中國(guó)儲(chǔ)能網(wǎng)訊：
摘 要 飛輪儲(chǔ)能系統(tǒng)(FESS)憑借高功率密度、長(zhǎng)壽命、快速響應(yīng)和環(huán)境友好等特性，在電網(wǎng)調(diào)頻、慣量支撐、高頻調(diào)峰等領(lǐng)域具有突出優(yōu)勢(shì)。飛輪儲(chǔ)能系統(tǒng)面臨著低成本高可靠設(shè)計(jì)、高速永磁電機(jī)和磁懸浮控制穩(wěn)定性、在線故障預(yù)測(cè)以及多機(jī)并聯(lián)陣列控制等問題。本文通過對(duì)近期相關(guān)文獻(xiàn)的探討，綜述了人工智能技術(shù)在飛輪儲(chǔ)能系統(tǒng)設(shè)計(jì)優(yōu)化、電機(jī)控制、磁懸浮控制、并網(wǎng)控制及故障診斷等環(huán)節(jié)的應(yīng)用，著重介紹了神經(jīng)網(wǎng)絡(luò)等算法在復(fù)合材料轉(zhuǎn)子建模分析、永磁同步電機(jī)多參數(shù)協(xié)同優(yōu)化設(shè)計(jì)、永磁同步電機(jī)多工況效率優(yōu)化與轉(zhuǎn)速觀測(cè)、電磁軸承控制器算法、并網(wǎng)魯棒性與分布式協(xié)同控制、調(diào)頻控制策略、軸承故障診斷與預(yù)警等技術(shù)方向中的應(yīng)用，并討論大模型結(jié)合、多技術(shù)協(xié)同優(yōu)化等未來發(fā)展方向，期望為飛輪儲(chǔ)能系統(tǒng)的智能化研究和發(fā)展提供參考。
關(guān)鍵詞 飛輪儲(chǔ)能；人工智能；調(diào)頻；故障診斷
在應(yīng)對(duì)氣候變化、減少溫室氣體排放的壓力下，全球能源結(jié)構(gòu)正在加速推進(jìn)轉(zhuǎn)型。各國(guó)紛紛加大對(duì)可再生能源的投資力度，風(fēng)能、太陽能等波動(dòng)性電源在電力系統(tǒng)中的占比逐年增加。我國(guó)可再生能源裝機(jī)2024年新增3.74億kW，占全國(guó)新增電力裝機(jī)的86.3%，全國(guó)可再生能源裝機(jī)總?cè)萘吭谌珖?guó)發(fā)電總裝機(jī)中占比提升至56.4%。然而，可再生能源的強(qiáng)隨機(jī)性和弱慣量特性導(dǎo)致電力系統(tǒng)面臨嚴(yán)峻的調(diào)頻壓力：一方面，頻率偏差事件發(fā)生率同比增長(zhǎng)42%；另一方面，傳統(tǒng)火電機(jī)組因調(diào)節(jié)速率受限，難以滿足新能源并網(wǎng)下的快速響應(yīng)需求。
在此背景下，儲(chǔ)能系統(tǒng)在電網(wǎng)中發(fā)揮著越來越重要的作用，主要包括削峰填谷、頻率調(diào)節(jié)、平衡電力供需、提升電網(wǎng)韌性等。飛輪儲(chǔ)能(FESS)以毫秒級(jí)快速功率響應(yīng)、分秒級(jí)持續(xù)放電時(shí)間，高功率密度、不需要定期維護(hù)、無污染、百萬次循環(huán)充放電壽命，成為一種極具潛力的儲(chǔ)能技術(shù)。
飛輪儲(chǔ)能系統(tǒng)由一個(gè)旋轉(zhuǎn)的轉(zhuǎn)子、永磁同步電機(jī)、軸承、電力電子設(shè)備和外殼組成。飛輪儲(chǔ)能一般是指電能與飛輪動(dòng)能之間的雙向轉(zhuǎn)化，因此特征是飛輪與電機(jī)同軸旋轉(zhuǎn)，通過電力電子裝置控制飛輪電機(jī)的旋轉(zhuǎn)速度，實(shí)現(xiàn)升速儲(chǔ)能、降速釋能的目的。
與傳統(tǒng)儲(chǔ)能技術(shù)相比，飛輪儲(chǔ)能系統(tǒng)在應(yīng)對(duì)電網(wǎng)頻率調(diào)節(jié)和短時(shí)儲(chǔ)能需求方面表現(xiàn)出色。此外，飛輪系統(tǒng)的設(shè)計(jì)和維護(hù)相對(duì)簡(jiǎn)單，以及使用非化學(xué)材料，使其在全生命周期中的環(huán)境影響和安全性方面具備明顯優(yōu)勢(shì)。盡管飛輪儲(chǔ)能系統(tǒng)具備多項(xiàng)優(yōu)勢(shì)，但其規(guī)?；瘧?yīng)用仍面臨一些挑戰(zhàn)。例如，飛輪成本較高、能量密度相比其他儲(chǔ)能技術(shù)(如鋰電池)較低、多單元協(xié)同控制復(fù)雜性、網(wǎng)-電-機(jī)系統(tǒng)強(qiáng)耦合性、故障預(yù)警滯后性等，這些都可能限制其廣泛應(yīng)用。
1 人工智能技術(shù)
人工智能(artificial intelligence, AI)是研究、開發(fā)用于模擬、延伸以及擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新技術(shù)科學(xué)。人工智能能夠從數(shù)據(jù)中理解、學(xué)習(xí)、適應(yīng)并執(zhí)行任務(wù)，通常由人類設(shè)計(jì)的程序和算法驅(qū)動(dòng)。1956年達(dá)特茅斯人工智能研討會(huì)上首次提出“人工智能”概念，標(biāo)志人工智能的誕生。人工智能有一條技術(shù)路線是建立基于大腦中神經(jīng)元細(xì)胞連接的計(jì)算模型，用人工神經(jīng)網(wǎng)絡(luò)來擬合智能行為，人工神經(jīng)網(wǎng)絡(luò)經(jīng)歷了淺層學(xué)習(xí)、深度學(xué)習(xí)、大模型三個(gè)發(fā)展階段。
