《Journal of Energy Storage》：A Bayesian optimized broad learning system integrated with deep neural network for state of charge estimation in lithium-ion batteries
编辑推荐：
LA-PINN-APO方法通过物理信息神经网络与人工原虫优化器协同，优化光伏并网系统与电池储能的能效及电网稳定性，实现98.5%效率与1%谐波畸变，有效解决传统方法的高计算复杂性和性能不足问题。
P. Kavitha|C. Kalaivanan|B.V.S. Acharyulu|Y. Laxmi Narasimha Rao
印度泰米尔纳德邦Kavaraipettai的R.M.K.工程学院电气与电子工程系
摘要
太阳能光伏（PV）系统通过与电池储能系统（BESS）结合，通过储存多余的电力以供后续使用来捕获可再生能源。这种组合确保了能源的可靠性，减少了了对电网的依赖，并解决了高峰需求问题。电池技术的进步使这些系统更加高效、成本更低，越来越适合广泛采用。本文提出了一种先进的逆变器控制机制的设计与实现方法，以最大化太阳能光伏系统中的容纳能力，同时结合电池储能（BSS）。所提出的方法是损失注意力物理信息神经网络（LA-PINN）和人工原生动物优化器（APO）的联合应用，通常称为LA-PINN-APO技术。该方法的主要目标是在太阳能光伏系统中识别系统的最佳性能特性。LA-PINN用于预测负载需求，而APO用于优化能量转换系统。通过这种方式，所提出的技术在MATLAB工作空间中的效率达到了98.5%，总谐波失真（THD）最低为1%，优于其他现有方法，如深度强化学习（DRL）、Honey Badger优化（HBO）和强化学习方法（RLA）。比较结果表明，改进的电力质量、更好的电压稳定性以及更可靠的能源管理使得光伏在实用电网连接应用中的渗透率和电池储能的利用率更高。
引言
光伏电池储能系统（PV-BESS）的结合已成为现代电网转型的基石，促进了可持续性、可靠性和运营灵活性[1]。PV-BESS通过储存高峰日照时的多余发电量，并在低辐照度或高需求时期供电，从而有效利用太阳能，增强了电网稳定性并减少了对化石燃料的依赖。这种协同作用提高了能源自给自足能力、峰值负载管理和电力质量，同时推动了向智能[2]、分散式和低碳能源系统的过渡。此外，PV-BESS在电网出现故障时提供辅助服务，如电压支持、频率调节和需求侧管理，使其成为未来电网架构的关键组成部分[3]。
然而，尽管有这些优势，但仍存在一些技术挑战阻碍了PV-BESS的广泛部署和高效运行。这些问题包括太阳能发电的不确定性、PV和储能系统之间的非线性及动态相互作用、电池退化及寿命短，以及未能在性能与成本和寿命之间取得平衡的无效能源管理技术[4]。因此，开发能够应对这些挑战的智能控制算法和优化框架对于最大化PV-BESS集成现代电网的运营可靠性、效率和经济效益至关重要。
多项研究工作专注于通过集成的需求侧管理策略来提高智能建筑的性能，以平衡能源效率、运营可靠性和经济可行性。Jonban等人[6]提出了一个用于并网直流微电网的EMS，该微电网包含可再生能源（太阳能、风能、微型涡轮机）和电池储能。该系统采用多智能体方法，每个单元都由分布式决策控制，BESS智能体基于强化学习进行操作。该系统优化了成本，确保了容错性，提高了稳定性，促进了可扩展性，并改善了能源管理的效率、可靠性和韧性。Bishala等人[7]提出了一种用于电网集成太阳能（PV）和电动汽车（EV）的能源管理系统（EMS），采用Honey Badger优化算法（HBOA）进行电池调度。为了提高性能并减少偏差，HBOA调节了直流链路电压。Real等人[8]提出了一个家庭能源管理系统（HEMS），在实际的在线数据环境中优化了电池性能。为了实现可靠的决策，该系统结合了CNN和LSTM神经网络进行复杂的负载预测。在一个PV-电池家庭系统中，训练了多种强化学习智能体（Double DQN、Dueling DQN、Rainbow和PPO），以最大化太阳能自消费并最小化电力购买费用。Maka和Chaudhary[9]认为太阳能光伏（PV）设备是一种清洁、可持续的能源，可将阳光转化为电能以满足能源需求。与电池类似，ESS产生的多余能量可以储存起来以供后续使用，在停电时提供备用电源。虽然带有储能的太阳能光伏减少了电网依赖并提供了可持续性，但挑战包括高昂的初始成本、能量转换损失和有限的储能容量，这可能会影响其长期有效性。
