在“双碳”战略和能源转型的时代背景下，电氢微电网融合太阳能、储能和氢能利用，是未来能源系统的重要发展方向。人工智能学院协同控制团队联合龙子湖新能源实验室聚焦电氢微电网控制、储能系统功率变换器优化、混合储能控制以及直流微电网稳定运行等关键方向，在电气领域国际顶级期刊《IEEE Transactions on Industrial Electronics》、《IEEE Transactions on Industrial Informatics》和《IEEE Transactions on power electronics》上发表系列研究成果。

图1：龙子湖新能源实验室-智能微电网实验室

1.电氢微电网分布式协同控制策略

针对异质储能系统间的功率分配这一难题，团队提出了基于双层模糊映射机制的分布式协同控制策略。

图2：双层模糊映射机制

如图2所示，该方法通过有效权重因子延长铅酸电池寿命，同时引入双层模糊映射优化氢储能系统运行效率，确保PEM电解槽在安全且灵活的效率区间内工作。结果表明，该策略显著延缓电池在高SOC区域的运行时长，并提升了氢能系统的能效与安全性。通过硬件平台验证了控制策略的有效性，该策略可以延迟铅酸电池在高SOC区域工作时长，进而延长电池寿命。同时确保氢储能系统运行时的安全性，维持PEM电解槽能量转换效率工作在更加灵活的区域，如图3所示。

图3：铅酸电池与PEM电解槽功率分配实验图

该项成果发表在电气工程领域国际顶级刊物《IEEE Transactions on Industrial Electronics》（一区TOP，IF 7.5），论文题目为“Dual-Layer Fuzzy Mapping based Dynamic Power Allocation Strategy for Electric-hydrogen Hybrid Energy Storage System”，第一作者为人工智能学院青年教师张西镚，河南大学为第一通讯单位。

2.储能功率变换器的主动失配预测控制

功率变换器作为储能系统链接微电网的关键部件，可以实现电能变换、维持系统稳定等功能。然而，功率变换器的非线性特性复杂且难以解释，易导致模型失配，进而影响控制精度和系统稳定性，降低电能质量。

图4：自适应约束模型主动失配预测控制

团队提出了自适应约束模型主动失配预测控制策略（AC-MAMPC），如图4所示。该方法通过主动改变功率环及电流环参数，降低电流纹波，并结合自适应约束机制减少稳态误差。实验结果如图5所示，电流纹波降低16.7%，母线电压动态误差减少62.5%，显著提升了电能质量和系统稳定性。

图5：AC-MAMPC控制性能

该项成果发表在电力电子技术领域国际顶级刊物《IEEE Transactions on Power Electronics》（一区TOP，IF 6.7），论文题目为“Adaptive Constraints Model Active Mismatch Predictive Control for Power Converters of Energy Storage System”，第一作者为人工智能学院青年教师张西镚，河南大学为第一通讯单位。

3.混合储能系统深度强化学习控制

为实现混合储能系统中DC-DC转换器的快速响应，开发高效的控制策略是保障微电网稳定运行的核心。然而，在计算能力有限的情况下，如何有效应对功率损耗和模型参数不匹配带来的不利影响，依然是一项重大挑战。

团队提出了一种结合深度强化学习的混合储能系统无差拍控制算法（RL-DBC），如图6所示。在该方法中，非线性功率损耗和模型失配引起的混合储能系统最佳电流参考值变化被视为集中扰动，通过深度确定性策略梯度算法进行补偿，并根据精确的参考电流生成最佳控制比，从而消除系统稳态误差并提高动态响应速度。该方法利用深度确定性策略梯度算法补偿非线性功率损耗与模型失配，生成最优控制比。

图6：RL-DBC控制算法

实验结果如图7所示，该方法稳态误差保持在1%以内，母线电压动态误差和调节时间分别降低34.24%-44.44%和16.66%-40.00%，在有限计算能力下显著提升了系统的动态响应与稳定性。

图7：负载功率阶跃变化实验图

该项成果发表在工业信息化领域国际顶级刊物《IEEE Transactions on Industrial Informatics》（一区TOP，IF 11.7），论文题目为“Deep Reinforcement Learning and Deadbeat Hybrid Control Method for Hybrid Energy Storage System Considering Nonlinear Power Loss and Model Mismatch”。第一作者为人工智能学院张延宇副教授，河南大学为第一通讯单位。

4.强化学习驱动的直流微电网稳定运行

恒功率负载（CPL）和模型失配问题会导致直流微电网中出现显著的电流纹波和电压波动，这对储能系统的控制方法提出了巨大挑战。针对直流微电网中恒功率负载和模型失配带来的电流纹波和电压波动，团队提出了基于强化学习的主动模型失配无差拍控制方法（RL-AMVDB）。

图8：RL-AMVDB控制流程

如图8所示，该方法在电流控制环中动态调整部分控制模型参数，将模型失配因子与闭环系统状态共同建模为马尔可夫决策过程，通过强化学习优化模型失配因子。实验结果如图9所示，在模型失配条件下，该方法可降低电流纹波16.6%；在突加恒功率负载时，整定时间、电压波动及电流纹波分别降低38.4%、10.2%和12.5%-20%，有效增强了系统的鲁棒性和适应性。

图9：RL-AMVDB在CPL功率跃迁场景下的控制表现

该项成果发表在电气工程领域国际顶级刊物《IEEE Transactions on Industrial Electronics》（一区TOP，IF 7.5），论文题目为“Reinforcement Learning Based Active Model Variation Deadbeat Control for Energy Storage System in DC Microgrids with Constant Power Loads”，第一作者为人工智能学院青年教师张西镚，河南大学为第一通讯单位。

该系列成果为人工智能学院青年教师张西镚，周毅教授、路杨教授和张延宇副教授合作完成。该研究工作得到国家自然科学基金专项项目（面向能源结构转型的中国储能布局预测研究）、龙子湖新能源实验室联合基金、河南省科技攻关项目、教育部春晖计划和中国博士后人才项目等项目的支持。该系列工作为解决氢电微电网稳定运行等关键问题提供了创新方案，不仅具有重要的学术价值，也为未来大规模应用提供了实践依据。