2022年11月以來，隨著以ChatGPT為代表的大語言模型迅速發(fā)展，生成式人工智能(generative srtificial intelligence, GenAI)推動(dòng)人工智能從算法智能進(jìn)入語言智能(linguistic intelligence, LI)時(shí)代。人工智能正在全面革新社會(huì)生產(chǎn)力，國(guó)內(nèi)專用領(lǐng)域大模型在科學(xué)研究、教育、醫(yī)學(xué)、工業(yè)、金融、電力多個(gè)行業(yè)得到應(yīng)用和發(fā)展。AI技術(shù)為解決飛輪儲(chǔ)能的規(guī)?；瘧?yīng)用面臨的挑戰(zhàn)提供了新路徑。深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等方法通過數(shù)據(jù)驅(qū)動(dòng)建模和智能決策優(yōu)化，顯著提升飛輪儲(chǔ)能系統(tǒng)的性能與經(jīng)濟(jì)性。本文聚焦AI在飛輪儲(chǔ)能全生命周期應(yīng)用，介紹AI在飛輪儲(chǔ)能系統(tǒng)控制、永磁同步電機(jī)控制算法、轉(zhuǎn)子設(shè)計(jì)及故障診斷等方面的應(yīng)用并對(duì)未來研究方向作出展望。
2 AI在復(fù)合材料轉(zhuǎn)子和永磁同步電機(jī)設(shè)計(jì)中的應(yīng)用
Sinchuk等針對(duì)碳纖維增強(qiáng)紡織復(fù)合材料(CFRP)多層級(jí)結(jié)構(gòu)建模難題，提出一套從μ-CT掃描到有限元分析的全流程解決方案，實(shí)現(xiàn)高精度彈性性能預(yù)測(cè)。該工作通過多標(biāo)簽聚類簡(jiǎn)化U-net分割，使用改進(jìn)多材料行進(jìn)立方體算法(multi-material marching cubes)將LUT記錄壓縮至原規(guī)模的0.8%，結(jié)合曲率約束的網(wǎng)格優(yōu)化算法在保持體積分?jǐn)?shù)誤差<0.1%的同時(shí)，使復(fù)雜結(jié)構(gòu)網(wǎng)格生成效率提升三個(gè)數(shù)量級(jí)，有助于碳纖維復(fù)合材料飛輪的制造。
Wang等提出基于深度遷移學(xué)習(xí)的連續(xù)纖維增強(qiáng)復(fù)合材料(CFCs)的等效彈性性能預(yù)測(cè)框架，該預(yù)測(cè)框架采用了ResNet-36網(wǎng)絡(luò)與遷移學(xué)習(xí)技術(shù)，通過多模態(tài)輸入建立非線性映射關(guān)系，在遷移學(xué)習(xí)階段凍結(jié)預(yù)訓(xùn)練卷積層參數(shù)，僅微調(diào)全連接層權(quán)重，在小樣本條件下實(shí)現(xiàn)預(yù)測(cè)誤差<0.5%。該方法有助于提高碳纖維飛輪的設(shè)計(jì)及制造效率，為復(fù)合材料數(shù)字化設(shè)計(jì)提供新范式。
永磁同步電機(jī)(PMSM)的優(yōu)化設(shè)計(jì)目標(biāo)和約束條件通常是設(shè)計(jì)變量的非線性數(shù)值函數(shù)和多極值函數(shù)，因此很難獲得最優(yōu)設(shè)計(jì)參數(shù)。針對(duì)該問題，Huang等將遺傳算法引入電機(jī)電磁計(jì)算優(yōu)化設(shè)計(jì)程序中，使用遺傳算法對(duì)永磁電機(jī)中永磁體的磁化長(zhǎng)度、永磁體寬度、氣隙和極弧系數(shù)進(jìn)行優(yōu)化，收斂代數(shù)≤50代，設(shè)計(jì)周期從傳統(tǒng)的幾周降到了2小時(shí)。
Jin等針對(duì)永磁同步電機(jī)(PMSM)損耗高、效率低的問題，提出一種結(jié)合正交試驗(yàn)設(shè)計(jì)(DOE)、支持向量機(jī)(SVM)回歸建模與改進(jìn)粒子群優(yōu)化(PSO)算法的多參數(shù)協(xié)同優(yōu)化方法，實(shí)現(xiàn)電機(jī)損耗降低與效率提升。其通過正交實(shí)驗(yàn)設(shè)計(jì)625組樣本數(shù)據(jù)，結(jié)合SVM徑向基函數(shù)(RBF)擬合損耗回歸模型，改進(jìn)粒子群優(yōu)化算法引入歷史最優(yōu)解和變異因子，解決了傳統(tǒng)PSO早熟收斂問題，經(jīng)實(shí)驗(yàn)驗(yàn)證，優(yōu)化后電機(jī)總損耗降低13.5%，效率提升2.64%，轉(zhuǎn)矩脈動(dòng)降低37.1%。
