“新能源控制与工业智能”专栏由Energies、JMSE、Technologies 编委宋冬然副教授主持，专注于人工智能在新能源系统、工业控制方向的应用研究。

宋冬然 副教授

中南大学

中南大学自动化学院副教授、博士生导师，教育部学位中心论文评审专家、国家/广东/浙江自然科学基金项目评审专家，Energies、JMSE、Technologies、MPCE、PCMP、Energy Engineering 等 SCI/EI 期刊编委。主持国自2项，横向课题10余项，获授权国家发明专利18项、国际发明专利1项、软著1项。长期从事风电控制与优化、人工智能在新能源系统应用等方向研究，曾在明阳智能从事风能技术研发工作多年。参与编写外文专著1本，参与国家标准制定2项，以第一或通信作者在能源和电气领域国际权威 SCI 期刊发表论文50余篇，全球工程类学科前1% ESI 论文6篇。

引言

近年来，随着电力需求的不断增长、可再生能源并网以及电动汽车和分布式发电系统的引入，电力网络在动态和多样化的环境中运行。这些情况会造成配电系统的不平衡，导致电能质量的恶化，严重影响系统的性能。为了确保配电系统的稳定运行，有必要深入研究减少电力不平衡风险的方案。

此前，Energies期刊上发表了一篇题为“Current Compensation Method in a Distribution System Based on a Four-Leg Inverter under Unbalanced Load Conditions Using an Artificial Neural Network”的研究论文，提出了一种不平衡电流补偿方法，将人工神经网络 (ANN) 应用于计算不平衡电流参考以及电流控制器，并通过PSIM仿真和实验验证了所提出的基于ANN的不平衡电流补偿方法。

研究内容

该研究提出了一种基于ANN的配电系统电流不平衡补偿方法，并通过PSIM仿真和实验对该方法进行了验证。首先，对所提出方法进行了详细说明，包括相应ANN的结构及训练步骤；其次，在PSIM上对所提出的方法进行仿真模拟，对结果进行初步分析；最后，搭建实物平台，进一步验证所提方法的性能。基于ANN的电流补偿方法构建可以分为3个步骤。

(1) 对不平衡负载条件下的常规电网电流补偿方法进行说明，该方法包括两部分：计算电流参考以补偿不平衡电流，以及电流控制器；

(2) 传统的基于滤波器 (LPF) 的控制方法存在需要延长时间才能达到稳定状态的缺点，因此应用ANN计算电流不平衡补偿分量，以减少达到稳定状态的时间；

(3) 由于人工神经网络固有的周期性错误输出，将其应用于比例积分控制器将导致误差直接反映在电流参考中，因此进一步将ANN应用于dq0坐标系电流控制器中，以补偿电流参考计算中的周期性错误输出。

实验结果

该研究使用PSIM仿真和实物实验依次对所提出的基于ANN的电流不平衡补偿方法进行了验证。结果表明，与传统基于LPF的电流参考计算方法相比，仅使用ANN代替基于LPF的电流参考计算可显着缩短系统达到稳定状态的时间。从空载条件过渡到负载条件时，速度快了73.5倍；而从负载条件过渡到空载条件时，速度快了56.82倍。但由于ANN输出的周期性，会导致电网和逆变器中的相电流纹波总体增加，从而导致总谐波失真 (THD) 水平恶化。而同时应用基于ANN的参考电流计算和电流控制器的方法能够进一步缓解该问题。与仅使用ANN计算参考电流的方法相比，系统达到稳定状态的时间相同，但相同点处电网最大纹波分别降低了3.05倍和2.57倍，逆变器电流最大纹波分别减少了3.06倍和2.23倍，电网和逆变器电流的THD分别减少了1.71倍和2.05倍，在缩短稳定时间的同时保证了较低的THD水平。

在未来的工作中，可以进一步考虑使用该研究的方法解决配电网络中的电压补偿、无功补偿等等，特别是在电网受限的条件下，以保持更高水平的平衡。

原文出自 Energies期刊

Kim,T.-G.; An, C.-G.; Yi, J.; Won, C.-Y. Current Compensation Method in a Distribution System Based on a Four-Leg Inverter under Unbalanced Load Conditions Using an Artificial Neural Network. Energies 2024, 17, 1325. 

Energies 期刊介绍

主编：Enrico Sciubba, University of Roma Sapienza, Italy

期刊发表涵盖能源动力工程、技术开发以及能源政策经济管理等相关领域的最新研究成果。