Sterowanie inwerterem sieci inteligentnej: integracja RNN, predykcyjnego modelu i adaptacyjnego regulatora ze strefą prześlizgu dla optymalnej redukcji harmonicznych

Dlaczego czystsza energia z odnawialnych źródeł ma znaczenie

W miarę jak coraz więcej domów, samochodów i zakładów korzysta z energii pochodzącej z paneli słonecznych, farm wiatrowych i systemów bateryjnych, sieć elektroenergetyczna musi radzić sobie z szybkim i czasem „zanieczyszczonym” napięciem. Te fluktuacje mogą tworzyć zaburzenia elektryczne zwane harmonicznymi, które marnują energię, przegrzewają sprzęt i skracają żywotność urządzeń. Artykuł przedstawia nowe podejście do sterowania przetwornikami łączącymi odnawialne źródła z siecią, utrzymujące napięcie czystym i stabilnym nawet w trudnych i nieprzewidywalnych warunkach.

Jak nowoczesne sieci zamieniają prąd stały na gładki prąd przemienny

Większość źródeł odnawialnych i urządzeń magazynujących wytwarza prąd stały (DC), podczas gdy nasze domy i sieć korzystają z prądu przemiennego (AC). Inwertery napięciowe połączone z siecią pełnią funkcję tłumaczy między tymi światami. Szybko przełączają elementy elektroniczne, kształtując DC w AC. Aby wygładzić efekty przełączania, stosuje się filtry z cewek i kondensatorów. Choć skuteczne, filtry te mogą rezonować i niekorzystnie współdziałać ze zmiennymi warunkami sieciowymi, prowadząc do niepożądanych harmonicznych, zniekształconych przebiegów i wrażliwości na nieznane lub zmienne obciążenia. Tradycyjne metody sterowania, które kiedyś dobrze działały, mają teraz trudności, gdy impedancja sieci się zmienia, obciążenia są niezrównoważone lub samo napięcie jest zniekształcone.

Łączenie prognozowania, uczenia i odporności

Autorzy proponują hybrydowy system sterowania łączący trzy silne koncepcje: predykcję, uczenie maszynowe i warstwę bezpieczeństwa zapewniającą odporność. Po pierwsze, predykcyjny regulator modelowy (MPC) jest używany offline do obliczania najlepszych decyzji przełączania w wielu scenariuszach pracy. Ta metoda predykcyjna jest dokładna, ale zbyt obciążająca obliczeniowo, by działać bezpośrednio w czasie rzeczywistym dla szybkich inwerterów. Po drugie, optymalne decyzje są wykorzystywane do trenowania rekurencyjnej sieci neuronowej (RNN), formy sztucznej inteligencji zdolnej do zapamiętywania przeszłych zachowań. Po treningu RNN może naśladować decyzje MPC przy znacznie mniejszych wymaganiach obliczeniowych, co czyni ją odpowiednią do zastosowań w czasie rzeczywistym. Po trzecie, na tej warstwie uczonego sterownika autorzy dodają adaptacyjny „barierowy” super-twistingowy regulator ze strefą prześlizgu — de facto odporną warstwę nadzorczą, która szybko koryguje błędy, gdy warunki odbiegają od tych, które RNN widziała wcześniej.

Jak hybrydowy regulator utrzymuje stabilność

W działaniu system pracuje w dwóch warstwach. Offline szczegółowy model matematyczny inwertera i jego filtra jest używany do symulacji urządzenia w wielu warunkach sieciowych i obciążeniowych. MPC generuje optymalne trajektorie przełączania, które tworzą dane treningowe dla RNN. Wzmocnienia odpornego regulatora ze strefą prześlizgu są dobierane przy użyciu podejścia optymalizacyjnego inspirowanego zachowaniem polowań wilków szarych, które wyszukuje parametry minimalizujące błąd śledzenia w czasie przy jednoczesnym unikaniu nadmiernego działania sterującego. W trybie online, w czasie rzeczywistej pracy, RNN szybko wybiera wzorce przełączania ściśle odwzorowujące odniesienia napięcia i prądu. Równolegle adaptacyjny regulator ze strefą prześlizgu monitoruje różnicę między zadanymi a rzeczywistymi prądami, wzmacniając lub łagodząc swoje działanie za pomocą funkcji barierowej, gdy system zbliża się do krytycznych granic. Analiza stabilności oparta na teorii Lyapunowa wykazuje, że błędy śledzenia są wygaszane do zera w skończonym czasie i pozostają ograniczone nawet przy zaszumionej sieci lub nieidealnym modelu.

Testowanie regulatora

Naukowcy zweryfikowali swoje podejście zarówno w szczegółowych symulacjach komputerowych, jak i w eksperymentach hardware-in-the-loop z użyciem przemysłowego mikrokontrolera. Porównali trzy strategie sterowania: samodzielne MPC, samodzielne RNN oraz pełne podejście hybrydowe z adaptacyjną warstwą ze strefą prześlizgu. W różnych warunkach — prostych obciążeniach rezystancyjnych, nieliniowych obciążeniach jak prostowniki z diodami, pracy w słabej sieci przy wyższej impedancji, niezrównoważonych fazach oraz przy wstrzykiwanych zniekształceniach harmonicznych — regulator hybrydowy konsekwentnie generował najczystsze przebiegi. Całkowite zniekształcenie harmoniczne spadło do około 0,4–0,5%, znacznie poniżej wartości osiąganych przez same MPC lub RNN, a system szybciej stabilizował się z mniejszym przeregulowaniem. Jednocześnie RNN zmniejszyła obciążenie obliczeniowe o niemal 80% w porównaniu z czystym MPC, potwierdzając, że schemat jest praktyczny dla szybkiego sterowania.

Co to oznacza dla przyszłych inteligentnych sieci

Dla czytelnika niebędącego specjalistą kluczową wiadomością jest to, że praca pokazuje, jak łączenie predykcji, uczenia maszynowego i odpornej warstwy bezpieczeństwa może uczynić elektronikę mocy jednocześnie mądrzejszą i bardziej niezawodną. Proponowany regulator pozwala inwerterom łączącym odnawialne źródła i magazyny z siecią dostarczać bardzo czystą, nisko zniekształconą energię nawet gdy sieć jest słaba, obciążenia są nierównomierne lub występują nieoczekiwane zakłócenia. To poprawia efektywność energetyczną, chroni sprzęt i ułatwia integrację dużych ilości generacji odnawialnej. Autorzy sugerują, że podobne hybrydowe strategie można rozszerzyć na inwertery słoneczne, systemy wiatrowe, ładowarki pojazdów elektrycznych i inną zaawansowaną elektronikę mocy, pomagając przyszłej sieci zachować stabilność w miarę jej oczyszczania i rosnącej złożoności.

Cytowanie: 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

Słowa kluczowe: inteligentna sieć, sterowanie inwertera mocy, redukcja harmonicznych, sterowanie sieciami neuronowymi, sterowanie ze strefą prześlizgu