在應對氣候變化、減少溫室氣體排放的壓力下，全球能源結構正在加速推進轉型。各國紛紛加大對可再生能源的投資力度，風能、太陽能等波動性電源在電力系統中的占比逐年增加。我國可再生能源裝機2024年新增3.74億kW，占全國新增電力裝機的86.3%，全國可再生能源裝機總容量在全國發電總裝機中占比提升至56.4%。然而，可再生能源的強隨機性和弱慣量特性導致電力系統面臨嚴峻的調頻壓力：一方面，頻率偏差事件發生率同比增長42%；另一方面，傳統火電機組因調節速率受限，難以滿足新能源并網下的快速響應需求。
在此背景下，儲能系統在電網中發揮著越來越重要的作用，主要包括削峰填谷、頻率調節、平衡電力供需、提升電網韌性等。飛輪儲能(FESS)以毫秒級快速功率響應、分秒級持續放電時間，高功率密度、不需要定期維護、無污染、百萬次循環充放電壽命，成為一種極具潛力的儲能技術。
飛輪儲能系統由一個旋轉的轉子、永磁同步電機、軸承、電力電子設備和外殼組成。飛輪儲能一般是指電能與飛輪動能之間的雙向轉化，因此特征是飛輪與電機同軸旋轉，通過電力電子裝置控制飛輪電機的旋轉速度，實現升速儲能、降速釋能的目的。
與傳統儲能技術相比，飛輪儲能系統在應對電網頻率調節和短時儲能需求方面表現出色。此外，飛輪系統的設計和維護相對簡單，以及使用非化學材料，使其在全生命周期中的環境影響和安全性方面具備明顯優勢。盡管飛輪儲能系統具備多項優勢，但其規模化應用仍面臨一些挑戰。例如，飛輪成本較高、能量密度相比其他儲能技術(如鋰電池)較低、多單元協同控制復雜性、網-電-機系統強耦合性、故障預警滯后性等，這些都可能限制其廣泛應用。
1．人工智能技術
人工智能(artificial intelligence, AI)是研究、開發用于模擬、延伸以及擴展人的智能的理論、方法、技術及應用系統的一門新技術科學。人工智能能夠從數據中理解、學習、適應并執行任務，通常由人類設計的程序和算法驅動。1956年達特茅斯人工智能研討會上首次提出“人工智能”概念，標志人工智能的誕生。人工智能有一條技術路線是建立基于大腦中神經元細胞連接的計算模型，用人工神經網絡來擬合智能行為，人工神經網絡經歷了淺層學習、深度學習、大模型三個發展階段。
2022年11月以來，隨著以ChatGPT為代表的大語言模型迅速發展，生成式人工智能(generative srtificial intelligence, GenAI)推動人工智能從算法智能進入語言智能(linguistic intelligence, LI)時代。人工智能正在全面革新社會生產力，國內專用領域大模型在科學研究、教育、醫學、工業、金融、電力多個行業得到應用和發展。AI技術為解決飛輪儲能的規模化應用面臨的挑戰提供了新路徑。深度學習、強化學習等方法通過數據驅動建模和智能決策優化，顯著提升飛輪儲能系統的性能與經濟性。本文聚焦AI在飛輪儲能全生命周期應用，介紹AI在飛輪儲能系統控制、永磁同步電機控制算法、轉子設計及故障診斷等方面的應用并對未來研究方向作出展望。
2．AI在復合材料轉子和永磁同步電機設計中的應用
Sinchuk等針對碳纖維增強紡織復合材料(CFRP)多層級結構建模難題，提出一套從μ-CT掃描到有限元分析的全流程解決方案，實現高精度彈性性能預測。該工作通過多標簽聚類簡化U-net分割，使用改進多材料行進立方體算法(multi-material marching cubes)將LUT記錄壓縮至原規模的0.8%，結合曲率約束的網格優化算法在保持體積分數誤差<0.1%的同時，使復雜結構網格生成效率提升三個數量級，有助于碳纖維復合材料飛輪的制造。
