基于LSTM深度学习的直流微电网混合储能系统电压优化与功率管理预测控制策略

本文提出了一种创新的长短期记忆（LSTM）深度学习预测控制方法，用于提升直流微电网（DC MG）的电压稳定性和混合储能系统（HESS）的功率分配效率。该方法通过分离高频（由超级电容SC处理）与低频（由电池储能系统BESS管理）信号，有效应对负载波动与可再生能源（RES）不确定性，显著改善系统动态响应与电能质量，为智能电网控制提供了数据驱动的新思路。

　　

亮点（Highlights）

• •

  开发了一种新型基于长短期记忆（LSTM）的预测控制策略：该方法高效管理混合储能系统（HESS）组件间的功率与电流分配。

• •

  简化控制设计：相较于传统方法，本方法简化了控制设计流程，无需复杂的模型构建或滤波技术。

• •

  在可再生能源与负载双重波动下的全面评估：本研究在可再生能源输出与负载需求均高度波动的条件下，严格测试了HESS预测控制的性能。

• •

  提升瞬态响应：与传统方法相比，所提出的LSTM控制器在应对恒功率负载（CPL）、脉冲功率负载（PPL）及可再生能源波动时，显著改善了瞬态响应与电压稳定性。

• •

  管理超级电容运行并防止越界：与传统控制器不同，基于LSTM的方法能有效预测并管理超级电容（SC）的荷电状态（SoC），确保其在临界情况下持续运行，防止SC越界。

系统概述（System overview）

本研究分析的系统基于一个标准化的孤立直流微电网（DC MG）。该微电网包含一个公共直流母线，连接至可再生能源（RES）和混合储能系统（HESS），其中HESS包括高能量密度的电池储能系统（BESS）和高功率密度的超级电容（SC）。表2总结了微电网模型中的关键系统参数。多种类型的直流负载（如恒功率负载CPL和脉冲功率负载PPL）接入公共直流母线。系统以组网模式运行，通过电力电子设备集成不同组件。

仿真结果（Simulation results）

本节通过两个独立测试案例，将所提出的LSTM控制方法与滤波基（FB）控制进行对比评估。第一个测试场景评估控制器在承受关键负载类型（CPL和PPL）的直流微电网中的表现，重点关注HESS对各种负载扰动的响应与管理能力。第二个测试场景在相同负载条件下引入高度波动的可再生能源，以更严苛的条件测试控制器性能。

结论（Conclusion）

随着柔性负载和可再生能源（RES）在直流微电网（DC MG）中的日益集成，维持系统稳定性的难度显著增加。许多传统控制器在确保功率平衡和维持电能质量方面面临挑战，导致对混合储能系统（HESS）的投资增加。为此，本文引入了一种基于长短期记忆（LSTM）的数据驱动预测控制方法，以提升电压质量并维持功率平衡。该控制策略依托动态电压响应的改善，实现了更优的系统性能与可靠性。