בקרת מהפך ברשת חכמה: שילוב RNN, בקרה חיזוי-מודלית ובקר מחליק אדפטיבי להקטנת הרמוניות בצורה מיטבית

מדוע חשמל נקי ממתחדשים חשוב

ככל שיותר בתים, כלי רכב ותעשיות מספקים או צורכים חשמל מפאנלים סולאריים, טורבינות רוח ומאגרים, רשת החשמל נדרשת להתמודד עם זרימה מהירה ולעיתים "מבולגנת" של אנרגיה. התנודות הללו עלולות ליצור ריפודים חשמליים הנקראים הרמוניות, המבזבזות אנרגיה, מחממות ציוד ומקצרות את חיי המכשירים. מאמר זה מציג גישה חדשה לבקרה של ממירי כוח המקשרים מתחדשים לרשת, המשמרת חשמל נקי ויציב גם כאשר התנאים קשים ובלתי צפויים.

כיצד רשתות מודרניות ממירות DC ל-AC חלקה

מרבית מקורות האנרגיה המתחדשת ומאגרי האנרגיה מייצרים זרם ישר (DC), בעוד הבתים והרשת משתמשים בזרם חילופין (AC). ממירי מתח מחוברים לרשת פועלים כמתרגמים בין שני העולמות הללו. הם מפעילים ומכבים במהירות רכיבים אלקטרוניים, מעצבים את ה-DC ל-AC. כדי להחליק את תהליך המעבר משתמשים מהנדסים בפילטרים של סלילים וקבלים. אף כי יעילים, פילטרים אלה עלולים להיכנס לתהודה ולהגיב בצורה בלתי צפויה לשינויים בתנאי הרשת, מה שמוביל להרמוניות לא רצויות, צורות גל מעוותות ורגישות לעומסים לא ידועים או משתנים. שיטות בקרה מסורתיות שעבדו בעבר מתקשות כיום כאשר אימפדנס הרשת משתנה, העומסים לא מאוזנים או שהמתח עצמו מעוות.

שילוב חיזוי, למידה וחוסן

המחברים מציעים מערכת בקרה היברידית המשלבת שלוש גישות חזקות: חיזוי, למידת מכונה ושכבת בטיחות חסונה. ראשית, בקרה חיזוי-מודלית (MPC) משמשת בחיפושים וניתנת להרצה באופן לא-ריאלי (offline) כדי לחשב את החלטות ההחלפה הטובות ביותר תחת תרחישים תפעוליים רבים. שיטה חיזויית זו מדויקת אך כבדה חישובית מדי לשימוש בזמן אמת בממירים מהירים. שנית, החלטות מיטביות אלה משמשות לאימון רשת עצבית חוזרת (RNN), צורת בינה מלאכותית היכולה לזכור התנהגות קודמת. לאחר האימון ה-RNN יכול לחקות את החלטות ה-MPC בחישוב נמוך בהרבה, מה שהופך אותו מתאים לשימוש בזמן אמת. שלישית, מעל הבקר הלימודי מוסיפים המחברים בקר מחליק-על במהפך-סופר-סתמי אדפטיבי — למעשה שכבת פיקוח חסונה שמתקנת במהירות שגיאות כאשר התנאים חורגים ממה שה-RNN ראה במהלך האימון.

כיצד הבקר ההיברידי שומר על יציבותו

בתפעול, המערכת פועלת בשתי שכבות. באופן לא-ריאלי (offline) משתמשים במודל המתמטי המפורט של המהפך והפילטר כדי לדמות את המכשיר תחת תנאי רשת ועומס מגוונים. ה-MPC מייצר מסלולי החלפה מיטביים היוצרים את נתוני האימון ל-RNN. מקדמי הבקר המחלקים החסון מכוילים באמצעות גישת אופטימיזציה בהשראת התנהגות הציד של זאבים אפורים, המחפשת פרמטרים שממזערים את שגיאת המעקב לאורך זמן תוך הימנעות ממאמץ בקרה מופרז. בזמן אמת, ה-RNN בוחר במהירות דפוסי החלפה העוקבים בקירוב אחרי רפרנסים של מתח וזרם. במקביל, הבקר המחלק האדפטיבי עוקב אחר ההפרש בין הזרמים הרצויים והאמיתיים, ומגביר או מרפה את השפעתו דרך פונקציית מחסום בכל פעם שהמערכת מתקרבת להגבלות קריטיות. ניתוח יציבות מתמטי באמצעות תורת ליאפונוב מראה ששגיאות מעקב נדחפות לאפס בזמן סופי ונשארות חסומות גם כאשר הרשת רועשת או שהמודל לא מושלם.

בחינת הבקר במבחן

החוקרים אימתו את הגישה גם בסימולציות מחשב מפורטות וגם בניסויים חומרה-בלולאה (hardware-in-the-loop) באמצעות מיקרו-בקר תעשייתי. הם השוו שלוש אסטרטגיות בקרה: MPC עצמאי, RNN עצמאי והגישה ההיברידית המלאה עם שכבת המחליק האדפטיבית. תחת מגוון תנאים — עומסים חסרי-ריאקציה פשוטים, עומסים לא-ליניאריים כגון מיישרי דיודה, פעולה ברשת חלשה עם אימפדנס גבוה יותר, עומסי פאזה בלתי-מאוזנים והזרקת עיוותי הרמוניות — הבקר ההיברידי הפיק בעקביות את צורות הגל הנקיות ביותר. עיוות הרמוניות כולל (THD) ירד לכ-0.4–0.5%, נמוך בהרבה מזה של MPC או RNN לבד, והמערכת התייצבה לפעולה יציבה מהר יותר, עם תנודתיות קטנה יותר. במקביל, ה-RNN צמצם את העומס החישובי בכמעט 80% בהשוואה ל-MPC טהור, מה שאישר שהסכימה מעשית לבקרות מהירות.

מה המשמעות לרשתות חכמות בעתיד

ללא מומחיות מיוחדת, המסר המרכזי הוא שעבודה זו מראה כיצד שילוב של חיזוי, למידת מכונה ושכבת בטיחות חסונה יכול להפוך את האלקטרוניקה-כוח לחכמה ואמינה יותר. הבקר המוצע מאפשר למהפכים המקשרים מתחדשים ואגירה לרשת לספק חשמל נקי ובעל עיוות נמוך גם כאשר הרשת חלשה, העומסים לא מאוזנים או מופיעות הפרעות בלתי צפויות. זה משפר את יעילות האנרגיה, מגן על ציוד ומקל על שילוב כמויות גדלות של ייצור מתחדש. המחברים מציעים שאסטרטגיות היברידיות דומות ניתנות להרחבה למהפכים סולאריים, מערכות רוח, מטעני רכבים חשמליים ואלקטרוניקה-כוח מתקדמת אחרת, ובכך מסייעות לרשת העתידית להישאר יציבה ככל שהיא הופכת לנקייה ומורכבת יותר.

ציטוט: 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

מילות מפתח: רשת חכמה, בקרת מהפך חשמלי, הפחתת הרמוניות, בקרת רשת עצבית, בקרת מצב מחליק