《Engineering Applications of Artificial Intelligence》:Online learning-based centralized secondary control for resilient operation of hybrid microgrids
编辑推荐:
为了解决混合交直流微电网(HMG)在孤岛运行时,其集中式二次控制系统因单一控制器或通信链路故障而导致的全局功率均分与系统稳定性风险,本文作者Javier Gutiérrez Escalona等人开展了一项名为“基于在线学习的混合微电网弹性集中式二次控制”的研究。他们提出了一种创新的ANN辅助架构,通过在分布式发电单元(DG)和双向互联变换器(BIC)本地部署在线训练的人工神经网络(ANN),预测公共连接点(PCC)电压,在故障时本地模拟中央控制器行为,从而在保留集中控制通信结构简单性优势的同时,显著提升了系统的弹性。该研究成果成功通过了基于现场可编程门阵列(FPGA)的高保真实时仿真验证,为解决HMG控制的可靠性与适应性难题提供了有效方案。
在全球能源转型的浪潮中,由交流(ac)和直流(dc)子网络通过双向互联变换器(Bidirectional Interlinking Converter, BIC)连接而成的混合交直流微电网(Hybrid AC/DC Microgrid, HMG),因其能够高效整合光伏、风电等分布式能源,并支持离网场景下可靠、灵活的运行,正受到越来越多的关注。然而,要让这个“微型电网”在脱离大电网独立运行时保持稳定可靠,其“大脑”——控制系统至关重要。其中,二次控制层承担着纠正频率和电压偏差、确保各个分布式发电单元(Distributed Generator, DG)之间精确按比例分担负载功率的重任。目前,集中式二次控制因其协调简单、通信成本低而受到青睐,但它有一个致命的“阿喀琉斯之踵”:一旦中央控制器或关键的通信链路(尤其是连接ac/dc两侧的BIC)发生故障,整个系统的功率均分和稳定运行就可能瞬间瓦解。虽然分布式控制可以避免这种单点故障,但其复杂的对等通信网络带来了高昂的成本和实现难度。那么,有没有一种方法,既能保留集中控制的简单高效,又能让它像分布式控制一样坚韧不拔,从容应对突发故障呢?
为了回答这个挑战性问题,来自西班牙埃斯特雷马杜拉大学的研究团队Javier Gutiérrez Escalona, Carlos Roncero-Clemente, Oleksandr Matiushkin和Jo?o F. Martins在《Engineering Applications of Artificial Intelligence》上发表了一项创新研究。他们巧妙地将前沿的机器学习技术引入电力系统控制领域,提出了一种基于在线学习人工神经网络(Artificial Neural Network, ANN)的弹性集中式二次控制策略。这项研究的核心目标,是在不引入额外对等通信、不改变集中式控制原有低成本、单向广播通信架构的前提下,赋予HMG抵御中央控制器或通信链路故障的“免疫力”。
研究人员开展这项研究,主要运用了以下几个关键技术方法:首先是集中式分层控制架构,包括基于下垂特性的本地一次控制(实现快速电压/电流调节和初步功率均分)和基于通信的二次控制(用于恢复电压频率偏差并消除稳态功率均分误差)。其次是人工神经网络建模与预测,在每个DG和BIC本地部署具有两个隐藏层的深度前馈ANN,输入为本地测量的电压和有功功率,输出为预测的PCC电压。第三是在线学习机制,ANN在系统正常运行时,利用中央控制器广播的PCC真实电压值作为目标,持续进行在线训练,不断调整网络权重以适应系统的实时变化。当检测到通信故障时,训练暂停,系统切换至基于ANN预测的本地容错控制模式,利用预测的PCC电压在本地模拟中央控制器的行为。最后,基于FPGA的高保真实时仿真验证,通过一个详细建模功率开关行为的平台,在真实的时间尺度下验证了所提方法的有效性和鲁棒性。
研究结果
1. 提出的ANN辅助弹性控制架构
