人工智能在微电网控制环境中的应用及未来展望

能源与人工智能8（2022）100147审查人工智能技术在微电网控制环境中的应用：当前进展和未来范围Rohit Trivedi*，Shafi Khadem国际能源研究中心，廷德尔国家研究所，UCC，爱尔兰A R T I C L EI N FO保留字：人工智能微电网控制体系结构分层控制网络化微电网机器学习分布式能源A B标准微电网通过促进分布式能源（DER）和形成基本的以消费者/产消者为中心的综合能源系统而越来越受欢迎。多个DER的集成、协调和控制以及在这种环境下管理能源转换是一项艰巨的任务。传统的控制技术不足以支持动态微电网环境。人工智能（AI）技术的实施似乎是一个有前途的解决方案，以加强控制和运行的微电网在未来的智能电网网络。因此，本文简要地回顾了控制体系结构，现有的传统控制技术，其缺点，智能控制器的需要，然后广泛地回顾了人工智能实现的可能性，在不同的控制结构，特别是侧重于分层控制层。本文还研究了网络化/互联/多微电网环境中基于人工智能的控制策略。它的结论是在分层控制层和结构，包括单一和网络化的微电网环境的AI实现的总结和未来的范围。1. 介绍微电网可以通过两个不同的特征与任何包含DER的配电网络区分开。首先，它们在孤岛模式下运行的能力证实了网络的弹性和可靠性。第二，从上游网络的角度看，它是受控和协调的单元[1]。微电网为消费者和公用事业提供了值得注意的好处，其中大部分包括：通过在社区层配电网络中引入灵活性来提高可靠性，通过管理灵活负载来改善电力质量，通过各种DER减少碳排放，降低传输分配损耗，利用更多可再生资源的廉价能源供应，以及积极参与能源市场的可能性[2]，并且必须完全满足孤岛模式下的网络和负载要求[3]。&考虑到随机性DER的大部分伴随着大量的不确定性和一系列的情况下，有效控制微电网网络变得非常关键。将多个微电网互连为微电网的网络可以是适应和改善大量DER的运行质量的有效解决方案。人们还认识到，当多个微电网在地理上彼此接近时，通过配电线路形成网络化的微电网，可以显著提高互连微电网的可靠性和弹性[4，5]。人工智能（AI）是近年来流行的计算机科学的一个分支。在微电网的背景下，人工智能具有重要的应用，可以有效利用可用数据，并有助于在复杂的实际情况下做出决策，以实现更安全，更可靠的微电网控制和运行。基于人工智能的算法和计算能力的进步以及大量的数据处理能力足以开发单到多微电网网络控制环境。机器学习（ML）和深度学习（DL）是AI的重要子集。一般来说，ML和DL模型可以根据输入的训练数据进行监督或无监督。在微电网的背景下，系统控制和分析需要一种先进的方法，不仅依赖于物理模型，而且还集成了数据驱动的建模，以更好地解决可观测性和可控性问题[6]。考虑到控制水平、通信要求和能量资源，微电网分级控制方案具有多个控制层，这取决于要解决的功能[7]。将AI技术与这些现有方案相结合，可以为微电网环境中的控制和操作带来更高的准确性、速度和更好的有效性[8]。传统的控制方法是* 通讯作者。电子邮件地址：rohit. ierc.ie，rohit. tyndall.ie（R。Trivedi），shafi. ierc.ie，shafi. tyndall.ie（S.Khadem）。https://doi.org/10.1016/j.egyai.2022.1001472022年3月2日在线发布2666-5468/© 2022作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可从ScienceDirect获取目录列表能源与AI期刊主页：www.sciencedirect.com/journal/energy-and-aiR. Trivedi和S. Khadem能源与人工智能8（2022）1001472缩写控制器类型比例积分控制器PI模型预测控制人工智能技术神经网络NN支持向量机SVM人工神经网络ANN深度强化学习DRL多层感知器MLPBP神经网络长短期记忆LSTM前馈神经网络自适应神经模糊推理系统ANFIS单隐层前馈神经网络SLFN全连接网络FCN支持向量回归SVR Elman神经网络ELN表1关于微电网不同领域的EXRef Review area发布年份[10，2] 2010年的挑战和研究需求，2015年[11，12] AC VS DC：Resources and Technology 