面向微电网频率稳定的鲁棒神经网络控制器设计

《Scientific Reports》：Design of a robust neural network-based controller for frequency stability in microgrids

　　

研究人员针对高比例可再生能源(RES)接入导致的微电网(MG)机械惯量缺失问题，提出一种基于多层前馈神经网络(MLFFNN)的频率稳定控制策略。该策略通过将MLFFNN生成的自适应控制信号输入虚拟惯量(VI)环节，实现对负荷波动与可再生能源出力突变的动态抑制。仿真结果表明，与传统比例-积分-微分(PID)、比例-积分-微分-加速度(PIDA)及单独VI控制相比，MLFFNN+VI混合控制在负荷变化、RES波动及复合扰动三种场景下均表现出最优性能：在同时包含负荷与RES扰动的工况中，最大频率偏差由无控制时的4.92×10-5Hz降至3.86×10-5Hz。该研究验证了MLFFNN与VI协同作用可有效提升孤岛微电网的动态频率稳定性，为低惯量系统的频率调节提供了新方法。

研究背景与意义

随着太阳能、风能等清洁能源在微电网(MG)中的渗透率不断提高，传统同步发电机被逆变器接口的电源替代，导致系统机械惯量显著下降。这种低惯量特性使得微电网在孤岛运行时，面对负荷突变或可再生能源(RES)出力波动时，频率偏差增大且恢复缓慢，严重时可引发系统崩溃。现有虚拟惯量(VI)控制虽能模拟同步发电机惯性响应，但参数固定难以适应复杂多变的运行场景；而传统PID及其改进型PIDA控制器存在参数整定困难、抗干扰能力有限等问题。为此，研究人员提出将多层前馈神经网络(MLFFNN)与VI控制相结合，旨在利用神经网络的非线性映射能力实现自适应惯量支撑，为高RES渗透的孤岛微电网频率稳定提供新的解决方案。该研究成果发表于《Scientific Reports》。

关键技术方法

研究人员采用MATLAB/Simulink平台构建包含风力发电、光伏发电、储能系统与火电机组的孤岛微电网线性化小信号模型，考虑调速器速率限制(GRC)与阀门行程约束。控制策略设计分为三部分：首先，基于虚拟惯量(VI)原理建立动态功率支撑模型，其传递函数为δP_VI= K_VI/(1+sT_VI)·(dδf/dt)；其次，设计三层MLFFNN结构，输入层接收负荷变化(δP_L)、风电波动(δP_Wind)与光伏波动(δP_PV)信号，隐藏层采用tanh激活函数，输出层生成频率变化率(ROCOF)预测值；最后，通过Levenberg-Marquardt反向传播算法离线训练网络，将MLFFNN输出作为VI控制的自适应增益调节信号，形成MLFFNN-VI混合控制架构。仿真设置三类扰动场景：阶跃负荷变化、随机RES波动及二者复合扰动，并与无控制、单独VI、PID+VI、PIDA+VI及单独MLFFNN控制进行对比验证。

研究结果

SCENARIO I: 阶跃负荷变化

在无控制的基准场景中，频率偏差峰值达0.152 Hz且恢复时间超过30秒。引入VI控制后，峰值降至0.098 Hz；PID+VI与PIDA+VI进一步将峰值分别抑制至0.076 Hz与0.063 Hz。MLFFNN单独控制可将峰值降至0.041 Hz，而MLFFNN+VI混合控制表现最优，峰值仅为4.84×10^-6Hz，均方误差(MSE)较单独VI降低9个数量级。

SCENARIO II: 随机RES波动

针对风电与光伏的随机出力波动，无控制系统出现持续振荡，频率偏差标准差达0.082。传统PIDA+VI控制将标准差降至0.052，而MLFFNN+VI控制将其进一步压缩至1.11×10^-5，最大绝对误差由0.233 Hz降至4.54×10^-5Hz，有效平抑了RES间歇性引发的频率波动。

SCENARIO III: 负荷与RES复合扰动

在同时施加阶跃负荷与随机RES波动的最严苛场景下，MLFFNN+VI控制仍保持最优性能：MSE为1.01×10^-10，较PIDA+VI降低7个数量级，验证了混合控制在多重扰动下的鲁棒性。

泛化性能评估

研究人员通过未参与训练的扰动模式（中等阶跃、大阶跃、双阶跃负荷）测试发现，MLFFNN+VI控制在全新场景下仍能维持稳定频率响应，MSE保持在10^-10量级，表明其具有良好的泛化能力。与近期同类研究对比，该控制器在频率偏差抑制精度上优于基于分数阶PID、自适应模糊推理及H∞控制的VI策略。

讨论与结论

研究表明，MLFFNN的非线性学习能力可实时适配微电网动态特性，而VI环节提供快速惯量支撑，二者协同突破了传统控制方法的性能瓶颈。尽管仿真结果在理想条件下达到极低的频率偏差，但研究人员指出实际系统中测量噪声、通信延迟与储能限制可能导致偏差增大。未来工作将聚焦于混合控制策略的硬件在环验证，并进一步探索其在故障穿越、参数不确定性等复杂场景下的适应性。该研究的创新点在于首次将MLFFNN与VI控制深度融合，为高RES渗透微电网的频率稳定控制提供了新的技术路径。