利用Fennec Fox优化算法和振幅变换量子卷积神经网络（QCNN），结合级联H桥多电平逆变器，提升并网混合可再生能源系统的电能质量

《Renewable Energy》：Enhancing Power Quality in Grid-Connected Hybrid Renewable Energy Sources Using a Fennec Fox Optimization-Amplitude Transformed Quantum Convolutional Neural Network with Cascaded H-Bridge Multilevel Inverter

提出Fennec Fox优化与幅度变换量子卷积神经网络（FFO-ATQCNN）结合的方法，用于提升基于级联H桥多电平逆变器（CHBMLI）的混合可再生能源系统（HRES）电能质量（PQ）。通过优化能量分配和预测未来电力需求，显著降低总谐波畸变（THD至1.4%）并提高系统效率（98.6%），优于现有GA-PSO、NBO-RERNN等方法。

　　随着全球对可持续能源需求的不断增长，混合可再生能源系统（Hybrid Renewable Energy Sources, HRESs）在现代电力网络中的应用日益广泛。这类系统通常结合光伏（Photovoltaic, PV）和风力发电（Wind Turbine, WT）等技术，以提高能源供应的稳定性和效率。然而，HRESs的接入给电力系统带来了显著的电能质量（Power Quality, PQ）挑战，如电压波动、频率偏差和高次谐波失真等问题。这些电能质量问题不仅影响了系统的可靠性，还对电网的稳定运行构成威胁。因此，如何有效提升HRESs接入电网后的电能质量，成为当前电力系统研究中的一个热点问题。

电能质量控制是HRES安装过程中不可或缺的一部分，因为可再生能源的输出具有显著的不确定性。例如，太阳辐射强度的变化和风速的波动会导致电力系统的输出功率不稳定，进而引发电压波动和频率偏移。这些波动不仅会对敏感负载造成影响，还会降低整个电力系统的可靠性。此外，分布式发电单元的广泛应用使得维持设备负载平衡和稳定电压成为一项复杂任务。多电平逆变器（Multilevel Inverters, MLIs）因其出色的电压调节能力和对电网接入的增强控制而受到重视，成为解决这些问题的关键设备之一。

多电平逆变器通过多个开关器件的组合，能够生成更加接近正弦波的输出电压，从而有效降低谐波含量并改善波形对称性。这使得MLIs在处理可再生能源接入带来的电能质量问题上具有独特优势。同时，电力电子设备与滤波器的结合进一步减少了谐波失真，有助于恢复功率因数。此外，精确的同步技术可以确保输出相位的对齐，从而减少闪烁和相位不平衡现象。通过将无功功率补偿与电压控制系统相结合，可以提高系统的稳定性，并确保不间断的电力供应。这些技术的综合应用，使得在现代电网中实现高效、稳定的可再生能源接入成为可能。

尽管已有许多研究致力于提高多电平逆变器（MLIs）在可再生能源系统（Renewable Energy Sources, RESs）中的电能质量，但现有的方法仍存在一些局限性。例如，遗传算法（GA）与粒子群优化（PSO）结合的方法虽然在开关角度优化方面表现出一定的潜力，但其在处理复杂系统时可能受到拓扑结构的限制。此外，某些方法如基于神经网络的控制策略（NBO-RERNN、EO、IANN等）虽然能够实现良好的控制效果，但在系统运行过程中往往需要依赖离线数据或静态配置，难以应对实时变化的电网条件。同时，这些方法在处理非线性负载和动态负载变化时，其适应性和鲁棒性仍有待提升。

另一些研究则尝试将卷积神经网络（CNN）与其它控制技术相结合，以实现更高效的电能质量管理。例如，CNN技术在处理能量转换过程中的复杂性方面表现出色，能够学习并适应不同工况下的逆变器运行状态。然而，这类方法通常需要大量的训练数据，且在系统波动时，其自适应能力仍需进一步优化。此外，某些研究采用了SC-ANN（Self-Compensating Artificial Neural Network）与动态电压调节器（DVR）相结合的策略，以提高微电网（Microgrid, MG）中的电能质量。这种方法虽然在电压波动控制方面取得了一定成效，但在不同运行场景下，其系统性能的稳定性仍面临挑战。

针对上述问题，本文提出了一种全新的混合方法——Fennec Fox Optimization（FFO）与Amplitude Transformed Quantum Convolutional Neural Network（ATQCNN）相结合的FFO-ATQCNN技术，旨在提升HRESs接入电网后的电能质量。FFO算法被用于优化能量分配和控制参数，从而减少功率波动和损耗，确保系统的稳定运行。同时，ATQCNN模型能够预测未来的功率生成或需求变化，为系统提供前瞻性控制手段，提高其在动态条件下的适应能力。通过结合这两种技术，本文期望实现更优的谐波抑制、更稳定的电压输出以及更平衡的功率分配。

本文的主要贡献在于：首先，FFO-ATQCNN方法充分利用了FFO的优化能力和ATQCNN的预测能力，为HRESs接入电网提供了新的解决方案。其次，FFO控制策略能够优化光伏和风力发电系统的能量分配，从而降低电压波动并减少功率损耗。第三，ATQCNN模型通过预测未来的功率变化，使系统能够在波动发生前采取相应的控制措施，确保电能质量的持续改善。第四，FFO与ATQCNN的结合成功实现了谐波含量的降低、电压的稳定以及功率的平衡分配。最后，通过MATLAB平台的仿真结果表明，FFO-ATQCNN方法在不同负载和发电条件下均能保持较高的系统性能，显著提升了电能质量。