2013，2014[22，6，13-40]，AC：2014 - 2018年控制战略2021[16[23-28，17，AC，DC，Hybrid：Control techniques 2011，2013-18]，[19，20] DC：分级控制2015年，2017年2015年，2020年[21]构建微电网：分级控制2019[45，24] 2014 - 2016年保护计划2018年，2020年[31]DC：架构、应用和20202016标准化[32，33] 2016年、2017年的权力分享[34]孤岛：EMS和规划2019[35]操作、应用、建模和控制2021[36]2018年发电、需求深度神经网络[37、38][39]第三十九届实验微电网和示例案例DC：规划、运营和控制2010年、2011年2021[40，41]DC：控制、功率共享和稳定2016年，2019年也是基于模型的，这需要足够的信息和对系统动态的理解。ML算法，特别是深度Rein-Learning（DRL），被认为是一种很有前途的方法，技术[42]2017年稳定性[43]无功补偿2018[44]价值流2016[89，6]人工智能和人工神经网络在控制中的应用2017，2020[45无模型设计，其中DRL专注于物理模型学习[48]技术、关键驱动因素和杰出的2018从环境和映射输入到动作[9]。快速 进步 在 微电网 研究， 示范和[49个][50个]问题2020年能源交易过去和近年来的RDD部署反映了微电网在未来脱碳智能电网网络发展中的价值。在过去的十年中，大量的文献综述已经在微电网的不同领域完成，以了解RDD的现状，挑战，本文实际实施和操作指南人工智能技术在控制中的应用（单个和联网微电网）20202021进展和未来的范围。表1总结了一些发表在高影响因子同行评审期刊和期刊上的最重要的综述论文。 研究表明，微网控制是研究最多的领域，其次是保护、结构与拓扑、能量管理和储能集成。如今，在微电网控制中实施人工智能技术也越来越重要。关于人工智能实施进展的综述出现在[89]中，其中更多地关注微电网稳定性问题。[30]中的作者也审查了ANN实施的进展，但仅限于单个微电网。到目前为止，已经对不同的人工智能技术进行了大量的研究，以证明其在电力系统，微电网控制，运行和管理领域的适用性。这包括单个到联网的微电网环境。因此，我们已经审查了目前的进展，实现人工智能技术，特别关注的控制和功能，在不同的结构控制层。审查还扩展到联网的微电网环境。本文件的重点是：传统的微网控制架构不适合动态微网环境人工智能技术的实施可以适应和增强微电网在各种控制环境中的平稳控制和运行。人工智能技术赋予分层控制层权力。概述了可以进一步实施特定AI技术的关键功能。多/联网/互联微电网结构具有广泛的控制目标，人工智能可以有效地促进复杂的控制目标。本文的其余部分组织如下：第2节总结了审查研究控制架构及其控制和操作功能。在第3节中，介绍了人工智能技术的概述，然后在第4节中介绍了人工智能在分级控制中的实施，并进行了详细的审查和可能的改进。第5节包括网络化微电网架构，第6节回顾了AI在该环境中的实施。第7节讨论了基于人工智能的微电网控制的研究结果和未来范围，然后在第8节中得出结论。2. 微电网控制2.1. 常规控制常规控制结构的关键控制和操作特征概括在表2中。通过比较可以总结出，随着DER在配电网中的渗透率越来越高，分布式控制方法将在未来配电网或孤岛电网的脱碳中发挥重要作用。从控制特性来看，它是高效的，但实现的复杂度也很高。2.2. 递阶控制初级层通常负责下垂控制，以通过仿真系统的物理行为来使系统稳定和阻尼，这可以通过添加虚拟阻抗控制回路来实现。复杂的控制是通过本地控制器实现的，因此这一层具有非常快速或实时的响应。在[51]中还提出了主从控制，其中一个转换器充当主转换器，···[25日]基于通信的2021[26、27]DC：保护2018年，2019年[28]第二十八届模型不确定性2017·R. Trivedi和S. Khadem能源与人工智能8（2022）1001473表2关于控制操作特性&控制特点集中式分散式分布式微电网和主电网之间的功率流和能量管理。对分级控制的研究已经进行了深入的综述。本文作者绘制了，如图所示。1、总结电压稳定性在多个环境中效率较低有效且可实现高效但复杂，分层结构这些都是研究人员在参考文献中研究和审查频率DER单位实现如表1和3所示。审查非盟的贡献-不太有效多DER装置调节有效且可实现高效但实现复杂表3中也列出了本文的结论。