用于高度不稳定的可再生能源系统的智能电压控制的数字-模拟双驱动装置

《Engineering Applications of Artificial Intelligence》：Digital-analog dual drive for smart voltage control of highly volatile renewable energy systems

数字-模拟双驱动控制方法在可再生能源高渗透电力系统中的应用研究。提出基于小波变换分解电压误差信号、双GRU网络预测高频与低频分量、人工情感Q学习动态调整控制权重、分数阶ADRC抑制宽频带干扰的四模块协同控制策略，通过三个案例研究验证，六项评估指标较五种对比算法降低46.37%-95.72%，并采用并行系统实现参数在线优化，两次迭代后指标降低52.49%-79.95%。

　　

林飞音|廖永星

广西大学电力系统优化与能源技术重点实验室，中国广西南宁市，530004

摘要

过去三十年中，由于可再生能源（RE）技术本身具备的清洁能源特性，其整合速度加快，显著推动了能源系统的脱碳进程。然而，高渗透率的可再生能源系统所固有的间歇性和随机波动性给电网管理带来了复杂性。本研究提出了一种数字-模拟双驱动（DADD）方法，通过结合小波变换（WT）、门控循环单元（GRU）、分数阶主动干扰抑制控制（FO-ADRC）和人工情感Q学习（AE-QL），构建了一个具有快速动态响应、超调抑制和动态环境适应能力的电压误差预测与控制系统。为了评估所提出DADD算法的有效性，我们在三个案例研究中进行了仿真实验：一个通用自动电压调节（AVR）系统、一个水力AVR系统和一个热力AVR系统。实验结果表明，与五种对比算法相比，六个评估指标（包括积分绝对误差IAE）均降低了46.37%至95.72%。此外，还提出了一种利用并行系统优化DADD参数的方法。结果显示，经过两轮参数更新后，六个评估指标的数值相比原始设置降低了52.49%至79.95%。

引言

根据国际可再生能源机构的数据，2024年全球可再生能源（RE）装机容量达到585吉瓦，占电网总容量的46%（“2025年可再生能源容量统计”，2025年）。按照现有政策预测，到2035年风能和光伏（PV）将占全球电力生产的40%以上，到2050年这一比例将上升至60%（“2024年世界能源展望；分析”，2024年）。在中国，风能和光伏装机容量总计140.8吉瓦（占电网容量的41.7%），贡献了总发电量的18.5%（国家能源局，无日期），国家目标是在2060年之前将可再生能源占比提高到80%以上（中华人民共和国国务院，2021年）。然而，向可持续基础设施的转型由于可再生能源的间歇性而带来了运营挑战。具体来说，风力涡轮机的输出随风速波动（Qu等人，2025年），而光伏发电量则受到气象条件的显著影响（Zhi等人，2024年）。

现有的自动电压调节（AVR）架构在高比例可再生能源电网中存在三个主要限制。首先，响应速度与电网波动频率的不匹配会导致相位滞后和频繁的元件动作，从而引发系统振荡和设备加速老化（Pranckevi?ius等人，2025年）。其次，动态超调与多时间尺度控制策略结合使用可能会引起电压不稳定并缩短设备寿命（Pan等人，2023年）。第三，依赖稳态假设进行参数调整往往会导致控制不准确，如超调或欠调（Yin和He，2023年）。

AVR控制主要可以分为七类，表1详细比较了各类方法的优点和局限性。第一类包括PID及其变体，例如传统PID（Surase等人，2025年）、模糊PID（Raj，2025年）、分数阶PID（FO-PID）（Chen等人，2024年）、自适应PID（Hanna等人，2023年）以及结合智能优化算法的PID（Karuppasamy等人，2025年）。尽管这些方法因结构简单而被广泛使用，但它们难以处理强非线性问题，并且严重依赖专家经验或优化算法进行参数调整。第二类是鲁棒性和自适应控制算法，例如H∞控制（Abishek等人，2024年）、μ合成方法（Wang等人，2025年，Wang等人，2025年）、定量反馈理论（QFT）（Ponce等人，2015年）、模型参考自适应控制（MRAC）（de Oliveira Evald等人，2023年）和模糊逻辑MRAC（S. Wang等人，2025年）。这些方法对建模误差和干扰具有较好的抵抗能力，但实施难度较大，如设计复杂性和对参数扰动的敏感性。第三类是SMC算法，例如SMC（Mahmoud等人，2025年）、高阶SMC（Y?lmaz和?oraps?z，2025年）、终端SMC（Berardehi等人，2025年）以及结合干扰观测器的复合SMC（Wang和Hu，2024年），能够快速响应外部干扰。然而，它们存在高频抖动和与抖动抑制技术相关的计算负担增加等固有缺点。第四类是ADRC算法，例如ADRC（Hou等人，2023a）、线性ADRC（Ibrahim等人，2025年）和分数阶ADRC（Lu等人，2025年），能够在没有精确模型的情况下有效抑制干扰，但对测量噪声敏感且需要复杂的观测器调整。第五类是强化学习（RL）算法，例如Q学习（Pang等人，2025年）、深度Q网络（Yin等人，2023年）、策略梯度（Sun等人，2025年）、软 Actor-Critic（Dong等人，2024年）和多智能体RL（Huang等人，2024年），可以实现无模型适应，但训练周期长且存在过拟合风险。第六类是MPC算法，例如MPC（Kong等人，2023年）、动态矩阵控制（Bo等人，2024年）、非线性MPC（Liang等人，2023年）和分布式MPC（Zhu等人，2024年），能够明确处理约束并支持协作优化，但需要大量的在线计算资源。第七类是数字-模拟双驱动控制方法，例如之前工作中结合PID和Q学习的双驱动方法（Yin和Mo，2024a）以及考虑传递函数的PID和Q学习双驱动方法（Yin和Mo，2024b）。