Wang等提出基于深度遷移學習的連續纖維增強復合材料(CFCs)的等效彈性性能預測框架，該預測框架采用了ResNet-36網絡與遷移學習技術，通過多模態輸入建立非線性映射關系，在遷移學習階段凍結預訓練卷積層參數，僅微調全連接層權重，在小樣本條件下實現預測誤差<0.5%。該方法有助于提高碳纖維飛輪的設計及制造效率，為復合材料數字化設計提供新范式。
永磁同步電機(PMSM)的優化設計目標和約束條件通常是設計變量的非線性數值函數和多極值函數，因此很難獲得最優設計參數。針對該問題，Huang等將遺傳算法引入電機電磁計算優化設計程序中，使用遺傳算法對永磁電機中永磁體的磁化長度、永磁體寬度、氣隙和極弧系數進行優化，收斂代數≤50代，設計周期從傳統的幾周降到了2小時。
Jin等針對永磁同步電機(PMSM)損耗高、效率低的問題，提出一種結合正交試驗設計(DOE)、支持向量機(SVM)回歸建模與改進粒子群優化(PSO)算法的多參數協同優化方法，實現電機損耗降低與效率提升。其通過正交實驗設計625組樣本數據，結合SVM徑向基函數(RBF)擬合損耗回歸模型，改進粒子群優化算法引入歷史最優解和變異因子，解決了傳統PSO早熟收斂問題，經實驗驗證，優化后電機總損耗降低13.5%，效率提升2.64%，轉矩脈動降低37.1%。
面向500 kW/450 MJ大型飛輪儲能系統(FESS)，解決軸向磁通永磁同步電機(AFPMSM)高損耗、大齒槽轉矩問題。Sun等提出改進BP神經網絡協同多目標的軸向磁通電機優化方法，突破傳統單目標優化局限，通過軟磁復合材料(SMC)結合多參數協同優化定子鐵芯，實現效率與轉矩脈動同步提升，經實驗驗證，優化后電機效率提升0.096%～98.48%，齒槽轉矩降低19.8%，優化耗時從傳統方法的72小時縮短至8小時。
3．AI在永磁同步電機控制中的應用
針對現有飛輪儲能電機大多是基于額定工作點進行效率優化，難以實現全工作周期內綜合效率最優的問題，朱迪等基于電熱協同工作場景得到單個完整工作周期下飛輪高速永磁同步電機的運行工況變化，提出基于遺傳算法的飛輪電機多工況效率優化方法。建立適用于高速電機的效率計算模型并基于遺傳算法尋優得到最優工作點，優化后綜合效率增加0.34%，全速范圍內電機效率均得到提升，單個工作周期能量損耗較優化前降低14.8%。優化結果證明此方法可提高飛輪電機全工作周期內的運行效率，降低熱泵運行過程中的能耗損失，提升飛輪儲能系統的經濟性。
傳統飛輪儲能系統電機控制需要的速度傳感器增加成本且降低系統可靠性，Zolfaghari等提出了一種采用神經網絡進行速度觀測的永磁同步電機直接功率控制(DPC)技術，這是一種首次將神經網絡(ANN)嵌入模型參考自適應系統(MRAS)的無傳感器方案，采用反向傳播網絡(BPN)在線訓練自適應模型權重，將轉速r映射為可調權重2，通過磁鏈誤差反向傳播更新轉速估計值。將非線性電機模型轉化為線性系統，驗證控制器在簡化模型下的穩定性。最后驗證了ANN-MRAS無傳感器DPC方案兼具動態響應快、低脈動、高可靠性優勢。
針對永磁同步電機(PMSM)速度控制中傳統PID參數整定困難、滑？刂(SMC)存在抖振以及抗擾動性能差等問題，Shanthi等提出一種融合了神經網絡學習能力與模糊邏輯推理的自適應神經模糊控制器(ANFIS)，作者采用兩種控制方式并行運算，PID提供基礎穩定性，SMC-PID增強控制器抗擾動性能，ANFIS整合兩個控制器的輸出，通過模糊規則動態加權輸出最終控制命令，提升系統動態性能和魯棒性。