当涉及到人工智能实现时，[52]中的作者主要回顾了基于NN的控制负载频率控制和误差最小化有效且可实现效率较低，没有全局可控性，高效但实现复杂在微电网中，这似乎是一个肤浅的研究。[6]中的研究人员仅将MPPT视为主要的主要控制目标而我们的工作考虑实时功率共享和惯性估计，权力分享在多个领域效率较低有效和可实现高效但复杂，信息作为关键的主要控制目标，在大多数研究工作中缺失。而且，联网的微电网并不彻底最优潮流DER单位有效但复杂的实现效率较低，不可能实现全局可控性实现高效但实现复杂在以前的任何一篇综述论文中都有探讨。我们已经考虑了现有研究工作中几乎所有缺失的空白，以及网络化微电网中有效控制所需的未来方向。 因此，本文提出了一个全面的人工智能技术的审查，能源管理有效，实现复杂其他操作特征效率较低，不可能实现全局可控性高效但实现复杂分层和网络化的微电网控制。3. 微电网控制控制层单一控制多个多个实现简单适度复杂机器学习是人工智能的子集之一，具有改善微电网运行和控制的潜力。ML可以广泛目标明确多个任务变量和根据学习方法分为四种类型，即：灵活性单任务低中度不确定性高有监督、无监督、半监督和强化学习。通信高低中这些类别的概述，包括一些研究可靠性单点多点多点在智能电网领域的实施工作进行了简要总结-可扩展性即插即用失败低中高下面的Marised作者还回顾说，这些可以很容易地纳入微电网控制研究，难实现可拆卸的在下面的章节中详细解释。其他人当奴隶。必须建立一个通信通道，用于主控制器和从控制器本身的协调控制，这可能是本地控制器的一个可能的障碍。因此，辅助控制层 主要负责管理和补偿在初级层引起的电压和频率偏差。此外，它还有助于同步控制回路，实现与主电网的高效和完美连接和断开。三级控制是分级方案中的最高控制层它确保了最佳的3.1. 监督学习监督学习被定义为一个过程，其中标记的数据集用于训练算法来分类或预测连续值目标特征[60][61]。分类与回归是这门学科的两大范畴对于微电网中的控制，分类问题可以应用于检测由于负载变化[62]、瞬态条件[63]引起的干扰，并且可以进一步Fig. 1. 分级控制功能和控制方法R. Trivedi和S. Khadem能源与人工智能8（2022）1001474表3拟议工作与现有方法参考常规控制递阶控制基于人工智能的分级控制基于人工智能的网络化微电网控制[35]第35话[53]第53话[54]第54话[55]第55话[56]第56话[57]第57话[58][21]*，[59]*，[59]*，[59]* ， [59]* ， [59]* ，[59]*，[59]*，[59]*未全面审查扩展到电能质量[64]、电压稳定性评估[65]和故障检测和分类[66]。预测问题可以包括预测光伏发电[67]，电力需求[68]，电力市场定价[69]等。3.2. 无监督学习（UL）这种类型的算法适用于分析和聚类未标记的数据集。它被定义为一种算法，可以学习未标记数据集中可用的模式和趋势，而无需人工监督，并预测所有看不见的值[60]。它使学习更快，更容易。聚类是自动发现数据中的实体分割和各种模式的一类。从微电网的角度来看，负载曲线聚类[70，71]，消费者/生产者细分[72]，网络拓扑识别[73]属于无监督学习。3.3. 半监督学习（SSL）近年来，标记和未标记的数据都被用来训练机器学习模型。使模型从标记和未标记的数据集中学习并预测所有未来点的技术被定义为半监督学习[60]。这种方法最流行的算法之一称为生成对抗网络（GAN）[74，75]。在微电网背景下，SSL（如GAN架构）有可能从噪声中生成训练数据，并最小化训练数据和真实数据之间的差距，以生成DER的时间序列发电曲线[76]，调度太阳能光伏微电网的能量存储[77]。GAN还可以与RL和DNN集成，以提供微电网的实时控制[78]。3.4. 强化学习强化学习（RL）是一种由环境、主体、奖励和动作组成的独特算法。RL被定义为学习过程，在这个过程中，Agent在环境中积极地交互，收集信息，有时也会影响环境，并为每个行动获得奖励[60]。总的来说，它旨在通过对不同行为的奖励和惩罚的连续过程后，最大限度地提高总奖励。RL具有增强微电网的决策驱动控制和运行的潜力。最佳能源管理[79]，自主电力市场参与[80]，多微电网互动和管理[81]是RL已被开发的关键领域。可以在微电网控制中实现的AI技术的示意图如图所示。 二、微电网研究各个部分的基于人工智能的技术概述如图所示。