分布式可再生能源（RESs），如光伏和风能的高渗透率正在重塑微电网的运行方式。由于转换器接口的惯性很小且阻尼较低，整体的频率支持能力下降，导致在干扰下频率波动较大，变化率更高[[1], [2], [3], [4]]。因此，在保持高RES利用率的同时增强频率稳定性已成为一个关键研究课题[4]。
虚拟同步发电机（VSG）控制通过嵌入摆动方程和下降特性，使电力电子转换器具有类似同步电机的动态特性。凭借储能系统的快速响应，VSG可以在频率事件期间提供及时的有功功率支持，从而提高微电网的瞬态稳定性[5,6]。然而，VSG的性能强烈依赖于虚拟惯性和阻尼参数的选择，固定调节无法在时变运行条件下始终平衡快速恢复和振荡抑制。
一些研究探讨了在高RES渗透率下的基于VSG的频率调节方法。在[7,8]中，从虚拟转子和/或直流链路能量的动态中推导出虚拟惯性控制，以改善互联可再生能源系统的频率响应。模型预测控制也被用于协调孤立微电网中的电压不平衡补偿[9]。然而，这些方法通常采用固定的惯性和阻尼，这限制了它们对不同区域和干扰严重程度的适应性。
为了解决瞬态稳定性问题，先前的工作分析了虚拟惯性如何影响功率角超调和临界清除时间，并提出了基于平衡点评估和有功功率-频率关系的优化或自适应调节策略[10,11]。然而，在实践中，测量/反馈延迟和变化的电网条件可能会使实时稳定性评估变得复杂，并增加计算需求，这可能阻碍在线部署。
基于模糊逻辑的自适应策略根据频率偏差及其变化率调整虚拟惯性和阻尼，从而改善了混合微电网中的频率和电压调节[12,13]。更先进的设计将模糊逻辑控制（FLC）与元启发式优化相结合来调节控制器增益，显著减少了频率偏差和变化率[14]。尽管有这些优点，规则和隶属函数设计以及在线优化在复杂运行条件下可能会带来不可忽视的计算负担。
基于神经网络的方案利用非线性近似在线调节VSG参数，可以提高对复杂场景的适应性[15]。然而，纯神经学习在权重更新方面可能敏感，并且可能存在输出抖动，且必须高度依赖于初始化。如果没有明确的机制来预测频率趋势，参数更新可能在干扰初期仍然起到事后补偿的作用。
硬件增强解决方案，如集成超导故障电流限制器（SFCL）和超导磁能存储（SMES），已被研究用于增强故障穿越能力和改善瞬态响应[16,17]。虽然有效，但这些方法需要额外的硬件投资和配置优化，增加了系统的复杂性和成本。
总之，现有的VSG参数调节方法仍存在共同的限制。一方面，许多策略依赖于固定的惯性/阻尼或离线调节，这使得它们难以适应以可再生能源为主导的微电网在运行点、区域和干扰幅度频繁变化时的动态需求。另一方面，大多数自适应方法主要根据频率偏差和RoCoF等瞬时指标调整参数，这可能导致在突然的负载变化和强烈时变条件下适应延迟。此外，基于在线学习或规则推理的方法可能会引入参数抖动或漂移，从而削弱频率支持和功率振荡抑制。另外，那些通过结合复杂的在线优化算法或额外硬件设备来追求最佳性能的方法通常会带来相当大的实时计算负担和工程成本，限制了在嵌入式控制器中的实际应用。因此，迫切需要一种VSG参数自适应调节策略，该策略能够同时实现实时可行性、平滑且有界的参数演变，以及对变化运行条件的强适应性，从而提供更积极和稳定的频率支持，并加快恢复速度，而不显著增加实现复杂性。
受上述缺点的启发，本文提出了一种自适应VSG参数调节方法，该方法可以实时实施，产生平滑且有界的参数输出，并在强烈时变的运行条件下保持有效性。首先，为了解决低惯性微电网在负载/功率干扰下出现较大频率波动的问题，以及传统固定参数VSG难以平衡动态性能和稳定性的问题，提出了一种基于增量学习预测器的角频率及其趋势的短预测方法，以实现虚拟惯性的前馈预调整，从而减少适应延迟。其次，考虑到微电网的强烈时变运行条件和参数不确定性，以及在线学习可能引起的参数抖动倾向，进一步提出了一种自适应惯性调节策略，该方法使用模糊径向基函数神经网络（FRBFNN）建立从预测频率特征到目标惯性指令的非线性映射，并通过模糊规则在线自适应调整基函数宽度，以提高鲁棒性并确保输出平滑且有界。最后，通过MATLAB仿真和dSPACE–DSP实验平台在典型场景（如负载阶跃干扰）下验证了所提出的方法。结果表明，该方案有效抑制了频率波动并加快了恢复速度，具有良好的工程可行性和应用潜力。
