《Franklin Open》：Optimization of Solar PV–UPQC Performance Using Enhanced IPQ Theory With DNN Technique
编辑推荐：
以可再生能源如风能和太阳能供电的分布式电力系统通常面临严重的电能质量挑战。为缓解微电网系统中的这些问题，通常会采用专用电力设备，如配电静止同步补偿器（D-STATCOM）、统一电能质量调节器（UPQC）、不间断电源（UPS）、瞬态电压抑制器（TVSS）和动态电
以可再生能源如风能和太阳能供电的分布式电力系统通常面临严重的电能质量挑战。为缓解微电网系统中的这些问题，通常会采用专用电力设备，如配电静止同步补偿器（D-STATCOM）、统一电能质量调节器（UPQC）、不间断电源（UPS）、瞬态电压抑制器（TVSS）和动态电压恢复器（DVR）。由于UPQC的诸多优势，其可能是适用于可再生能源系统的可行选择。统一电能质量调节器（UPQC）是电力电子领域新兴趋势和技术进步的产物，其性能优于多种方法。拟议工作重点在于分析一个分布式发电系统的综合性能，该系统结合了采用自适应神经模糊推理系统（ANFIS）和深度神经网络（DNN）控制器的统一电能质量调节器。与单元向量生成器（UVG）技术集成的自调谐滤波器（STF）引导UPQC控制器的相位同步功能。通过实施STF，UPQC能够确保即使在存在畸变和不平衡电网电压的情况下也能正常工作。因此，STF-UVG用于为UPQC控制器中的串联和并联有源电力滤波器（APF）补偿器生成同步相位，从而消除了对锁相环（PLL）的需求。所提出的UPQC-DNN的主要目标是在稳态和动态状态下均优于UPQC-ANFIS和传统PI控制器。DNN控制器实现了最低的总谐波畸变率（THD），电压为0.76%，电流为0.81%，展示了优于其他控制器的性能。该建议系统已在MATLAB Simulink中针对各种运行场景进行了开发和测试。
在过去的几十年里，研究人员在“电能质量”这一课题上取得了显著成功，尤其是在电气工程领域。为补偿电能质量问题以保持能源效率，实现了平滑的电能生产和电网脱碳。太阳能光伏（PV）阵列被广泛用作许多地区的可再生能源。然而，由于太阳能光伏阵列的间歇性，这些系统在公共耦合点（PCC）会遭受电压波动。对于这种将配电网与可再生能源集成的网络，需要改善电能质量（PQ）。此外，为提高能效而增加使用的电力电子设备会消耗电网中的谐波电流，这会导致PCC电压畸变并使系统呈现非线性。因此，为提高配电网中的电能质量，需要统一电能质量调节器（UPQC）。对于任何基于电力电子的设备，有效的算法设计对于确保整体系统效能都是必要的。为了调节上述补偿专用设备，已经开发了许多算法和控制系统。文献中的主要控制策略包括：采用扰动观察法（P&O）、升压变换器和p-q方案的太阳能组件供电的UPQC已被证实。该模型能够解决光伏渗透引起的电压暂降和扰动，并且能够补偿无功功率、降低负载电压/源电流谐波。在性能方面，UPQC领先于其他基于电力电子的柔性交流输电系统（FACTS）方法，主要包括静止无功补偿器（SVC）、静止同步补偿器（STATCOM）和动态电压恢复器（DVR）。UPQC满足了大多数必要特性，包括电压增强、谐波抑制、电流增强以及整体系统电能质量改善。开发光伏关联UPQC的目标是通过利用最大功率点跟踪（MPPT）技术从光伏组件提取最大功率，来最小化总谐波畸变率（THD）、电压畸变并补偿无功功率。与此同时，针对提升并网配电网中的电能质量，已提出了多种人工智能（AI）策略，包括模糊逻辑控制（FL-C）和人工神经网络（ANN）。智能算法的发展使得通过比例积分（PI）控制、FL-C和ANN实现UPQC中有源电力滤波器（APF）针对可变非线性负载改善的在线调节成为可能。近年来，基于人工神经网络的模糊接口系统控制器被应用于光伏集成UPQC以提升电能质量。为证明所提方法的优越性，对多组负载和电源条件进行了性能分析。此外，为光伏系统设计带PI控制器的UPQC的目标是最小化与电压和电流相关的畸变。光伏系统通过升压变换器连接到直流环节。