Wanget等人[10]提出了一种基于PV系统软件开发的50兆瓦“PV + 能源存储”系统，提供了可扩展、稳定且高效的能源生成解决方案，符合国家的“双碳”目标。然而，大规模模拟可能需要大量资源，可能无法完全复制现实世界的性能条件。Hettiarachchiet等人[11]提出了一种用于并网微电网（MG）中社区电池组的控制策略，通过最小化电池容量并利用与外部电网的互联链接来优化电池使用。然而，动态参考方案的复杂性可能会使控制变得复杂，而且对外部电网的电力传输依赖可能会在电网停电期间降低微电网的自主性，影响其可靠性。Fagerstrom等人[12]指出，对可再生能源（RES）尤其是混合动力发电厂（HPP）的需求增加以及环境问题使得人们对这些能源的兴趣增加。然而，高昂的初始成本、维护挑战和系统复杂性可能会影响这些系统的成本效益。此外，电池和储能的有限寿命可能会影响这些系统的长期可行性和可持续性。
尽管针对PV-BESS系统的先进逆变器控制技术有所改进，但现有方法仍存在显著局限性。DRL提高了稳定性、可扩展性和可靠性，但计算复杂度高、实施成本高，并且严重依赖于准确的预测和算法性能。HBO改进了电池调度和电压调节，但未能有效抑制谐波，在不同负载条件下的电压波动较大，性能不够稳健。传统的RLA提高了光伏自消费和负载管理，但在可扩展性、计算需求和训练复杂性方面面临挑战。RLA提高了稳定性和可扩展性，但计算复杂度高，依赖于准确的预测，在统计性能和电压调节方面的效果有限。这些局限性表明需要一种混合方法，以确保准确的预测、高效的全局优化、减少谐波失真并改善能源管理，同时保持计算可行性。
所提出的方法结合了LA-PINN和人工原生动物优化器（APO），通过引入几项关键创新来弥补现有方法（如DRL和HBO）的不足。其控制策略基于双阶段分层框架，其中LA-PINN执行物理引导的负载和电压预测，APO根据这些预测优化逆变器和BESS的操作，从而实现更稳定和明智的决策、减少无功控制振荡，并在光伏波动下快速响应。与DRL和HBO不同，后者通过奖励或惩罚间接处理系统限制，LA-PINN直接将电压、功率因数和容纳能力等物理约束作为可微分的物理残差嵌入到其损失函数中，确保更高的稳定性、更少的违规行为，并更好地遵循物理定律。APO使用受生物学启发的多行为程序同时优化容纳能力、逆变器支持和BESS调度。该框架集成了能源效率、总谐波失真最小化和电压稳定性，为PV-BESS系统提供了稳健且物理上一致的控制解决方案。
本文的重要贡献如下：
•结合LA-PINN进行精确的负载需求预测，并使用人工原生动物优化器（APO）优化太阳能PV-BESS系统中的能量转换。
•促进了太阳能光伏与BESS的无缝集成，提高了能源可靠性、电网稳定性和可再生能源利用率。
•解决了功率流反转、热过载和电压不平衡等问题，显著增强了电网的光伏容纳能力。
•通过将其集成到MATLAB工作空间中验证了该方法的实用性，为实施和分析提供了稳健的平台。
•利用电池技术和预测优化的创新，实现了可扩展、成本效益高的可再生能源集成。
本文的其余部分如下：第2节解释了结合BESS的太阳能光伏方案提出的方法论。第3节概述了优化能量转换系统的LA-PINN-APO方法。第4节阐明了结果和讨论。第5节提出了结论。
节选
太阳能光伏系统与电池储能系统的集成方法
本节讨论了将BESS与太阳能光伏系统集成的方法。图1展示了太阳能PV-BESS的示意图。该图显示了一个住宅太阳能光伏-电池系统，其中太阳能板产生直流电，然后将其转换并储存在电池中。当太阳能发电量低时，家庭用电由储存的电能供应。必要时，系统可以从电网获取电力，多余的太阳能可以卖回电网。房主可以
用于优化带有电池储能的太阳能光伏系统的LA-PINN-APO融合方法
本节讨论了用于优化带有电池储能的太阳能光伏系统的LA-PINN-APO融合方法。LA-PINN-APO方法结合了物理引导的负载和电压预测与优化的逆变器-BESS控制，确保在光伏波动下快速稳定的响应。其多行为优化同时提高了容纳能力、能源效率、电压稳定性，并最小化了总谐波失真（THD）。下面提供了这种混合技术的详细解释。
结果与讨论
在本部分中，分析了结果，以评估通过混合需求侧管理策略平衡能源效率来提升智能建筑性能的效果。辐照度固定在1000 W/m2，环境温度为25°C，负载为100 kVA。所提出的LA-PINN-APO方法在MATLAB平台（版本8.5.0.197613，R2015a）上实现并进行了测试，该平台运行在Microsoft Windows 7 Ultimate（Service Pack 1）上，计算使用Java 1.7.0_60，内存为16 GB RAM
结论
本研究提出的LA-PINN-APO混合方法在集成BES的并网太阳能光伏系统中展示了显著进步。LA-PINN-APO方法相比DRL和HBO引入了关键创新。它采用双阶段控制架构，其中LA-PINN预测负载和电压，APO优化逆变器-BESS操作，确保在光伏波动下快速稳定的响应。APO的多行为优化同时最大化了容纳能力、能源效率
CRediT作者贡献声明
P. Kavitha：撰写——原始草稿。
C. Kalaivanan：监督。监督。
Y. Laxmi Narasimha Rao：监督。
伦理批准
本文不包含任何作者涉及人类受试者的研究。
资金信息
本研究未获得任何公共、私人或非营利组织的特定资助。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
