面向电动汽车 - 电网稳定性的人工智能增强自适应阻尼：一种混合粒子群优化与仿射投影混合范数方法

《Engineering Applications of Artificial Intelligence》：Artificial intelligence enhanced adaptive damping for electric vehicle-grid stability: A hybrid particle swarm optimization and affine projection mixed norm approach

　　

摘要电动汽车电池整合到电网中进行频率调节，给电力电子工程师和智能电网设计师带来了巨大的控制挑战，特别是由于高频逆变器谐波的存在。虽然电感 - 电容 - 电感 (LCL) 滤波器能够有效抑制这些谐波且不引起浪涌电流，但其固有的共振行为——当与参数变化和动态运行条件耦合时——可能会扭曲电池电流并使系统不稳定。传统基于电容电流反馈的阻尼方法中的固定增益控制器难以应对宽范围的电网阻抗变化、LCL 滤波器参数偏差以及快速的参考电流变化。为了解决这些挑战，本研究提出了一种人工智能驱动的混合框架，结合了离线粒子群优化和实时仿射投影混合范数自适应。所提出的解决方案为电动汽车 - 电网整合提供了实际益处，包括减少手动调优工作量、在弱电网条件下提高电能质量以及符合电网标准，使其可直接应用于并网逆变器设计、可再生能源系统和车辆到电网应用。仿真和实验验证展示了卓越的性能：有效阻尼区域扩大了 50%（达到采样频率的 25%），同时在极端电网阻抗变化（-60% 到 +200%）下保持总谐波失真 (THD) <5%。

引言智能电网的演进越来越依赖于计算智能以实现最佳能源管理，特别是在能够实现人工智能优化双向功率流的并网电动汽车 (EV) 系统中 (Noura 等，2025)。这些系统利用电动汽车电池作为分布式储能单元，在低需求时段储存多余的可再生能源，并在高峰需求时动态调节有功和无功功率注入 (Qais 等，2020)。中国最大的车辆到电网 (V2G) 微电网项目位于广州，拥有 20,000 个充电桩和首个集中式 10 kV V2G 系统，在其试点阶段为用户提供了 3 元/千瓦时的放电奖励 (中国储能联盟，2025)。关于电网容量，不受控制的电动汽车充电会加剧配电基础设施的负担，研究表明，在没有适当控制的情况下，高峰需求期间馈线负载超过 80% (Callanan 等，2025)。相反，像阿姆斯特丹 Flexpower 项目这样的智能充电实施实现了 57% 的峰值功率降低，同时提供了 98% 所需的能量，使电网能够容纳当前电动汽车需求高达七倍 (Ca?igueral 等，2025)。

电动汽车充电站作为非线性负载，向电网注入显著的电流谐波。充电至 100% 荷电状态 (SoC) 会使谐波含量超过 IEEE-519 限值，而限制在 80% SoC 则能保持合规。未经缓解的谐波会导致转子发热、变压器损耗和中性线过热，降低设备效率和寿命 (Lenka 等，2024)。电感 - 电容 - 电感 (LCL) 滤波器已成为谐波缓解的优越解决方案，与传统的 L 或 LC 滤波器相比具有三个关键优势：(1) 电感需求减少 60%，(2) 消除浪涌电流，(3) 提高并网系统的电能质量 (López-Alcolea 等，2023)。然而，其广泛采用因固有共振频率对 ±20% 参数变化敏感而变得复杂 (Mazloum 和 Khajehoddin，2025)。这些共振可能使功率传输不稳定并加速电池退化，研究表明在共振频率下电池放电率增加高达 2.62% (Mousaei 等，2023)。这直接影响电动汽车电池寿命并增加用户成本，从而产生对能够同时抑制谐波和缓解共振的智能控制系统的关键需求。

对共振控制的追求导致了两种主要策略：被动阻尼和主动阻尼 (AD)。被动阻尼采用串联电阻 - 电感网络来耗散共振能量——提供了一种简单的解决方案，但因电阻耗散导致高达 15% 的效率损失 (Mahlooji 等，2018)。相比之下，主动阻尼通过修改逆变器控制动态来抑制共振，同时保持 >90% 的能量保留 (Upadhyay 等，2024)。尽管具有优势，但数字主动阻尼系统面临来自多个来源的关键挑战。采样、计算和处理中跨越 50–200 μs 的时间延迟引入了 ±2% 的频率跟踪误差 (Zhao 等，2023)。系统稳定性进一步受到对高达 ±30% 电网阻抗波动的参数敏感性破坏，加之电容老化效应导致高达 ±10% 的 LCL 参数漂移——这已被记录为运营中的电动汽车 - 电网系统中共振频率偏移的主要原因 (Xu 和 Xie，2018)。

主动阻尼技术的最新进展产生了各种解决方案，每种都有各自不同的局限性。单环方法，如电网/逆变器电流反馈，通过最少传感器要求提供了简洁性 (Ma 等，2021)，但在将比例 - 谐振 (PR) 或比例 - 积分 (PI) 控制器与辅助滤波器一起使用时，带宽减少 15–30% (Gomes 等，2018)。虽然计算效率高，但这些方法对电网阻抗变化的鲁棒性差，其固定增益结构不提供无模型自适应或双模式优化。

