.png){kind=icon}
返回
Enhancing PI control in microgrids using machine-learning techniques
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-20781-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
将可再生能源资源（RES）集成到电力系统中需要复杂的控制策略以确保稳定运行。本研究提出了一种综合框架，将机器学习（ML）技术——具体包括人工神经网络（ANNs）和强化学习（RL）——与传统的比例-积分（PI）控制器相结合，以提升微网控制性能。传统的PI控制器虽然对于包含太阳能和风能系统等RES技术的微网运行至关重要，但在参数整定方面面临挑战。比例增益$$\left({K}_{p}\right)$$和积分增益$$\left({K}_{i}\right)$$值的次优选择可能导致系统不稳定或性能下降。我们提出的ML增强框架根据实时运行数据和历次性能指标动态调整$${K}_{p}$$，以解决这些局限性。我们通过包含分布式能源资源（DERs）的微网广泛仿真，评估了三种控制策略——传统PI、基于ANN的PI和基于RL的PI控制器。RL控制器通过将电压总谐波畸变（THD）降低至0.43%，展现出更优性能，而传统PI控制的THD为16.99%。ANN控制器实现的THD为0.58%，相较于传统方法提升了96.6%。两种ML增强方法均满足IEEE 1547标准，同时将稳定时间缩短75%，频率稳定性提高93%。这些结果验证了机器学习和深度学习技术在提升微网稳定性和可靠性方面的有效性，为现代电力系统中先进RES管理提供了实用解决方案。
Keyword:
Artificial neural networks (ANN)
Machine learning (ML)
Microgrid control
Reinforcement learning (RL)
Renewable energy sources (RES)
Total harmonic distortion (THD)
期刊
IF:
3.9
论文数:
27.8W
被引数:
83.5W
机构
引用论文
Design of the PD-FOPID controller based on rain optimization algorithm to improve virtual inertia control performance in islanded microgrids基于雨滴优化算法的PD-FOPID控制器设计，以提升孤岛微电网中虚拟惯性控制的性能.png)
IF0
PREAI
分享收藏Reduction of total harmonic distortion of wind turbine active power using blade angle adaptive PI controller利用叶片角度自适应PI控制器降低风力涡轮机有功功率的总谐波失真
IF0
PREAI
分享收藏Transactive energy management for efficient scheduling and storage utilization in a grid-connected renewable energy-based microgrid基于可再生能源的并网微电网中用于高效调度和储能利用的交易型能源管理
OAAI
OAAI分享收藏Dynamic Harmonic Distortion Analysis and Mitigation Strategies for DC Third Rail Systems动态谐波畸变分析与直流第三轨系统的抑制策略OAAI
OAAI分享收藏Design, operation and control of a vast DC microgrid for integration of renewable energy sources
PREAI
分享收藏分享收藏Advanced control strategy for AC microgrids: a hybrid ANN-based adaptive PI controller with droop control and virtual impedance techniqueSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容