《Results in Engineering》：Robust Artificial Neural Network-Based Control for Photovoltaic Integration Under Grid Fault Conditions
编辑推荐：
本研究针对光伏并网系统在电网故障等复杂工况下的控制难题，提出了一种基于人工神经网络（ANN）的鲁棒控制器。该研究创新性地将ANN全面应用于两级电压源转换器的直流母线稳定和电网功率控制，在MATLAB/Simulink环境中开发实现。通过与积分终端滑模控制（ITSMC）和传统滑模控制（SMC）的对比分析，证实所提ANN控制器在动态响应速度（提升6倍以上）、总谐波失真（THD低至0.58%）、跟踪误差和抗干扰能力方面均表现出显著优势，有效提升了系统在辐照度波动、外部噪声和电网故障条件下的运行可靠性。
随着全球能源转型的加速，光伏（PV）发电作为清洁能源的重要组成部分，其并网技术的可靠性和效率日益受到关注。然而，光伏并网系统在实际运行中面临着诸多挑战：太阳能辐照度的随机波动导致输出功率不稳定；电网侧可能出现的各种故障（如短路、电压暂降）会严重影响系统的稳定运行；电力电子转换器开关过程引入的电磁干扰等外部噪声也会降低电能质量。这些因素共同对光伏并网系统的控制策略提出了极高的要求——不仅需要快速响应环境变化，还要在复杂工况下保持鲁棒性，确保注入电网的电能符合严格的谐波标准（如IEEE Std 519-2014）。
传统的控制方法，如比例积分（PI）控制、滑模控制（SMC）及其改进型积分终端滑模控制（ITSMC），虽然在特定条件下有效，但也存在局限性。例如，线性控制器动态响应较慢，而非线性控制器如SMC虽响应快，但存在抖振问题，且对参数变化和扰动较为敏感。特别是在应对辐照度突变、测量噪声和电网故障等极端条件时，这些方法的性能往往难以满足高标准运行需求。因此，开发一种能够自适应学习系统非线性特性、具备更强鲁棒性和更优动态性能的新型控制器，成为光伏并网领域的重要研究方向。
在此背景下，Mohammed TEBAA和Mohammed OUASSAID在《Results in Engineering》上发表的研究，探索了人工智能技术在解决这一难题中的应用。他们设计并验证了一种基于人工神经网络（ANN）的鲁棒控制器，旨在全面提升光伏并网系统在恶劣运行条件下的性能。与依赖精确数学模型的控制方法不同，ANN控制器采用数据驱动的方式，将系统视为“黑箱”，通过训练学习最优的控制律，从而避免了传统控制器设计中复杂的参数整定和对模型准确性的依赖。
为了开展这项研究，研究人员主要采用了以下几种关键技术方法：首先，在MATLAB/Simulink环境中建立了详细的两级光伏并网系统仿真模型，包括光伏阵列、直流-直流升压转换器、直流母线电容、三相电压源转换器（VSC）以及连接电网的RL滤波器，并进行了准确的数学建模。其次，采用积分终端滑模控制（ITSMC）作为性能基准和数据生成器，在多种工况下（如变化的辐照度、注入的测量噪声、模拟的电网故障）运行系统，收集系统状态变量（如直流电压VDC、光伏电流IPV、电网电流Igd, Igq、电网电压Vgrid,dq）和对应的ITSMC产生的控制信号（如参考电网电流id_ref、逆变器参考电压Vin,dq），构建用于ANN离线训练的大规模数据集。然后，设计了浅层前馈神经网络（多层感知器MLP）作为控制器核心，通过网格搜索确定最优网络结构（如DC侧控制器为4输入-30神经元隐层-5神经元隐层-1输出，AC侧控制器为6输入-10神经元隐层-2输出），并采用缩放共轭梯度（SCG）算法进行训练，隐藏层使用ReLU激活函数，输出层使用Sigmoid激活函数，以最小化输出与ITSMC生成参考值之间的均方误差（MSE）为目标进行权重优化。最后，通过定义积分绝对误差（IAE）和积分时间绝对误差（ITAE）等性能指标，并计算总谐波失真（THD），在仿真环境中系统性地对比评估了ANN控制器与ITSMC、传统SMC在动态响应、稳态精度、鲁棒性等方面的性能差异。
模型建立与控制器设计
研究人员首先建立了光伏电池的单二极管模型、两级电压源转换器（VSC）的开关状态模型、RL滤波器的动态方程以及直流母线的功率平衡模型，为后续控制器设计和仿真验证奠定了理论基础。在此基础上，详细阐述了作为性能基准的积分终端滑模控制（ITSMC）器的设计原理和控制律，其核心是通过设计包含积分项的滑模面，实现对直流母线电压误差和电网电流误差的快速收敛和鲁棒控制。
