基于自适应神经模糊的下垂控制算法，用于多节点双极直流微电网的电压稳定控制

《Engineering Applications of Artificial Intelligence》：Adaptive neuro-fuzzy based droop control for voltage stabilization in multi-node bipolar direct current microgrids

　　摘要与传统的单极配置相比，多节点双极直流微电网具有多个电压等级接口，这提升了系统的可靠性、运行灵活性以及能源利用效率。本研究提出了一种先进的控制策略，采用双向单端初级电感变换器–?uk融合变换器拓扑结构，用于稳定BDCMGs中的直流母线电压。该变换器的双向功能能够在不同负载条件下保持稳定的电压调节，并支持无缝的双向功率流动。然而，由于负载不平衡和线路电阻导致的电压偏差需要智能且自适应的控制机制。为了解决这些问题，本文开发了一种基于自适应模糊逻辑的滴定控制器，并结合了自适应神经模糊推理系统。ANFIS将模糊逻辑的推理能力与神经网络的自学习特性相结合，通过混合算法实现会员函数和规则参数的自动调整。所提出的方法是一种基于人工智能的电压稳定控制方案。在所设计的控制方案中，变换器输出电压和电池荷电状态被用作控制器输入，从而生成一个自适应滴定系数，用以调节正负直流母线电压，进而维持整个系统的稳定性。该方法能够根据电压偏差、电压不平衡指数以及荷电状态实时调整滴定系数，从而提升系统的动态性能和稳定性。在Matrix Laboratory和MathWorks的Simulink仿真环境中的模拟结果验证了所提出的基于ANFIS的控制策略，表明该策略能够有效减轻电压不平衡问题，实现稳定的直流母线电压调节，并提升多节点BDCMGs内的功率共享效果。

引言随着环境问题的日益严重，人们越来越重视诸如光伏系统和风力涡轮机之类的可再生能源（Hu等人，2025年；Bhayo等人，2025年）。随着直流负载和电池储能系统的普及，直流微电网在未来电力系统中预计将发挥更重要的作用。直流微电网主要可分为两类：单极型和双极型（Chew等人，2018年；Han等人，2025年）。BDCMGs采用三线配置，包括正极、中性线和负极。在这种配置下，即使某条线路出现故障，系统仍能正常运行，因为另外两条线路可以继续承担任务（Cham等人，2025年；Gwon等人，2017年）。BDCMGs具备多个电压等级，不仅能够提高功率传输效率，还能带来更好的灵活性和稳定性（Kraiem等人，2022年；El Barkouki等人，2025年）。尽管具有这些优势，BDCMGs仍然面临典型的直流微电网问题，如电压下降、电压尖峰和电压波动（Salem等人，2025年；Rouzbehi等人，2016年；Zandi和Poshtan，2023年）。在实际运行中，不对称的供电和负载条件还可能导致另一个电能质量问题：电压不平衡。为保持平衡的母线电压并确保系统安全运行，可以采用基于模糊逻辑算法的自适应滴定控制器来调节系统，保障直流负载的正常工作（Dahane和Sharma，2024年；Ma等人，2025年；NKS和Gaonkar，2023年）。BDCMGs的基本配置如图1所示。现有文献提出了三类主要方法来解决BDCMGs中的电压不平衡问题。第一种策略是在电源侧部署电压平衡电路，以保持直流母线两侧的电压对称。Kim等人（2019年）提出了一种电压平衡器电路拓扑结构，它作为一种具有高转换比的直流/直流变换器，能够在电压差较大的系统中实现升压和降压操作。不过，这种拓扑结构存在固有缺陷，其输出功率始终低于不平衡功率，因此难以应对直流负载的波动。另一种方法是Guo等人（2022年）提出的基于共识的控制框架，该框架将主控和次级控制集成到辐射状多节点BDCMGs中，并通过电压平衡器来实现电压调节。然而，这种方法没有考虑不同线路电阻的影响，而在实际运行条件下，这种差异会显著降低系统性能（Gorijeevaram Reddy等人，2021年）。第二种方法则是致力于开发先进的变换器拓扑结构和控制方法，以减轻电压不平衡问题。Tavakoli等人（2017年）提出了一种统一控制方案，通过调节电压源逆变器的滴定系数来实现BDCMGs中的负载共享和节点电压调节；但在严重电压不平衡的情况下，该方法的效能会下降。类似地，Augustine等人（2015年）提出的技术通过自适应虚拟电阻调节来减少变换器之间的环流，但这种方法会增加通信需求并提高系统成本。Nisha和Gaonkar（2019年）提出了一种三级升降压变换器的预测控制模型，能够快速补偿电压偏差，但由于加入了电动汽车充电器和储能设备，使得系统变得更加复杂。第三类方法则是使用直流动态补偿器来进行负载侧的电压调节（Liao等人，2021a年；Zaman等人，2024年）。这类设备无需复杂的通信基础设施即可提供局部补偿，且可以分布在网络节点中。通过调节非关键负载并注入补偿功率，DC-ES装置能够有效抑制电压偏差并减少能量损失（Wang等人，2021年）。尽管具有这些优点，但目前大多数研究仅限于单极直流系统，而其在具有不同储能容量和多变负载条件的多节点双极配置中的应用仍需进一步探索（Manikandan等人，2025年；Panda等人，2022年；Shaban等人，2023年）。此外，在BDCMGs中，分布式能源存储系统的荷电状态不平衡可能会导致各个储能单元出现过充或过放现象，从而影响系统的可靠性和直流母线电压的稳定性（Song等人，2025年）。因此，将荷电状态纳入滴定控制中对于实现均衡的功率共享、协调的充放电操作以及提升多个电池单元的电压调节性能至关重要（Qi等人，2021年；Wu等人，2018年；Noor等人，2026年）。从上述讨论可以看出，现有的BDCMGs电压调节和滴定控制方法在实现电压平衡、荷电状态均衡以及分散式运行下的强大动态性能方面仍面临诸多挑战。为了解决这些局限性，本文提出了一种基于自适应神经模糊推理系统的自适应滴定控制策略，该策略与双向SEPIC–?uk融合变换器相结合，用于BDCMGs。ANFIS作为一种离线优化工具，可以利用仿真数据来调整模糊控制器的会员函数和规则参数。经过优化的控制器则可在实时环境中投入使用，它结合了模糊逻辑的可解释性以及神经网络的优化能力，同时避免了在线学习的计算负担。所提出的变换器能够实现灵活的双向功率流动和模块化运行，从而提升系统的可扩展性和可靠性。与此同时，基于ANFIS的控制器能够根据荷电状态、电压偏差、母线电压不平衡以及负载电流来自适应调整滴定系数，从而减少对高带宽通信链路的依赖。因此，所提出的方法能够实现基于荷电状态的功率共享，抑制电压不平衡，减轻相互调节效应，并在动态运行条件下提升瞬态和稳态的电压调节性能。本研究的主要贡献如下：（a）提出了一种基于荷电状态的模糊控制策略，该策略通过ANFIS优化参数，能够根据直流母线电压偏差、电压不平衡指数以及荷电状态信息来自适应调整滴定系数。与传统依靠手动调整会员函数和预设规则的模糊滴定控制器不同，所提出的方法利用ANFIS通过离线数据驱动的训练过程，自动优化局部运行条件与滴定系数调节之间的非线性映射关系。之后，经过优化的模糊控制器则可在在线环境中投入使用，从而提升分散式电压控制的适应性，无需进行在线学习。（b）系统分析了多节点BDCMGs中电池储能系统、中性线电阻以及负载不对称性之间的相互作用，揭示了网络不对称性对滴定控制系统电压调节性能的显著影响。（c）提出了一种改进的电压不平衡指数，用于评估在储能系统辅助下且采用SEPIC–?uk变换器作为电压平衡器的BDCMGs的电压调节性能。这一指标能够定量评估直流母线电压的偏差情况，可作为衡量所提控制策略电压平衡能力的有效指标。本文的其余部分安排如下：第2节介绍所提出的系统配置和建模方法；第3节详细阐述基于ANFIS的自适应滴定控制策略；第4节给出仿真结果及性能分析；最后，第5节对全文进行总结，并指出未来的研究方向。

