《CMES - Computer Modeling in Engineering and Sciences》：Multi-Stage Centralized Energy Management for Interconnected Microgrids: Hybrid Forecasting, Climate-Resilient, and Sustainable Optimization
编辑推荐：
本文推荐一项针对互联微电网系统能源管理优化的研究。为解决可再生能源出力不确定性和负荷波动性带来的挑战，研究人员开展了一项结合Prophet时间序列模型与双向长短期记忆网络（BiLSTM）的混合预测方法，并集成线性规划（LP）进行多目标优化的主题研究。结果表明，该混合方法在预测精度（R2达0.9988）和运行成本（节省高达46.63%）方面均优于单一模型或启发式方法，有效降低了电网依赖和CO2排放。其意义在于为复杂能源系统的协同调度提供了高精度预测与高效优化相结合的新框架，提升了系统的经济性与可靠性。
随着全球能源转型的加速，分布式可再生能源，特别是太阳能光伏（PV），在电力系统中的渗透率日益提高。微电网（Microgrid, μG）作为整合分布式能源、负荷和储能系统（Energy Storage System, ESS）的局部能源网络，为提高供电可靠性、促进清洁能源消纳提供了有效解决方案。然而，太阳能发电固有的间歇性和随机性，以及负荷需求的波动性，给微电网，尤其是多个互联微电网（Interconnected Microgrids, IMM）的安全、经济和高效运行带来了巨大挑战。传统的能源管理策略往往难以精确预测未来的发电与负荷情况，导致调度方案保守、运行成本高昂，甚至可能因功率不平衡而引发系统不稳定。因此，开发能够精准预测可再生能源出力、并在此基础上进行协同优化的智能能源管理系统，已成为当前研究的热点与难点。
为了应对上述挑战，一项发表在《CMES - Computer Modeling in Engineering and Sciences》上的研究提出了一种创新的三层框架，将先进的预测技术与数学优化方法相结合，旨在实现互联微电网系统的智能化管理。该研究由 Mohamed Kouki, Nahid Osman, Mona Gafar, Ragab A. El-Sehiemy 共同完成。研究核心在于解决如何利用高精度预测信息来指导微电网群内部的能量流动，从而最小化运营成本、减少对主电网的依赖并降低碳排放。
研究人员为开展此项研究，主要运用了几个关键技术方法。首先，在数据预处理阶段，他们对原始的每小时气象和负荷数据进行了升采样至每分钟频率，并引入了随机波动以模拟真实环境中的不确定性。其次，在预测阶段，他们创新性地结合了Facebook开源的Prophet时间序列预测模型和双向长短期记忆网络（BiLSTM），形成混合预测器（Prophet-BiLSTM）。Prophet模型擅长捕捉时间序列的趋势性和季节性成分，而BiLSTM则用于学习Prophet模型残差中的复杂非线性时序依赖关系，从而显著提升了对太阳能发电功率的预测精度。最后，在优化决策阶段，他们构建了一个以总运营成本最小化为目标的线性规划（Linear Programming, LP）模型。该模型以混合预测器的输出作为输入，同时考虑微电网内部的功率平衡、电池储能系统的充放电功率与荷电状态（State of Charge, SOC）约束、微电网间联络线的传输容量限制以及与主电网的交换功率限制，生成未来一段时间内各微电网的最优调度计划，包括电池的充放电策略、微电网间的功率互济策略以及与主电网的交易策略。
3. 系统建模
研究构建了一个包含三个互联微电网的测试系统。每个微电网均配置了光伏发电单元、电池储能系统（BESS）和本地负荷，并通过输电线路相互连接，同时与主电网进行能量交换。模型详细考虑了光伏发电的物理特性、电池的充放电效率与寿命约束（如SOC上下限），以及输电线路的电阻和电抗带来的功率损耗（采用π型等效电路模型）。负荷模型则包含了确定性基线负荷和叠加了随机波动（均匀分布）的不确定性负荷，以更真实地反映实际运行条件。