同时还讨论了孤岛情况下的功率传输和电压扰动校正。为有效缓解电能质量问题，开发了一种基于无功功率控制和单元向量模板生成混合组合的ANN控制器用于UPQC。此外，为降低功率变换器额定容量并在故障和负载变化场景下维持稳定的直流环节（DC-Link）电容电压，进行了太阳能光伏连接。根据应用需求，UPQC系统提供了多种配置。其中，与UPQC系统配置集成的分布式能源（DER）在各种配置中提供了对有功和无功功率的最大可控性。过去十年，位于热带和赤道地区的国家已将注意力转向风能和太阳能等可再生能源。虽然已经提出了风能与UPQC的整合，但与全天可用的太阳能不同，风能具有季节性并依赖于区域因素。涵盖了一相电路中集成太阳能UPQC在公用电网中的运行。UPQC的拓扑结构是灵活的。UPQC的功能方式也随变换器和串联注入变压器位置的不同而变化。这些研究展示了应用于UPQC控制的不同控制机制。每种拓扑都有其优缺点，这使得系统配电侧具有灵活性。由于时域方法在实时实现时所需的计算能力较少，因此经常被使用。经常使用的方法包括瞬时对称分量理论、同步参考坐标系理论和瞬时无功功率理论（p-q理论）。瞬时无功功率（IRP）p-q理论首先提出了开关补偿器控制的基础，这种控制通常足够了。然而，在某些情况下，这种控制可能会产生不利影响。IRP p-q理论定义了瞬时有功功率和无功功率p和q。已有关于神经网络（NN）方法应用于光伏-UPQC以提升电能质量的参考文献。在将其应用于电力系统之前，需要正确掌握和验证该技术。虽然分析系统输出响应需要更长时间，但系统提供了正确且相关的结果。当与电网连接的储能系统（ESS）集成的可再生能源相结合时，电动汽车（EV）也有助于改善电能质量。在电力系统的公用电网侧和终端用户侧，电能质量都是一个重大关注点。只有在不存在电能质量扰动的情况下，电力系统才能正常运行；最差的电能质量会导致畸变、故障和非线性负载行为。电力系统的三个主要部分是配电、输电和发电。任何部分的故障都会影响整个系统的性能，从而给客户带来损失。定制电力设备（CPD）用于解决电能质量问题；然而，虽然它们降低了系统异常的概率，但并不会加快响应速度。采用了多种策略来减少扰动。将太阳能光伏系统与统一电能质量调节器（UPQC）集成面临一个关键挑战：在动态环境和负载条件下，确保最优功率传输的同时维持高电能质量。传统控制策略，如比例-积分（PI）、比例-积分-微分（PID）和模糊逻辑控制器（FLC），难以有效应对这些挑战。PI控制器对参数变化敏感，动态响应差，并且在快速变化的条件下通常无法维持可接受的稳态误差。同样，PID控制器面临调参困难，导致瞬态状态下的超调和振荡，而FLC虽然具有适应性，但需要庞大的规则集且计算密集，使其对高频扰动效果较差。由于电能质量改善和可再生能源整合领域的最新进展，智能控制解决方案，特别是深度学习和混合方法，已被采用。深度卷积自编码网络已成功用于电能质量扰动的检测和分类，在识别不同扰动和增强电力系统故障诊断方面表现出极高的准确性。类似地，在基于太阳能光伏-电池储能系统-分布式发电（SPV-BESS-DG）的直流微电网系统中，混合智能控制技术，如混合人工鱼群算法和人工神经网络（h-AFSA-ANN），显著提升了动态性能、稳定性和能量管理效率。在改善配电网电能质量的背景下，已提出了用于配电静止同步补偿器（DSTATCOM）的双基波电流提取技术。该技术在非理想源条件下有效补偿电压畸变并维持稳定运行。开关电容多电平逆变器也被证明是改善电压调节、降低开关损耗和提高太阳能光伏系统功率转换的有效方法，是电网连接太阳能应用的有前景的技术。这些研究为未来在统一电能质量调节器（UPQC）系统中基于深度学习的控制器研究奠定了坚实基础。在并网可再生能源系统中，利用先进的AI方法可以改善功率补偿、提高直流环节电压调节并确保更高的电能质量。本研究旨在通过基于人工智能（AI）的控制器增强瞬时无功功率（IP-Q）理论，以克服这些限制，提升性能。基于AI的策略利用先进的学习机制，动态调整以适应辐照度、温度和负载曲线的变化，确保在电能质量管理中实现更高的效率和鲁棒性。本工作实现了两种基于AI的控制器——自适应神经模糊推理系统（ANFIS）和深度神经网络（DNN）——以缓解电压暂降、暂升和谐波等电能质量扰动。结果表明，基于DNN的控制器在降低电压和电流波形的总谐波畸变率（THD）方面优于ANFIS，使其成为确保并网太阳能光伏-UPQC系统电能质量的更优选择。本研究突出了增强型AI控制策略在解决稳态和暂态电能质量问题方面的潜力，为更可靠、高效的可再生能源系统并网铺平了道路。
