TWI805470B

TWI805470B - 具有虛功補償的三相逆變器裝置

Info

Publication number: TWI805470B
Application number: TW111130644A
Authority: TW
Inventors: 洪穎怡; 白鈞皓
Original assignee: 中原大學
Priority date: 2022-08-15
Filing date: 2022-08-15
Publication date: 2023-06-11
Also published as: TW202410623A

Abstract

一種具有虛功補償的三相逆變器裝置，係利用基於深度學習的三相逆變器進行虛功補償(Reactive Power Compensation)的裝置，依據長短記憶網路(Long Short-term Memory,LSTM)擁有遞迴神經網路(Recursive Neural Networks,RNN)的優點，且改善RNN梯度消失及爆炸的缺點，因此本發明利用LSTM模組串接全連接層(Fully-Connected Layer,FC)作為逆變器的主要控制器架構，並使用內、外兩個優化迴圈進行事前離線優化LSTM+FC控制器架構之性能，以取代傳統的PI控制器。內迴圈優化LSTM模組的權重與偏權值及全連接層的權重與偏權值；外迴圈優化初始學習率及LSTM模組隱藏單元個數。透過模擬與實驗過程發現，與傳統的PI控制器相比，本發明以LSTM模組串接全連接層之控制器架構可得到較佳的性能結果。

Description

具有虛功補償的三相逆變器裝置

本發明係有關於一種具有虛功補償的三相逆變器裝置，尤指涉及一種以長短記憶網路(Long Short-Term Memory,LSTM)做為智慧逆變器的控制器核心，以取代傳統比例積分(Proportional Integral,PI)控制器，特別係指當電網發生故障引起低電壓時，此智慧逆變器可提升逆變器提供電網虛功率響應的性能者。

近年來，台灣社會積極討論能源相關議題，從燃煤空污、桃園藻礁，一直到廢核，很明顯地台灣已經無法單純倚靠「節能」補足目前的電力缺口，因此必須增加再生能源發電的比例，不過因為再生能源的不確定性，使得發電量不是很固定，所以目前是利用相關的儲能設備達到穩定供電的要求。

無論是再生能源或是儲能系統要將電力傳輸到電網中，兩者將必須仰賴逆變器(Inverter)，將再生能源或者是電池中的直流電轉換成為交流電併到電網裡，在電網正常的情況下可以穩定供電，在電網異常出現低壓時，逆變器須將虛功注入到電網裡，以維持電網電壓之穩定。

為了提升對電網的韌性，過去文獻中有針對Mamdani的智慧逆變器的模糊邏輯控制器進行研究，是將Mamdani型的智慧逆變器用於自主微電網中。除此之外，有文獻提出利用小波模型與模糊類神經網路結合的小波模糊類神經網路(Wavelet Fuzzy Neural Network,WFNN)、遞迴式小波模糊類神經模糊網路(Recurrent Wavelet Fuzzy Neuro Network,RWFNN)、及機率模糊類神經網路(Probabilistic Fuzzy Neural Network,PFNN)。雖然利用各式的模糊控制可以得到非常好的控制結果，但是在計算上卻非常複雜且耗時。在過去的相關文獻大都是利用LSTM進行各類型孤島偵測、故障辨識或故障診斷，鮮少應用於控制領域中。由此可見，先前文獻為了提升智慧型逆變器之控制性能，主要係以模糊控制為主，或是從模糊控制上延伸出不同類型的模糊控制方式，並非以深度學習LSTM為主要架構。即便上述有相關文獻提出將LSTM應用在逆變器的孤島偵測，並且是以不斷嘗試的方式去尋找最佳的超參數來進行LSTM訓練，然而，此文獻並非用於逆變器的虛功補償，也並非以優化方式進行LSTM訓練。

另外，在相關專利部分，台灣專利案號TW201310876係利用任意兩相之間串聯多個逆變器模組，每一逆變電路具有能量存儲單元、電容與H橋電路。該專利提供一種新的功率補償裝置，對三相交流電網進行虛功補償及實功調節，但由於其串聯多個逆變器的關係，導致成本以及控制迴路的複雜度增加。美國專利案號US08076802係由DC/DC轉換器與具有H橋電路的DC/AC逆變器所組成，然而其晶片需要同時對兩個轉換器進行控制，會對晶片產生不小的負擔，為了實現此一架構，該專利採用常見的PI控制作為控制器，但在故障出現時會產生較大的暫態響應。中國大陸專利案號CN112186816係透過改變下垂虛功補償係數，把新型下垂虛功補償係數應用於下垂虛功補償控制方程中，但此專利仍停留在模擬階段，並沒有實際應用的成果。

