基于条件熵的SAC算法储能变换器自抗扰稳压策略

马幼捷; 韩德新; 周雪松; 张宇轩; 王馨悦; 陶珑

doi:10.19912/j.0254-0096.tynxb.2024-2277

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

基于条件熵的SAC算法储能变换器自抗扰稳压策略

更新时间：2026-07-21

- 基于条件熵的SAC算法储能变换器自抗扰稳压策略
- Vol. 47, Issue 5, Pages: 457-467(2026)
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2024-2277
  CLC： TM46
- Online First：04 June 2026，
  
  Published：2026
- 稿件说明：
移动端阅览
马幼捷, 韩德新, 周雪松, et al. 基于条件熵的SAC算法储能变换器自抗扰稳压策略[J]. 2026, 47(5): 457-467.
DOI：

马幼捷, 韩德新, 周雪松, et al. 基于条件熵的SAC算法储能变换器自抗扰稳压策略[J]. 2026, 47(5): 457-467. DOI： 10.19912/j.0254-0096.tynxb.2024-2277.

摘要

针对直流母线电压易受光伏输出功率变化和负载扰动影响的问题

设计一种基于条件熵的深度强化学习软行动者-评论家（SAC）算法的自抗扰控制（ADRC）策略。通过引入条件熵作为评价指标

衡量系统的受扰程度

并结合深度强化学习算法

对控制器带宽进行实时自驱优整定

确保含DC/DC变换器的储能单元能够平抑母线电压波动

提升直流微网的安全稳定运行性能。最后

通过在不同工况下与双闭环PI控制及传统线性自抗扰控制进行对比

证明所提策略的可行性。

Abstract

Aiming at the problem that DC bus voltage is susceptible to PV output power changes and load disturbances

an Active Disturbance Rejection Control strategy based on conditional entropy and the deep reinforcement learning Soft Actor-Critic （SAC） algorithm is designed. By introducing the conditional entropy as an evaluation index to measure the degree of perturbation of the system and combining it with the deep reinforcement learning algorithm

real-time self-driven optimal tuning of the controller bandwidth is carried out to ensure that the energy storage unit containing a DC/DC converter can suppress the bus voltage fluctuation and improve the safety and stability performance of the DC microgrid. Finally

the feasibility of the proposed strategy is demonstrated by comparing it with the double-closed-loop PI control and the traditional linear active disturbance rejection control under different operating conditions.

关键词

Keywords

references

张明霞, 闫涛, 来小康, 等. 电网新功能形态下储能技术的发展愿景和技术路径[J]. 电网技术, 2018, 42(5): 1370-1377.

曾浩, 赵恩盛, 周思宇, 等. 基于电流一致性的直流微网自适应下垂控制[J]. 电力系统保护与控制, 2022, 50(12): 11-21.

马幼捷, 杨清, 周雪松, 等. 基于模糊神经网络的储能侧双向DC-DC变换器自抗扰控制策略[J]. 太阳能学报, 2023, 44(10): 488-495.

马帅旗, 任思嘉, 贺海育, 等. 储能交错并联双向DC-DC变换器的自抗扰控制[J]. 电子测量技术, 2024, 47(13): 35-44.

刘晓, 刘立群, 吴祥辉, 等. 双向DC/DC变换器在直流微网中的应用[J]. 太原科技大学学报, 2016, 37(2): 108-113.

杨惠, 骆姗, 孙向东, 等. 光伏储能双向DC-DC变换器的自抗扰控制方法研究[J]. 太阳能学报, 2018, 39(5): 1342-1350.

李浩东, 肖伸平, 余锦. 基于自适应PSO的微电网双向DC-DC变换器前馈自抗扰控制[J]. 电机与控制应用, 2023, 50(2): 73-81.

禹梅, 杨倩. 基于遗传算法整定参数的LADRC在LFC时滞问题中的应用[C]//第25届中国控制与决策会议论文集, 中国贵阳, 2013: 6.

周雪松, 杨子明, 马幼捷. 基于神经网络的最优带宽风电并网自抗扰控制[J]. 太阳能学报, 2022, 43(9): 226-235.

缪刘洋, 朱其新, 朱永红. 基于多智能体强化学习的滑模控制器参数整定[J]. 机床与液压, 2024, 52(11): 160-166.

周雪松, 谢冰杰, 马幼捷, 等. 基于改进自抗扰的双向DC-DC变换器控制策略研究[J]. 电气传动, 2022, 52(15): 10-16, 30.

王瑶. 基于状态空间平均模型的电压控制SIDO Buck变换器稳定性分析[J]. 中国电机工程学报, 2018, 38(6): 1810-1817, 1918.

周雪松, 王馨悦, 马幼捷, 等. 直流微网变增益专家自抗扰控制[J]. 电力系统保护与控制, 2023, 51(18): 70-80.

李健, 谭文, 张彬文. 观测器带宽参数化的自抗扰控制[J]. 控制工程, 2022, 29(7): 1181-1186.

傅友, 邹东升. SDN中基于条件熵和决策树的DDoS攻击检测方法[J]. 重庆大学学报, 2023, 46(7): 1-8.

周雪松, 张心茹, 赵浛宇, 等. 基于DDPG算法的微网负载端接口变换器自抗扰控制[J]. 电力系统保护与控制, 2023, 51(21): 66-75.

夏琳, 罗威, 王俊霞, 等. 基于后验经验回放的MAAC多智能体强化学习算法[J]. 软件, 2023, 44(2): 17-22, 41.

鄢霞, 何勇, 张庆铭, 等. 基于SAC的永磁同步电机智能控制算法[J]. 组合机床与自动化加工技术, 2023(9): 86-91.

HAARNOJA T, ZHOU A, ABBEEL P, et al.Soft Actor-Critic: Off-Policy Maximum Entropy Deep Reinforcement Learning with a Stochastic Actor.[C]//International conference on machine learning. Pmlr, 2018: 1861-1870.

陶力, 杨夏喜, 顾金辉, 等. 基于SAC和TD3的含电动汽车虚拟电厂调度策略[J]. 电气传动, 2023, 53(9): 25-34.

张晓莉, 郭仕林, 刘鼎, 等. 基于改进SAC的倒立摆控制算法研究[J]. 电子测量技术, 2024, 47(1): 93-100.

马彬, 石永乐, 柴浩男, 等. 基于时变权重模型预测的双向DC-DC优化控制方法[J]. 重庆理工大学学报(自然科学), 2024, 38(7): 12-20.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

面向频率快速支撑的风电场自适应分层协调控制

基于TD3强化学习的光储微网双向DC-DC变换器自抗扰控制研究

深度强化学习优化非线性自抗扰微网稳压技术

计及气象不确定性的海上风电场建设多目标资源配置策略优化

基于gcForest-AdaBoost的光伏储能并网系统暂态稳定评估

Related Author

严干贵

钱敏慧

陈宁

牟佳男

杨德健

刘佳怡

胡钰

闫凤祥

Related Institution

School of Electrical Engineering and Automation, Tianjin University of Technology

Tianjin Anjie IOT Science and Technology Co., Ltd.

RENergy Electric Tianjin Ltd.

Key Laboratory of Smart Grid of Ministry of Education Tianjin University

School of Electrical and Electronic Engineering, Tianjin University of Technology

AI问答

⁰