3.第三章。从核心元素和控制的角度来看，已经定义了五个类别，即DER，负荷，天气预报，能源市场和主电网，每个类别都有一组特定的目标，并显示了与每个目标相关的AI技术它包括注入了分层控制功能的经典控制。主、次级控制主要包括MPPT控制、电压和频率控制、功率分配、保护、故障恢复和高速通信。高级三级控制包括能量管理、微电网内和与外部电网的潮流管理、亲消费者自主市场参与、客户细分和预测（负荷、发电和市场价格）。基于神经网络的算法主要在所有三个分层控制层中实现。除此之外，为了分类和聚类的目的，CNN和K-NN技术也在一些作品中进行了研究。RL的使用已经成为微电网控制应用中的功率共享和能源市场一些审查进展有已经对负荷需求预测[82发电[844. 人工智能在分级控制中的应用这一部分主要回顾了人工智能技术在分层控制层中的应用研究工作。图二、 可以在微电网控制中实现的AI技术R. Trivedi和S. Khadem能源与人工智能8（2022）1001475图3.第三章。 各种微电网控制和功能中的AI技术概述作者还利用这些机会提出了可被视为未来范围的可能改进建议。结果也在第7节中总结。4.1. 主控制传统的下垂控制方法缺乏准确性、速度和鲁棒性[88]。将AI嵌入到现有的控制技术中可以增强微电网环境中的控制功能[7]。在分层控制结构下，主控制层主要集中在（i）实时功率共享，（ii）MPPT控制和（iii）惯性控制。能量存储（ES）带来了处理与随机性质的DER相关联的不确定性的益处，但是功率共享机制可以是复杂的任务。具有功率共享的下垂控制应该处理这个问题，并且AI再次有很多机会来增强本文所讨论的微电网中的控制。研究结果表明，采用传统控制方法的MPPT系统跟踪速度慢，基于系统的设计复杂[89]。基于NN的AI技术可以更准确地跟踪MPP，误差小于0.1%[89]。初级控制中的AI正在改善微电网中无旋转DER的惯性水平。在这一领域中的电子控制方法是基于复杂的基于模型的设计，不能提供最优控制，因此影响主控制操作。将人工智能技术用于实时估计和预测惯性可能是未来研究的一个有趣领域，并已在相应章节中进行了讨论4.1.1. 实时功率共享和ES：协调和控制它已经确定，基于神经网络的解决方案已被广泛实施的所有控制层。在[90]中提出了基于人工神经网络的下垂控制，以提高有功/无功功率共享的准确性，并同时控制微电网中的电压和频率。建议的人工神经网络技术遵循前馈神经网络（FFNN），它是由Levenberg-Marquardt（LM）算法训练。结果表明，均流误差由传统控制器的1.5A减小到0.3A。具有下垂控制的基于ANN的框架，用于控制独立DC微电网中的并联连接单元[91]。 这种策略很好地维持了电压以及在突发负载扰动事件中的协调功率共享。然而，它没有考虑多个存储单元的SoC平衡。作者在[92]中提出了一种基于虚拟能量的下垂控制考虑SoC和由智能自适应控制策略供电的功率共享的机制，其中虚拟电阻和参考电压由存储系统本身的时间相关参数生成。在[93]中，通过总线信号主要控制为电网-PV-ESS集成系统提供了协调控制，其中根据ESS的虚拟参考参数设计各个单元的控制模式。它比传统下垂控制具有显著优势，如最大化PV利用率、有效功率共享和电压稳定性。在多个情况下，包括控制动作的瞬态由于负载切换，直流故障性能的系统进行了分析，其中它示出的控制系统是有足够的能力，以保持在0.975 pu到1.025pu的范围内的总线电压在所有情况下。在[94]中提出了另一种基于ANN的动态功率管理策略，其中NN算法考虑参考电流和SoC值，以在负载和发电波动的情况下控制DC总线处的电压。在[95]中提出了一种集成模糊逻辑和神经网络的自适应控制方案，以在线路阻抗不匹配的情况下改善无功功率分配。准确的响应时间可在0.01秒内实现。在[96]中还提出了一种基于DRL的控制方法，以协调孤岛微电网的电流共享和有效电压恢复。在多个案例研究中，考虑到-运行过载、通信线路切换、DER拔出，所提出的系统在10ms内收敛到所有DER的相等电流共享，并且电压快速恢复由于集中式主控制需要高带宽控制回路，因此对于远程源不可行[15]。考虑到所有ES的明确SoC层，具有多个ES的微电网也可以在初级层进行控制。对于与HEV集成的微电网，控制系统需要获得接近100%的充电效率/充电接受度，尽管其相对于SoC而变化[97]。在低SoC下，充电接受率接近100%，但当SoC高于80%时，它会逐渐变差[98]。