鑑於現今再生能源發電的佔比例越來越高，併入電網時，會對原先的電力系統造成很大的衝擊，因此各國皆對再生能源併網提出嚴格的規範，尤其是在電網出現故障時，再生能源必須可以注入虛功，以維持電網電壓穩定性。過去在逆變器的控制上主要是PI控制器為主，但在設定參數的部分主要是倚賴誤試法或是經驗法則，找出最佳的參數設定，不但研發時間長、成本高且系統較不具強健性。職是之故，鑑於習知技術中所產生之缺失弊端，實有急待改進之必要，針對既有之缺失加以改良，發展一種可取代傳統PI控制器，使補償的性能更佳之發明實有必要。

本發明之主要目的係在於，克服習知技藝所遭遇之上述問題並提供一種具有虛功補償的三相逆變器裝置，其係以LSTM做為智慧逆變器的控制器核心，以取代傳統PI控制器；當電網發生故障引起低電壓時，此智慧逆變器可提升逆變器提供電網虛功率響應的性能。

為達以上之目的，本發明係一種具有虛功補償的三相逆變器裝置，係以LSTM為基礎的控制器，取代傳統PI控制器，其包括：一電源供應器，提供一直流輸入電壓；以及一逆變器電路，與該電源供應器連接，接收該直流輸入電壓並轉換為一交流電壓輸出至三相的電網中，該逆變器電路包括至少一控制器架構，該控制器架構係由一LSTM模組串接一全連接層(Fully-Connected Layer,FC)構成，該全連接層為適應環境變化，可針對不同的輸入，線上修正權重值及偏權值，以提供適當的輸出結果；並且，該逆變器電路係使用外迴圈及內迴圈進行事前離線優化該控制器架構，其中該內迴圈使用自適應矩估計(Adaptive Moment Estimation Optimizer,Adam Optimizer)優化器優化該LSTM模組的權重與偏權值以及該全連接層的權重與偏權值；該外迴圈使用粒子群優化演算法(Particle Swarm Optimization,PSO)優化Adam的初始學習率及該LSTM模組的隱藏單元個數。

於本發明上述實施例中，更設有一LC濾波器，係與該逆變器電路連接，用以濾除該交流電壓的電力諧波，使該逆變器電路可以輸出不含諧波的交流電壓到該電網當中。

於本發明上述實施例中，該控制器架構為一個四對二控制器架構，係針對DQ軸做控制，以輸出貼近該DQ軸電流值。

於本發明上述實施例中，該控制器架構為兩個二對一控制器架構，係針對DQ軸做控制，以輸出貼近該DQ軸電流值。

於本發明上述實施例中，該LSTM模組係由輸入門I_t、輸出門O_t與遺忘門f_t的網路結構所組成。

於本發明上述實施例中，該當該控制器架構係多對多時，該 LSTM模組計算完成後的隱藏狀態向量h_t會與該全連接層中的權重

、

、

、

及偏權值FC_{Bias_D}、FC_{Bias_Q}進行運算，最後得出所需要的輸出。

於本發明上述實施例中，該PSO係先隨機產生出一組粒子(Particle)，並且給予該組粒子一個初始速度，以決定移動方向與距離，此時，空間中的每個粒子

都會相互影響，而每個粒子皆由適應函數(Fitness Function) 得出一個適應值(Fitness Value)，以評估目前位置的好與壞，最終會漸漸地收斂到最佳解的位置上，令粒子在疊代t找到的最佳解為

，從開始至目前疊代 t找到的最佳解為

於本發明上述實施例中，該逆變器電路更包括一鎖相迴路(Phase-Locked Loop,PLL)、一逆派克轉換(Inverse Park Transform，即dq0軸轉 abc軸)、及一空間向量脈寬調變(Space Vector Pulse-Width Modulation,SVPWM)控制器。

