人工智能在飞轮储能中的应用

摘 要 飞轮储能系统(FESS)凭借高功率密度、长寿命、快速响应和环境友好等特性，在电网调频、惯量支撑、高频调峰等领域具有突出优势。飞轮储能系统面临着低成本高可靠设计、高速永磁电机和磁悬浮控制稳定性、在线故障预测以及多机并联阵列控制等问题。本文通过对近期相关文献的探讨，综述了人工智能技术在飞轮储能系统设计优化、电机控制、磁悬浮控制、并网控制及故障诊断等环节的应用，着重介绍了神经网络等算法在复合材料转子建模分析、永磁同步电机多参数协同优化设计、永磁同步电机多工况效率优化与转速观测、电磁轴承控制器算法、并网鲁棒性与分布式协同控制、调频控制策略、轴承故障诊断与预警等技术方向中的应用，并讨论大模型结合、多技术协同优化等未来发展方向，期望为飞轮储能系统的智能化研究和发展提供参考。

关键词 飞轮储能；人工智能；调频；故障诊断

在应对气候变化、减少温室气体排放的压力下，全球能源结构正在加速推进转型。各国纷纷加大对可再生能源的投资力度，风能、太阳能等波动性电源在电力系统中的占比逐年增加。我国可再生能源装机2024年新增3.74亿kW，占全国新增电力装机的86.3%，全国可再生能源装机总容量在全国发电总装机中占比提升至56.4%。然而，可再生能源的强随机性和弱惯量特性导致电力系统面临严峻的调频压力：一方面，频率偏差事件发生率同比增长42%；另一方面，传统火电机组因调节速率受限，难以满足新能源并网下的快速响应需求。

在此背景下，储能系统在电网中发挥着越来越重要的作用，主要包括削峰填谷、频率调节、平衡电力供需、提升电网韧性等。飞轮储能(FESS)以毫秒级快速功率响应、分秒级持续放电时间，高功率密度、不需要定期维护、无污染、百万次循环充放电寿命，成为一种极具潜力的储能技术。

飞轮储能系统由一个旋转的转子、永磁同步电机、轴承、电力电子设备和外壳组成。飞轮储能一般是指电能与飞轮动能之间的双向转化，因此特征是飞轮与电机同轴旋转，通过电力电子装置控制飞轮电机的旋转速度，实现升速储能、降速释能的目的。

与传统储能技术相比，飞轮储能系统在应对电网频率调节和短时储能需求方面表现出色。此外，飞轮系统的设计和维护相对简单，以及使用非化学材料，使其在全生命周期中的环境影响和安全性方面具备明显优势。尽管飞轮储能系统具备多项优势，但其规模化应用仍面临一些挑战。例如，飞轮成本较高、能量密度相比其他储能技术(如锂电池)较低、多单元协同控制复杂性、网-电-机系统强耦合性、故障预警滞后性等，这些都可能限制其广泛应用。

1 人工智能技术

人工智能(artificial intelligence, AI)是研究、开发用于模拟、延伸以及扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。人工智能能够从数据中理解、学习、适应并执行任务，通常由人类设计的程序和算法驱动。1956年达特茅斯人工智能研讨会上首次提出“人工智能”概念，标志人工智能的诞生。人工智能有一条技术路线是建立基于大脑中神经元细胞连接的计算模型，用人工神经网络来拟合智能行为，人工神经网络经历了浅层学习、深度学习、大模型三个发展阶段。

2022年11月以来，随着以ChatGPT为代表的大语言模型迅速发展，生成式人工智能(generative srtificial intelligence, GenAI)推动人工智能从算法智能进入语言智能(linguistic intelligence, LI)时代。人工智能正在全面革新社会生产力，国内专用领域大模型在科学研究、教育、医学、工业、金融、电力多个行业得到应用和发展。AI技术为解决飞轮储能的规模化应用面临的挑战提供了新路径。深度学习、强化学习等方法通过数据驱动建模和智能决策优化，显著提升飞轮储能系统的性能与经济性。本文聚焦AI在飞轮储能全生命周期应用，介绍AI在飞轮储能系统控制、永磁同步电机控制算法、转子设计及故障诊断等方面的应用并对未来研究方向作出展望。

