接受的延迟，比如IEC 61850 GOOSE协议。未来的研究必须深入分析这些算法对这些协议性能的影响，并为嵌入式系统开发硬件加速型的实现方案。此外，这一过渡还应当融入更广泛的架构变革之中，即构建面向量子安全的零信任架构，用基于后量子密码学的动态属性访问控制取代传统的静态认证机制[174]。同时，为防范来自硬件层面的供应链攻击，研究工作还需标准化专门为电力电子应用设计的硬件可信根模块，比如物理不可克隆函数[148]。另外，未来研究还应探索如何将硬件可信根技术——包括物理不可克隆函数、可信平台模块、安全启动机制、安全隔离区以及固件认证等功能——与人工智能驱动的数字孪生系统相结合，从而在从硬件初始化到自主信息物理系统控制的整个过程中建立端到端的信任关系。

7.4 可扩展性及多利益相关方治理
随着电网规模不断扩大，接入的主动式逆变器数量可达数百万台，此时 centralized控制方式不仅在计算上难以实现，而且安全性也极低。多智能体强化学习为分布式控制提供了一种替代方案，但随着联合动作空间的呈指数级增长，该方法也面临着“维度灾难”的问题[175]。要将多智能体强化学习技术应用于区域级输电网络，就需要在算法层面进行创新，比如采用平均场近似方法、基于图神经网络的通信架构以及分层控制结构等。与此同时，未来电网的多利益相关方特性也给数据隐私保护带来了巨大挑战。联邦学习技术能够在不共享原始数据的情况下实现人工智能模型的协同训练[176]。然而，电力数据具有时间相关性，且分布极为不均匀（非独立同分布特性），这使得传统的联邦学习算法难以收敛。因此，研究工作必须开发出能够有效处理非独立同分布电力数据的同时，还能抵御模型污染攻击的强大联邦学习聚合算法[177]。目前已有研究提出了将差分隐私技术与抗拜占庭故障的聚合方法相结合的可行框架，用于电力信息物理系统领域[178]，不过在包含多种不同供应商提供的逆变器的实际输电系统中进行验证仍是一项尚未解决的难题。最后，要实现这一框架，还需要建立完善的互操作性标准体系。虽然IEC通用信息模型和FIWARE已经为相关技术提供了基础框架，但在人工智能控制器、数字孪生系统与传统SCADA/EMS平台之间的接口标准化方面，仍然存在不少差距[179]。此外，还必须制定灵活的监管框架，明确由人工智能驱动的自动化电网资产所对应的责任边界。

7.5 研究路线图：综合概述
第7.1至7.4节中所提到的各项挑战并非相互独立，它们彼此之间存在着紧密的联系，因此需要以协调有序的方式加以解决。表14对这五类挑战进行了系统性整合，明确了每类挑战对系统带来的主要影响、所需的关键支撑技术，以及短期和长期的研究重点，从而清晰地展现了研究工作的方向与必要性。在此基础上，图26将这些挑战转化为具体的时间规划，将各项研究任务按照四个发展阶段进行安排：基础建设阶段（2026–2027年）、发展阶段（2027–2029年）、验证阶段（2029–2031年）以及部署阶段（2031–2033年）。该图还展示了各项研究活动之间的先后顺序及相互依赖关系，从而明确了每项挑战应在该何时、以何种顺序得到解决。图27则从另外两个维度进一步补充了这一时间规划：左侧的雷达图分析了当前技术水平（2026年）与目标状态（2030年）之间在八项关键能力指标上的差距大小；右侧的图表则展示了未来愿景架构，即一个由五大核心要素构成的系统框架，说明了经过认证的人工智能控制、实时数字孪生系统、量子安全通信技术、可解释人工智能以及合理的监管机制如何共同发挥作用，以弥补现有缺陷，同时图中还标注出了各要素的发展成熟度轨迹。总体而言，表14、图26和图27共同构成了一个全面而多维的研究路线图，涵盖了从问题识别、时间规划、差距分析到目标架构设计的整个过程。

表14 智能安全数字电网的研究路线图
| 挑战领域 | 主要影响 | 关键支撑技术 | 短期目标（2026–2028年） | 长期目标（2028–2035年） |
|------------------------|------------------------------|----------------------------------|--------------------------|--------------------------------------|
| 人工智能的可靠性与认证 | 影响人工智能驱动的电网控制系统的应用推广 | 可解释人工智能技术、形式化验证方法、控制屏障函数 | 物理约束下的可解释人工智能技术；混合型人工智能/确定性控制算法 | 专为人工智能设计的系统安全指标；经过认证的深度强化学习控制器 |
| 通信基础设施 | 决定实时数字孪生系统的精度与同步效果 | 第六代超低延迟通信技术、边缘计算、语义通信技术 | 适用于边缘环境的数字孪生系统原型；5G网络的优化方案 | 专为电网设计的第六代通信架构；亚毫秒级数字孪生同步技术 |
| 后量子密码学 | 确保运营技术通信的长期保密性 | NIST制定的后量子密码学标准、量子安全零信任架构 | 在电网硬件上对后量子密码学算法进行性能测试 | 完成所有系统环节的后量子密码学升级；制定符合量子安全要求的电网规范 |
| 供应链与硬件安全 | 保障电网中逆变器设备的安全稳定运行 | 物理不可克隆函数、硬件可信根技术、基于物理原理的异常检测方法 | 制定硬件可信根的标准规范；实现数字孪生系统的完整性监控 | 强制要求所有逆变器配备物理不可克隆功能模块；建立自动化的故障分析系统 |
| 可扩展性及治理机制 | 应对大规模电网系统的协调控制问题 | 多智能体强化学习技术、联邦学习技术、IEC通用信息模型 | 适用于区域级电网的多智能体强化学习算法；基于联邦学习的模型训练框架 | 自主化的电网治理体系；具备灵活适应能力的监管机制 |

