Regeling van slimme netomvormers: integratie van RNN, modelpredictieve en adaptieve sliding mode-regelaar voor optimale harmonischenvermindering

Waarom schonere stroom uit hernieuwbare bronnen ertoe doet

Naarmate meer huizen, auto’s en industrieën elektriciteit afnemen van zonnepanelen, windparken en batterijopslagsystemen, moet het elektriciteitsnet omgaan met snel veranderende en soms “ruwe” stroom. Deze schommelingen kunnen elektrische rimpels veroorzaken die harmonischen worden genoemd; die verspillen energie, laten apparatuur oververhit raken en verkorten de levensduur van apparaten. Dit artikel presenteert een nieuwe manier om elektronische omzetters te regelen die hernieuwbare bronnen aan het net koppelen, zodat de elektriciteit schoon en stabiel blijft, zelfs wanneer de omstandigheden streng en onvoorspelbaar zijn.

Hoe moderne netten gelijkstroom naar vloeiende wisselstroom omzetten

De meeste hernieuwbare bronnen en opslagsystemen leveren gelijkstroom (DC), terwijl onze huizen en het net wisselstroom (AC) gebruiken. Netgekoppelde spanningsbronomvormers fungeren als vertalers tussen deze werelden. Ze schakelen elektronica zeer snel aan en uit en vormen zo DC om naar AC. Om de schakelingen te verzachten voegen ingenieurs filters toe die uit spoelen en condensatoren bestaan. Hoewel effectief, kunnen deze filters resoneren en slecht reageren op veranderende netcondities, wat leidt tot ongewenste harmonischen, vervormde golfvormen en gevoeligheid voor onbekende of verschuivende belastingen. Traditionele regelmethoden die vroeger goed werkten, hebben nu moeite wanneer de netimpedantie varieert, belastingen ongebalanceerd zijn of de spanning zelf vervormd is.

Een mix van voorspelling, leren en robuustheid

De auteurs stellen een hybride regelsysteem voor dat drie krachtige ideeën combineert: voorspelling, machinaal leren en een robuuste veiligheidslaag. Ten eerste wordt een modelpredictieve regelaar (MPC) offline gebruikt om onder vele bedrijfsscenario’s de best mogelijke schakelaarsbeslissingen te berekenen. Deze voorspellende methode is nauwkeurig maar te rekenintensief om rechtstreeks in real time te draaien voor snelle omvormers. Ten tweede worden deze optimale beslissingen gebruikt om een recurrent neuraal netwerk (RNN) te trainen, een vorm van kunstmatige intelligentie die zich eerdere gedragingen kan herinneren. Eenmaal getraind kan het RNN de beslissingen van de MPC met veel minder rekencapaciteit nabootsen, waardoor het geschikt is voor realtime gebruik. Ten derde voegen de auteurs bovenop deze geleerde regelaar een adaptieve “barrière” super-twisting sliding mode-regelaar toe—in wezen een robuuste supervisielaag die snel fouten corrigeert wanneer omstandigheden afwijken van wat het RNN eerder heeft gezien.

Hoe de hybride regelaar zijn stabiliteit behoudt

In bedrijf werkt het systeem in twee lagen. Offline wordt het gedetailleerde wiskundige model van de omvormer en zijn filter gebruikt om het apparaat onder vele net- en belastingcondities te simuleren. De MPC genereert optimale schakelingstrajecten die de trainingsdata voor het RNN vormen. De versterkingen van de robuuste sliding-regelaar worden afgestemd met behulp van een optimalisatiebenadering geïnspireerd door het jachtgedrag van grijze wolven, die zoekt naar parameters die de volgfout in de tijd minimaliseren terwijl overmatige regelinspanning wordt vermeden. Online, tijdens daadwerkelijke werking, kiest het RNN snel schakelschema’s die nauw de spanning- en stroomreferenties volgen. Parallel daaraan houdt de adaptieve sliding-regelaar het verschil tussen gewenste en werkelijke stromen in de gaten, en versterkt of ontspant zijn invloed via een barrièrefunctie telkens wanneer het systeem kritieke limieten nadert. Een wiskundige stabiliteitsanalyse met Lyapunov-theorie toont aan dat volgfouten in eindige tijd naar nul worden gedreven en begrensd blijven, zelfs wanneer het net ruisig is of het model onvolmaakt.

De regelaar op de proef gesteld

De onderzoekers valideerden hun benadering zowel in gedetailleerde computersimulaties als in hardware-in-the-loop-experimenten met een industriële microcontroller. Ze vergeleken drie regelstrategieën: op zichzelf staande MPC, op zichzelf staand RNN en de volledige hybride aanpak met de adaptieve slidinglaag. Onder uiteenlopende condities—eenvoudige resistieve belastingen, niet-lineaire belastingen zoals diodegelijkrichters, zwak-netbedrijf met hogere netimpedantie, ongebalanceerde fasebelastingen en geïnjecteerde harmonische vervorming—leverde de hybride regelaar consequent de schoonste golfvormen. Totale harmonische vervorming daalde naar ongeveer 0,4–0,5%, ver onder die van alleen MPC of alleen RNN, en het systeem kwam sneller tot stabiele werking met kleinere overshoot. Tegelijkertijd verminderde het RNN de rekenlast met bijna 80% vergeleken met zuivere MPC, wat bevestigt dat het schema praktisch is voor hogesnelheidsregeling.

Wat dit betekent voor toekomstige slimme netten

Voor niet-specialisten is de kernboodschap dat dit werk laat zien hoe het combineren van voorspelling, machinaal leren en een robuuste veiligheidslaag vermogenselektronica zowel slimmer als betrouwbaarder kan maken. De voorgestelde regelaar maakt het mogelijk dat omvormers die hernieuwbare energie en opslag aan het net koppelen zeer schone, laagvervormde stroom leveren, zelfs wanneer het net zwak is, de belastingen ongelijk verdeeld zijn of onverwachte verstoringen optreden. Dit verbetert de energie-efficiëntie, beschermt apparatuur en vergemakkelijkt de integratie van grote hoeveelheden hernieuwbare opwekking. De auteurs suggereren dat soortgelijke hybride strategieën kunnen worden uitgebreid naar zonne-omvormers, windsystemen, laders voor elektrische voertuigen en andere geavanceerde vermogenselektronica, en zo het toekomstige net stabiel houden naarmate het schoner en complexer wordt.

Bronvermelding: 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

Trefwoorden: slim net, regeling van stroomomvormers, vermindering van harmonischen, neurale netwerkregeling, sliding mode-regeling