《Energy Conversion and Management-X》：Intelligent grid-connected renewable energy management using a hybrid SMO–KrNN optimisation framework
编辑推荐：
本文提出一种混合椋鸟群拟优化–Kronecker神经网络（SMO–KrNN）框架，用于并网混合可再生能源系统（HRES）的能量管理。该框架在24小时调度时域内协调光伏（PV）、风电（WT）、电池储能系统（BESS）、分布式发电（DG）以及电网功率交换，同时满
本文提出一种混合椋鸟群拟优化–Kronecker神经网络（SMO–KrNN）框架，用于并网混合可再生能源系统（HRES）的能量管理。该框架在24小时调度时域内协调光伏（PV）、风电（WT）、电池储能系统（BESS）、分布式发电（DG）以及电网功率交换，同时满足功率平衡、发电容量、储能、电网交互及网络运行约束。研究人员采用数据驱动的概率分布拟合与蒙特卡洛（Monte Carlo）场景生成方法来表征太阳辐照、环境温度和风速的不确定性，并将相同的随机场景集应用于所有对比优化算法以确保公平比较。为验证所提方法的有效性，研究人员在相同系统配置、输入条件、种群设置及迭代限制下，将SMO–KrNN框架与粒子群优化（PSO）、樽海鞘群算法（SSA）和野马优化器（WHO）进行对比评估。结果表明，所提出的SMO–KrNN框架实现了约95%的优化效率，并将购电成本降至17,000，而基准算法的成本范围为19,000–23,000，对应成本降低26.09%（相对于SSA）、19.05%（相对于PSO）和10.53%（相对于WHO）。此外，该框架在约3.2秒内完成24小时调度问题的求解，表明其具备较低的计算负担和高计算效率。研究结果证明了SMO–KrNN框架在并网混合可再生能源系统协同能量调度方面的潜力。
## 论文解读文章
### 研究背景与问题
全球减排目标的推进促使可再生能源在电力系统中的渗透率快速提升，太阳能和风能作为最具代表性的清洁能源，在电力系统现代化和可持续发展转型中扮演关键角色。然而，可再生能源的间歇性和不确定性对电力系统的安全稳定运行构成显著挑战，因此需要引入能量管理系统（EMS）来实现多种能源资源的有效协调。EMS能够提升能量分配效率、促进可再生能源消纳，并支持并网与孤岛两种运行模式。此外，电力市场放开使微电网能够作为独立运营主体参与能量交易。
现有能量管理研究主要面临以下问题：第一，传统集中式控制策略由配电系统运营商（DSO）收集可控代理的运行数据、求解全局优化问题并下发控制决策，这种方式对通信架构和计算能力施加沉重负担，同时大量分布式能源资源（DERs）归属私有，集中式管理引发严重的隐私担忧。第二，现有基于SMO的研究主要聚焦于HRES能量管理变量的直接优化或需求侧管理，其他基于优化的学习研究则集中于特征选择、预测或超参数优化，这些研究证明了优化和学习方法在特定应用中的有效性，但均未明确解决二者在并网HRES中协同管理可再生能源发电、储能、分布式发电、负荷需求及电网交互的联合应用问题。第三，光伏发电、风力发电、电池储能、分布式发电、负荷需求与电网交互的同步协调构成一个耦合的能量管理问题，涉及多项运行和经济需求。因此，需要一种协调方法，使基于种群的优化算法搜索可行的能量管理决策空间，同时由学习模型捕获与EMS决策相关的非线性关系，并明确评估两者在不同可再生能源发电和负荷需求条件下的交互机制。
### 研究内容与结论
为填补上述研究空白，本研究开发了一种混合椋鸟群拟优化–Kronecker神经网络（SMO–KrNN）框架，用于并网HRES能量管理。该框架的创新之处并非单独引入SMO或KrNN，而在于二者在同一能量管理框架内的协调使用：SMO负责搜索可行的EMS决策空间，KrNN负责捕获与可再生能源发电、电池储能、分布式发电、负荷需求及电网交互相关的非线性关系。该框架考虑了并网HRES的经济和运行需求，并在常见仿真设置下与成熟优化方法进行对比评估。