下载：高清图片（751KB）
下载：完整尺寸图片

图26 智能、可观测且安全的以GFM逆变器为主导的电网所面临挑战的研究路线图
下载：高清图片（762KB）
下载：完整尺寸图片

图27 （A）雷达图，用于量化当前技术水平（2026年）与目标状态（2030年）在八项关键能力指标上的差距；（B）未来愿景架构图，展示了实现完全经过认证、具备量子安全防护且由人工智能管理的以GFM逆变器为主导的电网所需的五大核心要素，同时图中还标出了各要素的发展成熟度轨迹。雷达图中的数值表示2030年的目标得分与2026年的实际得分之间的差值，该差值以0到10的数值表示，数值越大，说明对应领域的改进紧迫性越高，研究优先级也越高。

8. 结论
向100%以逆变器作为能源转换核心的电力系统转型，代表着电网运行模式的一次根本性变革。在这一进程中，电网形成型逆变器将成为替代传统同步发电机所提供的机电稳定性的关键技术，因此必须实现这类逆变器的广泛部署。尽管现有的电网形成型逆变器控制技术已经趋于成熟，但本综述着眼于这项技术未来的发展阶段。具体而言，它填补了电力系统工程领域中一个亟待解决的科研空白——目前有三大前沿技术正在同步发展，但至今尚未被系统性地整合在一起进行研究，这三项技术分别是基于人工智能和机器学习的自适应控制技术、用于实时电网管理的数字孪生系统，以及信息物理系统安全防护技术。通过将这些看似独立的领域结合起来，本文提出了一种智能安全数字电网框架，使得电网形成型逆变器从单纯的电力电子执行器件转变为高度数字化、具备自主功能的复杂信息物理系统。通过对现有研究成果的深入分析，本文在这三个相互关联的领域得出了若干重要结论。首先，在控制智能方面，先进的人工智能方法，尤其是深度强化学习以及经过机器学习优化的模型预测控制技术，具备前所未有的实时适应能力，在电网发生严重故障或拓扑结构发生变化时，其性能远超传统的固定参数控制方法。然而，这类技术的实际应用仍受到“认证缺口”的严重制约。由于纯粹基于数据的神经网络缺乏确定的稳定性保障，因此其商业化应用的前提是开发出混合型控制架构，比如安全强化学习技术，让人工智能优化过程在经过数学验证、受物理规律约束的安全范围内进行。其次，在系统可观测性方面，电网形成型电网所产生的亚同步、微秒级的瞬态现象使得传统的SCADA系统已无法满足需求。数字孪生系统已成为实现实时稳定性监测以及多层级电网规范合规性测试的必备基础设施，这些测试范围从软件在环测试逐步扩展到电力硬件在环测试。不过，要将离线诊断模型与实时运行的数字孪生系统结合起来，仍需克服巨大的计算能力和延迟限制。现有研究表明，传统的集中式电磁暂态仿真方法应当被分层式的边缘云架构所取代，通过人工智能驱动的在线参数估计算法，可以在不造成通信网络过载的情况下维持高精度的边界条件。第三，人工智能和数字孪生系统的应用虽然带来了数字化优势，但也引发了严重的信息物理安全风险。本综述指出，存在一种“数字孪生放大效应”，即隐蔽的恶意攻击者可以通过这种方式破坏数字孪生系统对实际电网状态的认知，进而向真实的电网形成型逆变器发送导致系统不稳定的指令，这使得仅依靠传统的IT安全防护措施已远远不够。真正的电网韧性必须内置于物理控制回路之中，这就需要借助基于物理原理的异常检测方法以及基于信任机制的共识算法，以便在不对电网整体运行造成影响的前提下，及时隔离出现故障的组件。总而言之，智能安全数字电网框架的核心理念在于：智能性、可观测性和安全性已不能再孤立发展，它们是保障电网稳定运行的不可或缺的相互关联要素。人工智能需要高精度的数字孪生系统才能实现安全、高效的从仿真环境到实际环境的过渡；数字孪生系统则需要人工智能技术来提升计算效率并实现模型替代功能；而这两者又都需要强大的信息物理安全机制，以确保其数据流和控制指令的真实性与完整性。最后，本综述将人工智能驱动的自适应控制技术、实时数字孪生系统的可观测性以及信息物理系统安全防护技术有机整合在一起，形成了以电网形成型逆变器为核心的全新框架。这种融合并非简单的叠加，而是确保100%可再生能源电力系统稳定运行的关键架构要素。要实现完全自主化、100%依赖可再生能源的电力系统愿景，就需要开展跨学科的协同研究。在未来，工业界应当优先推动人工智能认证标准的统一制定，加快部署超低延迟通信网络（如6G技术），以实现本地化的智能控制，同时还要尽快采用后量子密码学技术，为长期运行的电网资产提供有效的安全防护，以应对日益严峻的安全威胁。只有将工程设计的重点从单一的逆变器硬件设计转向整体化的安全信息物理系统设计，电力行业才能顺利应对能源转型的各种挑战，确保未来数字电网的可靠性、韧性与安全性。

阿里·Q·阿尔-谢特维
沙特阿拉伯塔布克市，法哈德·本·苏丹大学电气工程系，邮编71454