研究背景
新型电力系统下，可再生能源与电动汽车的并网规模持续扩大，推动电力系统发生根本性变革，其中谐波不稳定性成为重点关注问题。并网变流器等效电路的不稳定性和控制时间尺度的关联需建立精确模型，以揭示其动态特性。现有建模方法包括时域和频域方法，各有优劣。时域方法如状态空间模型适用于黑盒系统，但模型复杂度高；频域方法如阻抗模型适用于白盒系统，但难以解释失稳机理。未来需解决通用性欠缺、复杂度高和随机性难刻画等问题。
阻抗模型
并网变流器控制方式分为跟网型控制和构网型控制。跟网型控制依赖稳定的外部电网，适用于微电网、孤岛等场景；构网型控制自主构建电网电压和频率，适用于独立或弱电网场景。阻抗模型包括GFL和GFM两种类型，分别对应跟网型和构网型变流器。GFL阻抗模型基于PLL同步调整输出功率/电流，GFM阻抗模型基于下垂控制或虚拟同步机控制调整输出电压/频率。小信号建模方面，GFL阻抗模型呈现负阻特性，GFM阻抗模型呈现低阻抗的电压源特性。稳定性分析表明，加入GFM变流器可提高系统稳定性。
模型降阶
系统描述为一个多输入多输出（MIMO）系统，建模复杂度高。全阶导纳矩阵计算负担重，物理含义不明晰。常用数值方法包括帕德近似、劳斯近似、连分式展开等，各有优劣。面向设计的符号降阶方法包括渐近线分析、分频段传递函数降阶、零极点对消和直流增益估计等步骤。微电网中应用表明，全阶模型降阶模型具有较高准确性。
基于AI的系统辨识
新型电力系统的高随机性、强耦合性和多时间尺度特性，需要利用人工智能技术解决新问题。人工神经网络（ANN）可根据收集的阻抗数据进行训练，生成离线阻抗模型。迁移学习（TL）可解决样本数量不足的问题，有效提升模型的准确性。GFL变流器阻抗辨识案例表明，迁移学习可实现多工况下辨识，误差在可接受范围。
结论
提出了适用于GFL和GFM变流器的通用阻抗建模流程，该方法完整地考虑了电路、同步环节和控制测量，可精确地用于谐波稳定性分析。提出了数值与符号相结合的模型降阶方法，显著降低了稳定性分析的计算复杂度，使大规模系统的稳定性评估成为现实。人工智能有望成为谐波稳定性分析的新型高效求解工具。
