基于多智能体强化学习的分布式构网型逆变器数据驱动故障穿越运行

《Energies》：Data-Driven Fault Ride-Through Operation of Distributed Grid-Forming Inverters Using Multi-Agent Reinforcement Learning

　　构网型变流器（GFMIs）对于未来的低惯量电力系统至关重要，因为它们能够建立电压和频率，而不仅仅是跟随电网。然而，与同步机相比，它们的过载能力和故障电流能力有限，因此要实现可靠的故障穿越（FRT）/低电压穿越（LVRT）行为，需要专门设计的控制策略。本研究提出了一种受多智能体强化学习启发的技术，用于虚拟同步发电机（VSG）控制的构网型变流器的参数选择。该技术采用独立的孪生延迟深度确定性策略梯度（TD3PG）智能体，考虑了IEEE 13节点网络上的对称和非对称电网故障。该方法在MATLAB/Simulink^? 2023b环境中，利用潮流误差和电压不平衡系数作为关键观测输入。策略设计用于修改有功功率控制器的惯量和阻尼系数，以及无功功率控制器的比例-积分增益，以增强对电网扰动的稳定性响应。本研究将该方法与传统VSG控制方法以及带有虚拟阻抗和动态电流饱和的VSG方法进行了对比评估，涵盖了多个具有不同功率等级的变流器。提出的强化学习辅助控制方案（嵌入电流限制功能）始终显示出峰值故障电流降低约10%–12%，以及有功和无功功率稳定时间从约3.50–5秒缩短至约1–1.50秒。此外，该方案还能在扰动期间将故障电流限制在1.25标幺值以下，从而使得宽功率范围的变流器在对称和非对称故障条件下均能连续运行。