👨🎓个人主页
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十a。
💥1 概述
参考文献：
编辑
摘要:可再生能源（RES）和储能系统（ESS）在微电网中的集成为最终用户和系统运营商提供了潜在的利益。然而，对于微电网的经济运行，需要对可再生能源的间歇性问题和ESS的高成本进行审查。本文提出了一种由电池和超级电容器组成的混合ESS微电网的两层预测能量管理系统（EMS）。考虑到混合ESS在充电深度（DOD）和寿命方面的退化成本，电池和超级电容器的长期成本被建模并转化为与实时操作相关的短期成本。为了在最小运营成本下保持高系统鲁棒性，提出了一种分层调度模型，以在有限时间范围内确定微电网中公用设施的调度，其中上层EMS最小化总运营成本，下层EMS消除预测误差引起的波动。仿真研究表明，不同类型的能量存储可以在两个控制层用于多个决策目标。包含不同定价方案、预测范围长度和预测精度的场景也证明了所提出的EMS结构的有效性。
编辑
编辑
一、混合储能微电网的结构与运行特点
1. 系统组成
- 能源单元：光伏（PV）、风电等可再生能源，通过DC/AC变换器接入直流/交流母线。
编辑 - 混合储能系统（HESS）：
- 蓄电池（如锂离子电池）：高能量密度，适合平抑长时间（分钟至小时级）功率波动。
- 超级电容：高功率密度、快速响应（毫秒级），处理瞬时高频波动（如风光出力突变）。
- 并网接口：双向接口转换器连接直流母线与交流电网，实现功率双向流动及孤岛/并网模式切换。
- 控制核心：基于模型预测算法（MPC）的双层能量管理系统（EMS）协调优化。
2. 混合储能的互补优势
| 储能类型 | 响应速度 | 能量密度 | 适用场景 | 寿命影响因素 |
| 蓄电池 | 慢（秒级） | 高 | 基荷调节、能量转移 | 充放电深度、循环次数 |
| 超级电容 | 快（毫秒级） | 低 | 瞬时波动平抑、峰值削峰 | 充放电次数（>100万次） |
通过低通滤波器分频控制：超级电容处理高频分量，蓄电池处理低频分量，延长整体寿命。
二、双层能量管理系统的设计原理
1. 分层架构与时间尺度
| 层级 | 时间尺度 | 优化目标 | 核心功能 |
| 上层（调度层） | 小时级（日内） | - 最小化运行成本（燃料、购电、运维） - 最大化可再生能源消纳 - 延长储能寿命（优化充放电策略） |
基于预测数据生成调度计划，下发至下层 |
| 下层（控制层） | 秒/分钟级 | - 实时功率平衡 - 平抑风光波动 - 协调HESS充放电分配 - 降低传输损耗 |
滚动优化调整HESS出力，响应上层指令 |
2. 模型预测控制（MPC）的核心作用
- 滚动优化机制：
每个控制周期基于最新状态和预测数据求解优化问题，仅执行首个控制指令，循环修正预测误差。 - 预测模型构建：
- 上层：结合LSTM-Transformer等预测风光出力、负荷需求及电价。
- 下层：采用灰色模型GM(1,N)+BP神经网络预测短时功率波动。
- 约束处理：严格限制储能SOC、充放电功率、电压/频率稳定性。
三、关键技术实现与优化策略
1. 混合储能的协调控制
- 功率分配策略：
- 基于低通滤波器截止频率动态分配：MPC优化截止频率，超级电容响应高频分量，蓄电池处理低频分量。
- 增强型自抗扰控制（ADRC）：抑制参数摄动和负载扰动，提升鲁棒性。
- 寿命优化模型：
将蓄电池退化成本（全生命周期成本）纳入目标函数，减少深度充放电循环。
2. 算法融合与加速
- 上层优化算法：
- 改进鲸鱼算法（IWOA） ：引入准反向解初始化、自适应权重，收敛速度提升30%，精度提高15%。
- 深度强化学习（如MAPPO） ：多微电网协同优化，降低整体运营成本。
- 下层实时求解：
- 蚁群算法（ACO） ：15分钟内求解MPC问题，能源节省差异<1%。
- 模糊自适应MPC：根据预测误差动态调整时域参数，降低调度偏差。
四、典型研究案例与性能验证
1. 案例1：MPC-HESS平抑风电波动（秦磊等, 2024）
- 方法：LSTM预测风电功率 + MPC优化HESS截止频率。
- 结果：降低功率波动率40%，延长蓄电池寿命20%。
2. 案例2：双层MPC微电网调度（Matlab案例, 2025）
- 上层：以成本最小为目标，调度日内HESS充放电计划。
- 下层：ACO算法实时分配HESS功率。
- 性能：
- 峰值负荷降低49.7%，总能耗减少17.6%。
- 蓄电池退化成本下降15%。
3. 案例3：云边协同双层优化（梁馨予等, 2023）
- 架构：云端集中优化区域间能量交换，边缘端实时控制子区域。
