Применение адаптивного контроля в системах хранения возобновляемой энергии

Растущая проблема периодических возобновляемых источников энергии

Солнечная и ветровая энергия в настоящее время составляют значительную долю мировой выработки электроэнергии, обусловленной амбициозными целями декарбонизации и быстро падающими уравновешенными затратами. Тем не менее, присущая этим источникам изменчивость — облака, проходящие через солнечную батарею, внезапное затишье ветра — вносит глубокую нестабильность в энергосистему. Системы накопления энергии (ESS) являются незаменимым буфером, который может поглощать избыточную генерацию и разряжать ее во время дефицитов. Однако производительность этих систем хранения далеко не тривиальна для оптимизации. Обычные стратегии управления часто колеблются, когда сталкиваются с нелинейной, изменяющейся во времени динамикой возобновляемых источников, старением батареи и колебаниями нагрузки. Адаптивный контроль появился в качестве мощной парадигмы для решения этих сложностей, предлагая настройку параметров в реальном времени, которая поддерживает работу систем хранения вблизи их оптимальной точки независимо от изменяющихся условий.

Что такое адаптивный контроль?

Адаптивное управление относится к классу алгоритмов управления, которые автоматически корректируют свои параметры на основе наблюдаемого поведения системы. В отличие от контроллеров с фиксированным коэффициентом усиления (например, стандартный PID со статическими коэффициентами), адаптивные контроллеры непрерывно идентифицируют динамику растения - или возмущения, действующие на него - и соответствующим образом обновляют свои законы управления. Эта способность особенно ценна в хранении возобновляемой энергии, где «растение» (батарея, суперконденсатор, маховик и т. Д.) проявляет нелинейность, гистерезис и деградацию с течением времени, и где «нарушение» (солнечное излучение, скорость ветра) является стохастическим и нестационарным.

В этой области обычно применяются три основных семейства адаптивного контроля:

Эти методы значительно созрели за последнее десятилетие, и теперь их реализация переходит от академического моделирования к развернутым промышленным системам.

Почему адаптивный контроль энергосбережения?

Традиционные методы управления — фиксированный PID, логика на основе правил или нечеткая логика со статичными функциями членства — разработаны вокруг номинальной рабочей точки. Когда условия отклоняются далеко от этой точки (например, возраст батареи и ее внутреннее сопротивление удваиваются, или солнечная панель частично затенена), производительность ухудшается. Последствия могут быть серьезными: перезарядка ускоряет деградацию, глубокий разряд может вызвать отключение защиты, а плохое сглаживание мощности может вызвать отклонения частоты сетки. Адаптивное управление решает эти режимы отказа:

Сравнительное исследование, опубликованное в IEEE Transactions on Power Electronics, показало, что контроллер заряда батареи на основе MRAC уменьшил перерасход на 40% и время оседания на 60% по сравнению с хорошо настроенным PID при различных профилях солнечного излучения. Такие улучшения напрямую приводят к увеличению срока службы батареи и более высокой эффективности кругосветного движения.

Основные применения в системах возобновляемых складов

Зарядка аккумулятора и управление разрядом

Наиболее непосредственное применение адаптивного управления заключается в регулировании тока и напряжения, приложенных к аккумуляторному стеку при зарядке от прерывистых источников. Стандартный алгоритм постоянного тока/постоянного напряжения (CC/CV) предполагает фиксированную модель батареи, но реальные батареи проявляют нелинейное поведение из-за электрохимической динамики. Адаптивные контроллеры могут изменять скорость заряда в реальном времени на основе расчетного внутреннего сопротивления, напряжения с открытым замыканием и температуры, тем самым сохраняя напряжение ячейки в безопасных пределах при максимизации пропускной способности заряда. Для разряда адаптивное управление сбрасыванием используется в многобатаречных системах для балансировки распределения нагрузки без необходимости подключения каналов связи между блоками.

Состояние заряда (SoC) и состояние здоровья (SoH)

Точная оценка SoC является краеугольным камнем любой системы управления аккумулятором (BMS). Широко используются фильтры Kalman и расширенные фильтры Kalman (EKF), но они полагаются на известную модель батареи. Адаптивные варианты, такие как двойной расширенный фильтр Kalman (DEKF), одновременно оценивают параметры SoC и обновляют параметры модели (например, емкость, сопротивление) по мере старения батареи. Эта адаптация предотвращает «дрейфование» оценщика в течение тысяч циклов. В недавней работе также применялись адаптивные наблюдатели скольжения для достижения надежной оценки SoC даже при сильном шуме датчика.