提出的ANN控制器实现
本研究的核心创新在于设计了替代ITSMC的ANN控制器。其实现过程分为离线的训练阶段和在线的应用阶段。在离线阶段，利用ITSMC在多种运行场景下生成的高质量输入-输出数据对ANN进行训练，但训练目标并非简单模仿ITSMC的输出，而是最小化系统状态的跟踪误差，这使得ANN有机会学习到更优的控制策略。在线阶段，训练好的ANN直接根据实时测量的系统变量（如IPV, VDC, Vgrid, Igrid）快速计算并输出控制信号（id_ref和Vin,αβ），从而实现对系统的实时控制。ANN控制器结构经过优化选择，确保了高回归系数（接近1）和低训练误差。
辐照度变化下的性能验证
在模拟辐照度从1000 W/m2到500 W/m2剧烈波动的场景下，ANN控制器展现了卓越的性能。其动态响应时间仅为0.1毫秒，比ITSMC快6倍，比SMC快8倍以上。在电能质量方面，ANN控制器将注入电网的电流总谐波失真（THD）降至0.58%（在1000 W/m2时），显著低于ITSMC（0.71%）和SMC（0.82%），即使在低辐照度（100 W/m2）下，THD也仅为3.30%，仍优于对比控制器。同时，ANN控制的直流母线电压稳态误差最小（0.3 V），且并网有功功率和无功功率的波动幅度也远小于其他两种方法，证明了其在最大功率点跟踪（MPPT）和维持单位功率因数方面的优越性。
外部噪声干扰下的鲁棒性评估
为了测试控制器在存在测量噪声（模拟电磁干扰）时的性能，研究中向电网电流测量值注入了随机噪声。结果表明，ANN控制器表现出极强的抗干扰能力。受噪声影响后，d轴和q轴电流的波动幅度分别比ITSMC和SMC小了约37%和40%。更重要的是，在噪声环境下，ANN控制器仍能将电流THD维持在0.74%的低水平，而ITSMC和SMC控制的系统THD则显著升高。直流母线电压在ANN控制下也表现出更好的稳定性，验证了ANN在噪声抑制方面的内在优势。
电网故障条件下的韧性测试
研究通过模拟相间短路接地故障，检验了控制器在最恶劣电网条件下的应对能力。ANN控制器再次表现出色。在故障发生时，ANN能将短路电流峰值限制在40-45A，而ITSMC和SMC则分别达到47A和60A。故障清除后，ANN控制系统能在4毫秒内迅速恢复稳定，恢复速度是ITSMC（8毫秒）的2倍，更是远快于SMC（40毫秒）。此外，在故障期间和恢复过程中，ANN控制的q轴电流（对应无功功率）波动最小，能最快地恢复到零附近，确保了单位功率因数运行。直流母线电压在故障期间的波动也以ANN控制为最小，凸显了其强大的故障穿越能力。
性能指标综合分析
通过积分绝对误差（IAE）和积分时间绝对误差（ITAE）对所有测试场景下的系统状态（Id, Iq, VDC）跟踪性能进行量化比较。数据显示，在所有工况下，ANN控制器的IAE和ITAE值均远低于ITSMC和SMC。这从统计学角度确证了ANN控制器在跟踪精度、响应速度和减小累积误差方面的全面优势。
综上所述，该研究成功开发并验证了一种用于光伏并网系统的数据驱动、基于人工神经网络的鲁棒控制器。研究结论明确指出，相较于先进的积分终端滑模控制（ITSMC）和传统滑模控制（SMC），该ANN控制器在动态响应速度、稳态精度、总谐波失真（THD）抑制、抗外部噪声干扰和电网故障穿越能力等多个关键性能指标上均取得了显著提升。其核心优势源于ANN作为通用函数逼近器的能力，使其能够学习复杂的非线性系统动态，并产生平滑、近乎最优的控制动作，而非依赖于具有固有抖振问题的刚性开关控制律。
这项研究的重要意义在于，它为应对光伏并网系统在真实复杂运行环境下的控制挑战提供了一种高效且富有前景的解决方案。ANN控制器的优异性能，特别是在快速变化和扰动条件下的鲁棒性，有助于提高光伏电站的电能质量、运行可靠性和对电网的友好性，直接支持更高比例的可再生能源并网。此外，研究所采用的离线训练、在线应用的范式，以及所展示的相对于传统模型基控制方法的性能优势，为电力电子与驱动控制领域更广泛地应用人工智能技术提供了有价值的参考和借鉴。尽管未来仍需通过硬件在环（HIL）和实际实验平台进行进一步验证，并探索其在不同系统配置下的迁移能力，但本研究无疑为开发更智能、更适应性的未来电网控制策略迈出了坚实的一步。