針對永磁同步電機存在強非線性、參數時變特性，傳統數學模型難以精確描述其動態行為，Zhang提出了一種結合自適應神經模糊推理系統(ANFIS)和微棲息地粒子群算法(MPSO)的永磁同步電動機系統建模方法，該方法通過微棲息地粒子群優化算法訓練ANFIS參數，實現了對永磁同步電機動力學特性的高效非線性建模，相較于傳統控制模型，該方法顯著提升了速度與位置控制的精度和魯棒性，在永磁同步電機控制系統中驗證其較傳統的控制模型轉矩波動降低42%，效率提升2.1%。
4．AI在電磁軸承控制中的應用
鄒晉彬等針對磁懸浮軸承系統的高度非線性、不穩定性以及多輸入多輸出特點，將強化學習(Q-learning)算法同模型預測控制(MPC)相結合，設計了一種根據當前系統狀態自適應整定參數的模型預測控制器(Q-MPC)，解決了控制參數實時優化難題。仿真結果表明：正弦參考信號下，Q-MPC控制器作用的系統各自由度平均跟蹤誤差相比MPC控制器降低了36%；恒定參考信號下，Q-MPC控制器作用的系統各自由度比MPC控制器的平均超調量降低了51.4%，系統穩定所需平均調整時間降低了14.4%，施加擾動后，4個自由度的平均波動幅度降低了76.1%，系統穩定所需平均調整時間降低了26.2%。
針對當前飛輪儲能系統中的磁懸浮軸承穩定控制、電機調速精度不足、現有電機控制策略響應慢、抗擾性差等問題。Kang等采用融合卷積神經網絡(CNN)與粒子群優化(PSO)算法構建PSNN神經網絡控制構架，實現了對飛輪電機轉速的精準預測與控制，經實驗驗證該方法控制永磁同步電機相比傳統方法具有更高的準確度和魯棒性。
針對飛輪質量不平衡、加工制造公差或傳感器誤差等導致傳統線性控制器魯棒性不足，高轉速下穩定性差等問題，Fittro等提出了一種根據轉子運行速度動態調整剛度和阻尼的非線性神經網絡控制器，在實驗中驗證了其在高速工況下具有很強的抗干擾能力，性能遠超線性控制器，同時又融入了混合多層網絡，進一步提升了飛輪儲能系統在高轉速區間的性能。
Zhang等提出一種基于遺傳BP神經網絡的磁懸浮飛輪無傳感器控制技術，解決了車載復雜路況下傳感器松動導致的控制失效問題，該方法通過實時采樣軸承線圈電流并轉換為位移信號，結合遺傳算法實時優化BP神經網絡PID控制器參數，經實驗驗證，在連續減速帶路況下，該方法比傳統PID將轉子偏移峰值降低33%，控制精度提升25%，顯著增強車載飛輪系統的魯棒性。
Zhang等首次提出了一種基于工況分類與識別(SA-BPNN)和自適應PID參數調整(CNN-LSTM-Attention)混合神經網絡模型的高穩定性飛輪控制策略，經實驗驗證，其相比傳統PID控制可以實現多模態輸入，具有更高的精度、穩定性和更快的響應速度，以及更好通用性。顯著提升飛輪穩定性(偏移量降低16%)，為車載飛輪儲能系統提供高魯棒性解決方案，解決了復雜路況擾動差異化問題。
5．AI在飛輪儲能并網控制中的應用
在飛輪儲能應用于微電網控制算法方面，基于人工智能的解決方案比傳統PID控制器具備更好的有效性和魯棒性。
為解決飛輪儲能系統(FESS)在風電等新能源應用的兩大控制難題：傳統PID控制響應慢、穩態誤差大，負載突變時系統振蕩嚴重。Cheng等提出一種基于遞歸模糊神經網絡(RFNN)的控制器。該控制器融合模糊邏輯的規則推理能力與神經網絡的動態學習特性，增強系統記憶能力，解決傳統模糊規則依賴經驗問題，顯著提升飛輪儲能的動態響應速度、穩態精度及抗擾動性，為新能源系統提供高性能解決方案。
針對城市軌道交通地鐵列車電制動能量回收率低、牽引網電壓波動大、飛輪儲能(FESS)的充放電閾值固定導致能效優化受限問題，王寧等基于馬爾科夫決策過程(MDP)對飛輪儲能單元的能量管理系統進行數學建模，采用深度強化學習框架的DQN算法實現充放電閾值動態尋優，實驗數據表明：相較于傳統固定閾值策略，該動態調控方法使電能綜合利用率提升1.4%，同時在牽引網穩壓率提高1.8%。