Успокаивающая мощность и интеграция с сетью

Когда система хранения используется для сглаживания выходной мощности ветряной электростанции или солнечной электростанции, контроллер должен быстро поглощать или впрыскивать энергию для отмены колебаний. Простой фильтр с фиксированной постоянной времени будет либо перекорректировать (вызывая напряжение на цикле батареи), либо некорректировать (не удовлетворяя пределам скорости вращения рампы). Адаптивные контроллеры сглаживания мощности используют спектральный анализ в реальном времени возобновляемой генерации для изменения постоянной времени фильтрации. В периоды высокой волатильности контроллер становится более агрессивным; в спокойные периоды он расслабляется, чтобы уменьшить износ батареи. Этот адаптивный подход может достичь 30-50-процентного снижения пропускной способности батареи без ущерба для производительности сглаживания, как показано в полевых испытаниях в Национальной лаборатории возобновляемых источников энергии (NREL) испытательный стенд.

Смягчение деградации и продление жизни

Battery degradation is strongly correlated with peak C-rate, depth of discharge, and temperature. Adaptive controllers can embed a degradation cost function into their optimization. For example, model predictive control (MPC) with an adaptive battery aging model can trade off between immediate power delivery and long-term capacity fade. By reducing charge/discharge rates when the battery is already degraded or at temperature extremes, adaptive strategies have been shown to extend calendar life by 15–25% in lithium-ion systems deployed in island microgrids.

Алгоритмические реализации: от теории к практике

Модель эталонного адаптивного управления (MRAC) для зарядки аккумулятора

Типичная реализация MRAC для литий-ионного зарядного устройства батареи использует эталонную модель первого порядка, которая определяет желаемый профиль тока. Выход контроллера регулирует рабочий цикл преобразователя постоянного тока. Закон адаптации (часто основанный на критерии стабильности Ляпунова) обновляет прирост контроллера, используя ошибку между фактическим током батареи и выходом эталонной модели. Этот подход является вычислительно легким - он может работать на недорогом микроконтроллере - и все же обеспечивает надежную производительность даже тогда, когда параметры батареи изменяются на 50% в течение срока службы батареи. MRAC особенно хорошо подходит для небольших и средних жилых систем хранения, где доминируют ограничения затрат.

Регуляторы самонастройки для сетевых инверторов

Для более крупных систем коммунального масштаба самонастраивающиеся регуляторы (STR) предлагают большую гибкость. Завод - обычно трехфазный инвертор, подключенный к сетке - моделируется как дискретно-временная линейная система, параметры которой оцениваются рекурсивным алгоритмом наименьших квадратов. Затем выигрыши контроллера вычисляются на каждом интервале выборки с использованием конструкции с размещением полюсов или линейным квадратичным регулятором (LQR). Одна из проблем заключается в том, чтобы оценщик оставался конвергентным в периоды устойчиво низкого возбуждения (например, ветропарк в состоянии мертвого спокойствия). Постоянство возбуждения может быть гарантировано путем введения низкоуровневого широкополосного тестового сигнала, который не влияет на качество питания. STR являются основой нескольких коммерческих платформ управления хранением энергии, включая продукты от таких компаний, как Fluence и Tesla (основная прошивка Megapack).

Обучение с подкреплением как адаптивный контроль

Обучение без модели подкрепления (RL) представляет собой более новую границу. Вместо того, чтобы полагаться на явную модель установки, агенты RL изучают оптимальную политику управления посредством взаимодействия проб и ошибок. Глубокие Q-сети (DQN) и проксимальная оптимизация политики (PPO) были применены к оптимизации отправки энергии, с агентом, наблюдающим SoC, ценообразование в течение дня, прогнозы возобновляемой генерации и частоту сетки, а затем выводящим заданную точку заряда или разряда. Исследование 2023 года в Nature Energy продемонстрировало, что адаптивный контроллер на основе RL для системы хранения на солнечной энергии достиг на 12% более высокого дохода, чем базовый уровень на основе правил на оптовом энергетическом рынке. Недостатком является более высокая вычислительная стоимость и необходимость тщательного формирования вознаграждения, чтобы избежать небезопасных состояний батареи. Однако с ростом краевых процессоров ИИ, RL в реальном времени для управления хранением становится осуществимым.

Реальные мировые тематические исследования

Солнечная батарея Microgrid на Гавайях

Кооператив Kauai Island Utility Cooperative (KIUC) управляет солнечной фермой мощностью 28 МВт в паре с аккумуляторной системой на 100 МВтч. Оригинальный контроллер батареи использовал алгоритм сглаживания фиксированной мощности, который вызывал частое смещение инвертора при быстро движущихся облаках, создающих скорость рампы, превышающую 10 МВт/мин. После модернизации системы с адаптивным MRAC-приростом плановый гибрид, соответствие скорости рампы улучшилось с 82% до 99,7%, а отказы инвертора снизились на 90%. Параметр адаптации был настроен каждые 200 мс, что позволило системе различать подлинное событие сетки и проходящий облачный фронт.