- 效果：减少外部电网依赖，运行波动率降低25%。
五、参数设置与验证方法
1. 关键参数设置
| 参数类型 | 上层设置 | 下层设置 |
| 预测时域 | 24小时（滚动更新） | 5-15分钟 |
| 控制时域 | 1小时 | 1-5分钟 |
| 优化目标权重 | 成本权重0.6, 寿命权重0.4 | 功率平衡权重0.7, 波动抑制权重0.3 |
2. 验证方法
- 历史数据回测：分割数据集（70%训练，30%验证），对比MPC与规则策略的能耗成本。
- 硬件在环（HIL）仿真：基于IEEE 33节点系统测试孤岛/并网模式切换性能。
- 指标评估：
- 经济性：单位电量成本（元/kWh）、峰谷差降低率。
- 稳定性：电压偏差率、频率波动范围。
- 储能寿命：等效循环次数、SOC变化方差。
六、挑战与未来方向
- 挑战：
- 预测模型精度受天气突变影响；
- 多目标优化权重难以动态调整；
- HESS退化模型与实际老化存在偏差。
- 趋势：
- 数字孪生技术：高保真模型实时映射物理系统；
- 联邦学习：保护数据隐私的多微电网协同优化；
- 氢储融合：探索“蓄电池+氢储能”长时调节能力。
结论：基于模型预测算法的双层能量管理系统通过分层优化（经济调度+实时控制）和HESS互补特性，显著提升微电网经济性（成本降低≥17.6%）与稳定性（波动抑制率≥40%）。未来需突破预测精度瓶颈，深化多能流耦合优化，推动混合储能微电网向高弹性、智能化演进。
📚2 运行结果
编辑
编辑
编辑
编辑
编辑
编辑
部分代码：
%% Start iteration: second layer
snd.mpciter = 0; %iteration Index
snd.option = options;
while (snd.mpciter < snd.iter)
% data changed in every 5 min
snd.PV = pv_5m_data_all(snd.mpciter+1+12*fst.mpciter, 1:12)';
snd.wind = wind_5m_data_all(snd.mpciter+1+12*fst.mpciter, 1:12)';
% data not changed in every 5 min
snd.load = snd.load_all(snd.mpciter+1:snd.mpciter+snd.horizon,:);
snd.price = snd.price_all(snd.mpciter+1:snd.mpciter+snd.horizon,:);
%%
%SECOND mpc calculation
[snd.f_dyn, snd.x_dyn, snd.u_dyn] = snd_mpc( snd, snd_output_data );
%Next iteration:
snd.u0 = shiftHorizon(snd.u_dyn); %Estimated control variables
snd.xmeasure = snd.x_dyn(2,:);
snd.mpciter = snd.mpciter+1;
snd.x = [ snd.x; snd.x_dyn(1,:) ];
snd.u = [ snd.u; snd.u_dyn(:,1)' ];
end
snd.flag = 1; %
%Second layer ends
%FIRST: Next iteration
fst.u0 = shiftHorizon(fst.u_dyn); %Estimated control variables
fst.xmeasure = snd.xmeasure(1,1:2); % From the second layer if second layer EXISTS
% fst.xmeasure = fst.x_dyn(2,:); %Estimated state variables, if second layer does not exist
fst.mpciter = fst.mpciter+1;
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]C. Ju, P. Wang, L. Goel and Y. Xu, "A Two-Layer Energy Management System for Microgrids With Hybrid Energy Storage Considering Degradation Costs," in IEEE Transactions on Smart Grid, vol. 9, no. 6,
