基于机器学习的混合可再生能源微电网PID控制器增益预测方法

《Scientific Reports》：Machine learning enabled predictive framework for real time estimation of optimal PID controller parameters in renewable microgrids

　　

摘要

在基于可再生能源的微电网中，实时预测最优PID控制器增益对于维持频率稳定、电压调节和功率平衡至关重要。本文提出了一种机器学习（ML）驱动的预测框架，用于在MATLAB/Simulink环境中开发的一个包含光伏（PV）、风能和电池储能系统的混合微电网。首先，采用灰狼优化（GWO）算法来确定在不同运行条件下的最优PID控制器增益。GWO在16次迭代内实现了0.50的最小适应度值，优于粒子群优化（PSO）和蝗虫优化算法（GOA），后者分别在23次和22次迭代后收敛至3.00和1.90。与使用PSO和GOA获得的14.2%–28.9%超调量相比，经GWO调优的控制器将电压超调量降低至3.2%–4.6%，调节时间为0.10–0.13秒。利用优化后的控制器增益，通过系统地改变太阳辐照度、温度、风速和负载条件，生成了3000个运行样本的数据集。训练了五种集成机器学习模型——AdaBoost、随机森林、Extra Trees、直方图梯度提升和梯度提升模型——以直接预测最优PID增益。其中，梯度提升模型达到了最高的预测精度，平均RMSE为0.0805，平均R²为0.9981，优于直方图梯度提升（RMSE?=?0.0851，R²?=?0.9979）、随机森林（RMSE?=?0.1152，R²?=?0.9957）、Extra Trees（RMSE?=?0.1405，R²?=?0.9935）和AdaBoost（RMSE?=?0.3390，R²?=?0.9669）。通过实际值与预测值对比分析、残差分布、散点图、累积分布函数（CDF）以及Kolmogorov–Smirnov（KS）检验进一步验证了模型性能，证实了所提框架的鲁棒性和可靠性。所提方法有效地以基于机器学习的快速且准确的PID控制器参数预测取代了计算密集型的实时优化，为可再生能源微电网控制和未来智能电网应用提供了一种智能且可扩展的解决方案。