BDCMGs中电压不平衡的分析在BDCMGs中，直流母线电压偏差系数是评估电能质量与平衡状况的重要指标。相关标准规定，这些偏差系数不得超过5%。正电压偏差系数（ΔVp%）和负电压偏差系数（ΔVn%）的定义如下：ΔVp%=Vp?VDC/VDC×100%，ΔVn%=Vn?VDC/VDC×100%，其中Vp、Vn分别表示直流线路的正电压和负电压，VDC则表示直流母线的参考电压。在具有……的BDCMGs中

所提出的基于ANFIS的模糊逻辑滴定控制器的设计传统的滴定控制器通常采用固定的滴定系数，这类系数无法有效补偿由负载变化、可再生能源的间歇性以及电池荷电状态变化所引起的电压不平衡问题。为了解决这一局限，本文提出了一种基于ANFIS优化后的模糊推理系统的自适应滴定控制器。该控制器结合了模糊逻辑的非线性映射能力与ANFIS的自学习能力。ANFIS的训练是在离线环境下进行的……

仿真结果与讨论在MATLAB/Simulink仿真环境中，构建了一个用于表征BDCMGs的模型，重点在于保持正负直流母线之间的电压恒定。该仿真的主要目标是实现精确的参考电压跟踪控制。直流母线电压被设定为100V的参考值，系统的额定功率为150W，其中包括线路电阻（Rp、Rn、Rnu各为0.6mΩ）和电感（Lp、Ln、Lnu各为10μH）。其他……

结论本文提出了一种基于分散式模糊逻辑自适应滴定策略并结合能源管理系统的控制框架，用于缓解BDCMGs中的电压不平衡问题。所提出的方案以双向SEPIC–?uk变换器拓扑结构为基础，引入了一种状态依赖的滴定适应机制，通过实时利用电池荷电状态和直流母线电压偏差来调节滴定系数。这一设计方式有助于实现协同的功率共享。

CRediT作者贡献声明Javeria Noor：撰写——初稿、验证、软件、方法论、概念构思。Dongran Song：撰写——审阅与编辑、形式分析、概念构思。Izaz-ul-Haq：软件、数据整理。Zain Tariq：软件、概念构思。Jian Yang：形式分析、数据整理。Mi Dong：形式分析、概念构思。M.H. Elkholy：资源、形式分析。M. Talaat：形式分析、数据整理。Luthfur Rahman：形式分析、数据整理。

利益冲突声明作者声明自己不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢本研究得到了中国国家自然科学基金委员会管理的国际合作项目资助，项目编号为52177204。Javeria Noor于2018年在巴基斯坦伊斯兰堡的国际伊斯兰大学获得电子工程学士学位，2024年在中国长沙的中南大学获得控制科学与工程硕士学位，目前她正在该校攻读控制科学与工程博士学位。她来自巴基斯坦，研究兴趣包括电力电子、直流微电网的先进控制策略以及可再生能源领域。

Javeria Noor|Dongran Song|Izaz-ul-Haq|Zain Tariq|Jian Yang|Mi Dong|M.H. Elkholy|M. Talaat|Luthfur Rahman中国湖南省长沙市中南大学自动化学院，邮编410083