为了协调和管理多个单元，将需要通过使用适当的传感器和通信基础设施来监测SoC层，使得可以调节电池的输出功率。特别关注微电网的DC侧，通过将所有能量单元连接到具有基于电力电子的接口转换器的公共总线，开发了基于SoC的功率共享策略，并且虚拟阻抗值取决于SoC的值以指数上升[99]。然而，在这两者之间有一个权衡。R. Trivedi和S. Khadem能源与人工智能8（2022）1001476精度和电压偏差，在[100]中试图通过引入模糊逻辑控制来减轻这种方法，但仅在单个系统上进行分析。基于模糊逻辑的机制微调主层中的局部控制器的下垂系数，以维持所有存储设备之间的SoC水平。该方法改进了一次控制，但不能消除稳态误差。在延续中，作者在[101，102]中提出了一种类似的基于模糊逻辑的分散控制，用于平衡多个储能单元的SoC，并且由于所有单元都是自我控制和自我管理的，而不需要任何通信系统，因此该方法保证了微电网环境中的高可扩展性。模糊逻辑似乎是下垂控制的一个很好的替代方案，但用于功率共享的突然充电和放电可能会影响能量寿命及其整体性能[20]。此外，它还可能导致整个系统的功率处理能力降低。考虑到这一点，在[103]中提出了一种基于能量-超级电容器混合存储系统的恒定总线电压方案，其中模糊逻辑控制器的设计方式使得它将在超级电容器的帮助下保持总线电压稳定，并控制从混合系统到微电网其余部分的功率流。在下冲的情况下，峰-峰DC电压偏差从45.7 V改善到47.2 V，过冲时，从51.3 V提高到49.2 V通过AI启发的技术在线估计和预测SoC可以提高准确性。例如，基于NN的估计模型可以提高SoC估计的平均精度为3.8%[104]，并且它们与单个本地控制器的集成可以改善微电网的整体控制结构。从历史数据和高精度预测的有效学习能力导致更好的可控性[105]。在[106在[108]中，作者使用基于数据驱动FFNN的方法，通过建立能量特性与系统性能之间的关系，例如电流、电压、SoC、温度和极化状态。基于模糊神经网络的SoC估计方法综合考虑了上述特性，使误差保持在2%以内4.1.2. MPPT控制使用基于NN的框架启用的MPPT控制器可以提供改进和可靠的结果[109]。最近的研究[110，111]采用了由单个神经元（SN-RBFN）组成的径向基函数网络，并集成了PI控制器。考虑到反向传播算法的权重初始化，单神经元方法也在[112]中实现。RBFNN控制器提供0.0004的估计跟踪误差MSE（均方误差），仅需4 ms即可达到稳态，波动可忽略不计[110]。在可变辐照度和风速的情况下，SN-RBFN算法在38 ms内实现MPP，而标准增量电导算法需要92 ms[111]。直接神经控制方法的积分绝对误差（IAE）和积分时间绝对误差（ITAE）分别为0.216和0.0157，而P O算法[112]的积分绝对误差和积分时间绝对误差分别为2.593和0.3321。作者在[113]中提出了一种类似的方法，增加了层数和输入，如面板温度、输出电压和PV电流。此外，在辐照度，温度和负载的阶跃变化已被施加到模型中，采用RBFN比传统的模糊逻辑控制器的优点。例如，平均输出功率提高了14.89%，与扰动和观察（P O）的方法相比，已经实现了与RBFN。 一般回归神经网络网络（GRNN）模型在[114]中设计，使用改进的P-O算法和粒子群优化算法。它带来的优点，如执行时间减少到10.68秒相比，38.28秒的P O方法和平均功率输出增加了15%相比，P O方法。上面讨论的技术仍然部分地由基于模型的设计方法驱动。研究人员仍然有足够的空间来探索和开发数据驱动的模型，这将减少对精确系统的需求。信息和帮助实现更好的性能。4.1.3. 惯性估计与控制降低微电网的惯性是维持系统稳定性的主要关注点之一[115]。已经进行了各种研究[116-近年来，强化学习（RL）技术已经出现，以解决上述问题。在[118]中提出了用于并网逆变器的虚拟惯性控制的基于NN的启发式动态规划。对于无感电网，神经网络采用可变阻抗角，动态规划采用行动者-批评者框架，便于系统对不同变化条件进行自我控制。比较研究表明，传统的PI控制器不正常工作，因为它需要无功功率来调节逆变器输出的大小，而基于NN的控制器在在线训练过程中更新网络的权重，并调节逆变器输出的波动最小。作者[119]提出了一种包含神经网络、演员和评论家网络的对偶启发式动态规划。