基于深度神经网络的ADRC方法，用于配备PEM电解槽阵列的电池储能系统，该系统通过多输出反激变换器与直流微电网相连接

《Journal of Energy Storage》：Deep neural network-based ADRC method for battery energy storage system aided DC microgrid with PEM electrolyzer arrays integrated by multi-output flyback converter

　　谢宁|赵伟|唐新强|张凯 中国南方电网，广东510663

摘要
本文提出了一种基于深度神经网络的自适应干扰抑制控制策略，用于包含光伏发电、质子交换膜电解槽阵列以及电池储能系统的直流微电网的母线电压调节。电池储能系统可用于缓解间歇性光伏发电与相对稳定的电解槽运行需求之间的功率不平衡问题。文中采用多输出反激式变换器来连接电解槽阵列，从而在减少组件数量的同时实现电气隔离和灵活的电压转换。所提出的DNN-ADRC控制器能够学习传统ADRC控制器结合比例积分控制器的占空比指令映射关系，并在线直接生成电池储能系统变换器的占空比指令。在光伏功率波动、电解槽电压参考值变化、参数不匹配以及传感器噪声等场景下的仿真结果表明，与比例积分控制器及传统ADRC控制器相比，该方法能更好地实现直流母线电压的调节及动态响应。

引言
日益严峻的全球能源危机以及实现碳达峰和碳中和目标的迫切需求，正在加速全球向可持续能源的转型。这一转型的特点是可再生能源，尤其是光伏和风能的快速发展，它们越来越多地与氢能等清洁能源载体相结合，氢能因其作为多功能且可储存的能源载体的潜力而备受关注[1]、[2]。然而，可再生能源发电固有的间歇性和不可预测性仍然是一个重大挑战，这可能严重影响电网稳定性和电能质量。为了解决这一问题，一种很有前景的解决方案是在可再生能源发电量较高的时期，通过电解将多余的电能转化为氢气[3]、[4]。这一过程能够有效地将原本无法使用的能量转化为可储存的化学燃料，以便日后使用，进而提升电网的灵活性[5]。可再生能源与氢能之间的这种协同作用，推动了先进集成微电网系统的研发。这类系统旨在将分布式可再生能源发电与电解槽相结合，实现现场氢气的生产与利用[6]、[7]。由于能够实现本地能源平衡与存储，这类集成微电网架构被广泛视为构建更具韧性、更高效率且真正低碳的未来能源基础设施的关键组成部分。

在 such integrated systems中，选择合适的电解槽技术至关重要。质子交换膜电解槽因其出色的动态响应能力而备受青睐，它能够有效平滑可再生能源发电的波动[8]，并快速提供频率支撑，以增强电网稳定性[9]。在[10]、[11]中介绍的典型系统，整合了质子交换膜电解槽、燃料电池、光伏发电装置和电池，证明了通过协调控制实现稳定电力管理的可行性，凸显了这类混合微电网的实际应用潜力。需要指出的是，质子交换膜电解槽的高效运行需要稳定且高质量的直流电源。研究表明，电压波动会显著影响其静态负载特性和运行效率，使其偏离最佳的线性工作范围[12]。此外，精确的模型还需要考虑电力电子接口的约束条件，包括最小功率限制和动态响应要求，以确保氢气生产的稳定性和高效性[13]。这就凸显出在微电网架构中实现先进的电力调节和强大的直流母线电压控制的必要性。要实现微电网中强大的直流母线电压控制，就需要在电力变换器拓扑结构和控制策略方面取得突破。

