《Engineering Science and Technology, an International Journal》：A systematic comparison of data-driven and robust DC-link voltage control for photovoltaic–battery energy storage systems
编辑推荐：
并网光伏系统与电池储能相结合，需要严格的直流母线电压调节以维持变流器稳定性和电网合规性，而实际运行同时要求高效率与强自消费能力。本文对超螺旋滑模控制（super-twisting sliding mode control, ST-SMC）、无模型自适应控制（m
并网光伏系统与电池储能相结合，需要严格的直流母线电压调节以维持变流器稳定性和电网合规性，而实际运行同时要求高效率与强自消费能力。本文对超螺旋滑模控制（super-twisting sliding mode control, ST-SMC）、无模型自适应控制（model-free adaptive control, MFAC）、极限学习机控制（extreme learning machine control, ELM-Control）以及带前馈的在线递推最小二乘（online recursive least squares with feedforward, ORLS-FF）四种控制策略进行了比较研究，研究对象为一套100 kW光伏电站耦合200 kWh锂离子电池储能系统。为期一年的仿真时长共8,784小时，驱动数据采用美国国家航空航天局“世界能源资源预测”（National Aeronautics and Space Administration Prediction of Worldwide Energy Resources, NASA POWER）数据集中越南河内（21.03°N，105.85°E）的辐照度和环境温度数据。控制器评估指标包括直流母线电压跟踪精度、频率质量、总谐波畸变率（total harmonic distortion, THD）、功率因数、系统效率、自消费率以及加权多准则评分。定量结果表明，无模型自适应控制实现了最低的电压均方根误差（root-mean-square error, RMSE）4.18 V，带前馈的在线递推最小二乘获得了最高效率98.9%，极限学习机控制则获得了最高自消费率83.6%，但其代价是较大的电压偏差。所有控制器均能将直流母线维持在630–770 V范围内，总谐波畸变率不超过1.52%，功率因数高于0.991。基于TOPSIS的综合排名为MFAC（0.829）> ORLS-FF（0.722）> ELM-Control（0.470）> ST-SMC（0.445），为根据电压质量、效率和能量自主性优先级选择控制律提供了定量指导。在分布外电网扰动条件下（电压暂降?15%，频率阶跃+0.3 Hz），MFAC的直流母线RMSE比ST-SMC低30倍（0.47 V对14.19 V），证实了其无需任何再训练即可获得优异的分布外鲁棒性。
论文解读文章
一、研究背景与问题
可再生能源在全球范围内持续增长，各国在降低碳排放的同时面临电力需求不断上升的挑战。实证研究表明，近年来风能和太阳能的发展速度尚未达到满足严格气候目标所需的水平，因此关注焦点正从单纯增加装机容量转向大规模集成与系统化运行。分布式光伏因其可就近负荷布置而具有独特优势，但太阳能资源的波动性对传统电网资产提出了灵活性要求，而传统设备在设计上并不具备这种能力。长期运行证据表明，储能系统的运行具有季节性特征，用户行为、设备老化和控制策略均会随时间影响系统灵活性，这促使光伏-储能一体化结构（PV-ESS）成为平抑分布式光伏功率波动、减少停电并为配电网提供辅助服务的实用解决方案。
越南是分布式光伏发展与电网约束并行的典型案例。国家能源文件显示，可变可再生能源组合正在扩大，政策目标预计到2030年可再生能源将占装机总量的约30–40%。然而，PV-ESS在越南的部署要求变流器控制器在真实扰动下保持稳定、高效并满足并网要求。在并网交互的PV-ESS系统中，功率电子接口通常包括光伏侧级、储能接口和共享直流母线的并网电压源逆变器。快速辐照变化和光伏源的非线性会影响直流母线动态，导致电压振荡传播至交流侧、电流畸变，并对半导体器件和电容器产生热应力。自适应直流母线电压调节策略有助于降低开关损耗并改善性能，但这些策略往往建立在运行条件和参数范围的假设之上，而现场运行并不总能满足这些假设。
大多数工业实现仍采用级联PI/PID结构，因其实现简单且计算成本低。然而，在强非线性、参数漂移和辐照快速变化引起的噪声条件下，PI结构难以维持稳定的瞬态响应，尤其是当直流母线作为能量缓冲器时。鲁棒非线性控制器（包括受滑模控制启发的方案）对噪声和参数偏差具有更好的不变性，但可能产生抖振或受开关频率约束。模型预测控制（MPC）被视为结构清晰的先进控制方法，可同时处理多状态变量、运行约束和变流器开关特性，但计算负担、模型偏差鲁棒性和权重选择仍是挑战。
尽管先进控制方法取得了诸多进展，仍有三个空白限制了PV-ESS先进控制方法从实验室向分布式电网应用的转移：第一，很少有研究在相同建模条件、扰动和评估指标下直接比较控制器，难以在PI/PID、预测控制、无模型控制和机器学习之间进行公平基准测试；第二，许多研究仅在短仿真周期内评估，无法反映季节变化、罕见事件或设备老化，长期观测表明评估应跨越数月或数年；第三，研究很少量化在公共连接点对特定电网规范的合规性，尽管穿越研究表明电网事件期间的行为往往受控制器限制。本文正是针对这些空白，开展了面向分布式光伏应用的长时域、电网规范导向的PV-ESS先进控制评估。
