微❤关注“电气仔推送”获得资料（专享优惠）
模型简介
逆变器虚拟同步发电机控制和核心控制参数就是虚拟惯量与虚拟阻尼，目前的文献中已有众多论文对VSG的虚拟参数展开了研究，但是百分之90都是采用构造函数的方法，使用智能优化算法的特别少。此模型参考上海电力大学的相关RBF_VSG论文进行搭建，暂时只针对虚拟惯量进行了RBF优化，基本上实现了RBF自适应惯量的功能，但是效果不见得突出，可以在功率指令变化时，减少频率的波动，但是对功率波动性效果较差。总的来说，模型主体结构都是完整的，大家可以在这个模型上继续完善优化，适合入门自适应参数的同学，如果是需要完美效果模型，请不要上手此模型！！
VSG控制
引入VSG的主要目的是为电力系统增加惯性和阻尼，这个目的主要是通过模 拟传统同步发电机的转子运动方程实现的。除此之外，VSG还可以模拟其它同步 发电机的主要特性。模拟的四个主要特性如下：
（1） 旋转惯量，
（2） 阻尼器绕组的阻尼效应，
（3） 调速器的下垂特性与励磁调节，
（4） 定子电压方程。
VSG的原理不再进行描述，网上的资料太多了！
ＲBF神经网络
ＲBF神经网络一般为三层前向的结构，对于连续非线性函数 具有很好的逼近效果，且算法简单，学习能力强大，学 习速度快，能够满足实时控制的需求。
模型中的RBF采用2-5-1的网络结构，本次设计所采用的ＲBF 神经网络结构图见图5，神经网络为三层结构，输入层、 输出层和一个隐含层。如图所示，j、i和l分别表示输入层节点、隐含层节点和输出层节点。本次输入层的个数为2，隐含层的个数为5，输出层的个数为1。在 图中ＲBF神经网络的两个输入节点对应虚拟同步发 电机的角频率变化量与角频率变化率，隐含层函数选 用高斯基函数，输出节点对应虚拟转动惯量J。
控制器算法流程：
( 1) 确定ＲBF神经网络的结构，确定输入节点数、 隐层基函数、输出节点数，选定学习率和惯性系数，给 网络权值赋初值，确定高斯基函数ci ，bi 数值，ω，J初 始化;
( 2) 计算神经网络的输入与输出，ＲBF神经网络的 输出即为虚拟转动惯量J;
( 3) 根据式(1) 得到控制器输出ω;
( 4) ＲBF 神经网络进行学习，对隐层到输出层之间 的权值进行调整;
( 5) 进行下一轮仿真迭代，程序再次执行(2)。
模型主体
算法展示
功率波形对比
功率波形如上图所示，仿真时间为1s，在0.5秒时，构网逆变器功率指令由10kW升至15KW。VSG控制器可以完美跟踪功率指令，但采用RBF自适应惯量控制的功率响应效果不明显。
频率波形对比
系统频率波形如上图所示，可见当系统功率指令发生变化时，频率也会产生波动，普通VSG控制的频率波动值为0.145Hz；采用RBF自适应惯量控制的频率波动值为0.125Hz。频率波动抑制效果较为明显！！
自适应惯量变化
自适应惯量变化情况如上图所示，可见当系统功率指令发生变化时，RBF惯量控制可根据VSG响应特性自适应改变惯量值。
参考文献
基于改进型RBF神经网络的VSG转动惯量自适应控制_杨旭红
基于虚拟同步发电机的逆变器并网稳定性研究_姚凤军