研究得出以下主要结论：所提出的SMO–KrNN框架实现了约95%的优化效率，显著优于基准算法（SSA为50%、PSO为60%、WHO为73%）；购电成本降至17,000，而基准成本范围为19,000–23,000，相对于SSA、PSO和WHO分别实现了26.09%、19.05%和10.53%的成本降低；24小时调度问题在约3.2秒内完成求解，表明该方法具备较高的计算效率。该研究的重要意义在于，首次系统性地实现基于种群的优化算法与结构化学习模型在并网HRES能量管理问题中的联合运用，为复杂能源系统的协同调度提供了新的方法论基础。
### 关键技术方法
研究人员采用了以下主要技术方法：（1）数据驱动的概率建模方法：构建8,760小时合成气象数据集，覆盖太阳辐照、环境温度和风速三个环境变量，采用最大似然估计（MLE）拟合七个候选概率分布（两参数Weibull、三参数Weibull、Gamma、Rayleigh、Burr、Log-normal和广义极值分布），通过均方根误差（RMSE）、决定系数（R2）、Akaike信息准则（AIC）、Bayesian信息准则（BIC）、Kolmogorov–Smirnov（KS）统计量和Anderson–Darling（AD）统计量评估拟合优度，最终为每个环境变量选择三参数Weibull分布用于场景生成。（2）蒙特卡洛（Monte Carlo）场景生成方法：从所选概率分布中独立采样生成每个调度时段500个随机实现，通过相对变化量评估收敛性（收敛容差1%），固定随机种子确保可再生性，相同场景集用于所有对比算法以保障公平比较。（3）SMO算法：模仿椋鸟群飞行为，采用分离策略、探索阶段和开发阶段，通过全局最优解引导搜索过程，最大迭代次数设为100。（4）KrNN网络：基于Kronecker积的线性代数运算构建紧凑神经网络架构，Kronecker秩K=2作为名义配置，有效神经元数量为基准配置的2倍，在保持紧凑参数表示的同时提升神经表示能力。（5）对比评估方法：在相同系统配置、输入条件、种群设置（种群规模50）和迭代限制（最大迭代100）下，将SMO–KrNN与PSO、SSA和WHO进行对比。仿真在MATLAB R2024a环境中执行，硬件平台为Intel(R) Core(TM) i7 CPU @ 3.40 GHz、16 GB RAM、Windows 11操作系统。
### 研究结果
**（一）概率分布拟合与场景生成结果**
通过对8,760小时合成环境数据集的统计分析，太阳辐照的目标均值和标准差分别为512.4 W/m2和286.7 W/m2（范围0.0–982.5 W/m2），环境温度目标均值和标准差为27.6 °C和5.8 °C（范围17.2–38.9 °C），风速目标均值和标准差为4.82 m/s和1.76 m/s（范围1.21–9.36 m/s）。拟合优度分析表明，三参数Weibull分布对太阳辐照提供最低的RMSE和最有利的AIC、BIC值；对温度和风速，三参数Weibull模型分别提供最低的AIC和BIC。因此，三参数Weibull分布被选用于连续太阳辐照、温度和风速场景生成，拟合参数分别为：太阳辐照（形状参数2.9627、位置参数459.9018、尺度参数229.0825）、环境温度（形状参数1.8425、位置参数17.1832、尺度参数11.7211）、风速（形状参数2.2192、位置参数1.2013、尺度参数4.0985）。太阳辐照数据中包含2,000个零辐照观测（零态概率为2,000/8760=0.2283）予以保留，零态与正值分别采样。蒙特卡洛生成的场景统计值与目标值吻合良好，太阳辐照MC均值为516.28 W/m2、标准差为283.87 W/m2，温度MC均值为27.64 °C、标准差为5.89 °C，风速MC均值为4.84 m/s、标准差为1.72 m/s。MC收敛性分析表明，从250到500个实现，监测均值和标准差的最大相对变化为0.71%，低于1%收敛容差，故采用每调度时段500个实现。
