一种基于拓扑过滤的自编码器，用于无需了解系统具体拓扑结构的情况下，估算多变换器系统中网格形成（Grid Forming）控制模式和网格跟随（Grid Following）控制模式的占比

《Engineering Applications of Artificial Intelligence》：A topology-filtering autoencoder for topology agnostic estimation of the percentage of Grid Forming and Grid Following control modes in a multi-converter system

风场并网需解决拓扑结构对PCC测量阻抗的影响，本文提出拓扑过滤自编码器结合LSTM网络，通过外部电压电流测量提取电缆无关的转换器综合阻抗，实现电网跟随模式比例（误差<5%）的鲁棒估计，有效克服拓扑不确定性。

　　

Rabah Ouali|Martin Legry|Jean-Yves Dieulot|Pascal Yim|Frédéric Colas|Xavier Guillaud

里尔大学，法国国家科学研究中心（CNRS），里尔中央理工学院（Centrale Lille），里尔信号与自动化计算研究中心（CRIStAL），法国国家科学研究中心UMR 9189项目，法国里尔59000

摘要

将风电场大规模集成到输电网络中，给电力系统的稳定性和运行带来了新的挑战。现代风力涡轮机通过电力电子转换器进行连接，其动态行为受到制造商特定控制策略的支配。对于输电系统运营商（TSOs）来说，验证是否符合电网规范和合同要求非常困难，因为这通常仅依赖于外部测量数据，如公共连接点（Point of Common Coupling）的阻抗特性。这些测量结果不仅受转换器控制模式的影响，还受到风电场拓扑结构和电缆参数的影响。本文提出了一种拓扑过滤自动编码器，用于去除风电场测量得到的总导纳中连接电缆的贡献。该自动编码器处理总导纳的频率依赖性幅值和相位，并输出相应的无电缆导纳。与现有的基于自动编码器的电力系统方法不同，这些方法主要关注时间数据的重建，而本文提出的方法能够过滤拓扑效应。另一个贡献是估计处于电网跟随（Grid-Following, GFL）模式和电网形成（Grid-Forming, GFM）模式的转换器比例。一种专用的长短期记忆（Long Short-Term Memory）架构应用于过滤后的导纳，即使在电缆长度变化和拓扑不确定性条件下，也能实现平均绝对百分比估计误差低于5%。拓扑过滤自动编码器与循环网络的结合，形成了一种不受拓扑结构影响的估计方法，并通过风电场案例研究进行了验证。

引言

将大型可再生能源系统（如海上风电场）集成到输电网络中，对系统的稳定性和运行提出了重大挑战。本文以Thanet风电场（100台涡轮机，300兆瓦）作为代表性案例进行研究。输电系统运营商（TSOs）必须验证此类设施是否符合电网规范和合同要求，但他们仅能通过公共连接点（Point of Common Coupling, PCC）的外部测量数据进行验证，无法获取内部转换器的测量数据或控制配置信息。与传统以同步电机为主的电力系统不同，现代风电场主要依赖电力电子转换器，这些转换器通常工作在电网跟随（GFL）模式。这些转换器提供的惯性和干扰支持有限，甚至可能引发高频振荡（Christensen等人，2020年）。因此，引入了电网形成（GFM）控制策略来增强电网支持能力（Lamrani等人，2023-09年）。然而，所有转换器都工作在GFM模式下在技术和经济上都是不可行的，系统稳定性需要适当比例的GFL和GFM转换器（Henderson等人，2024年），这通常在合同中有所规定（Ghimire等人，2025-01年）。由于保密限制，TSOs无法直接获取这些信息，因此迫切需要基于PCC测量数据的间接验证方法。由于控制器参数的高维度，从阻抗测量数据中识别转换器控制模式具有挑战性。传统的机器学习方法（如随机森林或XGBoost）即使对于单个转换器，性能也有限（Lartey等人，2022年；Ouali等人，2025年）。相比之下，卷积神经网络在噪声条件下可以实现完美的分类和准确的参数估计（Ouali等人，2025年）。将这些方法扩展到整个风电场要复杂得多，因为内部拓扑结构（电缆阻抗、长度和布局）会显著影响在PCC测量的总导纳。因此，递归识别方法和聚合模型（如WMPS-AM）不适用（Safavizadeh等人，2024年；Han等人，2018年），直接的数据驱动方法也无法区分拓扑效应和控制效应。此外，由于转换器控制参数、控制模式和风电场拓扑结构的设计空间庞大，基于模拟的数据生成是不切实际的。特别是，内部电缆阻抗和布局的变化对PCC测量的总导纳的影响与转换器控制参数的影响相当，使得无法直接从原始测量数据中分离出与控制相关的信息。尽管有许多研究关注转换器建模和系统识别，但它们通常假设拓扑结构已知或固定，依赖于内部测量数据，或仅关注单个转换器的配置。迄今为止，文献中尚未提出能够去除仅通过PCC获得的风电场导纳测量数据中内部集线网络贡献的拓扑过滤工具。因此，目前还没有实用的方法可以让TSOs独立于不确定或未知的风电场拓扑结构来估计转换器控制特性（例如处于GFL模式的转换器比例）。本文的目标是仅使用PCC处的电压和电流测量数据来估计风电场中处于GFL模式的转换器比例（见图1）。一个关键的中间步骤是独立于内部电缆网络重建净转换器导纳。为了解决缺乏拓扑过滤方法的问题，本文的核心思想是使用自动编码器构建一个不受拓扑结构影响的风电场导纳表示方法。自动编码器广泛用于信号重建和去噪，在电力系统中的应用主要涉及状态重建、故障检测和网络攻击检测（Sugunaraj和Ranganathan，2024年；Yan等人，2024年；Chen等人，2020年；Sepehr等人，2022年；Luo等人，2021年；Zideh等人，2024年；Ahmed等人，2019年）。一些近期研究使用内部测量数据和基于图的表示方法来解决与拓扑相关的问题（Raghuvamsi等人，2023年；Raghuvamsi等人，2025年；Wang等人，2025年）。然而，这些方法无法提供转换器控制特性的信息，并且依赖于TSOs无法获得的测量数据。与现有方法不同，本文提出的方法专注于仅使用外部测量数据对风电场导纳进行拓扑无关的过滤。