面向500 kW/450 MJ大型飛輪儲(chǔ)能系統(tǒng)(FESS)，解決軸向磁通永磁同步電機(jī)(AFPMSM)高損耗、大齒槽轉(zhuǎn)矩問題。Sun等提出改進(jìn)BP神經(jīng)網(wǎng)絡(luò)協(xié)同多目標(biāo)的軸向磁通電機(jī)優(yōu)化方法，突破傳統(tǒng)單目標(biāo)優(yōu)化局限，通過軟磁復(fù)合材料(SMC)結(jié)合多參數(shù)協(xié)同優(yōu)化定子鐵芯，實(shí)現(xiàn)效率與轉(zhuǎn)矩脈動(dòng)同步提升，經(jīng)實(shí)驗(yàn)驗(yàn)證，優(yōu)化后電機(jī)效率提升0.096%～98.48%，齒槽轉(zhuǎn)矩降低19.8%，優(yōu)化耗時(shí)從傳統(tǒng)方法的72小時(shí)縮短至8小時(shí)。
3 AI在永磁同步電機(jī)控制中的應(yīng)用
針對(duì)現(xiàn)有飛輪儲(chǔ)能電機(jī)大多是基于額定工作點(diǎn)進(jìn)行效率優(yōu)化，難以實(shí)現(xiàn)全工作周期內(nèi)綜合效率最優(yōu)的問題，朱迪等基于電熱協(xié)同工作場(chǎng)景得到單個(gè)完整工作周期下飛輪高速永磁同步電機(jī)的運(yùn)行工況變化，提出基于遺傳算法的飛輪電機(jī)多工況效率優(yōu)化方法。建立適用于高速電機(jī)的效率計(jì)算模型并基于遺傳算法尋優(yōu)得到最優(yōu)工作點(diǎn)，優(yōu)化后綜合效率增加0.34%，全速范圍內(nèi)電機(jī)效率均得到提升，單個(gè)工作周期能量損耗較優(yōu)化前降低14.8%。優(yōu)化結(jié)果證明此方法可提高飛輪電機(jī)全工作周期內(nèi)的運(yùn)行效率，降低熱泵運(yùn)行過程中的能耗損失，提升飛輪儲(chǔ)能系統(tǒng)的經(jīng)濟(jì)性。
傳統(tǒng)飛輪儲(chǔ)能系統(tǒng)電機(jī)控制需要的速度傳感器增加成本且降低系統(tǒng)可靠性，Zolfaghari等提出了一種采用神經(jīng)網(wǎng)絡(luò)進(jìn)行速度觀測(cè)的永磁同步電機(jī)直接功率控制(DPC)技術(shù)，這是一種首次將神經(jīng)網(wǎng)絡(luò)(ANN)嵌入模型參考自適應(yīng)系統(tǒng)(MRAS)的無傳感器方案，采用反向傳播網(wǎng)絡(luò)(BPN)在線訓(xùn)練自適應(yīng)模型權(quán)重，將轉(zhuǎn)速ωr映射為可調(diào)權(quán)重ω2，通過磁鏈誤差反向傳播更新轉(zhuǎn)速估計(jì)值。將非線性電機(jī)模型轉(zhuǎn)化為線性系統(tǒng)，驗(yàn)證控制器在簡(jiǎn)化模型下的穩(wěn)定性。最后驗(yàn)證了ANN-MRAS無傳感器DPC方案兼具動(dòng)態(tài)響應(yīng)快、低脈動(dòng)、高可靠性優(yōu)勢(shì)。
針對(duì)永磁同步電機(jī)(PMSM)速度控制中傳統(tǒng)PID參數(shù)整定困難、滑?？刂?SMC)存在抖振以及抗擾動(dòng)性能差等問題，Shanthi等提出一種融合了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力與模糊邏輯推理的自適應(yīng)神經(jīng)模糊控制器(ANFIS)，作者采用兩種控制方式并行運(yùn)算，PID提供基礎(chǔ)穩(wěn)定性，SMC-PID增強(qiáng)控制器抗擾動(dòng)性能，ANFIS整合兩個(gè)控制器的輸出，通過模糊規(guī)則動(dòng)態(tài)加權(quán)輸出最終控制命令，提升系統(tǒng)動(dòng)態(tài)性能和魯棒性。
針對(duì)永磁同步電機(jī)存在強(qiáng)非線性、參數(shù)時(shí)變特性，傳統(tǒng)數(shù)學(xué)模型難以精確描述其動(dòng)態(tài)行為，Zhang提出了一種結(jié)合自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)和微棲息地粒子群算法(MPSO)的永磁同步電動(dòng)機(jī)系統(tǒng)建模方法，該方法通過微棲息地粒子群優(yōu)化算法訓(xùn)練ANFIS參數(shù)，實(shí)現(xiàn)了對(duì)永磁同步電機(jī)動(dòng)力學(xué)特性的高效非線性建模，相較于傳統(tǒng)控制模型，該方法顯著提升了速度與位置控制的精度和魯棒性，在永磁同步電機(jī)控制系統(tǒng)中驗(yàn)證其較傳統(tǒng)的控制模型轉(zhuǎn)矩波動(dòng)降低42%，效率提升2.1%。
4 AI在電磁軸承控制中的應(yīng)用