前一个网络提高了对不确定性（如改变转子角度等）的性能，后一个网络优化了与之相关的成本函数。仿真结果表明，该方法提高了逆变器输出的跟踪能力，控制有功，无功功率和频率稳定相比，传统的PI为基础的控制器。[120]中的研究人员提出了基于神经网络的自适应控制器，该控制器有助于在线训练，以根据瞬时系统的参数值自动调整控制器的设置。基于RL的启发式动态规划，然后提供了最佳的控制并网微电网系统的功率和频率调节。与DHP方法相比，作者在[121]中提出了一种基于RL的深度确定性策略梯度（DPG）优化算法，以提供系统中的频率稳定性。与H∞控制器和PI控制器相比，所提出的虚拟惯性控制器具有更好的控制效果。在有惯性和无惯性控制的情况下，基于神经网络的控制器的积分绝对误差为28.4136（最低），而H和PI控制器的积分绝对误差分别为28.4461和28.7557。最近在类似领域的工作[124]遵循无模型更快收敛的分散DPG算法，该算法找到控制系统所需的最优控制策略。暂态过程中的有功功率、频率稳定。与电网跟随和下垂转换器控制相比，在故障瞬变和负载扰动之后，观察到的频率扰动较小4.2. 次级控制次级控制层主要控制初级控制引起的电压和频率的偏差。一般来说，传统方法的二次控制具有滞后响应、不准确控制问题，并且需要广泛的通信基础设施[123]。不正确的通信会影响微电网中所有单元的同步，系统可靠性将面临风险，必须加以缓解。故障期间的网络级保护和微电网稳定性也是这一控制层的一项具有挑战性的任务[124]因此必须采用智能控制技术来处理这些问题。以下小节提供了对经典和AI实现技术的回顾和未来展望。4.2.1. 电压和频率偏差控制在这一层，控制器必须将初级层不受控制的波动保持在负荷或发电量变化的可接受限度内[125]。作者在[126]中提出了一种解决方案，以减轻孤岛微电网的电压不平衡，通过将控制信号发送到连接在初级层的本地控制器来实现。在[127]中还介绍了孤岛微电网的集中二次控制，其中电压和频率偏差被恢复，同时保持无功功率的适当共享。然而，这些控制措施是有效的，但增加了ESR. Trivedi和S. Khadem能源与人工智能8（2022）1001477微电网中的资产带来控制的复杂性，因此引起关注。考虑到专家系统的贡献，新的工作已经提出了次级控制检查SoC和最小化在这个控制层下的偏差。在这种趋势下，基于SoC的下垂控制已在[128-随着最新技术的发展，ML启发的模型可以有效地解决系统动力学复杂性，即使事先没有或只有部分动力学信息[131]。为了克服电压和频率干扰的问题，在[131]中部署了基于NN的模型。所开发的多层感知器（MLP）模型考虑了基于系统动力学的参数，包括控制器的线性和非线性方面。结果表明，良好的整体系统的稳定性，但是，系统考虑同步发电机与多个DER和负载，还有待研究。与基于PID的控制器相比，电压和频率偏差的MSE分别小约50%和40%。作者在[132]中使用人工神经网络和遗传算法（GA）来控制次级层的电压和频率偏差。在这个阶段包括GA优化允许参数初始化和ANN有利于在线调整参数和更快地预测不断变化的系统动态。这里的工作考虑了具有有限DER和负载的孤岛微电网，因此在并网连接模式下的可扩展性和操作将仍然是探索的领域。作者在[133]中提出了一种新的强化学习（RL）算法，用于补偿无功功率、不平衡负载电流和谐波。RL提供了一个在线学习环境，其中次级控制器可以基于跨越安全操作限制的参数采取瞬时可能的动作。此外，所开发的系统已在不同的负载变化、不平衡负载条件、非线性负载切换和三相故障条件。然而，基于RL的方法的有效性，同时包括ES的影响没有探索。[134]中的研究人员提出了一种新的基于区间2型（IT2）模糊系统的DRL，特别关注负载频率调节。针对传统模糊逻辑控制器不能处理非结构环境中语言不确定性的问题，设计了IT 2模糊逻辑控制器（IT 2-FLC）。因此，具有改进的控制器动作的自调谐和自适应学习能力使整个系统有效地对抗微电网中的频率调节。然而，它仅适用于孤岛微电网。在负载扰动的情况下，传统控制器的频率偏差为0.0249Hz，而与建议的控制器相同的是0.0163 Hz。分布式ML技术已在[135]中提出，在不需要通信信道的情况下，用于孤岛微电网的接触层电压控制。考虑到光伏、风力、负荷和负荷突变事件的数据可用性，开发了一种基于聚类的无监督模型。研究人员在[136]中提出了一种多智能体系统的噪声弹性合作二级控制。它考虑了系统的完整非线性模型和噪声测量。