利用雪消融优化器-鲁棒变分物理学技术，在混合燃料卡特蓄电池-超级电容器微电网中实现先进的能源管理和电力质量提升

集成电池和超级电容器储能的燃料电池混合系统，是微电网系统中高效且适应性强的能源管理解决方案。尽管燃料电池（FCs）通过将化学能转化为电能提供了清洁且可持续的电源 ，但它们存在低功率密度和响应时间较慢等限制。应对这些挑战需要一个强有力的能源管理系统（EMS）。本论文提出了一种新颖的混合方法，结合了稳健变分物理知情神经网络（RVPNN）与被称为SAO-RVPNN方法的雪消融优化器（SAO），以提升混合燃料电池-超级电容器微电网中的电力质量和能源管理.该方法的主要目标是优化氢气消耗，改善负载功率管理，提升电力质量，并改善动态电压响应，同时降低燃油消耗和谐波。SAO算法动态调谐控制器，而RVPNN预测控制信号，提升系统性能。该方法在MATLAB中被应用，并与现有方法形成对比，包括谜题优化算法（POA）、麻雀搜索算法（SSA）和蚱蜢优化算法（GOA）。仿真结果显示，SAO-RVPNN方法实现了总谐波失真（THD）为1.51%，显著低于THD值分别为3.36%（POA）、5.33%（SSA）和3.49%（GOA），计算时间为75.649秒，凸显了该方法在效率与功耗质量提升之间取得的优越平衡。

简介

微电网系统中的能源管理和电力质量提升对于现代化能源基础设施至关重要，尤其是在对可再生能源（RES）日益依赖的情况下[1]。微电网是一种本地化网络，能够在能源生产、配电和消费方面提供灵活性。除了主公用电网外，它还可以独立运行[2]。微电网内的有效能源管理需要优化发电、储能和负载平衡等组件，以维持供需平衡[3]。能源管理系统通过复杂的控制策略和预测算法，能够有效分配资源，降低运营成本，并提升电力传输的可靠性[4]。预测性维护和监控技术通过预判潜在中断进一步提升系统性能[5]。同时，电力质量的提升对于解决电压下降、浪涌、谐波失真和不平衡等问题至关重要，这些问题可能损坏敏感设备并使电网不稳定[6]。采用了包括电压调节器、静电补偿器和谐波滤波器在内的复杂功率调节设备来减轻这些干扰[7]。先进的电力电子系统，如逆变器和整流器，确保电气参数保持在可接受范围内[8]。定制电力解决方案如动态电压恢复器和不间断电源也提升了微电网的韧性和稳定性，减轻瞬态干扰[9,10]。
尽管取得了这些进步，当前电力质量和微电网管理方法仍存在若干局限性[31]。传统解决方案常面临高成本、空间需求大、可靠性低和电压控制不足等挑战，同时还存在系统阻抗导致的共振风险[32]。许多管理微电网运营的方法因收敛速度缓慢、局部最优问题的脆弱性以及复杂性增加而受阻，尤其是在解决RES不确定性的多阶段方法中[33]。RES的间歇性特性进一步复杂化了大规模集成，提高了消费者和公用事业的成本，因此需要全面的需求侧管理（DSM）策略。此外，现有模型往往优先考虑单一目标，忽视了用户舒适度和运营效率等关键因素。混合交流-直流微电网系统还面临变换器数量、相关损耗以及同时管理交流和直流子电网等挑战。此外，微型涡轮机排放的环境影响常被忽视，转而关注的是财务和功率平衡的考虑。解决这些局限需要创新且整体的方法，以确保微电网的可持续和韧性。