2 AI在复合材料转子和永磁同步电机设计中的应用

Sinchuk等针对碳纤维增强纺织复合材料(CFRP)多层级结构建模难题，提出一套从μ-CT扫描到有限元分析的全流程解决方案，实现高精度弹性性能预测。该工作通过多标签聚类简化U-net分割，使用改进多材料行进立方体算法(multi-material marching cubes)将LUT记录压缩至原规模的0.8%，结合曲率约束的网格优化算法在保持体积分数误差

Wang等提出基于深度迁移学习的连续纤维增强复合材料(CFCs)的等效弹性性能预测框架，该预测框架采用了ResNet-36网络与迁移学习技术，通过多模态输入建立非线性映射关系，在迁移学习阶段冻结预训练卷积层参数，仅微调全连接层权重，在小样本条件下实现预测误差

永磁同步电机(PMSM)的优化设计目标和约束条件通常是设计变量的非线性数值函数和多极值函数，因此很难获得最优设计参数。针对该问题，Huang等将遗传算法引入电机电磁计算优化设计程序中，使用遗传算法对永磁电机中永磁体的磁化长度、永磁体宽度、气隙和极弧系数进行优化，收敛代数≤50代，设计周期从传统的几周降到了2小时。

Jin等针对永磁同步电机(PMSM)损耗高、效率低的问题，提出一种结合正交试验设计(DOE)、支持向量机(SVM)回归建模与改进粒子群优化(PSO)算法的多参数协同优化方法，实现电机损耗降低与效率提升。其通过正交实验设计625组样本数据，结合SVM径向基函数(RBF)拟合损耗回归模型，改进粒子群优化算法引入历史最优解和变异因子，解决了传统PSO早熟收敛问题，经实验验证，优化后电机总损耗降低13.5%，效率提升2.64%，转矩脉动降低37.1%。

面向500 kW/450 MJ大型飞轮储能系统(FESS)，解决轴向磁通永磁同步电机(AFPMSM)高损耗、大齿槽转矩问题。Sun等提出改进BP神经网络协同多目标的轴向磁通电机优化方法，突破传统单目标优化局限，通过软磁复合材料(SMC)结合多参数协同优化定子铁芯，实现效率与转矩脉动同步提升，经实验验证，优化后电机效率提升0.096%～98.48%，齿槽转矩降低19.8%，优化耗时从传统方法的72小时缩短至8小时。

3 AI在永磁同步电机控制中的应用

针对现有飞轮储能电机大多是基于额定工作点进行效率优化，难以实现全工作周期内综合效率最优的问题，朱迪等基于电热协同工作场景得到单个完整工作周期下飞轮高速永磁同步电机的运行工况变化，提出基于遗传算法的飞轮电机多工况效率优化方法。建立适用于高速电机的效率计算模型并基于遗传算法寻优得到最优工作点，优化后综合效率增加0.34%，全速范围内电机效率均得到提升，单个工作周期能量损耗较优化前降低14.8%。优化结果证明此方法可提高飞轮电机全工作周期内的运行效率，降低热泵运行过程中的能耗损失，提升飞轮储能系统的经济性。

传统飞轮储能系统电机控制需要的速度传感器增加成本且降低系统可靠性，Zolfaghari等提出了一种采用神经网络进行速度观测的永磁同步电机直接功率控制(DPC)技术，这是一种首次将神经网络(ANN)嵌入模型参考自适应系统(MRAS)的无传感器方案，采用反向传播网络(BPN)在线训练自适应模型权重，将转速ωr映射为可调权重ω2，通过磁链误差反向传播更新转速估计值。将非线性电机模型转化为线性系统，验证控制器在简化模型下的稳定性。最后验证了ANN-MRAS无传感器DPC方案兼具动态响应快、低脉动、高可靠性优势。

针对永磁同步电机(PMSM)速度控制中传统PID参数整定困难、滑模控制(SMC)存在抖振以及抗扰动性能差等问题，Shanthi等提出一种融合了神经网络学习能力与模糊逻辑推理的自适应神经模糊控制器(ANFIS)，作者采用两种控制方式并行运算，PID提供基础稳定性，SMC-PID增强控制器抗扰动性能，ANFIS整合两个控制器的输出，通过模糊规则动态加权输出最终控制命令，提升系统动态性能和鲁棒性。