这些技术也可以用于DC和/或混合微电网结构。在小信号和大信号干扰的情况下，所提出的控制方案恢复电压和频率波动，以保持稳定。在[137]中提出了用于DC微电网中的电压调节和电流共享的基于NN的二次控制，其利用博弈论和自适应动态规划来管理电流共享并调节DC电压，而不需要微电网的精确模型。在[138]中引入了RL，用于控制风力发电机穿透的二次层控制的电压和频率偏差。这里采用Q学习（简称RL）来开发一种无模型机制，该机制有效地捕获系统的非线性，并通过分配给它们的代理来控制频率和电压波动。基于神经网络的短期LSTM预测技术也已在[139]中采用，预测发电量和控制器。它有助于保持DC链路电压瞬间平衡SoC电平极端学习机（ELM）[140]是另一种有趣的新兴NN算法。该算法通过使单隐层FFNN随机初始化神经元的输入权值并解析确定输出权值，解决了FFNN学习速度慢的问题。它以非常快的速度为基于NN的模型提供最佳泛化。结果表明，SVM在给定的输入样本上训练模型大约需要12小时，而ELM只需要1.5分钟。在[141]中提出了一种ELM嵌入式技术，其中基于共识的二次控制通过通信网络调节电压，以实现有效的功率共享。传输中的数据丢失由预测丢失电压的ELM处理，并且控制单元被激活以使操作点达到该预测电压，从而实现电压调节。在[134]中提出了一种基于DRL的自适应二次频率控制，考虑了孤立微电网中的潮汐和车辆到电网单元。 所建议的方法控制任何功率波动和负载扰动，并调节频率。在[142]中还提出了一种基于数据驱动和分布式启发式动态规划的次级控制器，其不需要精确的模型参数。所提出的框架是很好地适应负载扰动和快速调节频率保持准确的有功功率分配之间的所有DER。4.2.2. 缓解通信延迟减少通信延迟是分级控制结构中的重要要求。在[143]中提出了一种鲁棒的通信特征的二进制控制，其中已经开发了通信补偿块来处理通信网络中的时间延迟和非理想性。在[144]中已经提出了一种RL方法，其基于资源分配方案，即延迟最小化Q学习（DMQ），其在每个发送时间间隔（TTI）从宏小区和小小区基站学习。与比例公平（PF）和分布式迭代资源分配（DIRA）算法相比，通信延迟分别减少了66%和33%。讨论了用于通信补偿的回归模型，[143]能保证在任何通信障碍环境下的快速频率和有效电压恢复。由于更准确的预测能力，该解决方案可以在更坏的情况下恢复电压，即使在60%的数据丢失情况下，这也是任何传统控制器都不可能实现的。在[145]中提出了一种基于深度学习的安全通信网络。重点是通过快速傅里叶变换（FFT）对异常信号进行检测和分类，并使用提取的系数训练深度学习模型，从而实现网络弹性通信网络。结果表明，在检测假注入信号方面的准确率为99.35%，并且在这些情况下微电网的运行不受影响。不同的基于通信的控制器及其主要贡献的总结如表4所示。4.2.3. 保护有效故障恢复&故障后系统稳定性是嵌入低惯性系统的微电网的关键技术问题。DER的随机性和间歇性进一步推进了这一稳定性问题。在事故期间的任何短路故障都可能在电力系统中引入振荡，这最终会导致电压波动。必须采用校正电压控制（CVC），通过控制DER的有功和无功功率分配并保持足够的负荷裕度来维持稳定。[151]中的作者提出了一种基于ML的次级层CVC框架，其中特征选择技术遵循包含故障位置、随机聚类和灵敏度特征的在线-离线数据分析，然后被馈送到ANFIS模型。该模型预测来自每个DER的优化有功功率和无功功率，以进一步恢复电压。这项工作认为，R. Trivedi和S. Khadem能源与人工智能8（2022）1001478表4微电网通信基础设施控制相关研究工作AC微电网分别列于表5和表6这两个表格都根据其他一些重要方面总结了调查结果，例如主计长类型复杂度实现人工智能Ref(i) 系统控制 策略，（二）网格 连通性和（iii）验证水平 表5显示，直流微电网研究主要针对延迟裕度计算增益调度[第146话]在离网条件下，更加关注分布式控制架构中的电压稳定性和功率共享控制。基于神经网络[147]第147话：我的世界[148]第148话：我的世界直流微网控制的解决方案主要有两种，其中两种方案在实时实验环境中得到了验证。稳定性增强[148]第148话表 6 示出 的 结果 为 AC 微电网 集中和时间延迟模型MPC低-[149]主要考虑分布式体系结构基于NN的解决方案优化信息共享[150]第150话大多数情况下，只有一种解决方案在实时实验中得到了验证。