鄒晉彬等針對(duì)磁懸浮軸承系統(tǒng)的高度非線性、不穩(wěn)定性以及多輸入多輸出特點(diǎn)，將強(qiáng)化學(xué)習(xí)(Q-learning)算法同模型預(yù)測(cè)控制(MPC)相結(jié)合，設(shè)計(jì)了一種根據(jù)當(dāng)前系統(tǒng)狀態(tài)自適應(yīng)整定參數(shù)的模型預(yù)測(cè)控制器(Q-MPC)，解決了控制參數(shù)實(shí)時(shí)優(yōu)化難題。仿真結(jié)果表明：正弦參考信號(hào)下，Q-MPC控制器作用的系統(tǒng)各自由度平均跟蹤誤差相比MPC控制器降低了36%；恒定參考信號(hào)下，Q-MPC控制器作用的系統(tǒng)各自由度比MPC控制器的平均超調(diào)量降低了51.4%，系統(tǒng)穩(wěn)定所需平均調(diào)整時(shí)間降低了14.4%，施加擾動(dòng)后，4個(gè)自由度的平均波動(dòng)幅度降低了76.1%，系統(tǒng)穩(wěn)定所需平均調(diào)整時(shí)間降低了26.2%。
針對(duì)當(dāng)前飛輪儲(chǔ)能系統(tǒng)中的磁懸浮軸承穩(wěn)定控制、電機(jī)調(diào)速精度不足、現(xiàn)有電機(jī)控制策略響應(yīng)慢、抗擾性差等問題。Kang等采用融合卷積神經(jīng)網(wǎng)絡(luò)(CNN)與粒子群優(yōu)化(PSO)算法構(gòu)建PSNN神經(jīng)網(wǎng)絡(luò)控制構(gòu)架，實(shí)現(xiàn)了對(duì)飛輪電機(jī)轉(zhuǎn)速的精準(zhǔn)預(yù)測(cè)與控制，經(jīng)實(shí)驗(yàn)驗(yàn)證該方法控制永磁同步電機(jī)相比傳統(tǒng)方法具有更高的準(zhǔn)確度和魯棒性。
針對(duì)飛輪質(zhì)量不平衡、加工制造公差或傳感器誤差等導(dǎo)致傳統(tǒng)線性控制器魯棒性不足，高轉(zhuǎn)速下穩(wěn)定性差等問題，F(xiàn)ittro等提出了一種根據(jù)轉(zhuǎn)子運(yùn)行速度動(dòng)態(tài)調(diào)整剛度和阻尼的非線性神經(jīng)網(wǎng)絡(luò)控制器，在實(shí)驗(yàn)中驗(yàn)證了其在高速工況下具有很強(qiáng)的抗干擾能力，性能遠(yuǎn)超線性控制器，同時(shí)又融入了混合多層網(wǎng)絡(luò)，進(jìn)一步提升了飛輪儲(chǔ)能系統(tǒng)在高轉(zhuǎn)速區(qū)間的性能。
Zhang等提出一種基于遺傳BP神經(jīng)網(wǎng)絡(luò)的磁懸浮飛輪無傳感器控制技術(shù)，解決了車載復(fù)雜路況下傳感器松動(dòng)導(dǎo)致的控制失效問題，該方法通過實(shí)時(shí)采樣軸承線圈電流并轉(zhuǎn)換為位移信號(hào)，結(jié)合遺傳算法實(shí)時(shí)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)PID控制器參數(shù)，經(jīng)實(shí)驗(yàn)驗(yàn)證，在連續(xù)減速帶路況下，該方法比傳統(tǒng)PID將轉(zhuǎn)子偏移峰值降低33%，控制精度提升25%，顯著增強(qiáng)車載飛輪系統(tǒng)的魯棒性。
Zhang等首次提出了一種基于工況分類與識(shí)別(SA-BPNN)和自適應(yīng)PID參數(shù)調(diào)整(CNN-LSTM-Attention)混合神經(jīng)網(wǎng)絡(luò)模型的高穩(wěn)定性飛輪控制策略，經(jīng)實(shí)驗(yàn)驗(yàn)證，其相比傳統(tǒng)PID控制可以實(shí)現(xiàn)多模態(tài)輸入，具有更高的精度、穩(wěn)定性和更快的響應(yīng)速度，以及更好通用性。顯著提升飛輪穩(wěn)定性(偏移量降低16%)，為車載飛輪儲(chǔ)能系統(tǒng)提供高魯棒性解決方案，解決了復(fù)雜路況擾動(dòng)差異化問題。
5 AI在飛輪儲(chǔ)能并網(wǎng)控制中的應(yīng)用
在飛輪儲(chǔ)能應(yīng)用于微電網(wǎng)控制算法方面，基于人工智能的解決方案比傳統(tǒng)PID控制器具備更好的有效性和魯棒性。
為解決飛輪儲(chǔ)能系統(tǒng)(FESS)在風(fēng)電等新能源應(yīng)用的兩大控制難題：傳統(tǒng)PID控制響應(yīng)慢、穩(wěn)態(tài)誤差大，負(fù)載突變時(shí)系統(tǒng)振蕩嚴(yán)重。Cheng等提出一種基于遞歸模糊神經(jīng)網(wǎng)絡(luò)(RFNN)的控制器。該控制器融合模糊邏輯的規(guī)則推理能力與神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)學(xué)習(xí)特性，增強(qiáng)系統(tǒng)記憶能力，解決傳統(tǒng)模糊規(guī)則依賴經(jīng)驗(yàn)問題，顯著提升飛輪儲(chǔ)能的動(dòng)態(tài)響應(yīng)速度、穩(wěn)態(tài)精度及抗擾動(dòng)性，為新能源系統(tǒng)提供高性能解決方案。