本文的原创贡献如下：（i）敏感性分析表明，拓扑结构和转换器控制参数的变化对风电场导纳的影响相当；（ii）一种新的拓扑过滤自动编码器，可以独立于内部电缆参数重建净转换器导纳；（iii）一种定制的长短期记忆网络，用于从过滤后的导纳中估计GFL控制模式的比例；（iv）证明了该方法对拓扑不确定性的鲁棒性。因此，本文的结构如下：第2节介绍了风电场的物理模型、电力转换器的控制结构以及在PCC测量的聚合导纳的公式。第3节首先回顾了转换器识别、基于导纳的分析和数据驱动方法的相关工作，然后阐述了本文解决的估计问题。进一步分析了控制和拓扑参数对总导纳的影响和敏感性，并描述了用于评估对不确定参数鲁棒性的数据集生成和评估程序。第4节介绍了用于独立于内部集线网络重建净转换器导纳的提出的拓扑过滤自动编码器，并比较了几种机器学习算法在拓扑变化条件下对每种控制模式比例的鲁棒估计。最后，第5节总结了主要发现，讨论了所提出方法的局限性，并指出了未来研究的方向。

风电场的小信号模型

如图1所示，风电场中的风力涡轮机通常通过交流（AC）集线网络连接，这些集线网络被组织成“串”，形成完整的风电场。相应的等效电气图如图2所示，其中$Y_{ci,j}$是第$j$个串的$i$个转换器的导纳，而$Z_{l,j}$是第$j$个串的电缆阻抗。

本节推导了风电场的总阻抗（导纳），表明

转换器控制模式估计的规范和挑战

本研究的主要目标是估计风电场中处于电网跟随（Grid-Following, GFL）模式的转换器比例，用$\alpha$表示（见图1）。处于电网形成（Grid-Forming, GFM）模式的转换器比例简单地表示为$1?\alpha$。这一估计完全依赖于在公共连接点（PCC）可用的外部测量数据，使用风电场的总导纳特征。

在PCC测量的总导纳取决于许多参数：

控制模式比例的鲁棒估计

数据集生成后，训练机器学习算法来估计风电场中处于电网跟随（GFL）模式的转换器比例，用$\alpha$表示。然后使用第4.4节描述的程序评估训练好的模型，以评估其在不同和未见过的拓扑配置下的鲁棒性和外推能力。如第3节所述，所提出的自动编码器以在PCC测量的风电场总导纳作为输入。

结论

在这项工作中，开发了一种方法，利用聚合导纳的测量数据来估计风电场中处于电网跟随（Grid Following, GFL）和电网形成（Grid Forming, GFM）模式的转换器比例。敏感性分析表明，控制参数、模式比例或电缆长度的变化对风电场阻抗的影响相似，这突显了网络拓扑结构的关键作用；因此，当电缆长度与其标称值相比变化20%时，估计$\alpha$的MAPE（Mean Absolute Percentage Error）超过10%

CRediT作者贡献声明

Rabah Ouali：验证、软件、方法论、数据管理、概念化。Martin Legry：撰写——初稿、方法论、概念化。Jean-Yves Dieulot：撰写——初稿、监督、方法论、资金获取、概念化。Pascal Yim：撰写——审稿与编辑、监督、软件、方法论。Frédéric Colas：撰写——审稿与编辑、监督、概念化。Xavier Guillaud：撰写——审稿与编辑、监督、资金获取，

资金支持

作者感谢法国国家研究署（ANR）在DELTWINCO项目下的资助，项目编号为ANR-21-CE05-0038。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Rabah Ouali报告称，他获得了法国国家研究署在DELTWINCO项目（ANR-21-CE05-0038）下的财务支持。如果有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文报告的工作。