**（二）优化效率与收敛性能**
研究人员在相同仿真条件下比较了SMO–KrNN与PSO、SSA、WHO的收敛轨迹和优化效率。SMO–KrNN在约68次迭代时达到收敛，基准算法PSO、SSA、WHO的优化效率分别为60%、50%和73%，而SMO–KrNN达到95%的优化效率。优化效率由公式η=(F_initial?F_best)/F_initial×100计算，其中F_initial和F_best分别表示初始和最优目标函数值。结果表明，SMO–KrNN在目标函数改善方面显著优于各基准算法，且收敛速度较快。
**（三）购电成本降低**
在24小时调度时域内，SMO–KrNN框架实现的购电成本为17,000，而基准算法SSA、PSO和WHO的购电成本分别为23,000、21,000和19,000。成本降低百分比由公式CR_i=(C_i?C_SMO?KrNN)/C_i×100计算，相对于SSA、PSO和WHO分别实现了26.09%、19.05%和10.53%的成本降低。研究表明，在高电价时段，所提出的EMS通过利用可用可再生能源和电池储能减少电网购电量，而在低电价时段对BESS充电，从而提升系统的经济性。
**（四）可再生能源利用与功率分配**
功率分配结果表明，所提出的EMS能够在24小时调度时域内有效协调光伏、风电、BESS、DG和电网的功率贡献以满足负荷需求。可再生能源利用率的计算基于PV和WT输出与总负荷需求的比值。可再生能源发电在可用时优先满足负荷，BESS在SOC允许范围内放电，DG在其限制范围内运行，剩余电力缺口由电网输入弥补；当可再生能源发电超出负荷需求时，多余能量用于给BESS充电（受限于充电功率和SOC约束），仍有剩余则出口至电网（受限于电网交易约束）。
**（五）计算性能**
在所述MATLAB仿真环境中，SMO–KrNN完成一次完整的24小时日前优化调度的平均执行时间约为3.2秒。蒙特卡洛场景生成时间与优化运行时间分开计算，场景在比较优化前一次生成并由所有算法复用，因此报告的3.2秒优化执行时间不包含重复的场景生成。该结果证明所提出的框架在所述仿真设置下具有较高的计算可行性。
### 总结讨论
从结构上看，SMO优化的探究与开发能力与KrNN的紧凑参数学习和高精度预测能力形成互补结合，该集成框架通过克朗内克乘积规则扩大了隐含层的有效神经元数量，同时保留了参数共享的紧凑结构，使得整个模型无需显式构造分块权重矩阵和偏置矩阵即可运行，这在保证训练精度的同时也有效降低了计算开销，有利于实现日前调度的快速求解。SMO–KrNN框架具备良好的成本效益特性，通过灵活调度可再生能源发电、储能系统和并网购电策略，可以积极响应不同时段的价格信号，实现削峰填谷和运行成本的显著降低，为可再生能源的高效消纳提供了可靠的技术路径。同时，研究人员明确指出，当前结果基于合成数据集和受控仿真条件，不应过度推广为普适性的性能保证，相关结论仍需通过实测数据来进一步验证模型对复杂环境变化的适应能力，同时还应开展长期运行效果评估和更详尽的系统鲁棒性分析。
### 研究结论
本文提出了一种基于混合SMO–KrNN的能量管理策略，用于包含PV、WT、BESS、DG和电网的并网可再生能源系统。该框架在24小时调度时域内确定这些电源的功率贡献，同时满足特定的运行约束。所提方法在MATLAB R2024a中进行了评估，并在相同系统配置和优化设置下与PSO、SSA和WHO进行了比较。所提出的SMO–KrNN框架在所述条件下实现了约95%的优化效率和17,000的购电成本，而基准成本范围为19,000–23,000。结果表明，可再生能源发电与BESS的协调使用可以减少电网依赖，特别是在高电价时段，同时维持所需的功率平衡。该框架还实现了约3.2秒的平均计算时间完成24小时调度问题，表明所述仿真设置下计算负担相对较低。总体而言，研究结果证明了SMO–KrNN框架在混合可再生能源系统协调能量调度方面的潜力。未来工作将集中在使用实测可再生能源和负荷数据进行验证、不确定性与季节性分析、Kronecker秩敏感性分析、实时硬件验证以及网络安全感知的能量管理方面。