4. 提出的能源管理框架
该框架是研究的核心创新点，其工作流程如原文图2所示，主要包括数据预处理、功率预测和优化调度三个阶段。
- •
功率预测：采用Prophet-BiLSTM混合模型进行超短期光伏功率预测。Prophet模型首先对历史数据进行分解，得到趋势、季节性和残差分量并进行初步预测。然后，BiLSTM网络专门对Prophet预测产生的残差序列进行学习，以捕捉其复杂的非线性模式。最终的预测结果为Prophet的预测值加上BiLSTM对残差的修正值。结果表明，该混合模型在各项评价指标（均方根误差RMSE、平均绝对误差MAE、决定系数R2）上均显著优于单一的Prophet、BiLSTM、LSTM、ANN等模型（见表6），为实现精准优化调度奠定了坚实基础。
- •
优化：基于预测结果，建立一个多目标线性规划问题，并通过加权求和法将其转化为单目标问题。目标函数最小化总运营成本，该成本是电网购电费用、碳排放成本（以CO2排放量衡量）以及鼓励电池参与调度的惩罚项的加权和。约束条件则囊括了系统的所有物理限制，如每个微电网在每个时刻的功率平衡方程、电池的充放电功率和能量上下限、联络线传输容量限制等。该LP问题使用MATLAB的linprog求解器进行高效求解。
5. 仿真结果
研究通过四个场景的仿真验证了所提方法的有效性。
- •
场景1（基准案例）：三个微电网具有完全相同的发电和负荷曲线，且间距相等。结果（表5，图5,6）显示，LP优化方法相比启发式方法，显著降低了运营成本和对主电网的依赖，电池参与度更高、策略更优。此场景下微电网间无功率交换，作为后续对比的基准。
- •
场景2：微电网发电相同但负荷需求不同。结果表明，优化模型能够有效引导能量从有盈余的微电网（如负荷较低的微电网3）输送到有缺额的微电网（如负荷较高的微电网1和2），实现了协同效益，总成本节约提升至约25%，但互联线路上的功率损耗有所增加，这反映了能量交换的客观存在和优化调度的有效性。
- •
场景3：在场景2基础上，在微电网3的特定时间段引入故障（光伏和电池退出运行）。仿真结果（图7,8）表明，所提方法依然能够稳健运行，通过增强微电网1和2对微电网3的支援，成功应对了局部故障，维持了系统整体的供电可靠性，证明了方法的鲁棒性。
- •
场景4：研究了输电线路长度对优化结果的影响。当线路较短时（场景4.1），能量交换活跃，协同效益明显。当线路长度显著增加时（场景4.2），由于线路损耗增大，微电网间能量交换的经济性下降，优化策略会倾向于减少互济，更多地将本地盈余能量注入主电网或减少购买，显示了模型能根据网络参数自适应调整策略。
研究的结论部分明确指出，将混合Prophet-BiLSTM预测模型与LP优化框架相结合，能够显著提升互联微电网系统的运行效率和经济性。高精度的预测为优化决策提供了可靠的前瞻信息，使得电池储能调度、微电网间功率互济、与主电网交互等决策更加科学和主动。该方法不仅在正常工况下能有效降低运营成本、减少碳排放和电网依赖度，在设备故障等异常工况下也展现出良好的鲁棒性。此外，优化模型能够清晰地表征线路参数等物理约束对系统运行策略的影响，为电网规划和运行提供了有价值的见解。
讨论部分进一步强调了该研究的重要意义。它为解决高比例可再生能源接入下的微电网群协同优化问题提供了一个结构清晰、计算高效且性能优越的解决方案。该框架易于扩展至更大规模的微电网网络，并且与IEEE 2030.7等微电网控制标准相兼容，具备实际应用的潜力。未来的工作将集中于引入电池退化成本模型、探索分布式优化算法（如交替方向乘子法ADMM）以提升可扩展性，以及结合模糊逻辑等智能技术增强系统的自适应能力，并最终在真实微电网实验平台进行验证。这项工作为推动智能、自治、高效、可靠的未来能源系统的发展提供了重要的理论方法和技术支撑。
