一种优化的神经网络-蜜獾控制技术，用于混合太阳能光伏和卡特蓄电池储能供电的统一电力质量调节器

该研究引入了一种由太阳能光伏（PV）和电池储能系统供电的统一电力质量调节器（UPQC ），旨在解决电力质量（PQ）问题。Honey Badger优化算法（HBOA）用于选择人工神经网络（ANN）的最优权重和偏置，ANN用于参考信号生成和直流电容电压调节。该控制策略被提出用于生成UPQC的五电平减换开关转换器的参考信号，消除了像瞬时功率（p-q）和同步参考帧（SRF）等传统变换方式的需求。此外，HBOA用于选择并联滤波器和串联滤波器的最佳参数。该优化UPQC方法的主要目标是最小化总谐波失真（THD）、提升功率因数（PF）、减轻闪烁、下陷、膨胀和不平衡等电压干扰，并在阳光照射和负载变化期间稳定直流母线电容电压。开发的方法是通过四个涉及不同载荷和辐照条件的测试案例验证。此外，与p-q、SRF理论等标准方法，以及遗传算法（GA）和粒子群优化（PSO）等优化方法的对比，展示了该方法的优越性。该方案有效减少电压失真和THD，同时提升功率因数，THD降低分别为1.73%、1.44%、1.68%和1.18%。

图形摘要

非线性负载的电力系统和电力电子设备的使用导致PQ较差。此外，近年来，绿色能源被引入配电网络，以减轻变流者的负担和额定额。因此，建议采用光伏（PV）供电的UPQC来解决PQ问题并高效维持直流链路电容电压（DLCV）。然而，电池储能系统也被鼓励支持系统，以满足在无可再生能源期间的负荷需求。

文献中用于生成清洁能源供电UPQC转换器参考信号的技术复杂，使用时间和频率框架，如p-q和SRF理论。此外，大部分工作仅集中于控制器的选择和调优，而选择滤波器参数的最优，这在最小化THD中起着关键作用。此外，他们主要专注于Levenberg-marquardt（LM）反向传播的人工神经网络训练方法，忽视了元启发式算法的训练。

基于人工智能（AI）的模糊混合方法被提出，作为最大功率点跟踪（MPPT）方法，以从光伏系统中提取最大功率，以增强直流母线稳定性和电压下落补偿[1]。另一方面，AI集成的传统控制器通过元启发式混合算法进行了优化选择，以最小化THD，有效提升PF和PQ [[2]， [3]， [4]]。同时，UPQC的并联滤波器选择了神经网络（NN）方法，以降低谐波为负载提供高质量的电力。该方法通过不同案例研究得到了验证[5]。
此外，建议采用运动风格的电源滤波算法，通过光伏系统增强电源质量，这些系统要么独立运行，要么连接到电网，在电动汽车充电站为电动汽车充电，同时满足当地负载的用电需求[6]。受蜜獾巧妙狩猎技术的启发，开发了一种新的元启发式HBOA，以解决优化难题[7]。此外，采用人为和自然启发的优化方法，选择了滤波器中比例积分控制器（PIC）、比例积分导数控制器（PIDC）和电阻（R）、电感（L）参数的最佳增益，以及采用减小开关转换器的人工智能方法以最小化THD[[8]， [9]， [10]]。
然而，选择了 NN 方案用于参考信号生成，并通过谐波最小化和电压补偿解决 UPQC 的 PQ 问题[11]。为了通过降低均方误差（MSE）来最小化THD，采用萤火虫优化构建了太阳能和储能系统集成的优化神经网络控制[12]。此外，利用花卉授粉算法开发了简化开关转换器，其滤波参数和增益参数的最优选择，以及比例积分导数PIDC以处理PQ问题[13,14]。此外，给出了基于最新自然启发的元启发式算法对AI控制UPQC的最优设计，以解决PQ问题[[15]， [16]， [17]， [18]]。为了有效解决PQ问题，UPQC被选用一个由元启发式算法决定增益值的PIC[19]。为应对PQ挑战，建议结合蝙蝠和蛾焰优化策略来选择PIC技术的增益变量[20]。为了最小化THD并提高功率因数，K的最优值_i以及K_p在SHAPF中，使用捕食者萤火虫法鉴定出PIC的对象[21]。

从表1文献调查的技术水平中可以清楚认识到，大多数研究论文仅聚焦于通过采用传统的SRF和p-q理论复变换来生成参考信号来设计控制器。然而，少数应用采用LM反向传播类型的训练方法实现了人工神经网络。然而，他们忽略了优化滤波器电阻和电感等其他参数，而这些在降低THD中至关重要。此外，他们仅将少数PQ问题作为非线性负载的目标。这项工作的创新之处在于，HBOA被建议在一个平台上训练神经网络，同时针对处理大部分PQ问题的各种负载进行滤波器参数选择。本研究的关键贡献如下：

• 1.
  为拟议中的HBOA训练神经网络（ANN-HBOA）方法开发Simulink模型，用于PV和电池供电UPQC（UPVBSS），以生成简化开关五级VSC的有效参考信号，以避免传统的p-q和SRF理论。
• 2.
  利用HBO优化串联和并联滤波器参数以降低当前的THD，有效处理电网侧电压问题，如下垂、闪烁、膨胀、扰动、中断和相位供电不平衡，同时在短时间内保持恒定的DLCV，同时实现高效的功率流管理。
• 3.
  在不同电源电压、太阳辐射变化和负载条件下，四项测试研究中ANN-HBOA的性能评估。