針對(duì)城市軌道交通地鐵列車電制動(dòng)能量回收率低、牽引網(wǎng)電壓波動(dòng)大、飛輪儲(chǔ)能(FESS)的充放電閾值固定導(dǎo)致能效優(yōu)化受限問題，王寧等基于馬爾科夫決策過程(MDP)對(duì)飛輪儲(chǔ)能單元的能量管理系統(tǒng)進(jìn)行數(shù)學(xué)建模，采用深度強(qiáng)化學(xué)習(xí)框架的DQN算法實(shí)現(xiàn)充放電閾值動(dòng)態(tài)尋優(yōu)，實(shí)驗(yàn)數(shù)據(jù)表明：相較于傳統(tǒng)固定閾值策略，該動(dòng)態(tài)調(diào)控方法使電能綜合利用率提升1.4%，同時(shí)在牽引網(wǎng)穩(wěn)壓率提高1.8%。
針對(duì)風(fēng)電功率秒級(jí)高頻波動(dòng)引發(fā)的電網(wǎng)頻率失穩(wěn)問題，Zhou等提出一種基于飛輪儲(chǔ)能系統(tǒng)的風(fēng)電功率平滑控制方法，采用深度Koopman模型預(yù)測(cè)控制策略，通過深度神經(jīng)網(wǎng)絡(luò)逼近Koopman算子完成系統(tǒng)線性化處理，突破傳統(tǒng)MPC的局部線性化局限，實(shí)現(xiàn)全工況覆蓋。仿真實(shí)驗(yàn)表明相較于PID和傳統(tǒng)MPC方法，該方法在風(fēng)電波動(dòng)抑制、動(dòng)態(tài)響應(yīng)速度及抗擾動(dòng)能力方面表現(xiàn)出更優(yōu)的有效性與魯棒性。
華北電力大學(xué)的李佳玉開展了基于多智能體協(xié)同的飛輪儲(chǔ)能系統(tǒng)先進(jìn)控制研究，重點(diǎn)關(guān)注飛輪儲(chǔ)能的單體運(yùn)行策略與群組協(xié)同控制，關(guān)注不同工況頻繁切換下的電壓穩(wěn)定性問題；群組協(xié)同控制方面，以直流母線并聯(lián)為切入點(diǎn)，構(gòu)建了含飛輪儲(chǔ)能群組的直流微電網(wǎng)模型，并設(shè)計(jì)了相應(yīng)的分布式協(xié)同控制框架，充分考慮了帶寬受限、網(wǎng)絡(luò)攻擊等非理想通信環(huán)境下的彈性控制研究。
季雯雯針對(duì)風(fēng)儲(chǔ)聯(lián)合系統(tǒng)參與電網(wǎng)一次調(diào)頻的協(xié)同優(yōu)化問題，構(gòu)建了基于風(fēng)速分段建模的長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)超短期風(fēng)電功率預(yù)測(cè)模型，設(shè)計(jì)了風(fēng)儲(chǔ)協(xié)同調(diào)頻動(dòng)態(tài)控制策略。采用DBSCAN對(duì)風(fēng)電機(jī)組高維運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理，刪除了異常數(shù)據(jù)；基于風(fēng)向分區(qū)，通過對(duì)歷史數(shù)據(jù)的空間聚類和相關(guān)性分析，提取了風(fēng)電場(chǎng)的特征風(fēng)機(jī)；以特征風(fēng)機(jī)為基礎(chǔ)構(gòu)建了基于LSTM的風(fēng)電功率超短期預(yù)測(cè)模型；通過仿真實(shí)驗(yàn)驗(yàn)證該模型的風(fēng)電功率預(yù)測(cè)準(zhǔn)確率高達(dá)97.6%，能滿足風(fēng)儲(chǔ)聯(lián)合一次調(diào)頻的需求。
孤立多微電網(wǎng)系統(tǒng)面臨分布式電源出力隨機(jī)性和負(fù)荷功率擾動(dòng)等問題，導(dǎo)致電網(wǎng)頻率偏移和電壓波動(dòng)。針對(duì)該問題，謝黎龍等建立了孤立多微網(wǎng)系統(tǒng)的分層控制架構(gòu)：在自動(dòng)電壓調(diào)節(jié)器(AVR)層面，采用柔性動(dòng)作評(píng)價(jià)(SAC)算法優(yōu)化PI控制參數(shù)；在負(fù)荷頻率控制(LFC)層面，開發(fā)多智能體柔性協(xié)同(MASAC)控制器，結(jié)果表明SAC算法對(duì)比例系數(shù)和積分系數(shù)的實(shí)時(shí)優(yōu)化提高了PI電壓調(diào)節(jié)器的性能，頻率-電壓綜合控制誤差下降60%，顯著提升多微電網(wǎng)抗擾動(dòng)能力，為高比例新能源接入提供技術(shù)支撐。
Lei等針對(duì)風(fēng)電功率高頻波動(dòng)分量影響電網(wǎng)穩(wěn)定的問題，提出一種基于改進(jìn)模型預(yù)測(cè)控制(MPC)的飛輪儲(chǔ)能(FESS)優(yōu)化控制策略。通過小波包分解(WPD)提取風(fēng)電高頻分量，結(jié)合三次樣條插值增強(qiáng)數(shù)據(jù)密度，構(gòu)建飛輪儲(chǔ)能充放電狀態(tài)的二維空間模型。在30 MW風(fēng)電場(chǎng)實(shí)驗(yàn)結(jié)果表明，基于模型預(yù)測(cè)控制算法的飛輪儲(chǔ)能系統(tǒng)配置能夠有效平抑風(fēng)電場(chǎng)輸出功率中高頻分量的波動(dòng)。