1:電源供應器

2:逆變器電路

21:控制器架構

211:LSTM模組

212:全連接層

22:鎖相迴路

23:逆派克轉換

24:空間向量脈寬調變控制器

3:LC濾波器

第1圖，係本發明三相併網逆變器之架構示意圖。

第2圖，係本發明LSTM模組之結構示意圖。

第3圖，係本發明全連接層之架構示意圖。

第4圖，係本發明LSTM+FC四對二控制器架構之示意圖。

第5圖，係本發明LSTM+FC二對一控制器架構之示意圖。

第6圖，係本發明LSTM+FC四對二線上調整時的Iodc、Ioqc、Iod及Ioq之控制模擬結果圖。

第7圖，係本發明LSTM+FC四對二線上調整時的逆變器之輸出功率模擬結果圖。

第8圖，係本發明使用LSTM+FC四對二控制器架構在電網電壓下降0.55 p.u.之實測功率響應圖。

第9圖，係本發明使用LSTM+FC四對二控制器架構在電網電壓下降0.55 p.u.之實測電壓波形圖。

第10圖，係本發明使用LSTM+FC四對二控制器架構在電網電壓下降0.55 p.u.之實測電流波形圖。

第11圖，係本發明LSTM+FC二對一線上調整時的Iodc、Ioqc、Iod及Ioq之控制模擬結果圖。

第12圖，係本發明LSTM+FC二對一線上調整時的逆變器之輸出功率模擬結果圖。

第13圖，係本發明使用LSTM+FC二對一控制器架構在電網電壓下降0.55 p.u.之實測功率響應圖。

第14圖，係本發明使用LSTM+FC四對二控制器架構在電網電壓下降0.55 p.u.之實測電壓波形圖。

第15圖，係本發明使用LSTM+FC四對二控制器架構在電網電壓下降0.55 p.u.之實測電流波形圖。

請參閱『第1圖~第5圖』所示，係分別為本發明三相併網逆變器之架構示意圖、本發明LSTM模組之結構示意圖、本發明全連接層之架構示意圖、本發明LSTM+FC四對二控制器架構之示意圖、及本發明LSTM+FC二對一控制器架構之示意圖。如圖所示：本發明係一種具有虛功補償的三相逆變器裝置，係以長短記憶網路(Long Short-Term Memory,LSTM)為基礎的控制器，取代傳統比例積分(Proportional Integral,PI)控制器，其包括一電源供應器1以及一逆變器電路2所構成。

上述所提之電源供應器1係提供一直流輸入電壓。

該逆變器電路2與該電源供應器1連接，接收該直流輸入電壓並轉換為一交流電壓輸出至三相的電網中。該逆變器電路2係包括至少一控制器架構21、一鎖相迴路(Phase-Locked Loop,PLL)22、一逆派克轉換(Inverse Park Transform，即dq0軸轉abc軸)23、及一空間向量脈寬調變(Space Vector Pulse-Width Modulation,SVPWM)控制器24。該控制器架構21係由一LSTM 模組211串接一全連接層(Fully-Connected Layer,FC)212構成，且該全連接層212為適應環境變化，可針對不同的輸入，線上修正權重值及偏權值，以提供適當的輸出結果。並且，該逆變器電路2係使用外迴圈及內迴圈進行事前離線優化該控制器架構，其中該內迴圈使用自適應矩估計(Adaptive Moment Estimation Optimizer,Adam Optimizer)優化器優化該LSTM模組211的權重與偏權值以及該全連接層212的權重與偏權值；該外迴圈使用粒子群優化演算法(Particle Swarm Optimization,PSO)優化Adam的初始學習率及該LSTM模組211的隱藏單元個數。如是，藉由上述揭露之結構構成一全新之具有虛功補償的三相逆變器裝置。

當運用時，本發明以第1圖所示的三相併網逆變器為例，其中在該逆變器電路2的輸入端接收來自該電源供應器1的直流輸入電壓為400V，最大輸出功率為5kVA，接著會將該逆變器電路2所產生的交流電併到三相220V的電網中。在硬體中，更設有一與該逆變器電路2連接之LC濾波器3，用以濾除掉三次以上的電力諧波，使該逆變器電路2可以輸出不含諧波的交流電到該電網當中。併網的過程中，利用該鎖相迴路22將該逆變器電路2所產生的訊號與電網的參考訊號保持同步，當電網的相位或頻率發生改變時，該鎖相迴路22會重新透過閉迴路重新調整輸出頻率及相位，直到兩者同步。控制迴路的部分則是採用電流控制，利用由該LSTM模組211串接該全連接層212作為該逆變器電路2的主要控制器架構21，取代傳統的比例積分(Proportional Integral,PI)控制器，可使補償的性能更佳，更貼近地達到命令與實際值相同的結果，再透過派克轉換以及該SVPWM控制器24，進而控制該逆變器電路2的輸出，達到完整輸出三相220V交流電的結果。