本研究提出了一种基于电压误差信号分解-预测-控制的DADD策略。DADD框架通过四个步骤运行：（1）小波变换（WT）将电压误差信号分解为高频（HF）瞬态和低频（LF）动态分量；（2）双门控循环单元（GRU）网络独立预测这些分量以减少随机波动；（3）人工情感Q学习（AE-QL）控制器根据环境反馈动态调整控制权重和控制指令；（4）分数阶主动干扰抑制控制器（FO-ADRC）利用分数阶扩展状态观测器（FO-ESO）抑制宽带干扰。

本工作的主要贡献和创新点体现在五个关键方面：

(1)

与（Yang等人，2023年）中的多智能体方法不同，该方法缺乏多分辨率分解，导致时频混叠，而DADD利用WT分离了瞬态和稳态特征，从而能够针对高频和低频分量实施有针对性的控制策略，在强烈波动的干扰下显著提升性能。

(2)

为了解决非预测数据驱动方法（Huang等人，2025年）中存在的动态响应滞后和模式混合风险，DADD采用了双GRU架构。该机制有效分离了信号相关性，减少了可再生能源随机性的不确定性，防止了瞬态过电压和稳态偏差的累积。

(3)

与受观测带宽限制和相位裕度下降影响的整数阶ADRC方法（Hou等人，2023b）不同，DADD集成了FO-ESO，能够在更宽的频率范围内实现精确的状态重建，确保了长期可再生能源波动引起的高频干扰的完全估计和抑制。

(4)

在之前结合FO-PID和TQL但未使用情感机制的工作（Yin和Mo，2024a）基础上，本研究引入了人工情感机制。这使得Q学习智能调整情感权重，从而在具有间歇性干扰的场景中更有效地学习和更精确地控制。

(5)

与可能陷入探索停滞的静态优化方法（Wang等人，2024年）不同，DADD通过并行系统构建了一个参数时域自进化机制，实现了控制向量的连续在线优化，确保系统能够协同适应高比例可再生能源电网的时变特性。

本文的后续部分组织如下：第2节建立AVR系统的数学模型；第3节详细介绍了所提出的DADD框架的架构和实现；第4节通过三个对比案例研究验证了该方法的可行性和可靠性；第5节总结了本研究。

部分摘录

自动电压控制模型

AVC系统调节电网电压，以确保系统稳定性和电能质量。电压过高可能导致设备绝缘层破裂，而电压过低则可能引发系统不稳定。此外，优化无功功率分配可以有效减少输电线路中的无功流动，大幅降低网络传输损耗。

数字-模拟双驱动方法

所提出的方法由四个基本模块组成：（1）基于WT的分解预测模块和两个GRU网络；（2）结合人工情感和Q学习的高频控制模块；（3）结合分数阶微积分和ADRC的低频控制模块；（4）集成仿真系统、评估系统和决策系统的并行系统模块。

分解预测模块使用WT算法将输入电压误差序列分解为高频和

案例研究

所有仿真都在配备AMD Ryzen 7 6800H处理器和16 GB DDR5内存的计算机上执行。计算任务在Windows 11 24H2环境下使用MATLAB R2024b实现，模拟时间步长为0.001秒。

本研究设计了三个仿真示例：一个可再生能源渗透率为40%的通用AVR系统、一个可再生能源渗透率为60%的水力AVR系统和一个可再生能源渗透率为60%的热力AVR系统。

三个示例的AVR参数

结论

为应对可再生能源电网整合带来的波动性和不确定性挑战，本文提出了一种DADD控制算法。该算法采用了一种协同优化机制，将模拟域中的动态补偿与数字域中的预测校正相结合。这种机制使算法在综合性能上超越了传统PID控制的局限性，特别是在动态响应方面

CRediT作者贡献声明

林飞音：撰写 – 审稿与编辑、监督、资源管理、项目管理、方法论、资金获取、概念构思。廖永星：撰写 – 原稿撰写、可视化、验证、软件开发、调查、形式分析、数据整理。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（项目编号：62463001）的支持。