Wang等針對(duì)微電網(wǎng)中電池儲(chǔ)能系統(tǒng)(BESS)因頻繁充放電導(dǎo)致的退化問題，提出一種融合多應(yīng)力電池退化模型(SOC/DOC/時(shí)間)的混合儲(chǔ)能系統(tǒng)(HESS)優(yōu)化調(diào)度策略。通過建立分段線性老化成本函數(shù)量化電池退化經(jīng)濟(jì)損失，結(jié)合改進(jìn)粒子群算法(PSO)實(shí)現(xiàn)電池-飛輪混合儲(chǔ)能的協(xié)同調(diào)度，降低系統(tǒng)全生命周期成本。特別值得注意的是，因能有效減緩電池退化，飛輪儲(chǔ)能技術(shù)的引入在微電網(wǎng)壽命超過15年時(shí)展現(xiàn)出顯著優(yōu)勢(shì)。
Lai等重點(diǎn)研究了一種集成了太陽能和飛輪儲(chǔ)能(PV-FESS)的新型儲(chǔ)能系統(tǒng)，開發(fā)結(jié)合自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)與模型預(yù)測(cè)控制(ANFIS-MPC)的控制算法，通過動(dòng)態(tài)調(diào)節(jié)飛輪的充放電來管理可再生能源并網(wǎng)帶來的功率波動(dòng)，優(yōu)化系統(tǒng)運(yùn)行并維持電網(wǎng)穩(wěn)定。較鋰電池儲(chǔ)能系統(tǒng)，PV-FESS儲(chǔ)能系統(tǒng)全生命周期成本降低32%?；贛atlab-Simulink的仿真驗(yàn)證表明，該算法能有效平抑波動(dòng)，使PV-FESS系統(tǒng)成功平衡功率變化，從而向電網(wǎng)提供穩(wěn)定可靠的電力輸出。
飛輪儲(chǔ)能系統(tǒng)在電網(wǎng)調(diào)頻中具有響應(yīng)快、壽命長(zhǎng)等優(yōu)勢(shì)，但存在顯著待機(jī)損耗，魏樂等針對(duì)飛輪損耗這一經(jīng)濟(jì)指標(biāo)，利用飛輪儲(chǔ)能系統(tǒng)小樣本運(yùn)行數(shù)據(jù)，提出一種結(jié)合Logistic混沌麻雀優(yōu)化算法和卷積神經(jīng)網(wǎng)絡(luò)飛輪損耗計(jì)算模型，首先使用對(duì)抗生成網(wǎng)絡(luò)對(duì)靈武電廠飛輪運(yùn)行數(shù)據(jù)進(jìn)行小樣本擴(kuò)充，通過卷積神經(jīng)網(wǎng)絡(luò)建立飛輪損耗模型，采用改進(jìn)后的麻雀優(yōu)化算法對(duì)其超參數(shù)優(yōu)化改進(jìn)，結(jié)果證明該模型能夠優(yōu)化飛輪儲(chǔ)能系統(tǒng)出力并降低飛輪的損耗。
Pathak等將飛輪儲(chǔ)能系統(tǒng)作為高頻響應(yīng)單元，與鋰電池儲(chǔ)能協(xié)同組成混合儲(chǔ)能系統(tǒng)用于平抑風(fēng)光波動(dòng)導(dǎo)致的秒級(jí)頻率擾動(dòng)。其中飛輪儲(chǔ)能系統(tǒng)控制采用分?jǐn)?shù)階級(jí)聯(lián)控制(fractional cascade LFC)控制方法，控制外環(huán)為頻率偏差控制，控制內(nèi)環(huán)為功率指令，控制器采用分?jǐn)?shù)階PID(FOPID)替代傳統(tǒng)PI，提升動(dòng)態(tài)響應(yīng)15%。通過改進(jìn)鯨魚優(yōu)化算法(I-WOA)以最小化頻率偏差為優(yōu)化目標(biāo)。該方案使30%風(fēng)光滲透的孤島微電網(wǎng)的頻率恢復(fù)時(shí)間縮短62%。
Shubham等將飛輪儲(chǔ)能和超級(jí)電容組成混合儲(chǔ)能系統(tǒng)，協(xié)同應(yīng)對(duì)風(fēng)光波動(dòng)和電動(dòng)汽車充電對(duì)電網(wǎng)的沖擊。首先采用雙級(jí)(1+PI)TID控制器預(yù)處理頻率偏差，然后通過分?jǐn)?shù)階TID(Tilt-integral-derivative)生成飛輪扭矩指令，創(chuàng)造性地引入水母搜索優(yōu)化算法(JSO)整定12個(gè)控制參數(shù)，將電網(wǎng)的頻率恢復(fù)時(shí)間縮短65%。
Bhavanisankar等將飛輪儲(chǔ)能、電池、超級(jí)電容組成混合儲(chǔ)能系統(tǒng)，構(gòu)成一個(gè)風(fēng)光柴儲(chǔ)微電網(wǎng)。采用優(yōu)化目標(biāo)為最小頻率偏差的改進(jìn)布谷鳥搜索-SVM算法，該研究首次將SVM補(bǔ)償引入飛輪調(diào)頻，用于動(dòng)態(tài)調(diào)整飛輪儲(chǔ)能系統(tǒng)功率指令的補(bǔ)償因子，結(jié)果表明該算法能夠解決飛輪功率指令的時(shí)變非線性映射問題，減少85%的模型重訓(xùn)練時(shí)間，延長(zhǎng)混合儲(chǔ)能系統(tǒng)壽命3.2年。