针对永磁同步电机存在强非线性、参数时变特性，传统数学模型难以精确描述其动态行为，Zhang提出了一种结合自适应神经模糊推理系统(ANFIS)和微栖息地粒子群算法(MPSO)的永磁同步电动机系统建模方法，该方法通过微栖息地粒子群优化算法训练ANFIS参数，实现了对永磁同步电机动力学特性的高效非线性建模，相较于传统控制模型，该方法显著提升了速度与位置控制的精度和鲁棒性，在永磁同步电机控制系统中验证其较传统的控制模型转矩波动降低42%，效率提升2.1%。

4 AI在电磁轴承控制中的应用

邹晋彬等针对磁悬浮轴承系统的高度非线性、不稳定性以及多输入多输出特点，将强化学习(Q-learning)算法同模型预测控制(MPC)相结合，设计了一种根据当前系统状态自适应整定参数的模型预测控制器(Q-MPC)，解决了控制参数实时优化难题。仿真结果表明：正弦参考信号下，Q-MPC控制器作用的系统各自由度平均跟踪误差相比MPC控制器降低了36%；恒定参考信号下，Q-MPC控制器作用的系统各自由度比MPC控制器的平均超调量降低了51.4%，系统稳定所需平均调整时间降低了14.4%，施加扰动后，4个自由度的平均波动幅度降低了76.1%，系统稳定所需平均调整时间降低了26.2%。

针对当前飞轮储能系统中的磁悬浮轴承稳定控制、电机调速精度不足、现有电机控制策略响应慢、抗扰性差等问题。Kang等采用融合卷积神经网络(CNN)与粒子群优化(PSO)算法构建PSNN神经网络控制构架，实现了对飞轮电机转速的精准预测与控制，经实验验证该方法控制永磁同步电机相比传统方法具有更高的准确度和鲁棒性。

针对飞轮质量不平衡、加工制造公差或传感器误差等导致传统线性控制器鲁棒性不足，高转速下稳定性差等问题，Fittro等提出了一种根据转子运行速度动态调整刚度和阻尼的非线性神经网络控制器，在实验中验证了其在高速工况下具有很强的抗干扰能力，性能远超线性控制器，同时又融入了混合多层网络，进一步提升了飞轮储能系统在高转速区间的性能。

Zhang等提出一种基于遗传BP神经网络的磁悬浮飞轮无传感器控制技术，解决了车载复杂路况下传感器松动导致的控制失效问题，该方法通过实时采样轴承线圈电流并转换为位移信号，结合遗传算法实时优化BP神经网络PID控制器参数，经实验验证，在连续减速带路况下，该方法比传统PID将转子偏移峰值降低33%，控制精度提升25%，显著增强车载飞轮系统的鲁棒性。

Zhang等首次提出了一种基于工况分类与识别(SA-BPNN)和自适应PID参数调整(CNN-LSTM-Attention)混合神经网络模型的高稳定性飞轮控制策略，经实验验证，其相比传统PID控制可以实现多模态输入，具有更高的精度、稳定性和更快的响应速度，以及更好通用性。显著提升飞轮稳定性(偏移量降低16%)，为车载飞轮储能系统提供高鲁棒性解决方案，解决了复杂路况扰动差异化问题。

5 AI在飞轮储能并网控制中的应用

在飞轮储能应用于微电网控制算法方面，基于人工智能的解决方案比传统PID控制器具备更好的有效性和鲁棒性。

为解决飞轮储能系统(FESS)在风电等新能源应用的两大控制难题：传统PID控制响应慢、稳态误差大，负载突变时系统振荡严重。Cheng等提出一种基于递归模糊神经网络(RFNN)的控制器。该控制器融合模糊逻辑的规则推理能力与神经网络的动态学习特性，增强系统记忆能力，解决传统模糊规则依赖经验问题，显著提升飞轮储能的动态响应速度、稳态精度及抗扰动性，为新能源系统提供高性能解决方案。

