基于可再生能源微电网的智能控制器研究：针对电能质量扰动及电动汽车的集成应用

《Results in Engineering》：Investigation of An Intelligent Controller For Power Quality Disturbance In A Renewable Source Based Micro Grid With Electric Vehicle Integration

电力质量控制|微电网|VMD-HHT-CNN|谐波抑制|PID控制器|实时仿真|EV充电影响|系统稳定性|智能控制策略|性能对比

　　随着全球对可持续能源和电网可靠性的关注不断加深，微电网（Micro Grid, MG）作为分布式能源（Distributed Generations, DGs）和传统电网融合的一种新兴系统，逐渐成为电力系统研究的重要方向。微电网不仅能够提高能源利用效率，还能增强电网的灵活性和稳定性，尤其在应对可再生能源接入带来的电压波动、谐波污染等电力质量问题方面表现出显著优势。然而，微电网的运行也面临诸多挑战，例如系统动态响应、非线性负载影响以及不同运行模式下的稳定性问题。因此，开发一种高效的控制策略成为解决这些问题的关键。

在现有研究中，PID（比例-积分-微分）和模糊PID控制策略已被广泛应用于微电网的控制，它们在一定程度上能够缓解电力质量波动。然而，这些传统方法在面对复杂、非线性扰动时往往表现不佳，难以满足现代微电网对快速响应和精准控制的需求。为此，本文提出了一种结合卷积神经网络（Convolutional Neural Network, CNN）与Hilbert-Huang Transform（HHT）变分模态分解（Variation Mode Decomposition, VMD）的新型控制方案，即HHT-VMD-CNN控制器。该方法通过信号分解和深度学习相结合的方式，对微电网中的电力质量问题进行识别、分类和补偿，从而提升系统的稳定性和性能。

微电网通常由分布式发电单元、负载、储能系统以及与主电网的连接点（Point of Common Coupling, PCC）组成。在本研究中，微电网模型被设计为包含太阳能光伏板、风力发电机和燃料电池等可再生能源设备，以及电池储能系统（Battery Energy Storage System, BESS）和负载。该模型在MATLAB/SIMULINK平台上进行仿真，以评估其在不同扰动情况下的运行表现。此外，系统还通过硬件在环（Hardware-in-the-Loop, HIL）平台，如OPAL-RT，进行实际验证，以确保其在现实场景中的有效性。

HHT-VMD-CNN控制方法首先利用VMD技术将复杂的电力质量信号分解为多个具有特定频率特性的本征模态函数（Intrinsic Mode Functions, IMFs）。VMD在信号分解过程中，通过优化算法确保各IMF的带宽最小化，从而实现对信号的精准分离。随后，HHT对这些IMFs进行进一步分析，生成时间-频率-能量图谱（Hilbert Spectrum），以揭示信号的动态特性。CNN则通过深度学习对分解后的信号进行分类和补偿，以应对电压跌落、电压波动、谐波、瞬态和非线性负载等电力质量扰动。CNN的结构设计包括多个卷积层、池化层和全连接层，这些层能够自动提取特征，减少对传统特征工程的依赖，并提高模型的泛化能力。

在实际应用中，CNN的训练过程依赖于高质量的输入数据。本研究中，数据集由微电网在不同运行条件下的扰动信号组成，例如开关延迟、线路阻抗变化、三相短路故障和电动汽车（Electric Vehicle, EV）充电等。通过这些数据集的训练，CNN能够学习到电力质量扰动的模式，并在实时运行中快速识别和补偿。与传统PID和模糊PID控制器相比，HHT-VMD-CNN在电压跌落和波动的补偿效果上表现更优，例如在电压跌落情况下，PID控制下的电压下降为150伏，模糊PID控制下的电压下降为80伏，而HHT-VMD-CNN控制下的电压下降仅为25伏。此外，在通信延迟的情况下，PID控制导致电压偏移约为15%，模糊PID控制为12%，而HHT-VMD-CNN控制仅为9%。这些结果表明，HHT-VMD-CNN在提高微电网的电压稳定性方面具有显著优势。

在应对可再生能源接入和电动汽车充电带来的电力质量挑战时，HHT-VMD-CNN控制器表现出更强的适应性和鲁棒性。例如，当电动汽车接入微电网时，其非线性负载特性会导致电压偏移和谐波增加。PID控制下，电压偏移为35伏，模糊PID控制下为25%，而HHT-VMD-CNN控制下仅为5伏，且谐波畸变（THD）从36%降低至3.5%。这说明，该控制器在处理复杂扰动时具有更高的精度和稳定性。同时，它还能够有效应对频率波动，例如在PID控制下，频率上升为0.05Hz，模糊PID控制下为0.03Hz，而HHT-VMD-CNN控制下仅为0.009Hz，显示出其在频率调节方面的优势。

此外，本研究还验证了HHT-VMD-CNN控制器在不同运行模式下的表现，包括并网模式和孤岛模式。在并网模式下，微电网能够通过主电网的辅助来维持稳定的电压和频率；而在孤岛模式下，电池储能系统则承担了主要的供电任务。HHT-VMD-CNN控制器在这些模式下均表现出良好的控制性能，有效降低了电压偏移和THD，并保持了较高的功率因数。特别是在系统经历通信延迟和线路阻抗变化时，该控制器依然能够快速调整，确保电力质量指标符合IEEE标准。

在硬件在环（HIL）测试中，HHT-VMD-CNN控制器的性能得到了进一步验证。实验表明，该控制器能够在电压跌落和波动等扰动情况下保持电压稳定，并在故障发生时及时触发保护机制。通过OPAL-RT平台的实时仿真，控制器的响应速度和准确性得到了充分证明，其在处理瞬态扰动和非线性负载方面表现出色，进一步提升了微电网的可靠性。

总体而言，HHT-VMD-CNN控制方法为微电网的电力质量优化提供了一种新的思路。该方法不仅能够有效应对电压跌落、波动、谐波等扰动，还能在系统运行模式切换时保持良好的稳定性。通过结合VMD的信号分解能力和CNN的深度学习能力，HHT-VMD-CNN控制器在处理复杂、非线性扰动时展现出更高的效率和适应性。这为未来微电网的发展提供了重要的技术支持，尤其是在大规模可再生能源接入和电动汽车普及的背景下，HHT-VMD-CNN控制策略具有广阔的应用前景。