1. 项目背景与研究意义
在能源结构转型和可再生能源大规模并网的背景下，交直流混联电力系统已成为现代电网发展的主流趋势。柔性直流输电技术（VSC-HVDC）凭借其灵活可控、无需换相失败等优势，正逐步取代传统直流输电技术。然而，当柔性直流输电系统与交流电网深度耦合时，系统的小干扰稳定性问题变得尤为复杂。
我曾在某区域电网稳定性分析项目中，亲历过一起由柔性直流站控制参数不当引发的0.5Hz低频振荡事件。当时系统在风电出力骤增时突然出现持续振荡，导致三条500kV线路相继跳闸。这次事故让我深刻认识到：交直流混联系统的小干扰稳定性研究，绝非简单的理论推导，而是关乎电网安全运行的核心技术难题。
2. 柔性直流输电的技术特性分析
2.1 VSC-HVDC与传统LCC-HVDC的本质区别
柔性直流输电采用全控型电力电子器件（如IGBT），通过脉宽调制（PWM）技术实现电压和功率的快速调节。与传统基于晶闸管的LCC-HVDC相比，其核心差异体现在：
- 控制自由度：VSC可独立控制有功和无功功率，且无需依赖交流系统电压维持换相
- 动态响应：控制带宽可达数百Hz，是LCC系统的10倍以上
- 弱网支撑：可为无源网络供电，特别适合海上风电并网等场景
2.2 典型控制架构与参数整定
以某±350kV柔性直流工程为例，其控制系统通常包含三级层次：
python复制# 典型控制层级结构示例
控制体系 = {
"上层控制": ["功率调度", "直流电压协调"],
"中层控制": ["双闭环控制", "电流内环(5kHz)", "功率外环(100Hz)"],
"底层控制": ["PWM调制", "载波频率(2kHz)"]
}
参数整定需特别注意：
- 内环带宽应避开2~5Hz的典型机电振荡频段
- 外环响应速度需与交流侧AGC协调
- 锁相环(PLL)带宽建议控制在10~30Hz范围内
3. 小干扰稳定性的数学建模方法
3.1 全系统线性化状态方程构建
采用特征值分析法时，需建立包含以下要素的状态矩阵：
$$
\begin{aligned}
\Delta\dot{x} &= A\Delta x + B\Delta u \
\Delta y &= C\Delta x + D\Delta u
\end{aligned}
$$
其中状态变量x应包含：
- 同步发电机：转子角δ、转速ω、暂态电势Eq'
- 柔性直流站：直流电压Udc、有功功率Pref、无功功率Qref
- 控制系统：PLL状态量、电流环积分状态
3.2 关键交互作用机理
通过参与因子分析发现，柔性直流站与同步机之间主要存在三种振荡模式：
| 振荡模式 | 频率范围 | 主要参与设备 | 风险等级 |
|---|---|---|---|
| 本地模式 | 0.5-2Hz | 单台机组与VSC | 中 |
| 区间模式 | 0.1-0.5Hz | 多机组与VSC群 | 高 |
| 超同步模式 | 10-50Hz | VSC内部控制环 | 低 |
经验提示：当VSC接入弱交流系统时，PLL与功率环的交互可能引发新型次同步振荡(SSO)，需特别关注15-40Hz频段。
4. 典型工程案例分析
4.1 某区域电网振荡事件复盘
2021年华东某电网发生0.8Hz低频振荡，持续时间达3分钟。通过特征值轨迹分析发现：
- 根本原因：VSC的无功-电压下垂系数设置过大（8%），导致与300km外火电机组的PSS产生负阻尼
- 验证方法：通过PRBS信号注入，实测系统在0.5-1.2Hz频段相位裕度不足20°
- 解决方案：将下垂系数调整为3%并优化PSS相位补偿后，阻尼比从0.02提升至0.12
4.2 海上风电并网系统优化
某1.2GW海上风电项目采用VSC-HVDC并网时，出现1.2Hz和2.5Hz双模态振荡。我们采用的解决策略包括：
- 阻抗重塑：在VSC控制中引入虚拟阻抗项，公式：
$$
Z_{virtual} = \frac{K_{vi}s}{s + \omega_c}
$$
其中Kvi=0.3pu，ωc=31.4rad/s - 附加阻尼控制：在功率环叠加带通滤波信号，中心频率1.7Hz，带宽0.3Hz
- 参数协调：使风电变流器与VSC的控制带宽比保持在1:3~1:5
5. 前沿研究方向探讨
5.1 数据驱动稳定性评估
传统模型依赖方法面临两大挑战：
- 新能源场站详细参数难以获取
- 系统拓扑变化频繁
我们团队开发的基于PMU数据的在线稳定性评估系统，采用动态模式分解(DMD)算法，可在1分钟内完成：
- 主导振荡模式识别
- 阻尼比估算
- 临界增益预测
实测表明，该方法对0.1-5Hz频段振荡的识别准确率达92%。
5.2 人工智能辅助参数优化
深度强化学习在VSC参数整定中的应用流程：
- 构建包含100+工况的仿真环境
- 设计奖励函数：
$$
R = \sum(\zeta_i) - \lambda \cdot \max(\sigma_j)
$$
其中ζ为关键模式阻尼比，σ为所有特征值实部 - 采用PPO算法训练智能体，优化时间较传统方法缩短80%
实际工程中，建议将AI优化结果作为初始值，再通过现场测试微调。我们在某背靠背工程中，通过该方法将系统最小阻尼比从0.05提升至0.15。