鲁棒控制方法 (H∞ 和 μ 综合) 提供 ±25% 的共振偏移容限 (Chen 等，2023)；然而，它们需要为新的运行条件重新设计完整模型。这种模型依赖性阻止了无模型运行，而对精确系统知识的需求排除了双模式优化。同样，基于线性矩阵不等式的设计保证了理论稳定性 (Buduma 和 Panda，2018)，尽管由于额外的传感器要求，实现成本增加了约 40%，损害了计算效率，同时仍然依赖模型且仅以单模式运行。

滑模控制 (SMC) 尽管受到抖振效应和 50% 更长调试时间的阻碍，仍实现了 <1.5% 的总谐波失真 (THD) (Vieira 等，2018)。抖振引入了计算开销，而基于模型的设计缺乏无模型自适应。即使是自适应方法，如模型参考自适应控制 (MRAC) 和超螺旋 SMC，尽管对电网阻抗变化具有鲁棒性 (Hong 等，2018; Liu 等，2018; Hollweg 等，2023a)，仍严重依赖准确的系统模型——这一局限性仅由模型参考自适应 PI 控制器部分解决 (de Oliveira Evald 等，2023)。尽管具有适应性，但这些方法仍然依赖模型且以单种在线模式运行，未能提供双模式优化。

多环主动阻尼方法代表了一次重大进化，采用内部阻尼环，配以电容电流反馈 (CCF) 或电容电压反馈 (CVF) 以及外部控制环 (Zhang 等，2022)。比例电容电流反馈主动阻尼 (CCF-AD) 方法 (Li 等，2015) 是这一方法的典范，最近的增强将有效阻尼区域扩展到采样频率的 25% (Wang 等，2015)。然而，这种改进需要精确的阻尼系数近似，增加了实现复杂性并损害了计算效率。将 PI/PR 控制器集成在 CCF 框架内 (Ben Sa?d-Romdhane 等，2018) 或利用基于 CVF 的方法 (Xin 等，2016) 的替代解决方案各自引入了妥协——无论是通过增加传感器还是 q 轴分量引起的角度位移。甚至结合 CVF 和二阶带通滤波器的先进配置 (Zhang 等，2021)，虽然有效，但也需要额外的控制器和细致的手动调优。

最近的研究表明，人们对增强 LCL 滤波系统的主动阻尼人工智能 (AI) 越来越感兴趣。基于神经网络的方法 (Jose 等，2024) 实现了 <3% 的 THD，但需要大量的训练数据集，在没有离线训练的情况下无法提供无模型运行，并引入了计算低效。模糊逻辑控制器 (Long 等，2023) 在 ±25% 电网阻抗变化下性能下降，缺乏对宽范围阻抗变化的鲁棒性。强化学习 (RL) 方法 (Ren 等，2025) 表现出 100–300 ms 的自适应延迟，损害了计算效率，同时需要大量的训练。进化计算技术 (Guo 等，2025) 和元启发式优化方法 (Soleimani 和 Ghasemi-Marzbali，2026) 展示了有效的参数识别和控制器调优，但仅在离线模式下运行，无法提供在线自适应。遗传算法优化的主动阻尼 (Hollweg 等，2023b) 将 THD 降低到 2.5%，但引入了高 40% 的计算负载，损害了效率。用于电网到车辆管理的深度 RL (Mei 等，2023) 在电网干扰下保持稳定，但需要 GPU 加速，使其在标准硬件上计算效率低。这些方法揭示了动态响应 (Jose 等，2024; Ren 等，2025; Mei 等，2023) 与对电网干扰的鲁棒性 (Long 等，2023; Guo 等，2025; Soleimani 和 Ghasemi-Marzbali，2026; Hollweg 等，2023b) 之间的内在权衡，但没有一种方法能在单一计算高效的框架内提供无模型运行、离线优化和实时自适应。从这次综述中确定的主要研究缺口是：
•现有方法要么在宽阻抗变化下失效，要么在尝试处理这些变化时牺牲计算效率。
•大多数自适应和基于 AI 的方法依赖准确的系统模型或大量的离线训练，缺乏能够从实时误差动态中学习的真正无模型自适应。
•当前方法要么仅在离线模式下运行（进化算法、元启发式），要么仅在在线模式下运行（MRAC、SMC、RL），没有框架结合全局离线优化与持续实时自适应。

