利用储能技术和人工智能实现低压电网中电力流的灵活管理

《Journal of Energy Storage》：Flexible management of power flows in the low-voltage grid using energy storage & artificial intelligence

提出基于四算法的低压电网控制模块化模型，结合GPU微控制器与统计机器学习实现可再生能源并网优化，解决高光伏渗透下的电压稳定与功率流控制问题，并验证其在实际电网中的有效性。

　　随着全球能源结构的快速转型，特别是可再生能源（RES）在电力系统中的广泛应用，低压电网（LV Grid）的控制问题变得愈发重要。当前，欧洲委员会、33国行业联盟（Eurektric）以及欧洲输电系统运营商协会（EDSO）的联合行动表明，欧盟电网行动计划（APfG）正在推动电力基础设施的现代化，以适应未来能源市场的变化。这一计划的核心目标是为电力供应的区域化和本地化需求做好准备，同时应对因分布式能源源（如光伏、风能等）的增加而带来的电网运行挑战。

低压电网在电力系统中承担着重要的角色，尤其是在连接分布式能源源和终端用户之间。然而，随着越来越多的分布式能源源接入电网，特别是光伏系统的普及，低压电网面临着一系列新的问题。其中最显著的问题之一是电压的波动，特别是在高可再生能源渗透率的情况下，电压的均方根（RMS）值可能会超过253伏，即1.1倍的额定电压（1.1 p.u.）。这种电压异常不仅影响电网的稳定运行，还可能导致逆变器系统自动关闭、过载保护装置动作以及光伏电源的停止运行。对于没有自身光伏系统的用户来说，电网连接点的电压也可能升高，影响用电质量。此外，由于电网中的不平衡功率流动，主动功率可能被迫向中压（MV）方向传输，进一步加剧电压波动。

面对这些挑战，现有的电网控制方法已无法满足需求。传统的电网模型通常假设电力流动是单向的，但随着分布式能源源的增加，这种假设变得不再适用。因此，研究者提出了一种新的控制方法，旨在实现对低压电网的动态在线控制，从而最大化可再生能源的发电能力。该方法的核心是利用电池储能系统（BESS）进行功率调节，同时结合深度学习和浅层学习算法，实现对电网运行状态的实时监测和控制。

为了实现这一目标，研究团队开发了一种专有的低压电网控制模型，该模型基于四个特定算法，分布在三个逻辑模块中。前两个算法主要用于离线计算，以优化BESS的选址和功率选择，并构建用于训练的数据库。后两个算法则用于BESS的在线操作和持续运行，确保其在电网运行中的有效性和稳定性。此外，研究团队还采用了一种基于深度学习卷积神经网络的执行设备（GPU微控制器），用于实时控制BESS的运行，而另一种基于浅层学习回归模型的设备则用于控制中压/低压变压器的变比设置。

该研究的实施环境包括Power Word Simulator、MATLAB和SIMULINK，这些工具为电网模型的构建和仿真提供了强大的支持。研究团队在真实低压电网环境中进行了实验，该电网具有较高的可再生能源源渗透率，以验证所提出的控制方法的有效性。通过实际数据的收集和分析，研究团队能够更好地理解电网运行中的复杂动态，并为控制算法的优化提供依据。

在这一研究背景下，出现了三个主要的研究空白（Research Gaps, RGs）。首先，由于现有电网控制方法无法有效应对高可再生能源渗透率带来的电压波动问题，因此需要开发一种能够实现动态在线控制的规则，以最大化可再生能源的发电能力。其次，由于当前的低压电网数据结构无法支持对分布式能源源的精确控制，因此需要构建一种结构化、标准化的数据模型，以便于对电网的实时监控和分析。此外，随着人工智能（AI）在电网管理中的应用逐渐增多，如何选择合适的AI技术，以满足未来电网运行的需求，成为了一个新的研究空白。

在AI的应用方面，研究团队发现，时间序列趋势预测是解决电网运行问题的重要工具。这种预测能力可以用于可再生能源源的发电预测、能源消耗的建模以及微电网中的能量平衡。此外，AI还被用于电动汽车充电频率的预测，以及在分布式能源源和电网之间进行协调控制。通过这些应用，AI能够帮助识别设备运行中的异常情况，并为高成本的维护决策提供支持。

随着AI技术的不断发展，其在电网管理中的应用也变得更加广泛。然而，目前AI在低压电网控制中的应用仍处于初级阶段，尤其是在动态在线控制方面。因此，研究团队提出了一种基于深度学习和浅层学习的混合方法，以实现对低压电网的精确控制。该方法利用GPU微控制器进行实时数据处理和决策，同时结合浅层学习回归模型，对中压/低压变压器的变比进行优化调整。

为了确保电网运行的稳定性，研究团队还强调了对电网电压水平的严格控制。根据欧洲标准EN 50160，电网的电压水平必须保持在一定的范围内，以避免对设备造成损害。此外，由于双向功率流动的存在，电网中的有功功率损耗也需要得到有效的管理。因此，研究团队提出了一种基于深度学习的控制方法，能够实时监测电网运行状态，并根据电压波动情况调整BESS的运行策略。

在实际应用中，研究团队发现，AI技术的应用需要依赖于高质量的电网数据。因此，构建一个结构化、标准化的数据模型成为了一个重要的研究方向。通过Advanced Metering Infrastructure（AMI）收集的计量数据，研究团队能够更全面地了解电网的运行状态，并为AI模型的训练和优化提供支持。此外，研究团队还强调了对电网数据的实时分析能力，以确保在最短时间内做出有效的控制决策。

为了实现这一目标，研究团队提出了一个基于数字孪生（Digital Twin）的概念。数字孪生是一种通过模拟和数据分析来优化电网运行的方法，它能够提供电网的实时运行状态，并帮助预测未来的运行情况。尽管数字孪生在高压和中压电网中的应用已经较为成熟，但在低压电网中的应用仍处于探索阶段。因此，研究团队认为，数字孪生技术的引入将有助于提高低压电网的可控性和稳定性。

在这一研究背景下，研究团队还提出了一个关于电网灵活性服务的概念。电网灵活性服务是一种通过市场机制来优化电网运行的方法，它能够帮助运营商在不同时间段内调整电网的运行状态，以满足能源需求和供应的平衡。通过这种服务，运营商可以更好地管理电网中的波动问题，并确保电网的稳定运行。此外，研究团队还发现，现有的法规已经为降低温室气体排放提供了支持，特别是在电力传输和分配领域。

综上所述，随着可再生能源的广泛应用，低压电网的控制问题变得愈发复杂。为了应对这些挑战，研究团队提出了一种基于深度学习和浅层学习的混合控制方法，该方法能够实时监测电网运行状态，并根据电压波动情况调整BESS的运行策略。此外，研究团队还强调了数字孪生和电网灵活性服务的重要性，认为这些技术将有助于提高电网的可控性和稳定性。通过这些研究，希望能够为未来的能源转型提供有效的解决方案，并推动低压电网的现代化发展。