针对城市轨道交通地铁列车电制动能量回收率低、牵引网电压波动大、飞轮储能(FESS)的充放电阈值固定导致能效优化受限问题，王宁等基于马尔科夫决策过程(MDP)对飞轮储能单元的能量管理系统进行数学建模，采用深度强化学习框架的DQN算法实现充放电阈值动态寻优，实验数据表明：相较于传统固定阈值策略，该动态调控方法使电能综合利用率提升1.4%，同时在牵引网稳压率提高1.8%。

针对风电功率秒级高频波动引发的电网频率失稳问题，Zhou等提出一种基于飞轮储能系统的风电功率平滑控制方法，采用深度Koopman模型预测控制策略，通过深度神经网络逼近Koopman算子完成系统线性化处理，突破传统MPC的局部线性化局限，实现全工况覆盖。仿真实验表明相较于PID和传统MPC方法，该方法在风电波动抑制、动态响应速度及抗扰动能力方面表现出更优的有效性与鲁棒性。

华北电力大学的李佳玉开展了基于多智能体协同的飞轮储能系统先进控制研究，重点关注飞轮储能的单体运行策略与群组协同控制，关注不同工况频繁切换下的电压稳定性问题；群组协同控制方面，以直流母线并联为切入点，构建了含飞轮储能群组的直流微电网模型，并设计了相应的分布式协同控制框架，充分考虑了带宽受限、网络攻击等非理想通信环境下的弹性控制研究。

季雯雯针对风储联合系统参与电网一次调频的协同优化问题，构建了基于风速分段建模的长短期记忆网络(LSTM)超短期风电功率预测模型，设计了风储协同调频动态控制策略。采用DBSCAN对风电机组高维运行数据进行预处理，删除了异常数据；基于风向分区，通过对历史数据的空间聚类和相关性分析，提取了风电场的特征风机；以特征风机为基础构建了基于LSTM的风电功率超短期预测模型；通过仿真实验验证该模型的风电功率预测准确率高达97.6%，能满足风储联合一次调频的需求。

孤立多微电网系统面临分布式电源出力随机性和负荷功率扰动等问题，导致电网频率偏移和电压波动。针对该问题，谢黎龙等建立了孤立多微网系统的分层控制架构：在自动电压调节器(AVR)层面，采用柔性动作评价(SAC)算法优化PI控制参数；在负荷频率控制(LFC)层面，开发多智能体柔性协同(MASAC)控制器，结果表明SAC算法对比例系数和积分系数的实时优化提高了PI电压调节器的性能，频率-电压综合控制误差下降60%，显著提升多微电网抗扰动能力，为高比例新能源接入提供技术支撑。

Lei等针对风电功率高频波动分量影响电网稳定的问题，提出一种基于改进模型预测控制(MPC)的飞轮储能(FESS)优化控制策略。通过小波包分解(WPD)提取风电高频分量，结合三次样条插值增强数据密度，构建飞轮储能充放电状态的二维空间模型。在30 MW风电场实验结果表明，基于模型预测控制算法的飞轮储能系统配置能够有效平抑风电场输出功率中高频分量的波动。

Wang等针对微电网中电池储能系统(BESS)因频繁充放电导致的退化问题，提出一种融合多应力电池退化模型(SOC/DOC/时间)的混合储能系统(HESS)优化调度策略。通过建立分段线性老化成本函数量化电池退化经济损失，结合改进粒子群算法(PSO)实现电池-飞轮混合储能的协同调度，降低系统全生命周期成本。特别值得注意的是，因能有效减缓电池退化，飞轮储能技术的引入在微电网寿命超过15年时展现出显著优势。

Lai等重点研究了一种集成了太阳能和飞轮储能(PV-FESS)的新型储能系统，开发结合自适应模糊神经网络与模型预测控制(ANFIS-MPC)的控制算法，通过动态调节飞轮的充放电来管理可再生能源并网带来的功率波动，优化系统运行并维持电网稳定。较锂电池储能系统，PV-FESS储能系统全生命周期成本降低32%。基于Matlab-Simulink的仿真验证表明，该算法能有效平抑波动，使PV-FESS系统成功平衡功率变化，从而向电网提供稳定可靠的电力输出。