針對風電功率秒級高頻波動引發的電網頻率失穩問題，Zhou等提出一種基于飛輪儲能系統的風電功率平滑控制方法，采用深度Koopman模型預測控制策略，通過深度神經網絡逼近Koopman算子完成系統線性化處理，突破傳統MPC的局部線性化局限，實現全工況覆蓋。仿真實驗表明相較于PID和傳統MPC方法，該方法在風電波動抑制、動態響應速度及抗擾動能力方面表現出更優的有效性與魯棒性。
華北電力大學的李佳玉開展了基于多智能體協同的飛輪儲能系統先進控制研究，重點關注飛輪儲能的單體運行策略與群組協同控制，關注不同工況頻繁切換下的電壓穩定性問題；群組協同控制方面，以直流母線并聯為切入點，構建了含飛輪儲能群組的直流微電網模型，并設計了相應的分布式協同控制框架，充分考慮了帶寬受限、網絡攻擊等非理想通信環境下的彈性控制研究。
季雯雯針對風儲聯合系統參與電網一次調頻的協同優化問題，構建了基于風速分段建模的長短期記憶網絡(LSTM)超短期風電功率預測模型，設計了風儲協同調頻動態控制策略。采用DBSCAN對風電機組高維運行數據進行預處理，刪除了異常數據；基于風向分區，通過對歷史數據的空間聚類和相關性分析，提取了風電場的特征風機；以特征風機為基礎構建了基于LSTM的風電功率超短期預測模型；通過仿真實驗驗證該模型的風電功率預測準確率高達97.6%，能滿足風儲聯合一次調頻的需求。
孤立多微電網系統面臨分布式電源出力隨機性和負荷功率擾動等問題，導致電網頻率偏移和電壓波動。針對該問題，謝黎龍等建立了孤立多微網系統的分層控制架構：在自動電壓調節器(AVR)層面，采用柔性動作評價(SAC)算法優化PI控制參數；在負荷頻率控制(LFC)層面，開發多智能體柔性協同(MASAC)控制器，結果表明SAC算法對比例系數和積分系數的實時優化提高了PI電壓調節器的性能，頻率-電壓綜合控制誤差下降60%，顯著提升多微電網抗擾動能力，為高比例新能源接入提供技術支撐。
Lei等針對風電功率高頻波動分量影響電網穩定的問題，提出一種基于改進模型預測控制(MPC)的飛輪儲能(FESS)優化控制策略。通過小波包分解(WPD)提取風電高頻分量，結合三次樣條插值增強數據密度，構建飛輪儲能充放電狀態的二維空間模型。在30 MW風電場實驗結果表明，基于模型預測控制算法的飛輪儲能系統配置能夠有效平抑風電場輸出功率中高頻分量的波動。
Wang等針對微電網中電池儲能系統(BESS)因頻繁充放電導致的退化問題，提出一種融合多應力電池退化模型(SOC/DOC/時間)的混合儲能系統(HESS)優化調度策略。通過建立分段線性老化成本函數量化電池退化經濟損失，結合改進粒子群算法(PSO)實現電池-飛輪混合儲能的協同調度，降低系統全生命周期成本。特別值得注意的是，因能有效減緩電池退化，飛輪儲能技術的引入在微電網壽命超過15年時展現出顯著優勢。
Lai等重點研究了一種集成了太陽能和飛輪儲能(PV-FESS)的新型儲能系統，開發結合自適應模糊神經網絡與模型預測控制(ANFIS-MPC)的控制算法，通過動態調節飛輪的充放電來管理可再生能源并網帶來的功率波動，優化系統運行并維持電網穩定。較鋰電池儲能系統，PV-FESS儲能系統全生命周期成本降低32%；贛atlab-Simulink的仿真驗證表明，該算法能有效平抑波動，使PV-FESS系統成功平衡功率變化，從而向電網提供穩定可靠的電力輸出。
飛輪儲能系統在電網調頻中具有響應快、壽命長等優勢，但存在顯著待機損耗，魏樂等針對飛輪損耗這一經濟指標，利用飛輪儲能系統小樣本運行數據，提出一種結合Logistic混沌麻雀優化算法和卷積神經網絡飛輪損耗計算模型，首先使用對抗生成網絡對靈武電廠飛輪運行數據進行小樣本擴充，通過卷積神經網絡建立飛輪損耗模型，采用改進后的麻雀優化算法對其超參數優化改進，結果證明該模型能夠優化飛輪儲能系統出力并降低飛輪的損耗。