為應(yīng)對(duì)可再生能源的并網(wǎng)給多區(qū)域電力系統(tǒng)(MPSs)的頻率調(diào)節(jié)帶來的日益嚴(yán)峻的挑戰(zhàn)，Huynh等提出一種基于比例-微分滑模面(PD-SS)結(jié)構(gòu)的魯棒滑?？刂?SMC)策略。該策略考慮聯(lián)絡(luò)線功率交換、風(fēng)電功率波動(dòng)以及電池/飛輪儲(chǔ)能的功率變化，通過改進(jìn)超螺旋算法(ISTA)增強(qiáng)控制性能。通過李雅普諾夫穩(wěn)定性理論對(duì)控制策略的全局穩(wěn)定性進(jìn)行數(shù)學(xué)驗(yàn)證。在階躍信號(hào)與隨機(jī)負(fù)荷變化下的仿真結(jié)果表明：相較于PD-SMC與PI-SMC方案，該方法分別降低超調(diào)量56%和84.5%，調(diào)節(jié)時(shí)間較PI-SMC縮短54.5%，證實(shí)其相對(duì)于現(xiàn)有控制策略的優(yōu)越性能與魯棒性。
?elik等研究了混合儲(chǔ)能系統(tǒng)對(duì)提升高比例新能源接入電力系統(tǒng)頻率控制性能的作用。引入電池儲(chǔ)能(BESS)、飛輪儲(chǔ)能(FESS)和超級(jí)電容器(UC)作為輔助調(diào)節(jié)單元，通過其毫秒級(jí)快速充放電能力響應(yīng)負(fù)荷擾動(dòng)。采用SSA算法優(yōu)化PID控制器參數(shù)，顯著增強(qiáng)系統(tǒng)魯棒性。仿真實(shí)驗(yàn)表明在負(fù)荷突變及機(jī)組故障場(chǎng)景下，該方案可降低頻率偏差，縮短調(diào)節(jié)時(shí)間，抑制振蕩幅度，穩(wěn)定裕度提升15%～25%。經(jīng)濟(jì)性方面，混合儲(chǔ)能系統(tǒng)承擔(dān)80%瞬態(tài)功率沖擊，使傳統(tǒng)機(jī)組調(diào)節(jié)頻次減少60%，年運(yùn)行成本降低約39%。
魏樂等針對(duì)高比例不確定性風(fēng)力發(fā)電并網(wǎng)所引起的頻率波動(dòng)，以及電力系統(tǒng)慣性降低導(dǎo)致的電網(wǎng)調(diào)頻能力減弱的問題，提出了基于長(zhǎng)短期記憶網(wǎng)絡(luò)風(fēng)功率預(yù)測(cè)的風(fēng)儲(chǔ)聯(lián)合系統(tǒng)一次調(diào)頻策略。首先通過對(duì)歷史數(shù)據(jù)的空間聚類和相關(guān)性分析進(jìn)行風(fēng)電場(chǎng)等值建模，并在此模型上基于長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行風(fēng)功率超短期預(yù)測(cè)；然后根據(jù)風(fēng)速區(qū)間選擇風(fēng)機(jī)變速或變槳調(diào)頻的協(xié)調(diào)控制策略；最后根據(jù)風(fēng)功率預(yù)測(cè)偏差、電網(wǎng)頻率偏差及其變化率調(diào)整飛輪儲(chǔ)能和鋰電池儲(chǔ)能的輔助調(diào)頻深度。仿真實(shí)驗(yàn)顯示風(fēng)功率預(yù)測(cè)的準(zhǔn)確率平均高達(dá)97.62%，一次調(diào)頻策略相對(duì)于固定比例策略和單獨(dú)風(fēng)電調(diào)頻策略，最大頻率偏差分別減小了11.3%、28.6%，調(diào)節(jié)時(shí)間分別減小了27.1%和35.2%。
6 AI在飛輪儲(chǔ)能系統(tǒng)故障診斷中的應(yīng)用
針對(duì)高速?gòu)较蜉S承故障頻發(fā)、傳統(tǒng)診斷方法誤判率高導(dǎo)致維護(hù)成本激增等問題。顏廷鑫提出一種結(jié)合有限元分析和小波神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法。首先，通過小波包能量譜提取故障特征，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。該故障診斷方法針對(duì)滾珠和保持架故障分別取得了96.29%和97.57%的高檢測(cè)率，并排除了共振頻率、溫度、真空度等外界干擾，全面驗(yàn)證了該方法在機(jī)械軸承支撐飛輪儲(chǔ)能中的有效性，為飛輪儲(chǔ)能系統(tǒng)的軸承故障診斷提供了有效方案。
華北電力大學(xué)的吳朝輝針對(duì)飛輪儲(chǔ)能系統(tǒng)的故障診斷與預(yù)警展開研究，創(chuàng)造性地利用信息熵融合方法提取并簡(jiǎn)化故障征兆集，建立了基于神經(jīng)故障Petri網(wǎng)的診斷模型，建立了基于循環(huán)神經(jīng)網(wǎng)絡(luò)(GRU)的運(yùn)行狀態(tài)預(yù)測(cè)模型，提出預(yù)警策略，最后通過關(guān)聯(lián)矩陣求解并結(jié)合實(shí)際電站數(shù)據(jù)仿真。仿真結(jié)果驗(yàn)證該模型能夠準(zhǔn)確識(shí)別故障，并能有效預(yù)警故障程度，保障飛輪儲(chǔ)能穩(wěn)定可靠運(yùn)行。