二、研究内容与主要结论
研究人员构建了一个统一的并网光伏-电池储能系统（PV-BESS）模型，在完全相同的约束条件和年度扰动序列下，对四种代表性直流母线电压控制器——超螺旋滑模控制（ST-SMC）、无模型自适应控制（MFAC）、极限学习机控制（ELM-Control）和带前馈的在线递推最小二乘（ORLS-FF）——进行了系统比较。系统配置为100 kW光伏电站耦合200 kWh锂离子电池储能系统，直流母线参考电压700 V，允许范围630–770 V，储能功率限幅±100 kW，SOC运行区间0.10–0.90。仿真采用2024年全年8,784小时逐时数据，气象数据来自NASA POWER数据集（越南河内，21.03°N，105.85°E）。所有控制器共享相同的内环电流/PWM回路、L/LCL滤波器、PCC测量反馈、ESS饱和、SOC投影等结构，仅外环直流母线控制器不同，从而确保性能差异仅归因于控制器设计本身。
研究人员通过全年仿真获得了各控制器的性能数据。在正常工况下，MFAC实现了最低的直流母线电压均方根误差4.18 V，ORLS-FF获得了最高系统效率98.9%，ELM-Control获得了最高自消费率83.6%但伴随较大的电压偏差。所有控制器均维持直流母线在630–770 V范围内，THD不超过1.52%，功率因数高于0.991。基于TOPSIS的综合排名为MFAC（0.829）> ORLS-FF（0.722）> ELM-Control（0.470）> ST-SMC（0.445）。在分布外电网扰动测试中（电压暂降?15%，频率阶跃+0.3 Hz），MFAC的直流母线RMSE仅为0.47 V，比ST-SMC的14.19 V低30倍，证实了其无需再训练即可获得优异的分布外鲁棒性。
三、关键技术与方法
研究人员采用了四种控制算法进行对比研究。ST-SMC基于超螺旋算法，通过连续控制输入实现有限时间收敛，并抑制抖振；MFAC采用紧格式动态线性化，通过在线估计伪偏导数（PPD）实现无模型自适应控制；ELM-Control利用固定随机隐层权重的极限学习机结构，通过带遗忘因子的递推最小二乘（RLS）在线更新输出权重；ORLS-FF采用指数加权最小二乘（EWLS）在线辨识扰动-电压映射参数，结合PI控制与前馈补偿。系统建模采用直流母线能量平衡方程、光伏STC归一化功率模型、NOCT近似电池温度估计和SOC离散更新模型。所有控制器参数均在统一基准下进行调优，采用相同的归一化性能评分函数和硬约束条件。数据来源为NASA POWER数据集2024年全年逐时气象数据，包括水平总辐照度（GHI）、环境温度和10 m风速。
四、研究结果
4.1 全年性能比较
研究人员通过8,784小时全年仿真，在统一模型和扰动序列下对四种控制器进行了评估。结果表明，MFAC在直流母线电压跟踪精度方面最优，RMSE为4.18 V；ORLS-FF在系统效率方面最优，达到98.9%；ELM-Control在自消费率方面最优，达到83.6%，但电压偏差较大。所有控制器均满足直流母线630–770 V的硬约束，THD不超过1.52%，功率因数高于0.991。
4.2 综合评分排名
研究人员采用TOPSIS方法对六项指标（电压精度、频率质量、THD、功率因数、效率、自消费率）进行加权综合排序。结果显示MFAC综合评分最高（0.829），其次为ORLS-FF（0.722），ELM-Control（0.470）和ST-SMC（0.445）分列第三、四位。该排名为根据运行优先级选择控制律提供了定量依据。
4.3 分布外鲁棒性评估
研究人员在训练数据之外施加合成电网故障条件（电压暂降?15%，频率阶跃+0.3 Hz）进行分布外测试。结果表明MFAC的直流母线RMSE为0.47 V，比ST-SMC的14.19 V低约30倍，验证了数据驱动方法在未见扰动条件下的泛化能力显著优于固定增益鲁棒控制器。
4.4 计算复杂度分析
研究人员对各控制器的计算和存储成本进行了分析：ST-SMC和MFAC均为O(1)复杂度，ORLS-FF为O(nθ2)（3×3协方差矩阵更新），ELM-Control为O(M2+Mnx)（100×100协方差更新）。因此计算负担排序为ST-SMC≈MFAC< />
五、讨论与结论
研究人员指出，不同控制器在电压质量、效率和能量自主性之间存在明确的权衡关系：MFAC以电压精度见长，适合对电能质量要求严格的场景；ORLS-FF在效率方面最优，适合以经济性为导向的运行；ELM-Control虽自消费率最高但电压偏差较大，适合以能量自主性为优先的应用；ST-SMC作为固定增益鲁棒控制器，在正常工况下综合表现相对较弱，但在有界扰动假设下具有有限时间收敛保证。计算复杂度方面，ST-SMC和MFAC具有最低的在线计算负担，ORLS-FF保持轻量级，ELM-Control计算成本最高。研究结论为：在统一的PV-BESS基准下，数据驱动控制方法（MFAC和ORLS-FF）在综合性能上优于固定增益鲁棒控制（ST-SMC）和轻量神经网络控制（ELM-Control）；MFAC在分布外扰动下展现出显著的泛化优势；控制器选择应依据具体部署场景的优先级（电压质量、效率、能量自主性）和计算资源约束进行权衡。该研究为分布式电网PV-BESS集成中控制器的工程选型提供了定量化的决策参考。