主要关键的技术方法包括：首先，研究人员设计并集成了一个50 kW的太阳能光伏电站，采用扰动观察（P&O）最大功率点跟踪（MPPT）算法来最大化光伏输出功率，其直流环节电压通过提出的AI控制器进行调节。其次，基于增强的瞬时功率（IPQ）理论设计了UPQC系统，其中利用自调谐滤波器（STF）与单元向量生成器（UVG）技术生成串联和并联变换器的参考信号，以实现无需锁相环（PLL）的同步和补偿。第三，核心控制策略部分，研究人员对比设计了两种先进的智能控制器：一种是基于Takagi-Sugeno模糊模型的自适应神经模糊推理系统（ANFIS）控制器，其通过混合学习算法（反向传播梯度下降法和最小二乘法）训练，用于调节直流环节电压；另一种是深度神经网络（DNN）控制器，该控制器采用多隐藏层结构，利用Levenberg-Marquardt算法进行离线训练，能够学习复杂的非线性输入输出关系，并实时生成补偿电流和PWM信号以控制并联有源滤波器。研究通过在MATLAB/Simulink环境中进行广泛的仿真验证，对比了PI、模糊逻辑、ANFIS和DNN控制器在动态负载变化、电压暂降/暂升及辐照度变化等多种工况下的性能。
研究结果部分，首先介绍了“50 kW光伏电站设计与集成至UPQC直流环节”。研究人员设计了一个50 kW的光伏系统，通过升压变换器接入UPQC的直流环节。光伏阵列的I-V和P-V特性曲线表明，最大功率点（MPP）电压在不同辐照度下基本保持恒定，而输出功率随辐照度显著增加。采用扰动观察（P&O）MPPT算法，确保光伏系统在不同环境条件下跟踪最大功率。系统仿真结果验证了MPPT算法的有效性，即使在辐照度和温度阶跃变化时，PV输出功率也能快速跟踪，表明控制器具有良好的动态响应。
其次，介绍了“基于瞬时电能质量理论的UPQC设计”。UPQC系统采用基于IPQ理论的控制策略来生成补偿参考信号。对于串联变换器，通过提取系统电压的基波正序分量，生成与电网同步的参考电压信号，以注入补偿电压。对于并联变换器，基于IPQ理论计算所需的补偿电流，以补偿负载谐波和无功功率，同时维持直流环节电压稳定。该设计将AI生成的自适应校正项u(k)整合到传统的IPQ参考生成中，替代了传统PI调节器，从而增强了直流环节电压的调节能力。
接着，详细说明了“并联有源滤波器的ANFIS控制设计”。ANFIS控制器采用Takagi-Sugeno模糊模型，具有两个输入：直流环节电压误差及其变化率。模糊化过程将输入值映射到七个语言变量（从“大负”到“大正”），形成49条模糊规则。ANFIS网络结构包含五层：模糊化层、规则层、归一化层、去模糊化层和输出层。通过混合学习算法（结合反向传播梯度下降法和最小二乘法）对网络参数进行训练和调整。控制器输出用于生成并联有源滤波器的参考电流，以调节直流环节电压并补偿电流谐波。
然后，阐述了“并联有源滤波器的深度神经网络控制设计”。DNN控制器被设计用于并联有源滤波器，以增强其精度和动态性能。网络输入为实时测量的直流环节电压（实际电压）和参考电压（期望电压）。网络结构包含输入层、一个包含200个神经元的隐藏层和输出层。隐藏层神经元使用Sigmoid或ReLU激活函数来学习输入与输出之间的非线性关系。采用Levenberg-Marquardt算法对网络进行离线训练，使用大量不同运行条件下的数据（包括电压、电流和频率）来优化网络权重。训练后的DNN在实时运行中，根据输入的电压误差生成控制信号（如PWM占空比），驱动并联变换器注入相应的补偿电流，以同时实现直流环节电压的稳定调节和谐波电流的抑制。网络训练和验证结果（如误差直方图、均方误差曲线和回归分析）显示模型具有极高的预测精度和泛化能力（R值均接近1）。