Pathak等將飛輪儲能系統作為高頻響應單元，與鋰電池儲能協同組成混合儲能系統用于平抑風光波動導致的秒級頻率擾動。其中飛輪儲能系統控制采用分數階級聯控制(fractional cascade LFC)控制方法，控制外環為頻率偏差控制，控制內環為功率指令，控制器采用分數階PID(FOPID)替代傳統PI，提升動態響應15%。通過改進鯨魚優化算法(I-WOA)以最小化頻率偏差為優化目標。該方案使30%風光滲透的孤島微電網的頻率恢復時間縮短62%。
Shubham等將飛輪儲能和超級電容組成混合儲能系統，協同應對風光波動和電動汽車充電對電網的沖擊。首先采用雙級(1+PI)TID控制器預處理頻率偏差，然后通過分數階TID(Tilt-integral-derivative)生成飛輪扭矩指令，創造性地引入水母搜索優化算法(JSO)整定12個控制參數，將電網的頻率恢復時間縮短65%。
Bhavanisankar等將飛輪儲能、電池、超級電容組成混合儲能系統，構成一個風光柴儲微電網。采用優化目標為最小頻率偏差的改進布谷鳥搜索-SVM算法，該研究首次將SVM補償引入飛輪調頻，用于動態調整飛輪儲能系統功率指令的補償因子，結果表明該算法能夠解決飛輪功率指令的時變非線性映射問題，減少85%的模型重訓練時間，延長混合儲能系統壽命3.2年。
為應對可再生能源的并網給多區域電力系統(MPSs)的頻率調節帶來的日益嚴峻的挑戰，Huynh等提出一種基于比例-微分滑模面(PD-SS)結構的魯棒滑模控制(SMC)策略。該策略考慮聯絡線功率交換、風電功率波動以及電池/飛輪儲能的功率變化，通過改進超螺旋算法(ISTA)增強控制性能。通過李雅普諾夫穩定性理論對控制策略的全局穩定性進行數學驗證。在階躍信號與隨機負荷變化下的仿真結果表明：相較于PD-SMC與PI-SMC方案，該方法分別降低超調量56%和84.5%，調節時間較PI-SMC縮短54.5%，證實其相對于現有控制策略的優越性能與魯棒性。
Çelik等研究了混合儲能系統對提升高比例新能源接入電力系統頻率控制性能的作用。引入電池儲能(BESS)、飛輪儲能(FESS)和超級電容器(UC)作為輔助調節單元，通過其毫秒級快速充放電能力響應負荷擾動。采用SSA算法優化PID控制器參數，顯著增強系統魯棒性。仿真實驗表明在負荷突變及機組故障場景下，該方案可降低頻率偏差，縮短調節時間，抑制振蕩幅度，穩定裕度提升15%～25%。經濟性方面，混合儲能系統承擔80%瞬態功率沖擊，使傳統機組調節頻次減少60%，年運行成本降低約39%。
魏樂等針對高比例不確定性風力發電并網所引起的頻率波動，以及電力系統慣性降低導致的電網調頻能力減弱的問題，提出了基于長短期記憶網絡風功率預測的風儲聯合系統一次調頻策略。首先通過對歷史數據的空間聚類和相關性分析進行風電場等值建模，并在此模型上基于長短期記憶網絡進行風功率超短期預測；然后根據風速區間選擇風機變速或變槳調頻的協調控制策略；最后根據風功率預測偏差、電網頻率偏差及其變化率調整飛輪儲能和鋰電池儲能的輔助調頻深度。仿真實驗顯示風功率預測的準確率平均高達97.62%，一次調頻策略相對于固定比例策略和單獨風電調頻策略，最大頻率偏差分別減小了11.3%、28.6%，調節時間分別減小了27.1%和35.2%。
6．AI在飛輪儲能系統故障診斷中的應用