研究设计了一个包含一个ac DG、一个dc DG和一个BIC的HMG测试系统。在正常工况下,系统运行于传统的集中式二次控制模式,中央控制器测量ac和dc PCC的电压与频率,生成公共的校正信号并通过单向广播发送给所有单元。与此同时,部署在各单元的ANN利用本地测量值(电压、有功功率)和中央控制器提供的PCC真实值进行在线训练。当发生“全系统故障”(中央控制器或全部通信失效)时,所有单元切换至无通信模式,ANN停止训练并开始工作,其预测的PCC电压被用于本地控制器中,以维持精确的全局功率均分(尽管电压频率的恢复在此模式下暂停)。当发生“BIC通信故障”(仅BIC与中央控制器失联)时,BIC利用其本地ANN预测PCC电压,并启动本地比例-积分(Proportional-Integral, PI)控制器来模拟中央控制器的电压/频率恢复功能,而ac和dc子网的DG仍可正常接收中央控制信号。
2. 在线学习与ANN预测性能
研究展示了ANN在正常和故障工况下的学习与预测能力。在线学习使ANN能够持续适应系统运行点的变化,例如负载波动。结果表明,经过训练的ANN能够仅凭本地测量值,高精度地预测PCC电压。在BIC通信故障的测试场景中,基于ANN预测的本地控制成功接管,维持了ac和dc PCC电压在额定值附近,并且两个子网之间的功率均分得以保持,与正常集中控制时的性能非常接近。
3. 实时仿真验证结果
通过基于FPGA的实时仿真平台,研究团队在“已见”和“未见”两种场景下验证了所提方法的有效性。“已见”场景指训练数据覆盖到的工况,而“未见”场景模拟了训练数据未完全覆盖的突发负载变化,用以测试ANN的泛化能力。仿真结果表明:
- •
在全系统故障下,所提方法成功维持了全局有功和无功功率的精确均分,误差显著低于无ANN辅助的传统下垂控制。尽管电压和频率因缺乏中央恢复信号而存在偏差,但系统的功率共享特性得以保全,避免了因功率不均导致的过载或失稳。
- •
在BIC通信故障下,基于ANN预测的本地控制使BIC能够自主调节其交换的功率,有效支持了ac和dc子网之间的功率平衡。同时,BIC本地的PI控制器成功模拟了中央控制器对频率和电压的恢复功能,使得ac PCC频率和dc PCC电压在故障期间仍能较好地维持在额定值附近。
- •
无论是在稳态还是动态负载变化过程中,所提方法都表现出了良好的瞬态响应和稳定性,验证了其在实际HMG中应用的可行性。
研究结论与讨论
本研究的核心结论是,通过将在线训练的ANN作为本地部署的备用估计器,可以显著增强基于集中式二次控制的HMG的弹性(或容错能力)。这种“ANN辅助的集中式控制与本地回退”策略,成功地在不引入对等协调或额外分布式消息传递的前提下,解决了集中式控制对单点故障敏感的核心弱点。
其重要意义体现在多个层面:
- 1.
架构创新:该研究提出了一种介于传统集中式、分布式和无通信分散式控制之间的新路径。它保留了集中式控制单向广播、低开销、协调简单的核心优点,同时通过数据驱动的智能本地单元,赋予了系统应对关键故障的生存能力。
- 2.
解决特定痛点:针对HMG中BIC这一互联ac/dc子网的关键脆弱点,该方法提供了有效的保护。BIC通信故障的本地无缝接管,防止了因跨域协调信号丢失而导致的全局功率均分崩溃,这对于HMG的可靠运行至关重要。
- 3.
实用性与适应性:在线学习机制使得ANN能够持续适应系统参数变化、老化或拓扑结构调整,避免了依赖精确系统模型的传统方法可能面临的建模误差和适应性不足的问题。基于FPGA的实时验证也表明了该方案在真实硬件上实现的潜力。
- 4.
潜在推广价值:虽然本文以包含两个DG的HMG为例,但作者指出该架构可扩展至包含Nac个ac DG和Ndc个dc DG的更大规模混合系统。每个单元独立的ANN部署和训练机制,使得该策略具有良好的可扩展性。
总而言之,这项研究为未来智能、弹性的微电网控制设计提供了一个有前景的方向。它证明了将机器学习特别是ANN的在线学习能力,与传统电力系统控制理论相结合,能够创造出兼具高效性、经济性和鲁棒性的新型解决方案,对于推动可再生能源高比例渗透的分布式能源系统安全稳定运行具有重要的理论与工程价值。