Steuerung von Smart-Grid-Wechselrichtern: Integration von RNN-, modellprädiktiven und adaptiven Sliding-Mode-Reglern zur optimalen Harmonische-Reduktion

Warum sauberere Energie aus erneuerbaren Quellen wichtig ist

Da immer mehr Haushalte, Fahrzeuge und Industrien Strom aus Solarpaneelen, Windparks und Batteriesystemen beziehen, muss das Stromnetz mit schnell wechselnder und manchmal „unordentlicher“ Elektrizität umgehen. Diese Schwankungen können elektrische Störungen in Form von Oberschwingungen erzeugen, die Energie verschwenden, Geräte überhitzen und die Lebensdauer von Anlagen verkürzen. Dieser Beitrag stellt eine neue Methode zur Regelung von Leistungshalbleitern vor, die erneuerbare Erzeuger mit dem Netz verbinden, sodass die Elektrizität sauber und stabil bleibt, selbst wenn die Bedingungen rau und unvorhersehbar sind.

Wie moderne Netze Gleichstrom in glatten Wechselstrom verwandeln

Die meisten erneuerbaren Quellen und Speichersysteme liefern Gleichstrom (DC), während Haushalte und das Netz Wechselstrom (AC) nutzen. Netzgekoppelte Spannungsquelle-Wechselrichter fungieren als Übersetzer zwischen diesen Welten. Sie schalten elektronische Bauelemente sehr schnell ein und aus und formen so DC zu AC. Um die Schaltvorgänge zu glätten, fügen Ingenieure Filter aus Induktivitäten und Kondensatoren hinzu. Diese Filter sind zwar wirksam, können aber mit veränderlichen Netzbedingungen in Resonanz geraten und ungünstig interagieren, was zu unerwünschten Oberschwingungen, verzerrten Wellenformen und Empfindlichkeit gegenüber unbekannten oder variierenden Lasten führt. Traditionelle Regelverfahren, die früher gut funktionierten, stoßen inzwischen an ihre Grenzen, wenn die Netzimpedanz schwankt, Lasten unsymmetrisch sind oder die Spannung selbst verzerrt ist.

Vorhersage, Lernen und Robustheit kombinieren

Die Autoren schlagen ein hybrides Regelkonzept vor, das drei leistungsfähige Ideen vereint: Vorhersage, maschinelles Lernen und eine robuste Sicherheits-Schicht. Zunächst wird ein modellprädiktiver Regler (MPC) offline eingesetzt, um unter vielen Betriebsbedingungen die besten Schaltentscheidungen zu berechnen. Diese prädiktive Methode ist genau, aber zu rechenintensiv, um direkt in Echtzeit für schnelle Wechselrichter ausgeführt zu werden. Zweitens werden diese optimalen Entscheidungen verwendet, um ein rekurrentes neuronales Netzwerk (RNN) zu trainieren, eine Form künstlicher Intelligenz, die vergangenes Verhalten speichern kann. Nach dem Training kann das RNN die Entscheidungen des MPC mit deutlich geringerem Rechenaufwand nachbilden und ist damit für Echtzeitanwendungen geeignet. Drittens ergänzen die Autoren auf dieser erlernten Steuerung eine adaptive „Barriere“ in Form eines Super-Twisting-Sliding-Mode-Reglers — im Wesentlichen eine robuste Aufsichtsschicht, die bei Abweichungen schnell korrigierend eingreift.

Wie der hybride Regler seine Stabilität bewahrt

Im Betrieb arbeitet das System in zwei Ebenen. Offline wird das detaillierte mathematische Modell des Wechselrichters und seines Filters verwendet, um das Gerät unter vielen Netz- und Lastbedingungen zu simulieren. Der MPC erzeugt optimale Schalttrajektorien, die als Trainingsdaten für das RNN dienen. Die Verstärkungsparameter des robusten Sliding-Reglers werden mit einem Optimierungsverfahren abgestimmt, das sich an der Jagdstrategie grauer Wölfe orientiert und Parameter sucht, die den Nachführfehler über die Zeit minimieren, ohne übermäßigen Reglereinsatz zu erzeugen. Online wählt das RNN im laufenden Betrieb schnell Schaltmuster, die den Spannungs- und Stromvorgaben eng folgen. Parallel dazu überwacht der adaptive Sliding-Regler die Differenz zwischen Soll- und Ist-Strom, verstärkt oder reduziert seinen Einfluss über eine Barrierefunktion, wenn das System kritische Grenzen erreicht. Eine mathematische Stabilitätsanalyse anhand der Lyapunov-Theorie zeigt, dass Nachführfehler in endlicher Zeit auf null getrieben werden und selbst bei rauschendem Netz oder unvollständigem Modell beschränkt bleiben.

Wie sich der Regler im Test bewährt

Die Forscher validierten ihren Ansatz sowohl in detaillierten Computersimulationen als auch in Hardware-in-the-Loop-Experimenten mit einem industriellen Mikrocontroller. Sie verglichen drei Regelstrategien: alleiniger MPC, alleiniges RNN und den vollständigen Hybridansatz mit der adaptiven Sliding-Schicht. Unter einer Vielzahl von Bedingungen — einfache ohmsche Lasten, nichtlineare Lasten wie Diodengleichrichter, Betrieb an schwachem Netz mit höherer Netzimpedanz, unsymmetrische Phasenlasten und eingebrachte Oberschwingungsverzerrung — erzeugte der hybride Regler durchgängig die reinsten Wellenformen. Die gesamte Oberschwingungsverzerrung sank auf etwa 0,4–0,5 %, deutlich unter den Werten von nur MPC oder nur RNN, und das System stellte schneller einen stabilen Betrieb mit geringerer Überschwingung ein. Gleichzeitig reduzierte das RNN die Rechenlast um nahezu 80 % gegenüber reinem MPC, was bestätigt, dass das Konzept für hochfrequente Regelungen praktisch einsetzbar ist.

Was das für zukünftige Smart Grids bedeutet

Für Nichtfachleute ist die Kernbotschaft, dass diese Arbeit zeigt, wie die Kombination von Vorhersage, maschinellem Lernen und einer robusten Sicherheits-Schicht die Leistungselektronik intelligenter und verlässlicher machen kann. Der vorgeschlagene Regler ermöglicht es Wechselrichtern, die Erneuerbare und Speicher mit dem Netz verbinden, sehr sauberen, verzerrungsarmen Strom zu liefern, selbst wenn das Netz schwach ist, die Lasten ungleich verteilt sind oder unerwartete Störungen auftreten. Das verbessert die Energieeffizienz, schützt Anlagen und erleichtert die Integration großer Anteile erneuerbarer Erzeugung. Die Autoren schlagen vor, dass ähnliche hybride Strategien auf Solarwechselrichter, Windanlagen, Ladegeräte für Elektrofahrzeuge und andere fortschrittliche Leistungselektronik ausgeweitet werden könnten, um das zukünftige Netz stabil zu halten, während es sauberer und komplexer wird.

Zitation: Zeb, O., Rehman, A., Sultan, N. et al. Smart grid inverter control: integrating RNN, model predictive, and adaptive sliding mode controller for optimal harmonic mitigation. Sci Rep 16, 13700 (2026). https://doi.org/10.1038/s41598-026-42010-3

Schlüsselwörter: Smart Grid, Leistungswechselrichtersteuerung, Harmonische Dämpfung, Neuronale Netzsteuerung, Sliding-Mode-Regelung