上述LSTM模組211的優點係具有輸入門I_t、輸出門O_t與遺忘門f_t的網路結構所組成。如此能夠使模型在訓練過程中，可以選擇性地記住所需要的資訊。其中，儲存單元表示為C_t、隱藏狀態向量表示為h_t，時間t表示為第t個時間序列，該LSTM模組211的結構如第2圖所示。

其中，每一個LSTM模組211的單元輸入都是由上一個隱藏狀態向量h_(t-1)與當前信號數據x_t組成，該遺忘門的輸出f_t係經過sigmoid的激活函數得到的。該f_t的值在0到1之間，表示忘記上一層隱藏單元狀態C_(t-1)的機率。該輸入門將使用sigmoid與tanh兩個激活函數，產生出I_t和a_t，並且把兩者相乘一起，成為該輸入門的輸出。最後該輸出門的部分，其中該隱藏狀態向量h_t主要由兩個部分組成，其一是該輸出門的輸出O_t，另一則是該儲存單元C_t的結果。

f_t=σ(W_f．[h_t-1 ,x_t]+b_f)；I_t=σ(W_i．[h_t-1 ,x_t]+b_i)；a_t=tanh(W_a．[h_t-1 ,x_t]+b_a)；O_t=σ(W_o．[h_t-1 ,x_t]+b_o)；h_t=O_t * tanh(C_t)；C_t=C_t-1 * f_t+I_t * a_t；其中，上述所提到的W皆為該門之權重，b則為該門之偏權值。

上述控制器架構21的部分，除了該LSTM模組211外，為了線上調節權重以適應環境的變化，因此在該LSTM模組211後面多串接一全連接層212，如第3圖所示，進而可以針對不同的輸入，線上修正

、

、

、

、FC_{Bias_D}及FC_{Bias_Q}以提供適當的輸出結果。

以多對多的控制器架構為例，當該LSTM模組計算完成後的隱藏狀態向量h_t會與該全連接層中的權重

、

、

、

及偏權值 FC_{Bias_D}、FC_{Bias_Q}進行運算，最後得出所需要的輸出，其公式為：

其中，該h_{t_D}及h_{t_Q}為該全連接層的輸入。

在解上述PSO最佳問題時，需要先隨機產生出一組粒子(Particle)，並且給予該組粒子一個初始速度，以決定移動方向與距離，此時，空間中的每個粒子(以位置

表示之)都會相互影響。而每個粒子皆由適應函數(Fitness Function)得出一個適應值(Fitness Value)，以評估目前位置的好與壞，最終會漸漸地收斂到最佳解的位置上。令粒子在疊代t找到的最佳解為

，從開始至目前疊代t找到的最佳解為

，其公式為：

其中，該

為粒子i在(t+1)時的速度；該

為粒子i在(t+1)時的位置；該w為慣性權重；該c₁與該c₂為加速常數；以及該r1與該r2為介於0與1之間的隨機值。

因此，本發明利用該PSO找出訓練該LSTM模組時所需要的超參數(即

)，其中包含隱藏單元數量以及初始學習率，以得到最佳控制器架構。

以下實施例僅舉例以供了解本發明之細節與內涵，但不用於限制本發明之申請專利範圍。

[逆變器電路架構]

於本發明之一較佳具體實施例中，本裝置所使用的硬體為一顆輸出5kVA 220V的三相併網逆變器。實際逆變器硬體所輸入的直流母線電壓係利用直流電源供應器來實現再生能源或儲能系統所提供的電力等。

本裝置提出以LSTM模組串接全連接層的控制器架構，可為一個四對二控制器架構，如第4圖所示；或為兩個二對一控制器架構，如第5圖所示；藉此，可針對DQ軸做控制，以輸出貼近該DQ軸電流值。

[訓練深度學習控制器]

於本發明之一較佳具體實施例中，本裝置使用外迴圈及內迴圈來優化控制器架構，以取代傳統的PI控制器。該內迴圈使用Adam優化器來優化LSTM模組的權重W_f、W_i、W_a及W_o與偏權值b_f、b_i、b_a及b_o以及全連接層的權重

、

、

及

與偏權值FC_{Bias_D}及FC_{Bias_Q}；該外迴圈使用PSO優化Adam的初始學習率及該LSTM模組的隱藏單元個數。

[模擬與實驗結果]