為解決飛輪儲(chǔ)能系統(tǒng)軸承振動(dòng)信號(hào)的非線性、非平穩(wěn)特性導(dǎo)致的故障診斷難題，提升診斷準(zhǔn)確率與效率。He等提出一種融合參數(shù)優(yōu)化VMD能量熵和深度學(xué)習(xí)的軸承故障診斷方法，該方法使用混沌麻雀搜索算法(CSSA)優(yōu)化VMD參數(shù)，引入Sine混沌映射初始化種群，增強(qiáng)搜索均勻性，采用自適應(yīng)T分布變異更新麻雀位置，避免局部最優(yōu)。以模態(tài)分量的散布熵(dispersion entropy)最小化為優(yōu)化目標(biāo)。實(shí)驗(yàn)結(jié)果表明，所提出的方法能夠有效地提取軸承故障特征，并實(shí)現(xiàn)準(zhǔn)確的故障診斷，其識(shí)別率達(dá)到了97.5%。
傳統(tǒng)VMD需預(yù)設(shè)模態(tài)數(shù)和帶寬控制參數(shù)，易受背景噪聲、異常脈沖和其他部件振動(dòng)干擾影響，導(dǎo)致分解效果不佳。Ni等引入廣義高斯循環(huán)平穩(wěn)模型(GGCS)和廣義高斯平穩(wěn)模型(GGS)用來量化軸承故障的循環(huán)平穩(wěn)性，利用故障信息引導(dǎo)的VMD方法對(duì)軸承重復(fù)暫態(tài)進(jìn)行識(shí)別，首次提出以故障特征頻率能量占比為優(yōu)化目標(biāo)，增強(qiáng)故障信息提取針對(duì)性。該方法對(duì)復(fù)雜工況下滾動(dòng)軸承早期故障信號(hào)、脈沖噪聲信號(hào)和軸承信號(hào)的故障進(jìn)行診斷，能夠精準(zhǔn)提取強(qiáng)噪聲和干擾環(huán)境下的微弱軸承重復(fù)性瞬態(tài)故障特征。
為解決滾動(dòng)軸承振動(dòng)信號(hào)的非線性、非平穩(wěn)性及早期故障特征微弱、信噪比(SNR)極低的難題，Wang等提出了一種改進(jìn)鯨魚優(yōu)化算法(IWOA)的故障診斷方法。實(shí)驗(yàn)結(jié)果表明，將鯨魚優(yōu)化算法的線性參數(shù)替換為非線性規(guī)則，添加差分?jǐn)_動(dòng)項(xiàng)擴(kuò)大搜索范圍，引入正弦擾動(dòng)項(xiàng)避免局部最優(yōu)。通過IWOA優(yōu)化的VMD能夠顯著提升VMD在強(qiáng)噪聲下的弱故障特征提取能力，為軸承早期故障診斷提供新思路。
7 結(jié)論與展望
當(dāng)前人工智能在飛輪儲(chǔ)能領(lǐng)域的研究大多為引入神經(jīng)網(wǎng)絡(luò)算法優(yōu)化或改進(jìn)轉(zhuǎn)子和電機(jī)設(shè)計(jì)、永磁同步電機(jī)和電磁軸承控制、并網(wǎng)運(yùn)行策略和故障檢測(cè)等單一研究方向。
未來在飛輪儲(chǔ)能系統(tǒng)的軸系設(shè)計(jì)、數(shù)字孿生、算法控制、電網(wǎng)調(diào)度運(yùn)行、智能故障監(jiān)控等領(lǐng)域引入大模型或構(gòu)建專用智能體以減少系統(tǒng)研發(fā)周期、快速迭代升級(jí)、無人運(yùn)營(yíng)管理等方面，還有廣闊的探索空間：
（1）未來可在飛輪儲(chǔ)能系統(tǒng)機(jī)械結(jié)構(gòu)設(shè)計(jì)中探索基于AI大模型的多目標(biāo)優(yōu)化設(shè)計(jì)體系，訓(xùn)練智能體優(yōu)化飛輪設(shè)計(jì)參數(shù)，實(shí)現(xiàn)飛輪儲(chǔ)能系統(tǒng)在安全裕量與成本方面的平衡。
（2）針對(duì)飛輪儲(chǔ)能系統(tǒng)或多類型混合儲(chǔ)能系統(tǒng)在高比例新能源接入電網(wǎng)中協(xié)調(diào)控制需求，可引入大模型用于自適應(yīng)自主決策能力和跨區(qū)域協(xié)調(diào)機(jī)制，通過強(qiáng)化學(xué)習(xí)模擬不同應(yīng)用場(chǎng)景，提升控制策略魯棒性；建立儲(chǔ)能-電網(wǎng)耦合系統(tǒng)的多智能體博弈模型，提高調(diào)頻補(bǔ)償機(jī)制的經(jīng)濟(jì)性。
（3）隨著多模態(tài)大模型的逐漸成熟，可構(gòu)建飛輪儲(chǔ)能系統(tǒng)機(jī)-電全生命周期數(shù)字孿生體，通過大模型整合學(xué)習(xí)電壓、電流、轉(zhuǎn)速、振動(dòng)、溫度、真空度等多源數(shù)據(jù)，實(shí)現(xiàn)故障預(yù)測(cè)從“診斷”向“預(yù)防”的提升，開發(fā)邊緣計(jì)算飛輪儲(chǔ)能系統(tǒng)AI小模型，滿足全自動(dòng)化調(diào)度與實(shí)時(shí)健康監(jiān)測(cè)需求。
