在空间频率变化条件下，将基于深度强化学习（DRL）的边缘计算技术集成到用于自适应合成惯性分配的电网形成型电池储能系统（BESSs）中

《Journal of Energy Storage》：Integration of DRL-driven edge computing for adaptive synthetic inertia allocation in grid-forming BESSs under spatial frequency variations

提出基于深度强化学习（DRL）与边缘计算框架（ECF）的自适应合成惯性分配方法，解决电网中多BESS协同控制难题，通过实时监测和低延迟通信优化VSG参数，提升电网频率稳定性，仿真显示优于DDPG和MBA方法，减少频率波动1-5%，加快阻尼20-40%。

　　在现代电力系统中，随着可再生能源的广泛应用，传统的同步发电机（SGs）逐渐被以逆变器为基础的资源（IBRs）所取代。同步发电机通过其旋转质量储存机械能，为电网提供惯性储备，这是维持电网频率稳定的重要机制。然而，逆变器系统不具备这种物理惯性，因此在面对频率波动时，它们无法像传统发电机那样快速响应，从而对电网稳定性构成了严峻挑战。特别是在高比例可再生能源接入的电网中，这种缺乏惯性的特性使得频率调节更加复杂，尤其是在区域负荷和发电不平衡导致的频率变化中，传统方法显得力不从心。

为了应对这一问题，研究人员提出了多种解决方案，其中电池储能系统（BESSs）因其能够快速充放电的特性，成为一种重要的替代手段。BESSs可以存储能量，并在电网需要时迅速释放或吸收有功功率，从而提供类似于同步发电机的快速频率响应。然而，如何在多个BESSs之间协调其响应，特别是在空间频率变化的背景下，仍然是一个亟待解决的问题。传统的控制方法通常依赖于详细的系统模型，这些模型在面对电网动态变化和不确定性时，往往难以提供有效的适应性调整。此外，模型驱动的方法在处理大规模系统时，计算复杂度较高，限制了其实际应用。

为了解决上述问题，本文提出了一种基于深度强化学习（DRL）和边缘计算框架（ECF）的新型框架，用于在电网形成逆变器（GFMIs）中实现合成惯性的自适应分配。该框架的核心思想是通过DRL的模型无关和数据驱动特性，动态调整GFMIs的惯性和阻尼参数，从而在面对频率波动时，提供更快、更协调的响应。DRL作为一种机器学习技术，能够在复杂的、不断变化的环境中学习最优的控制策略，而不依赖于精确的系统模型。通过将DRL与边缘计算相结合，该框架能够在本地进行数据处理和决策，减少通信延迟，提高系统的实时响应能力。

边缘计算框架（ECF）的引入，使得系统能够在靠近负载和生成设备的地方进行数据处理和决策，从而降低了对中央控制系统的依赖。这种本地化的处理方式不仅减少了数据传输的延迟，还提高了系统的灵活性和可扩展性。对于大规模电网系统而言，ECF能够有效应对由于分布式资源增加而导致的计算和通信负担。此外，ECF还支持低延迟的信息交换，这对于需要快速响应的频率调节任务至关重要。

在本文的框架中，DRL代理通过实时监测电网条件，学习如何最优地分配合成惯性。这种学习过程不仅考虑了当前的电网状态，还结合了历史数据和预测模型，使得系统能够在不同的频率变化场景中做出快速而准确的决策。通过这种方式，DRL能够动态调整BESSs和GFMIs的运行参数，确保系统在面对各种频率波动时都能保持稳定。此外，该框架还考虑了BESSs的寿命损耗因素，将其纳入奖励函数中，从而在优化频率调节的同时，延长电池的使用寿命。

本文提出的DRL-ECF框架在多个方面优于传统方法。首先，它能够显著减少频率波动，根据IEEE 14节点系统的仿真结果，其性能比DDPG和MBA方法提高了1-5%。其次，该框架在阻尼速度方面表现出色，相比传统方法，其阻尼速度提升了20-40%。这表明系统能够更快地恢复频率稳定，减少频率偏差的持续时间。第三，该方法通过基于地理位置的BESS选择，优化了BESS的调度策略，从而减少了电池的放电需求，降低了15-25%的放电量。最后，该框架在收敛速度和奖励值方面也表现出显著优势，其收敛速度比传统方法快了50%，奖励值则提高了25%。

为了验证该框架的有效性，本文进行了详细的仿真研究。实验基于IEEE 14节点系统，并在其中部署了三个GFMIs-BESS。通过Simulink仿真，研究团队展示了DRL-ECF在面对不同频率扰动时的表现。仿真结果表明，该框架在多个关键指标上均优于现有方法，包括频率波动的控制、阻尼速度的提升、BESS的调度优化以及电池寿命的延长。这些结果不仅证明了DRL-ECF在理论上的可行性，也展示了其在实际应用中的潜力。

此外，本文还探讨了DRL-ECF框架在不同场景下的适用性。在面对不同类型的频率扰动时，该框架能够根据实时数据调整其控制策略，从而保持系统的稳定性。这种自适应能力对于应对现代电网中日益复杂的频率变化至关重要。同时，该框架还能够在不同地理区域之间协调多个BESSs的响应，确保整个系统的频率一致性。这种协调机制在传统方法中难以实现，因为它们通常依赖于预定义的模型，而这些模型在面对空间频率变化时，往往无法提供有效的解决方案。

在实际应用中，DRL-ECF框架的优势尤为明显。首先，它能够降低对中央控制系统的依赖，使得分布式控制更加可行。这对于大规模电网系统尤为重要，因为随着分布式能源资源的增加，传统的集中式控制方法可能会面临计算和通信延迟的问题。其次，该框架能够提高系统的灵活性，使其能够适应不断变化的电网条件。通过实时数据处理和本地决策，系统能够在最短时间内做出响应，从而有效缓解频率波动。此外，该框架还能够优化BESS的调度策略，减少不必要的放电，延长电池的使用寿命，这对于提高系统的经济性和可持续性具有重要意义。

在实现该框架的过程中，本文还提出了一个基于边缘-雾-云三层结构的计算架构。这种架构能够有效支持DRL算法的实时运行和VSG参数的动态调整。其中，边缘层负责数据的本地处理和初步决策，雾层则用于协调多个边缘节点的决策，而云层则提供全局的监控和优化。这种分层结构不仅提高了系统的响应速度，还增强了其可扩展性，使其能够适应不同规模的电网系统。

通过引入DRL和ECF，本文提出的框架在多个方面实现了创新。首先，它突破了传统方法对模型的依赖，使得系统能够更加灵活地应对各种频率变化。其次，该框架能够有效减少通信延迟，提高系统的实时响应能力。第三，通过将BESS的寿命损耗纳入奖励函数，该方法在优化频率调节的同时，也考虑了系统的长期可持续性。最后，该框架在不同地理区域之间实现了高效的协调，使得多个BESSs能够共同应对频率波动，从而提高整个系统的稳定性。

综上所述，本文提出的DRL-ECF框架为解决现代电网中合成惯性分配的问题提供了一种全新的思路。该框架不仅能够提高频率调节的效率，还能延长BESS的使用寿命，增强系统的稳定性和适应性。在实际应用中，这种框架有望成为未来智能电网的重要组成部分，为应对日益复杂的电网运行环境提供有力支持。随着技术的不断进步，DRL和ECF的结合将进一步推动电力系统向更加智能化、高效化和可持续化的方向发展。