飞轮储能系统在电网调频中具有响应快、寿命长等优势，但存在显著待机损耗，魏乐等针对飞轮损耗这一经济指标，利用飞轮储能系统小样本运行数据，提出一种结合Logistic混沌麻雀优化算法和卷积神经网络飞轮损耗计算模型，首先使用对抗生成网络对灵武电厂飞轮运行数据进行小样本扩充，通过卷积神经网络建立飞轮损耗模型，采用改进后的麻雀优化算法对其超参数优化改进，结果证明该模型能够优化飞轮储能系统出力并降低飞轮的损耗。

Pathak等将飞轮储能系统作为高频响应单元，与锂电池储能协同组成混合储能系统用于平抑风光波动导致的秒级频率扰动。其中飞轮储能系统控制采用分数阶级联控制(fractional cascade LFC)控制方法，控制外环为频率偏差控制，控制内环为功率指令，控制器采用分数阶PID(FOPID)替代传统PI，提升动态响应15%。通过改进鲸鱼优化算法(I-WOA)以最小化频率偏差为优化目标。该方案使30%风光渗透的孤岛微电网的频率恢复时间缩短62%。

Shubham等将飞轮储能和超级电容组成混合储能系统，协同应对风光波动和电动汽车充电对电网的冲击。首先采用双级(1+PI)TID控制器预处理频率偏差，然后通过分数阶TID(Tilt-integral-derivative)生成飞轮扭矩指令，创造性地引入水母搜索优化算法(JSO)整定12个控制参数，将电网的频率恢复时间缩短65%。

Bhavanisankar等将飞轮储能、电池、超级电容组成混合储能系统，构成一个风光柴储微电网。采用优化目标为最小频率偏差的改进布谷鸟搜索-SVM算法，该研究首次将SVM补偿引入飞轮调频，用于动态调整飞轮储能系统功率指令的补偿因子，结果表明该算法能够解决飞轮功率指令的时变非线性映射问题，减少85%的模型重训练时间，延长混合储能系统寿命3.2年。

为应对可再生能源的并网给多区域电力系统(MPSs)的频率调节带来的日益严峻的挑战，Huynh等提出一种基于比例-微分滑模面(PD-SS)结构的鲁棒滑模控制(SMC)策略。该策略考虑联络线功率交换、风电功率波动以及电池/飞轮储能的功率变化，通过改进超螺旋算法(ISTA)增强控制性能。通过李雅普诺夫稳定性理论对控制策略的全局稳定性进行数学验证。在阶跃信号与随机负荷变化下的仿真结果表明：相较于PD-SMC与PI-SMC方案，该方法分别降低超调量56%和84.5%，调节时间较PI-SMC缩短54.5%，证实其相对于现有控制策略的优越性能与鲁棒性。

Çelik等研究了混合储能系统对提升高比例新能源接入电力系统频率控制性能的作用。引入电池储能(BESS)、飞轮储能(FESS)和超级电容器(UC)作为辅助调节单元，通过其毫秒级快速充放电能力响应负荷扰动。采用SSA算法优化PID控制器参数，显著增强系统鲁棒性。仿真实验表明在负荷突变及机组故障场景下，该方案可降低频率偏差，缩短调节时间，抑制振荡幅度，稳定裕度提升15%～25%。经济性方面，混合储能系统承担80%瞬态功率冲击，使传统机组调节频次减少60%，年运行成本降低约39%。

魏乐等针对高比例不确定性风力发电并网所引起的频率波动，以及电力系统惯性降低导致的电网调频能力减弱的问题，提出了基于长短期记忆网络风功率预测的风储联合系统一次调频策略。首先通过对历史数据的空间聚类和相关性分析进行风电场等值建模，并在此模型上基于长短期记忆网络进行风功率超短期预测；然后根据风速区间选择风机变速或变桨调频的协调控制策略；最后根据风功率预测偏差、电网频率偏差及其变化率调整飞轮储能和锂电池储能的辅助调频深度。仿真实验显示风功率预测的准确率平均高达97.62%，一次调频策略相对于固定比例策略和单独风电调频策略，最大频率偏差分别减小了11.3%、28.6%，调节时间分别减小了27.1%和35.2%。