此前已有多项研究成果出现在微电网及相关领域，涉及能源管理与电力质量提升。其中一些内容在这里进行了评测。
Sindi等人[11]在设计新的多微电网连接时，采用了功率补偿技术以改善电压曲线并减少低惯性系统的谐波变化。一种APQC方法，包括并联补偿器和串联补偿器，作为补偿机制。作为序列补偿器，采用了晶闸管控制串联电容（TCSC）以降低瞬态电压并改善动态电压曲线。为了提高功率因数并降低电压和电流谐波，采用了并联有源功率滤波器（SAPF）作为并联补偿器。系统利用基于群体智能的谜题优化算法优化PID控制器的增益，保证APQC拓扑的高效运行。
Fathy 等人[12]提出了麻雀搜索算法（SSA），这是一种用于优化微电网（MG）管理的元启发式方法。它还引入了多目标SSA（MOSSA），以同时降低运营费用和排放。MG涵盖了风力涡轮机（WT）、光伏组件（PV）、微型涡轮机（MT）、电池（BSS）和网络等能源。其他优化算法，如蚁狮优化器（ALO）、人工基于生态系统的优化器（AEO）、磷虾群优化器（KH）、哈里斯鹰优化器（HHO）和模糊自适应粒子群优化（FSAPSO），以比较SSA和MOSSA的表现。
Bukar 等人[13]提出了元启发式优化搜索技术（MOST），并采用基于规则的算法测量独立的 MG 方法和 EM 方法。EMS方法被计算为微电网各模块提供一系列电力传输。EMS定义后，利用MOST.该性能与六种不同的MOST（最高学霸）进行了比较。比较强调了每种技术在优化微电网运行方面的有效性。
Alamir 等人[14]开发了一种新的鹈鹕优化算法（POA）应用，用于集成需求响应程序（DRP）的 MG 方法中最佳电磁显现。该方法旨在通过制定多目标优化方案，提升微电网运营商（MGO）的优势并降低整体运营成本。在激励相关需求响应（IDR）下引入混合动力DRP以降低峰值负荷并确保MG的可靠性。与固定高峰时段的传统IDR不同，所建议的技术会根据负载曲线和平均负载值动态调整。
Alzahrani等人[15]提出了一种多目标优化方法，以提升电力系统运行的可靠性和安全性。它通过采用非主导的GSA技术，解决污染排放、运营成本和负荷期望损失（LOLE）等相互冲突的目标。像风能和太阳能这样的间歇性且未定义的RES方法，通过β概率密度函数（PDF）得到了证明。
Prasad等人[16]开发了一种采用下垂控制方法的混合交流/直流微电网的电力管理方法。它集成了光伏（PV）面板、WT和BSS等电源，由比例积分导数（PID）控制器和自适应神经模糊推断系统（ANFIS）控制器管理。引入了一种EHOA方法以最小化这些电源的运行成本，利用成本值确定下垂系数和下垂控制策略。
Fatima 等人[17]提出了智能家居中 MG 开发的挑战，旨在增强具有再生和非再生基础的电磁技术。呈现比例积分控制结构或有效需求反应，降低调度后价格并改善高平均比。ACO技术与BPSO方法进行了比较，显示出在降价和峰值平均比提升方面表现更优。
Wang 等人[18]提出了一种利用粒子群优化自适应平方根卡尔曼滤波器（PSO-ASRCKF）进行电荷状态估计的方法，但其适用性受限于计算复杂性。
Wang 等人[19]提出了反噪声自适应长短期记忆（ANA-LSTM）模型来预测剩余使用寿命，但其复杂性可能导致收敛速度变慢，降低效率。
Wang 等人[20] 还开发了奇异滤波高斯过程回归-长短期记忆（SF-GPR-LSTM）模型用于剩余容量估计，但该模型在处理多时间尺度时遇到困难，计算量大，限制了其对更大系统的扩展性。表1为近期研究工作的总结。

近期关于微电网管理的研究强调创新优化技术，以提升能源管理、改善电压分布，并降低各种能源来源的成本和排放。常见挑战包括管理间歇性可再生能源、同时优化多个目标，以及确保系统的可靠性和效率。为应对这些挑战，作者们开发了新的算法和策略。现有的优化方法如谜题优化算法、麻雀搜索算法和蚱蜢优化算法，旨在通过优化功率分配、最小化运营成本和改善电压质量来提升性能。然而，这些方法也面临挑战。谜题优化算法计算量较大，且收敛速度较慢可能会遇到困难。麻雀搜索算法虽然在某些情况下很有前景，但可能落入局部最优，且可扩展性有限。蚱蜢优化算法虽然在某些情况下有效，但常常面临高复杂度和耗时的问题。研究的空白在于解决这些具体局限性，并整合全面的多目标优化方法，不仅考虑成本、效率和环境影响，确保微电网能源管理和电力质量提升的更稳健和实用解决方案。这种混合方式背后的动机是打造一个更有效且适应性的能源管理系统，提升整体电力质量，增强微电网运行的可靠性，并支持可持续且高效的能源使用。
该方法结合了SAO算法和RVPNN，以优化氢气消耗、提升负载功率管理、提升电力质量，并降低燃油消耗和谐波。RVPNN通过预测控制信号以进一步优化系统响应，而SAO算法则用于动态调谐控制器以修改系统参数。这种集成通过将预测建模与动态控制结合，能够同时提升多个目标，如电力质量和效率。混合方法在THD和计算时间方面优于现有技术，保证了更响应迅速、高效且可持续的能源管理系统。
本研究的主要贡献如下：

• •
  SAO-RVPNN方法是一种提升混合燃料电池-超级电容器微电网电力质量和能耗管理的新技术。
• •
  SAO-RVPNN技术将用于动态调谐控制器的雪消融优化器（SAO）与稳健变分物理知情神经网络（RVPNN）集成。这种集成减少了错误，最小化了执行时间，并超越了现有方法的局限性。
• •
  该方法实现了关键优势，如更快的收敛速度、增强解多样性以及探索与开发之间的平衡。这些特性使SAO-RVPNN能够克服传统方法如POA、SSA和GOA的局限。
• •
  该系统通过MATLAB实现，配备燃料电池、电池和超级电容器，便于与传统技术的直接比较。结果显示SAO-RVPNN在优化微电网能源管理方面表现出优越性能。