首先，本發明以軟體模擬及硬體實驗證實線上調整LSTM+FC的控制器架構之優越性。模擬的結果包含本發明所提出的LSTM+FC的控制器架構及傳統PI控制器下之性能比較。其次，本發明係將控制器架構以C語言的方式，燒錄至數位晶片TMS320F28335中，針對逆變器進行全數位化之控制，實際地將LSTM+FC的控制器架構燒錄至晶片當中；透過電網故障情境下，驗證其穩定性是否與模擬結果一致，並且觀察逆變器功率響應的結果，檢驗是否在電網電壓出現異常時，適時地將虛功注入至電網當中，以協助維持電網正常運作。

本發明設定三相電網出現故障，電壓下降0.55標么(p.u.)，此時電壓降至100V。在上述情境中，分別觀察四對二控制器架構以及兩個二對一控制器架構之電壓、電流以及功率的響應變化。

1. LSTM+FC四對二控制器架構之結果

請參閱『第6圖及第7圖』所示，係分別為本發明LSTM+FC四對二線上調整時的Iodc、Ioqc、Iod及Ioq之控制模擬結果圖、及本發明LSTM+FC四對二線上調整時的逆變器之輸出功率模擬結果圖。如圖所示：本發明將傳統PI控制器以LSTM模組串接全連接層之控制器架構取代，以提升控制器架構響應性能。

透過線上調整全連接層權重值，其模擬結果如第6圖所示，圖中Iodc表示d軸命令電流、Ioqc表示q軸命令電流、Iod表示d軸實際電流值、及Ioq表示q軸實際電流值。結果顯示，經線上學習後可以改善低壓期間的追蹤狀態。其次，在正常情況下或者是在低壓期間，能使Iod與Ioq有效地跟隨命令。此時第7圖量測到的實功功率約為4500W，而虛功則為0 VAR；電網故障時，此時電網電壓下降至0.5 p.u.以下，故實功輸出為0W，虛功輸出約莫為2230 VAR。

請參閱『第8圖~第10圖』所示，係分別為本發明使用LSTM+FC四對二控制器架構在電網電壓下降0.55 p.u.之實測功率響應圖、本發明使用LSTM+FC四對二控制器架構在電網電壓下降0.55 p.u.之實測電壓波形圖、及本發明使用LSTM+FC四對二控制器架構在電網電壓下降0.55 p.u.之實測電流波形圖。如圖所示：在實作方面，所量測到的各個響應圖如第8圖~第10圖所示，其中，示波器上顯示分別為200V/div、20A/div；並且，第9圖(a)為電網正常時，實測電壓為220V波形；第9圖(b)為電網故障時，實測電壓為100V波形；第10圖(a)為電網正常時，實測電流波形；第10圖(b)為電網故障時，實測電流波形。從圖中可以觀測到在電網電壓正常時，所量測到的實功率為4640W，虛功率為0 VAR；電壓異常時逆變器輸出的實功率為0W，虛功率為2100 VAR。

2. LSTM+FC二對一控制器架構之結果

請參閱『第11圖及第12圖』所示，係分別為本發明LSTM+FC二對一線上調整時的Iodc、Ioqc、Iod及Ioq之控制模擬結果圖、及本發明LSTM+FC二對一線上調整時的逆變器之輸出功率模擬結果圖。如圖所示：本發明將原先四對二的控制器架構拆分為兩個二對一LSTM+FC控制器架構，個別針對DQ軸做控制。透過線上調整兩個全連接層的權重及偏權值，使得模擬結果更貼近命令值。透過比較發現，第11圖使用兩個二對一的LSTM+FC控制器架構所量測到的DQ軸的輸出電流(Iod、Ioq)與只使用一個四對二的LSTM+FC控制器架構效果差異不遠，但是觀察穩態誤差時，可以發現二對一的控制器架構，所得到的結果比四對二的控制器架構來得好，且無論電壓有無驟降的情況下，皆可以穩定的追隨所設定的命令(Iodc、Ioqc)。利用兩個二對一的LSTM+FC控制器架構條件下，量測到的實虛功如第12圖所示。實功在正常的情況下，可以穩定的維持在4500W，而虛功也維持在0W。當低壓發生的瞬間，虛功很快速地2230 VAR補充到電網裡，以維持系統正常運作，直到電壓恢復為止。