6 AI在飞轮储能系统故障诊断中的应用

针对高速径向轴承故障频发、传统诊断方法误判率高导致维护成本激增等问题。颜廷鑫提出一种结合有限元分析和小波神经网络的轴承故障诊断方法。首先，通过小波包能量谱提取故障特征，利用卷积神经网络进行训练。该故障诊断方法针对滚珠和保持架故障分别取得了96.29%和97.57%的高检测率，并排除了共振频率、温度、真空度等外界干扰，全面验证了该方法在机械轴承支撑飞轮储能中的有效性，为飞轮储能系统的轴承故障诊断提供了有效方案。

华北电力大学的吴朝辉针对飞轮储能系统的故障诊断与预警展开研究，创造性地利用信息熵融合方法提取并简化故障征兆集，建立了基于神经故障Petri网的诊断模型，建立了基于循环神经网络(GRU)的运行状态预测模型，提出预警策略，最后通过关联矩阵求解并结合实际电站数据仿真。仿真结果验证该模型能够准确识别故障，并能有效预警故障程度，保障飞轮储能稳定可靠运行。

为解决飞轮储能系统轴承振动信号的非线性、非平稳特性导致的故障诊断难题，提升诊断准确率与效率。He等提出一种融合参数优化VMD能量熵和深度学习的轴承故障诊断方法，该方法使用混沌麻雀搜索算法(CSSA)优化VMD参数，引入Sine混沌映射初始化种群，增强搜索均匀性，采用自适应T分布变异更新麻雀位置，避免局部最优。以模态分量的散布熵(dispersion entropy)最小化为优化目标。实验结果表明，所提出的方法能够有效地提取轴承故障特征，并实现准确的故障诊断，其识别率达到了97.5%。

传统VMD需预设模态数和带宽控制参数，易受背景噪声、异常脉冲和其他部件振动干扰影响，导致分解效果不佳。Ni等引入广义高斯循环平稳模型(GGCS)和广义高斯平稳模型(GGS)用来量化轴承故障的循环平稳性，利用故障信息引导的VMD方法对轴承重复暂态进行识别，首次提出以故障特征频率能量占比为优化目标，增强故障信息提取针对性。该方法对复杂工况下滚动轴承早期故障信号、脉冲噪声信号和轴承信号的故障进行诊断，能够精准提取强噪声和干扰环境下的微弱轴承重复性瞬态故障特征。

为解决滚动轴承振动信号的非线性、非平稳性及早期故障特征微弱、信噪比(SNR)极低的难题，Wang等提出了一种改进鲸鱼优化算法(IWOA)的故障诊断方法。实验结果表明，将鲸鱼优化算法的线性参数替换为非线性规则，添加差分扰动项扩大搜索范围，引入正弦扰动项避免局部最优。通过IWOA优化的VMD能够显著提升VMD在强噪声下的弱故障特征提取能力，为轴承早期故障诊断提供新思路。

7 结论与展望

当前人工智能在飞轮储能领域的研究大多为引入神经网络算法优化或改进转子和电机设计、永磁同步电机和电磁轴承控制、并网运行策略和故障检测等单一研究方向。

未来在飞轮储能系统的轴系设计、数字孪生、算法控制、电网调度运行、智能故障监控等领域引入大模型或构建专用智能体以减少系统研发周期、快速迭代升级、无人运营管理等方面，还有广阔的探索空间：

（1）未来可在飞轮储能系统机械结构设计中探索基于AI大模型的多目标优化设计体系，训练智能体优化飞轮设计参数，实现飞轮储能系统在安全裕量与成本方面的平衡。

（2）针对飞轮储能系统或多类型混合储能系统在高比例新能源接入电网中协调控制需求，可引入大模型用于自适应自主决策能力和跨区域协调机制，通过强化学习模拟不同应用场景，提升控制策略鲁棒性；建立储能-电网耦合系统的多智能体博弈模型，提高调频补偿机制的经济性。

（3）随着多模态大模型的逐渐成熟，可构建飞轮储能系统机-电全生命周期数字孪生体，通过大模型整合学习电压、电流、转速、振动、温度、真空度等多源数据，实现故障预测从“诊断”向“预防”的提升，开发边缘计算飞轮储能系统AI小模型，满足全自动化调度与实时健康监测需求。