由于单个质子交换膜电解槽的功率容量有限，因此在微电网应用中必须将多个电解槽组合成阵列使用[14]、[15]。然而，如[15]中所做的那样，将整个阵列连接到单个高功率变换器上，会忽视各个单元之间的差异性，限制系统的运行灵活性。虽然为每个电解槽配备一个独立的变换器[14]可以提高控制的精细度，但当系统规模扩大时，会导致系统变得庞大、成本高昂且结构复杂。为了解决这个问题，单电感多输出变换器拓扑结构作为一种有效的折中方案出现，它能够在减少组件数量的同时，允许从单个电源级独立控制多个电解槽[16]。不过，[16]中采用的单电感多输出降压式变换器不具备电气隔离功能，且只能用于降压操作。相比之下，多输出反激式变换器具有电气隔离功能以及内置的升降压能力[17]、[18]、[19]。这些特性使得它特别适合用于驱动微电网中的质子交换膜电解槽阵列，能够在不同电压水平下提升系统的安全性和运行灵活性。在[20]中，人们将双向变换器与双输出反激式变换器相结合，以便在次级绕组之间主动重新分配电流，从而在极端负载不平衡情况下显著改善跨模块电压调节性能，并实现灵活的功率分配。同时，[21]采用了带有自适应聚类和滑动窗口控制的双反激式变换器，实现了高效的多阈值电池均衡，提升了电池均衡速度和系统灵活性。在这些成功应用的基础上，本文也采用多输出反激式变换器，以便高效地与所设计的微电网中的质子交换膜电解槽阵列进行连接并独立驱动它们。

对于直流微电网的母线电压稳定控制，传统的比例积分微分控制器或比例积分控制器仍被广泛用于电力变换器控制，但这些控制器在响应速度和大信号稳定性方面往往存在局限性。这就促使人们开始采用模型预测控制和自适应干扰抑制控制等更先进的控制策略。例如，[22]为混合能源存储系统开发了一种改进的线性自适应干扰抑制控制算法，该算法具有动态事件触发机制，能够在保持良好电压调节性能的同时，提高干扰估计的精度和计算效率。类似地，[23]提出了一种分散式自适应干扰抑制控制方案，其中扩展状态观测器能够主动估计并补偿系统中的干扰，从而在无需额外电流传感器的条件下实现稳定的母线电压和精确的功率分配。这些研究都表明，自适应干扰抑制控制技术在微电网母线电压调节方面具有巨大潜力。不过，传统的基于自适应干扰抑制控制的电压 - 电流级联控制方式仍然需要设计并调整多个控制器参数，如观测器带宽、补偿增益和反馈增益等。其在线实现过程还涉及明确的控制流程，即首先由电压环生成电池储能系统电流参考值，然后内部的比例积分电流环根据该参考值生成占空比指令。在快速瞬态情况下，这种级联结构可能会引入中间电流跟踪动态，从而影响最终的占空比指令轨迹。因此，研究一种数据驱动的控制结构仍然具有重要意义，这种结构能够在简化在线占空比指令生成流程的同时，保留基于自适应干扰抑制控制的调控目标。近年来，神经网络已成为提升电力电子变换器控制性能的强大工具，它们在稳定性评估、非线性控制、模型预测控制近似以及无模型控制等领域得到了广泛应用[24]、[25]、[26]、[27]、[28]、[29]。例如，[26]中开发了一种双神经网络框架，用于在宽范围的运行条件下，快速准确地在线估计电网变换器系统的稳定区域。在[27]中，人们将自演化循环切比雪夫模糊神经网络与滑模控制相结合，用于估计降压变换器中的非线性特性，显著提高了电压跟踪的精度。同时，[28]的研究表明，压缩的一维卷积神经网络能够在FPGA实现中有效替代传统的长时域模型预测控制方法，虽然在降低计算负荷的同时保持了相当的性能。同样，有一种基于深度神经网络的模型预测控制方法被应用于包含质子交换膜电解槽阵列的光伏 - 能源存储系统 - 质子交换膜电解槽微电网，研究表明，离线训练的神经网络能够在降低在线计算负荷的同时，保持实时变换器控制性能[16]。此外，[29]的作者们提出了一种基于在线神经网络的无模型控制方法，该方法利用实时数据实现对高阶变换器的稳定控制，而无需精确的数学模型。