請參閱『第13圖~第15圖』所示，係分別為本發明使用LSTM+FC二對一控制器架構在電網電壓下降0.55 p.u.之實測功率響應圖、本發明使用LSTM+FC四對二控制器架構在電網電壓下降0.55 p.u.之實測電壓波形圖、及本發明使用LSTM+FC四對二控制器架構在電網電壓下降0.55 p.u.之實測電流波形圖。如圖所示：在實作方面，所量測到的各個響應圖如第13圖~第15圖所示，其中，示波器上顯示分別為200V/div、20A/div；並且，第14圖(a)為電網正常時，實測電壓為220V波形；第14圖(b)為電網故障時，實測電壓為100V波形；第15圖(a)為電網正常時，實測電流波形；第15圖(b)為電網故障時，實測電流波形。從圖中可以觀測到在電網電壓正常時，所量測到的實功率為4650W，虛功率為0 VAR；電壓異常時，逆變器輸出的實功率為0W，虛功率為2180 VAR。

3. 輔助說明

為了證實本發明所提供的LSTM+FC控制器架構比傳統的PI控制器之響應性能更佳，因此透過均方根誤差(Root Mean Squared Error,RMSE)的計算來評估在DQ軸電流值。此外，本發明也利用平均絕對誤差(Mean Absolute Error,MAE)及判斷係數R平方(Coefficient of Determination,R-square)比較各個控制器的性能表現。指標定義如下：

其中，該y_i為真實值；該

為目標值；及該n為母體總數。當中RMSE及MAE 越接近0越好，而R²越接近於1越好。

上述表一為RMSE指標之性能表現，表二為MAE指標之性能表現，及表三為R-square計算下之性能表現。由表一可以發現在LSTM+FC控制下，可以獲得較佳的表現，從數據中可得知無論是四對二或是二對一控制器架構，對於D軸電流的控制表現是近似的；在Q軸電流的部分，則是可以明顯地發現二對一的控制器架構表現較為優異，因此RMSE值來到0.0156。由表二可以發現無論是在D軸或是Q軸上，皆以兩個二對一的LSTM+FC控制器架構有著較優異的控制表現。同樣地，透過表三的結果，可發現在D軸的部分，二對一控制器架構的表現略優於四對二控制器架構，主要明顯的差異一樣是在Q軸上，因此依舊是二對一的控制器架構有著較優異的性能表現。綜合上述三種不同的性能指標，可以統整出LSTM+FC多對一的控制器架構會比LSTM+FC多對多的控制器架構，在控制性能上較為優異，並且比傳統PI控制器性能優越甚多。

本發明所提出的裝置係利用基於深度學習的三相逆變器進行虛功補償(Reactive Power Compensation)的裝置，依據LSTM擁有遞迴神經網路(Recursive Neural Networks,RNN)的優點，且改善RNN梯度消失及爆炸的缺點，因此本發明利用LSTM模組串接全連接層作為逆變器的主要控制器架構，並使用內、外兩個優化迴圈進行事前離線優化LSTM+FC控制器架構之性能，以取代傳統的PI控制器。內迴圈優化LSTM模組的權重與偏權值及全連接層的權重與偏權值；外迴圈優化初始學習率及LSTM模組隱藏單元個數。透過上述模擬與實驗過程發現，與傳統的PI控制器相比，本發明以LSTM模組串接全連接層之控制器架構可得到較佳的性能結果。

有鑑於政府設定於2025年再生能源的發電目標達到27.423 GW，占發電總量的20%，因此再生能源對電網的衝擊不容忽視，且再生能源在電網中扮演了重要角色，除了電網電壓正常時可以一併提供電力給負載外，在電網故障期間，也希望能夠提供一定的虛功，以維持電網電壓，提升電網穩定性及韌性。因此，當再生能源比例增加時，可利用本發明此一控制器架構於所有逆變器裝置中，可為大型電力系統發生故障時，使分散式電源及儲能系統可以迅速透過所提逆變器裝置將虛功注入到電網裡，協助電力系統電壓穩定，以減少停電發生的機率及提升電網穩定性，藉此提供穩定的電力及提升暫態穩定度。

綜上所述，本發明係一種具有虛功補償的三相逆變器裝置，可有效改善習用之種種缺點，以長短記憶網路(Long Short-Term Memory,LSTM)做為智慧逆變器的控制器核心，以取代傳統比例積分(Proportional Integral,PI)控制器；當電網發生故障引起低電壓時，此智慧逆變器可提升逆變器提供電網虛功率響應的性能，進而使本發明之產生能更進步、更實用、更符合使用者之所須，確已符合發明專利申請之要件，爰依法提出專利申請。

惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍；故，凡依本發明申請專利範圍及發明說明書內容所作之簡單的等效變化與修飾，皆應仍屬本發明專利涵蓋之範圍內。