与直流类似，也考虑交流微电网通信补偿基于回归[第143话]主要是在离网条件下。因此，并网条件和在孤岛检测和重连机制中实现AI低等待时间通信[144]第144话应该集中精力。网络弹性通信FFT神经网络&基于[145]第145话4.3. 三级控制在并网微电网系统中基于感应发电机的风力涡轮机。在未来，基于AI的CVC的性能可以在微电网中存在ES在该方法中，已经描述了基于SVM的故障检测方法，该方法测量每个所选的电压和电流如果存在故障，则最接近故障的DG以正确选择的频率注入谐波，并且测量在该点处看到的阻抗并将其发送到SVM分类器以检测故障区段的准确位置。在[152]中讨论了一种类似的方法，该方法包括FFT和SVM，用于有效分类和检测，以控制孤岛微电网中的系统稳定性。在IEEE 34总线系统的最长的线路故障定位的最小平均误差被发现为0.0012和0.0021分别为干净和嘈杂的数据。在[153]中提出了另一种基于树的ML模型，该模型遵循测量每个馈线处的电压和电流信号的原理，FFT识别敏感特征，然后ML模型提取故障事件并通知控制系统采取必要的措施。最近，[154]中还提出了基于NN的微电网自适应保护，该模型结合了ANN和SVM的基本特征。对于故障识别，人工神经网络显示几乎没有错误，而支持向量机显示的错误在0.25%的故障在不同的总线。在[155]中已经开发了一个基于多代理的ML模型，用于在并网和孤岛模式下保护交流微电网在从所收集的故障数据训练ML模型之后，在分层控制方案的顶层，三级控制操作的任务相关联的分布/网络的水平。第三层管理微电网单元内的最佳功率流以及从外部电网的功率输入/输出。因此，它是协调和确保每个DER单元的经济和最佳电力调度以最小化运营成本的基本控制层[158]。此外，与能源市场相关的操作也受到这种控制，这允许DER单元参与能源市场，并且还向附近的其他微电网/外部电网提供电网支持服务。基于AI的技术的实现可以加速研究，以找到解决方案来处理与此层相关的控制问题，这些问题在以下小节中进行了讨论。4.3.1. 最优经济运行与潮流管理最优潮流（OPF）问题解决了电力网络的最优对于一个简单的直流潮流为基础的目标函数，OPF可以是一个凸优化问题。对于交流潮流，OPF是一个非凸问题，这使得它在计算上具有挑战性和近似性，表6基于人工智能的交流微网一次二次控制&用于对特定故障进行分类，并且在故障发生时，多个代理开始通信以协调和隔离控制战略AI技术目标网格连接(Off/打开/Ref的错结果表明，所提出的工作可以提供主保护和备份在并网和自治微电网。一集中式FFNN功率共享下垂控制两者）关闭[90个]DC和DC中基于AI的一次和二次控制方法的总结ANFIS无功功率共享关闭[95]表5基于人工智能的直流微电网一次二次控制&MLP频率响应关闭（多微网）[第一百五十六章]控制策略AI技术目标网格连接（关闭/打开）Ref分散集中式ANN* 功率共享、电压电压稳定性，功率共享分布式日间行车灯电压恢复，关闭[94]关闭[91]关闭[96]延迟RL V/f调节开启[138]分布式ANN V/f调节关闭[135]ANN频率调节关闭[142][151]第151话：我的世界负载共享频率和电压稳定在[131]- 频率管制，权力分享关闭[157]BPNN均流，关闭[137]数据预测关闭[143]电压调整非人工神经网络V/f调节关闭[第118话]LSTM* 保持SoC水平和关闭[139]提到的ANN最优控制对[第119话]NN电压稳定分类检测关闭[第145话]安安频率调节开启最优控制[121][一百二十二]网络攻击-电能质量对[133]第一百三十三话所有这些都在模拟模式下得到验证* 在实时实验中验证所有都在模拟模式下验证* 实时实验验证安V/f调节关闭[132]ANN*调频关闭[134]SLFN权力分享关闭[141]-通信对[第144话]R. Trivedi和S. Khadem能源与人工智能8（2022）1001479启发式方法不能保证全局最优解[159]。OPF通常针对稳态网络条件求解。然而，动态OPF（DOPF）[160]可以在具有ESS的微电网设置中的第三层控制处实现，使得DER的功率输出可以在给定的时间范围内进行最佳协调。尽管有一些优化放松，[161，162]中的研究没有考虑线路损耗，电压和无功潮流限制。在[163]中提出了考虑ES启用的微电网的电力系统的非凸优化问题，主要负责DER的可调