因此，本文设计了一种集成光伏阵列、质子交换膜电解槽阵列以及电池储能系统的直流微电网，其中质子交换膜电解槽阵列通过多输出反激式变换器与微电网相连。从硬件角度来看，多输出反激式变换器能够以更少的组件和更低的成本实现电解槽的独立驱动。从控制角度来看，所提出的DNN - 自适应干扰抑制控制方法能够在设计出传统基于自适应干扰抑制控制的双环控制器之后，直接学习该控制器的占空比指令生成行为。经过训练的神经网络随后可以取代在线的级联电压环和电流环计算过程，实现直接的数据驱动型占空比指令生成。这种设计在保留原有的基于脉宽调制的开关控制实现方式的同时，简化了在线控制流程。在所分析的仿真场景中，这种集成方法提升了光伏 - 质子交换膜电解槽 - 电池储能系统直流微电网的动态响应能力、稳态调节性能以及系统鲁棒性。

本文的其余部分安排如下：第2节描述了光伏 - 质子交换膜电解槽 - 电池储能系统微电网的架构及各组成部件的建模情况，包括质子交换膜电解槽模型以及电力变换器模型。第3节介绍了该微电网的控制方法。在这一节中，首先介绍传统的自适应干扰抑制控制 + 比例积分控制器作为基准控制器和学习模型，然后开发基于深度神经网络的占空比指令控制器，以模拟该控制器的控制行为。第4节通过在不同场景下的仿真研究，对比分析所提方法的动态性能、稳态行为以及系统鲁棒性，这些场景包括光伏功率波动、质子交换膜电解槽电压参考值变化、参数不匹配以及测量噪声等情况。最后，第5节对本文内容进行总结，阐述本研究的主要发现，分析现有研究的局限性，并指出未来的研究方向。

章节片段
光伏 - 质子交换膜电解槽 - 电池储能系统微电网的架构与建模
本研究中的微电网由作为可再生能源来源的光伏发电单元、负责稳定直流母线电压的电池储能系统，以及作为主要负载的质子交换膜电解槽阵列组成，此外还有若干用于实现双向功率转换和调节的直流/直流变换器。以下各小节将详细介绍光伏 - 质子交换膜电解槽 - 电池储能系统微电网的架构以及各个子系统的建模情况。

光伏 - 质子交换膜电解槽 - 电池储能系统微电网的控制方法
基于第2节中建立的各组成部件模型，本节将介绍所提出的光伏 - 质子交换膜电解槽 - 电池储能系统微电网中用于直流母线电压调节的控制策略。电池储能系统侧的双向变换器负责平衡光伏发电与质子交换膜电解槽负载之间的功率不平衡，因此本节的重点是该变换器的控制设计。首先，介绍传统的自适应干扰抑制控制 + 比例积分电压 - 电流双环控制器作为基准控制器。

结果与讨论
光伏功率的波动以及质子交换膜电解槽端点的目标工作电压变化，都会影响直流母线电压的稳定性，进而影响电解槽端点的电压稳定性。基于在MATLAB/Simulink中建立的光伏 - 质子交换膜电解槽 - 电池储能系统微电网的数字模型，研究人员设计了多种仿真场景，包括光伏功率的阶跃变化以及质子交换膜电解槽目标工作电压的阶跃变化，以此来评估该系统的性能。

结论
本文提出了一种基于深度神经网络的自适应干扰抑制控制方法，用于包含质子交换膜电解槽阵列的光伏 - 质子交换膜电解槽 - 电池储能系统直流微电网，其中质子交换膜电解槽阵列通过多输出反激式变换器与微电网相连。该变换器不仅具备电气隔离功能，还能减少用于连接多个电解槽的组件数量。从控制角度而言，所提出的方法通过训练深度神经网络，使其学习传统自适应干扰抑制控制 + 比例积分控制器的占空比指令生成行为。经过训练的深度神经网络可以直接生成电池储能系统变换器的占空比指令。

作者贡献声明
谢宁：撰写——初稿撰写、验证、监督、项目管理、方法设计、研究实施、资金获取、正式分析、概念构思。赵伟：撰写——审阅与编辑、验证、监督、资源协调、项目管理、资金获取、概念构思。唐新强：撰写——审阅与编辑、可视化处理、方法设计、研究实施、概念构思。张凯：撰写——初稿撰写、可视化处理、验证、方法设计。

利益冲突声明
作者声明不存在任何已知的可能影响本文研究结果的财务利益关联或个人关系。