40、微电网控制技术：神经网络与优化算法的应用

微电网控制技术：神经网络与优化算法的应用

1. 基于神经网络的二次控制

1.1 神经网络训练细节

在进行神经网络（NN）训练时，采用了 Levenberg–Marquardt 反向传播算法。该算法常用于函数逼近、模式识别、分类以及数据压缩等领域。神经网络训练的具体细节如下表所示：
| 序号 | 网络属性 | 详情 |
| ---- | ---- | ---- |
| 1 | 自适应学习函数 | 改进的梯度下降 |
| 2 | 性能函数 | 均方归一化误差 |
| 3 | 传递函数 | 双曲正切 S 型传递函数 |

神经网络的输入为负载值 (R_L)，输出则是对应负载下二次控制器的最优增益。

1.2 仿真结果

1.2.1 仿真环境与系统模型

仿真在 MATLAB/Simulink 环境中进行，使用 SimPowerSystems 库设计了多个分布式电源（DG）单元的非线性模型。构建的自治微电网（MG）系统包含三个 DG 单元，通过线路阻抗连接到三相负载。系统的其他参数如下表所示：
| 符号 | 物理量 | 值 |
| ---- | ---- | ---- |
| (L_f) | 滤波电感 | 1.35mH |
| (r_f) | 滤波电阻 | 0.1 Ω |
| (C_f) | 滤波电容 | 50 μF |
| (L_c) | 耦合电感 | 0.35mH |
| (r_c) | 耦合电阻 | 0.03Ω |
| (V_n) | 标称电压 | 381V |
| (\omega