快速功率储备从常规电源向POWER-SONIC蓄电池储能系统的转移：一种基于深度学习的控制方法
2026-06-23 20:52:58 点击： 次
动力部门的脱碳需要整合间歇性可再生动力。这种间歇性添加了对快速惯例发电机供给的贵重且对环境有害的功率储藏的依靠。为了在保持动力廉价和脱碳的一起保持电网平衡，电网运营商有必要运用灵敏财物并做出敏捷决议计划。本文介绍了一种新型根据深度学习的操控器，用于办理来自储能体系的功率储藏。该深度神经网络经过物理仿真东西模仿的真实数据进行练习，可以猜测功率储藏以应对快速动摇。作为频率下垂操控器的弥补，该智能操控器根据丈量或猜测的功率输入来调理频率。经过将猜测智能与实时快速呼应相结合，所提出的结构有用地办理了供需动摇，在支撑脱碳和本钱效益的一起增强了电网安稳性。该结构经过运用OPAL-RT和SPHEREA模仿器的立异实时结构，在孤岛微电网上得到了验证。
多年来，以大型惯例可猜测且易操作的发电机以及可猜测需求为特征的传统大容量电网，在操控室中选用自动化流程进行超前实时运转。这些流程根据swing equation，该方程模仿了同步发电机机械转子与电网之间的功率交流。因此，对根据物理的数学函数进行显式描述并对参数进行敏感识别是不可避免的[1]。
COP28国际气候行动峰会强调了动力脱碳的重要性，即对大电网的动力进行脱碳以帮助将全球平均气温升幅约束在1.5ºC以内[2]。这一脱碳尽力导致配电侧间歇性可再生动力（RES）的渗透率不断提高，反映出其资源可用性的分布式和间歇性特征。此外，脱碳也影响了需求侧，因为电动汽车和电池体系的日益普及，需求侧现在表现出更大的动摇性和不可猜测性。这些集成在电网两边的新型高度不确定技术均为逆变器接口技术，它们降低了整个电网的惯量，并加重了体系对功率失衡和快速频率下降的敏感性[3]。随着电力体系变得愈加杂乱且出现非线性运转特性，其动态特性被推向运转极限，且体系参数并非总是可获取。因此，传统的根据模型的操控计划难以捕捉电网的快速动态改变和随机行为，因为这类计划依靠于准确的体系建模和参数辨识[4]。
为了应对这些应战，有必要实施灵敏的体系运转办法，经过继续的自适应决议计划来增强传统的根据物理的办法，从而以最低的经济和环境本钱保持电网平衡。这需要运用无模型操控办法来完成高效决议计划，最大限度地削减对杂乱且难以调优模型的依靠。
随着国际见证经过智能计量设备搜集的数据获取变得愈加快速便捷，加之核算能力的提升，machine learning（ML）办法在power grids中的运用正敏捷取得动力[5]。关于microgrids的有功功率平衡，ML已成为识别体系模型、调整操控器参数、生成弥补操控信号，甚至完全代替传统根据模型的操控器的重要东西。在ML办法中，reinforcement learning（RL）因其可以经过试错学习的能力而被广泛运用。这一特性使RL可以在无需很多离线数据集的情况下，处理microgrid操控体系的非线性、高维和杂乱特性。例如，[6]展现了运用RL代替根据模型的操控器，有用削减了由风电动摇引起的频率偏差，而其他研讨则探究了其在为二次频率操控生成弥补操控信号方面的运用[7]，[8]，[9]。然而，RL面临着几个严重应战，如可扩展性问题，因为它容易遭到维度灾祸的影响，且在探究和练习过程中杂乱度会添加。安稳性是另一个担忧，因为学习过程中过度探究，RL算法往往表现出不安稳性。此外，与环境、安全性和泛化性相关的问题进一步添加了将RL部署于microgrid操控的杂乱性[1
相比之下，在某些场景下，supervised learning 供给了一种核算功率更高且更安稳的代替计划。它已被广泛运用于微调 frequency controller 参数[11]。近期研讨探究了运用 artificial neural networks (ANN) 来微调 voltage source converter 的惯性，从而增强频率安稳性[12]。文献[13]的作者开发了一种根据 ANN 的操控器来模仿 virtual synchronous generator 的动态特性以操控频率。这些办法大多疏忽了失衡的根本原因，仅依靠频率丈量值来平衡电网。