这项工作通过为 LCL 滤波并网逆变器 (GCI) 开发一种结合离线粒子群优化 (PSO) 与实时仿射投影混合范数 (APMN) 自适应的混合框架，弥合了这些关键缺口。所提出的 PSO-APMN 框架利用基于生物的群智能进行全局参数优化，而 APMN 算法不断从系统误差动态中学习，以实现无模型实时自适应。这些机制共同模拟了人类专家在变化的电网条件下直观调整控制器参数的能力，但具有更快的响应时间和更高的精度。所提出的框架采用 PSO 系统性地选择 CCF 阻尼系数和 PR 控制器增益的最佳值。这个离线优化阶段同时最小化电流 THD (<5%) 和跟踪误差。集成的 APMN 算法提供自主参数调整，确保在 -60% 到 +200% 电网阻抗变化中保持稳定，同时有效稳定 500 Hz 到 5 kHz（采样频率的四分之一）范围内的共振频率偏移。Typhoon 硬件在环验证证实了与基线 CCF-AD 实施相比具有优越的鲁棒性。本文的关键贡献包括：
•所提出的基于混合 PSO-APMN 的控制器实现了比固定增益 PR 控制器宽四倍的阻尼带宽，且不需要额外的传感器。
•APMN 算法驱动的在线自适应在电网阻抗变化范围为 -60% 到 +200% 时保持稳定，使现有自适应方法的鲁棒性翻倍。
•APMN 算法根据系统动态自主调整控制参数，消除了手动调优，同时最小化人为干预和潜在错误。

本文结构如下：第 2 节介绍了电动汽车电池 - 电网整合模型和 LCL 滤波器动态。第 3 节定义了稳定运行的控制参数限制。第 4 节详细说明了用于确定最佳 CCF 阻尼系数和 PR 控制器增益的 PSO 优化过程。第 5 节介绍了所提出的 PSO-APMN 混合框架，该框架结合了离线优化与实时自适应。第 6 节通过仿真和硬件测试验证了该方法。最后，第 7 节讨论了这项工作的意义以及智能电网接口未来研究方向。

章节片段
电动汽车电池并网
图 1 展示了一个并网电动汽车充电系统，由电动汽车电池、功率逆变器、LCL 滤波器、控制单元和电网互连组成。电动汽车电池作为储能组件，既能为车辆充电储存电力，也能向电网供电。在本工作中，我们考虑一个充满电的电动汽车电池向电网供电。逆变器执行电池直流电与电网交流电之间的关键转换。

确定控制参数的最佳范围
PR 控制器增益和 CCF 阻尼系数的最佳范围是通过评估稳态误差、稳定裕度和增益交叉频率来确定的，以确保系统稳定性和性能。

用于优化控制器增益设计的粒子群优化算法
PSO 算法是一种受生物群体集体行为启发的元启发式优化技术 (Cai 等，2021)。如图 3 所示，它通过以下关键机制运行：
I. 粒子动力学：
每个粒子 i 代表一个候选解（控制器增益），并通过跟踪以下内容更新其在搜索空间中的位置 Xi：
•个体最优 (Pi)：
Pi=argmin[f(Xi)]
其中 f(Xi) 评估稳定性/性能指标。
•全局最优 (Gi)：
Gi=argmin[f(Xi)]。
II. 速度 - 位置
仿射投影混合范数算法
APMN 算法是一种强大的自适应滤波技术，广泛应用于信号处理领域 (Li 等，2021)。其核心自适应机制不断优化权重向量 w(t) 以最小化输出误差：
e(t)=d(t)?w(t)Tu(t)
其中 u(t) 代表输入信号向量，d(t) 是代表理想参考信号的期望输出，给定为：
d(t)=w0Tu(t)+n(t)
其中 w0 是目标权重向量，n(t) 模拟测量噪声。APMN 算法

仿真结果
仿真结果是通过在 Simulink 中对电动汽车电池集成的 LCL 滤波 GCI 系统进行建模获得的，使用了表 2、表 3 中的参数。评估了稳态响应和暂态行为，以验证所提方法的有效性。

结论
本文通过开发 PSO-APMN 混合控制框架，解决了 LCL 滤波电动汽车 - 电网系统中共振频率抑制的关键挑战。

通过将离线 PSO 与实时 APMN 自适应相结合，所提出的解决方案实现了三项显著进展：首先，与传统的固定增益 CCF-AD 方法相比，它将稳定阻尼区域扩展了 50%，在保持 THD 低于 5% 的同时，能够在高达采样频率 25% 的情况下维持鲁棒运行，并在……下

CRediT 作者贡献声明

Danish Khan：概念化、数据整理、形式分析、方法论、项目管理、软件、验证、写作 – 原稿起草、写作 – 审查与编辑。

Bo Zhang：概念化、形式分析、资金获取、调查、方法论、资源、软件、监督、验证、可视化、写作 – 审查与编辑。

Zicong Lin：数据整理、形式分析、方法论、项目管理、写作 – 原稿起草、写作 – 审查与编辑。

资金资助：本研究由国家自然科学基金（NSFC）（编号 62173234）资助。

竞争性利益声明：作者声明不存在利益冲突。

Danish Khan|Bo Zhang|Zicong Lin|Shiyu Chen|Zongze Wu 机电与控制工程学院，深圳市自主无人系统与智能操作联合实验室，深圳大学，中国 518060 深圳市