基于层次时序着色Petri网与Skyline算子的多微电网多目标优化调度：模型-数据双驱动方法

《Future Generation Computer Systems》：Multi-Objective Optimal Scheduling for Multi-Microgrids via Hierarchical Timed Colored Petri Net: A Model-Data-Driven Approach

本文提出了一种创新的模型-数据双驱动框架，将层次时序着色Petri网（HTCPN）与Skyline算子相结合，用于多微电网（MMG）系统的多目标优化调度。该方法通过HTCPN动态模拟24小时系统运行（含能源-信息流交互），并利用Skyline算子从大规模数据中提取帕累托最优解，同步优化运行成本、等效负载波动和配电网依赖度三大目标。实验证明该方案能有效提升微电网群经济性与自治能力，为复杂能源系统管理提供可扩展的解决方案。

　　

Section snippets

System architecture

研究的MMG系统架构如图1所示。该系统由三个互联微电网组成，每个微电网均与配电网（DG）连接。微电网与配电网之间可实现电能交换，从而防止功率失衡。各微电网内部集成储能系统（ESSs）以提升配电灵活性，同时配备微型燃气轮机（MGTs）以缓解极端天气对可再生能源波动的影响。

The concept of HTCPN in MMG

MMG系统整合了多种能源的微电网，形成复杂的供应框架。该框架需协调管理负载需求、电力交换与发电单元。传统Petri网难以对此类复杂系统建模，无法捕捉系统结构中的多元耦合与动态运行特性。层次时序着色Petri网（HTCPN）作为Petri网的高级扩展，可有效解析多维系统交互[31]。

Formulation of Objective Functions

A. 目标1：最小化MMG系统运行成本

在保障安全稳定运行的前提下，经济性优化被优先考虑。总运行成本包括分布式能源发电成本、ESS充放电损耗、负荷削减惩罚成本、MGT发电成本以及与配电网的电力交换成本。主要目标函数表示为总成本最小化，如公式(23)所示：

$$

min

J

1

=

∑

i

=

1

Experimental settings

案例研究的系统架构如图1所示，其HTCPN模型参数配置见附录A。定时输入模块中的环境数据与负载曲线详见图A.16。电力补充模块中的最大可中断负载功率如图A.17所示。源-荷交互模块中光伏（PV）与风机（WT）的电气参数列于表A.7。波动抑制模块中ESS的配置参数见表A.8。

Discussions

实验结果表明，启用微电网间互联并引入负载需求响应可有效降低MMG系统总运行成本，同时提升系统自治能力。具体而言，微电网互联打破了子网间的运行壁垒，建立了跨子网的电力互补。电力盈余的微电网可直接向缺电子网输电，从而避免高成本的外部购电行为。

Conclusions and Future Works

本文创新性地应用HTCPN对多微电网系统运行动态进行建模，从模型-数据双驱动视角破解调度难题。通过大量仿真生成运行数据集，并利用Skyline算子按预设目标识别最优解。主要结论如下：

(1) 所提HTCPN模型可实现24小时运行自动模拟，精准捕捉能源-信息流交互时序；

(2) Skyline算子与HTCPN的融合突破了传统Petri网在数据处理与优化方面的局限；

(3) 案例研究证实互联与需求响应策略可协同提升系统经济性与鲁棒性。未来工作将探索不确定性建模与实时自适应调度策略。