HRESs的配置通常采用多电平逆变器（MLI）作为核心组件，以实现更高效的电能转换和输出。本文中，HRESs的结构如图1所示，其中光伏阵列的输出经过直流-直流（DC-DC）转换器进行处理，而风力发电系统则通过两阶段的交流-直流（AC-DC）转换器将产生的交流电转换为直流电。随后，这些直流电分别被存储在两个独立的直流母线电容（V_DC1和V_DC2）中，并作为输入供给多电平逆变器中的多个H桥模块。这些H桥模块能够协同工作，生成具有多个电压等级的交流输出，从而有效减少谐波含量并改善波形对称性。这一配置方式不仅提高了系统的整体效率，还增强了其在不同运行条件下的适应能力。

在HRESs的电能质量提升方面，本文提出的FFO-ATQCNN技术通过优化能量分配和控制参数，有效减少了功率波动和损耗。FFO算法利用其强大的全局搜索能力和局部优化特性，能够快速找到最优的能量分配方案，确保光伏和风力发电系统在各种运行条件下均能保持较高的输出效率。同时，该算法还能根据实时的电网状态调整控制参数，从而提高系统的动态响应能力。此外，ATQCNN模型通过预测未来的功率变化，使系统能够在波动发生前采取相应的控制措施，确保电能质量的持续改善。这种预测能力不仅提高了系统的稳定性，还增强了其对非线性负载和动态负载变化的适应性。

在实际应用中，FFO-ATQCNN技术的结合能够显著提升多电平逆变器（CHBMLI）的性能。通过FFO的优化控制，系统能够在不同工况下实现更精确的能量分配，减少功率波动并提高整体效率。而ATQCNN的预测能力则使得系统能够提前应对可能的波动，确保电压和频率的稳定。这种技术的综合应用，不仅能够有效降低谐波含量，还能提高电压稳定性，确保HRESs在接入电网后能够高效、稳定地运行。此外，该方法还能够实现更平衡的功率分配，提高系统的整体可靠性。

本文的研究方法主要基于仿真分析，通过MATLAB平台对FFO-ATQCNN技术进行了详细验证。仿真结果表明，该方法在多种工况下均能保持较高的系统性能，显著优于传统的GA-PSO、NBO-RERNN、EO、IANN、CNN、MAO-RERNN和SC-ANN等方法。在电压稳定性方面，FFO-ATQCNN方法能够有效减少电压波动，确保系统在各种负载条件下均能保持稳定的输出。在谐波抑制方面，该方法通过优化逆变器的开关角度和控制策略，显著降低了总谐波失真（THD），提高了电能质量。此外，该方法还能够实现更高效的功率分配，减少系统损耗，提高整体运行效率。

在讨论部分，本文进一步分析了FFO-ATQCNN技术在不同负载和发电条件下的表现。通过对比实验可以看出，该方法在各种运行条件下均能保持较高的系统性能，且其在处理非线性负载和动态负载变化时表现出更强的适应性。此外，该方法在减少谐波含量和改善电压波形方面也取得了显著成效。这些结果表明，FFO-ATQCNN技术不仅能够有效提升HRESs的电能质量，还能提高系统的稳定性和可靠性，为未来的智能电网发展提供有力支持。

本文的结论部分指出，FFO-ATQCNN技术为HRESs接入电网后的电能质量提升提供了一种可靠且智能的解决方案。该方法通过优化能量分配和预测未来功率变化，显著降低了谐波失真并提高了系统效率，同时确保了电压的稳定性和功率的平衡分配。在对比分析中，FFO-ATQCNN方法在多个关键指标上均优于现有的GA-PSO、NBO-RERNN、MAO-RERNN、EO、IANN、CNN和SC-ANN等方法。这表明，FFO-ATQCNN技术在提升HRESs的电能质量方面具有显著的优势，并有望成为未来智能电网中的重要技术手段。

本文的作者团队包括Arunya Revathi、Krishna Prakash Arunachalam、Shashikala Gurpur和Vivek Deshpande，他们均来自印度泰米尔纳德邦的Alagappa Chettiar Government College of Engineering and Technology。作者们在本文中分别承担了不同的研究任务，如概念设计、软件开发、数据管理、项目管理、监督、撰写和编辑、正式分析、方法论研究等。这种分工协作的方式确保了研究工作的顺利进行，并提高了研究成果的科学性和实用性。

此外，本文的研究未获得任何外部资金支持，研究者们主要依靠自身资源和团队合作完成相关工作。同时，作者们声明不存在任何利益冲突，确保了研究的客观性和公正性。这些信息进一步增强了本文研究结果的可信度，并为未来相关研究提供了参考。

综上所述，本文提出的FFO-ATQCNN技术为HRESs接入电网后的电能质量提升提供了一种创新且有效的解决方案。通过优化能量分配和预测未来功率变化，该方法不仅能够显著降低谐波含量，还能提高系统的稳定性、效率和可靠性。随着可再生能源技术的不断发展和智能电网的逐步推广，FFO-ATQCNN方法有望在未来的电力系统中发挥重要作用，为实现更加清洁、高效和稳定的能源供应做出贡献。