最后，分析了“所提出DNN控制PV-UPQC系统的稳定性”。通过协调控制串联和并联电压源变换器（VSCs），利用DNN实现自适应非线性控制，确保了系统的稳定性。直流环节电压动力学方程由电容电流方程描述。DNN控制器以直流环节电压误差及其导数作为输入，生成维持恒定直流环节电压所需的并联参考电流。通过离线训练，DNN学习了不同辐照度、负载变化和电网扰动下电压偏差与控制动作之间的非线性关系。在线运行时，DNN输出被限制在预设饱和限幅内，以保证有界输入有界输出（BIBO）稳定性。两个变换器的内环电流控制带宽被设计为高于外环基于DNN的直流环节控制带宽，实现了时间尺度分离，提升了整体闭环稳定性。电网同步通过锁相环（PLL）实现，其动态特性与变换器控制回路兼容。时域仿真（包括非线性负载切换、辐照度变化和电网电压扰动）进一步证实，电网电流保持平衡正弦波，直流环节电压快速稳定且无持续振荡，验证了系统在动态环境下的鲁棒性能。
在结果与讨论部分，研究人员对四种控制策略（PI、模糊逻辑、ANFIS和DNN）进行了全面比较。仿真参数设定为415V线电压、50Hz频率，直流环节电容为10μF，电压目标800V，接入33kVA、功率因数0.8滞后的非线性负载，光伏功率为50kW。对比分析表明：在动态响应方面，DNN控制器的调节时间（60 ms）、超调量（5%）和稳态误差（0.5%）均优于ANFIS（80 ms, 8%, 1.0%）和其他控制器。在电能质量方面，DNN控制器显著降低了电压和电流的THD，在电压暂降和暂升条件下，电压THD降至0.76%，电流THD降至0.81%，远优于ANFIS（电压THD 3.31%，电流THD 4.69%）、模糊逻辑（电流THD 5.1%）和PI控制器（电流THD 8.1%）。图25展示了有功/无功功率、直流环节电压和功率因数的控制效果，DNN控制器在维持直流环节电压稳定和实现接近于1的功率因数方面表现最佳。表6的对比数据总结了各控制器的性能，证实DNN在适应性、动态响应和稳态精度上全面领先。尽管ANFIS相较于传统控制器有所提升，但其性能受限于规则库和扩展性，在极端扰动下表现会下降。DNN则凭借其卓越的非线性学习和泛化能力，在所有测试场景下都展现出高度的适应性和鲁棒性。当然，DNN方法也存在一定局限性，如需要中等计算资源（GPU/CPU支持训练）、对训练数据质量和多样性的依赖，以及当前工作仅限于仿真验证，未考虑硬件非理想性、传感器噪声和实时实现约束。
论文结论部分总结指出，本研究在动态操作条件下，对比了PI、模糊逻辑、ANFIS和深度神经网络（DNN）四种智能控制策略在并网光伏-UPQC系统中提升电能质量和调节直流环节电压方面的效果。定量结果充分证明了DNN控制器相对于传统及混合智能控制器的优越性。比较分析得出结论，DNN控制器以最低的调节时间（60 ms）、最小的超调量（5%）和最小的稳态误差（0.5%），优于ANFIS（80 ms, 8%, 1.0%）及其他控制器。在电能质量方面，DNN控制器将电流THD显著降低至0.81%，而ANFIS为4.69%，模糊控制为5.1%，PI控制为8.1%。这些发现支持了DNN架构在快速变化的运行环境中具备改进的非线性学习和泛化能力。尽管ANFIS控制器具有高适应性且性能优于PI和模糊控制器，但由于规则库限制和可扩展性降低，其响应在极端扰动下会恶化。相比之下，DNN控制器对负载变化具有极高的适应性，并在所有测试场景中表现出稳健的性能，更适合现代具有高度不确定系统动态的并网光伏-UPQC应用。然而，所提DNN方法的优势伴随着中等计算需求的代价，需要GPU/CPU支持以进行训练和高效实施。此外，控制器的有效性取决于训练数据的质量和多样性，极端运行条件的表示不足可能影响泛化能力。并且，当前工作仅限于仿真验证，未考虑硬件非理想性、传感器噪声或实时实施约束。未来的研究将集中于优化DNN架构以减轻计算负担、引入自适应或在线学习机制，并使用实时数字控制器进行实验验证。如果将该框架扩展到多分布式发电系统和实时电网环境，将进一步增强其实用性。