Морской ветер с хранилищем на колесах - Оркни, Шотландия

Европейский морской энергетический центр (EMEC) развернул систему хранения на маховиках для плавной мощности от приливной турбины мощностью 2 МВт. Поскольку выход турбины является высокодетерминированным (приливы предсказуемы на месяцы вперед), но при этом подвержен кратковременной волновой турбулентности, был выбран регулятор самонастройки. Онлайн-оценщик STR отслеживал резонансные режимы приводного поезда и регулировал команду крутящего момента маховика для ослабления кручительных колебаний. После года работы механическое напряжение на коробке передач турбины было уменьшено на 30%, а пропускная способность энергии маховика была на 15% ниже, чем с неадаптивным контроллером PI - потому что адаптивная система активировала демпфирование только тогда, когда это действительно необходимо.

Ключевые преимущества Recap

  • Постоянная эффективность:] Адаптивное управление MPPT плюс аккумулятор может поддерживать извлечение энергии на уровне 96-98% от теоретического максимума при быстро меняющемся излучении.
  • Быстрое реагирование: петли адаптации работают на частоте 100 Гц или быстрее, что позволяет накопителю участвовать в первичных рынках регулирования частоты.
  • Расширенный срок службы активов: Благодаря минимизации циклов напряжения и работе в безопасных тепловых пределах адаптивный контроль может удвоить количество эквивалентных полных циклов до того, как емкость упадет ниже 80%.
  • Сокращение затрат на ввод в эксплуатацию: Системы с адаптивным управлением часто не требуют ручной настройки PID на месте, ускоряя развертывание.
  • Будущая защита: По мере того, как батареи разлагаются или заменяются различными химическими веществами, система управления автоматически перенастраивается — перезаписи прошивки не требуется.

Проблемы и ограничения

Несмотря на эти преимущества, практикующие специалисты должны преодолевать несколько препятствий. Вычислительная сложность остается проблемой для недорогих микроконтроллеров: алгоритмы STR и RL могут превышать бюджет памяти или цикла типичной BMS. Точность модели является еще одной критической проблемой — MRAC, который полагается на плохую эталонную модель, может сближаться с неправильными усилениями, дестабилизируя систему. Надежная адаптация, используя сигма-модификацию или адаптацию мертвой зоны, также важна для предотвращения дрейфа параметров под шумом. Надежность датчика сигма-модификации или адаптация мертвой зоны. Надежность датчика сигма-сенсора также имеет значение: датчики тока и температурные зонды могут потерпеть неудачу, в результате чего адаптационная петля может преследовать «фантомную» динамику. Избыто

Будущие направления

Следующее поколение адаптивного управления хранением энергии будет сформировано более глубокой интеграцией с искусственным интеллектом. Цифровые двойники , которые отражают электротермическое состояние физической системы хранения в реальном времени, обеспечат высокоточную тестовую среду, где адаптивные алгоритмы могут быть обучены и проверены без риска. Федерированное обучение может позволить тысячам жилых единиц хранения обмениваться данными о деградации и коллективно улучшать свои законы адаптации — все это при сохранении запатентованных данных на местном уровне. Совместная симуляция уже позволяет развертывать адаптивные контроллеры на основе нейронной сети, которые ранее считались слишком сложными для выполнения в режиме реального времени. С экономической стороны адаптивные контроллеры, которые включают динамические цены и прогнозы интенсивности углерода, станут стандартом в оптимизации активов, позволяя хранилищам переходить от чисто технического сглаживания к накоплению стоимости на рынках энергии, мощности и вспомогательных услуг.

По мере того, как проникновение возобновляемых источников энергии пересекает 50%-й порог во многих сетях, потребность в системах хранения, которые могут справиться с неопределенностью без ручного вмешательства, будет расти. Адаптивное управление, особенно в сочетании с машинным обучением, предлагает путь к самонастройке, отказоустойчивому и долговечному хранению энергии. Организации, планирующие крупномасштабные установки батарей сегодня, должны оценивать адаптивные архитектуры управления как ключевой дифференциатор как для операционной производительности, так и для общей стоимости владения.

Для дальнейшего чтения см. всесторонний обзор Zhang et al. в IEEE Access, технический отчет NREL по адаптивному сглаживанию [[NREL/TP-5D00-78243) и Nature Energy, изучающий процесс обучения усилению [2023].