本研讨提出一种一致电能质量调节器(UPQC)，其能量来源于太阳能光伏(PV)与电池储能体系针对电能质量（PQ）问题而规划。该计划选用蜜獾优化算法（HBOA）来挑选人工神经网络（ANN）的最优权重与偏置值，该网络用于参阅信号生成与直流（DC）电容器电压操控。人工神经网络（ANN）直流电容器电压调控。该操控战略旨在为一致电能质量调节器（UPQC）的少开关五电平变流器生成参阅信号，无需选用瞬时功率（p-q）改换或同步旋转坐标系（SRF）等传统改换办法。此外，选用HBOA算法优化挑选并联滤波器与串联滤波器的最佳参数。该优化UPQC办法的首要方针包含：最小化总谐波失真（THD）、提高功率因数（PF）、抑制电压扰动（如闪变、暂降、暂升及不平衡现象）以及安稳直流母线电压。直流电容器电压在日照改变和读档工况下，所开发办法经过四种不同读档及辐照条件的测验事例得到验证。%% 无性向算法%% (GA)与%% 粒子群优化%% (PSO)等规范办法（如p-q理论、SRF理论）的对比试验表明，该计划具有显著优势。该处理计划在改善功率因数的一起，有用下降了电压畸变和总谐波失真度，完成THD分别下降1.73%、1.44%、1.68%和1.18%。Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) demonstrates the superiority of the developed approach. The solution effectively reduces voltage distortions and THD while improving the power factor, achieving THD reductions of 1.73 %, 1.44 %, 1.68 %, and 1.18 %.
非线性负载的电力体系及电力电子器件的运用会导致电能质量(PQ)恶化。此外，近期为减轻变流器负担与额外容量，分布式网络正活跃引进绿色动力。为此，学者提出选用光伏(PV)供电的一致电能质量调节器(UPQC)来有用处理PQ问题并保持直流母线电容电压(DLCV)安稳。然而，在可再生动力缺额时段，还需引进蓄电池储能体系以支撑电网并满意读档需求。
文献中选用的为清洁动力供电的一致电能质量调节器(UPQC)变流器生成参阅信号的技术较为杂乱，需运用时域与频域结构，如p-q理论和同步旋转坐标系(SRF)理论。此外，多数研讨仅聚焦于操控器的挑选与参数整定，却忽视了滤波器参数的最优选取——这对总谐波失真(THD)最小化起着关键作用。另一方面，这些研讨首要选用Levenberg-Marquardt(LM)反向传达算法练习人工神经网络(ANN)，而忽略了元启发式算法的练习。
主张选用基于人工智能（AI）的含糊混合办法作为最大功率点盯梢（MPPT）技术，从光伏体系中提取最大功率，以增强直流母线安稳性并补偿电压暂降[1]。%%另一方面，经过元启发式混合算法优化挑选集成AI的传统操控器，以最小化总谐波失真（THD）并有用提高功率因数（PF）与电能质量（PQ）[[2], [3], [4]]。与此一起，挑选神经网络（NN）办法作为一致电能质量调节器（UPQC）的并联滤波器，为负载供给谐波含量更低的高质量电能。所开发的办法经过多个典型事例研讨得到验证[5]。
此外，有研讨主张选用受体育运动启发的算法来优化电力滤波器的性能，然后提高光伏体系的电能质量（PQ）。这类体系既可独立运转，也可接入电网，在为电动汽车充电站（EVs）供给充电服务的一起满意本地负荷的电力需求[6]。受蜜獾巧妙捕猎战略的启发，研讨人员开发了一种新型元启发式算法HBOA，用于处理优化应战[7]。此外，研讨还选用受人类智慧和自然现象启发的优化办法，结合人工智能技术和低开关频率变流器，对份额积分操控器（PIC）、份额积分微分操控器（PIDC）的增益参数以及滤波器的电阻（R）、电感（L）参数进行优选，以完成总谐波失真（THD）的最小化[[8], [9], [10]]。
然而，该研讨挑选神经网络计划作为参阅信号生成办法，并经过谐波最小化与一致电能质量调节器（UPQC）的电压补偿来处理电能质量问题[11]。为经过下降均方误差（MSE）来最小化总谐波失真（THD），研讨选用萤火虫优化算法构建了集成太阳能及储能体系的UPQC神经网络优化操控战略[12]。此外，经过花朵授粉算法开发了具有优化滤波器参数挑选、增益参数以及份额积分微分操控器（PIDC）的降开关数变流器，用于处理电能质量问题[13,14]。此外，针对电能质量问题的优化规划，选用最新自然启发元启发式算法操控的AI-UPQC已在文献[[15], [16], [17], [18]]中提出。为有用处理电能质量问题，选用装备份额积分操控器（PIC）的UPQC设备，其增益值经过元启发式算法选定[19]。为应对电能质量应战，有研讨主张结合蝙蝠优化与飞蛾扑火优化战略来选取PIC技术的增益变量[20]。经过优化K值可有用下降总谐波失真率（THD）并提高功率因数。i和Kp经过捕食性萤火虫算法[21]确认了SHAPF中PIC的参数。
从表1的文献综述现状能够清楚地看出，大多数研讨论文仅关注操控器的规划，选用传统的同步参阅系（SRF）和p-q理论复改换进行参阅信号生成。然而，少量研讨完成了基于LM反向传达练习办法的人工神经网络，但仍忽略了滤波器电阻和电感等对总谐波失真（THD）下降至关重要的其他参数优化。此外，这些研讨仅将少量电能质量问题作为非线性负载下的方针。本作业的立异性在于提出选用HBOA算法练习神经网络，并同步优化滤波器参数挑选，以单一渠道处理多种负载下的大部分电能质量问题。本研讨的关键奉献如下：
- 1.针对光伏电池供电的一致电能质量调节器（UPVBSS）所提出的HBOA练习神经网络（ANN-HBOA）办法，开发了Simulink模型，用于为精简开关五电平电压源变流器生成有用参阅信号，然后规避传统p-q理论与同步旋转坐标系理论。
- 2.选用蜜獾优化算法对串联与并联滤波器参数进行优化，以下降电流总谐波失真度，有用应对电网侧电压问题（包含跌落、闪变、骤升、扰动、中止及相供电不平衡），一起在短时间内保持直流环节电压稳定，并完成高效的有功功率活动管理。
- 3.在不同供电电压、太阳辐照度改变及读档条件下，对ANN-HBOA算法在四项测验研讨中的性能评估。