針對高速徑向軸承故障頻發、傳統診斷方法誤判率高導致維護成本激增等問題。顏廷鑫提出一種結合有限元分析和小波神經網絡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，利用卷積神經網絡進行訓練。該故障診斷方法針對滾珠和保持架故障分別取得了96.29%和97.57%的高檢測率，并排除了共振頻率、溫度、真空度等外界干擾，全面驗證了該方法在機械軸承支撐飛輪儲能中的有效性，為飛輪儲能系統的軸承故障診斷提供了有效方案。
華北電力大學的吳朝輝針對飛輪儲能系統的故障診斷與預警展開研究，創造性地利用信息熵融合方法提取并簡化故障征兆集，建立了基于神經故障Petri網的診斷模型，建立了基于循環神經網絡(GRU)的運行狀態預測模型，提出預警策略，最后通過關聯矩陣求解并結合實際電站數據仿真。仿真結果驗證該模型能夠準確識別故障，并能有效預警故障程度，保障飛輪儲能穩定可靠運行。
為解決飛輪儲能系統軸承振動信號的非線性、非平穩特性導致的故障診斷難題，提升診斷準確率與效率。He等提出一種融合參數優化VMD能量熵和深度學習的軸承故障診斷方法，該方法使用混沌麻雀搜索算法(CSSA)優化VMD參數，引入Sine混沌映射初始化種群，增強搜索均勻性，采用自適應T分布變異更新麻雀位置，避免局部最優。以模態分量的散布熵(dispersion entropy)最小化為優化目標。實驗結果表明，所提出的方法能夠有效地提取軸承故障特征，并實現準確的故障診斷，其識別率達到了97.5%。
傳統VMD需預設模態數和帶寬控制參數，易受背景噪聲、異常脈沖和其他部件振動干擾影響，導致分解效果不佳。Ni等引入廣義高斯循環平穩模型(GGCS)和廣義高斯平穩模型(GGS)用來量化軸承故障的循環平穩性，利用故障信息引導的VMD方法對軸承重復暫態進行識別，首次提出以故障特征頻率能量占比為優化目標，增強故障信息提取針對性。該方法對復雜工況下滾動軸承早期故障信號、脈沖噪聲信號和軸承信號的故障進行診斷，能夠精準提取強噪聲和干擾環境下的微弱軸承重復性瞬態故障特征。
為解決滾動軸承振動信號的非線性、非平穩性及早期故障特征微弱、信噪比(SNR)極低的難題，Wang等提出了一種改進鯨魚優化算法(IWOA)的故障診斷方法。實驗結果表明，將鯨魚優化算法的線性參數替換為非線性規則，添加差分擾動項擴大搜索范圍，引入正弦擾動項避免局部最優。通過IWOA優化的VMD能夠顯著提升VMD在強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。
當前人工智能在飛輪儲能領域的研究大多為引入神經網絡算法優化或改進轉子和電機設計、永磁同步電機和電磁軸承控制、并網運行策略和故障檢測等單一研究方向。
未來在飛輪儲能系統的軸系設計、數字孿生、算法控制、電網調度運行、智能故障監控等領域引入大模型或構建專用智能體以減少系統研發周期、快速迭代升級、無人運營管理等方面，還有廣闊的探索空間：
。1）未來可在飛輪儲能系統機械結構設計中探索基于AI大模型的多目標優化設計體系，訓練智能體優化飛輪設計參數，實現飛輪儲能系統在安全裕量與成本方面的平衡。
。2）針對飛輪儲能系統或多類型混合儲能系統在高比例新能源接入電網中協調控制需求，可引入大模型用于自適應自主決策能力和跨區域協調機制，通過強化學習模擬不同應用場景，提升控制策略魯棒性；建立儲能-電網耦合系統的多智能體博弈模型，提高調頻補償機制的經濟性。
。3）隨著多模態大模型的逐漸成熟，可構建飛輪儲能系統機-電全生命周期數字孿生體，通過大模型整合學習電壓、電流、轉速、振動、溫度、真空度等多源數據，實現故障預測從“診斷”向“預防”的提升，開發邊緣計算飛輪儲能系統AI小模型，滿足全自動化調度與實時健康監測需求。
聯系地址：陜西省西安市北關正街35號方興大廈8樓
