基于堆叠集成学习的协调最优能源管理框架方法，用于可再生能源辅助的微电网系统

《Electric Power Systems Research》：Stacked ensemble learning-based approach for a coordinated optimal energy management framework in renewable energy assisted microgrid systems

　　

• 采用堆叠集成学习（SEL）方法对可再生能源系统进行精确的短期预测。
• 将预测结果与多目标优化相结合，实现分布式能源资源（DERs）和储能系统的经济高效、可靠调度。
• 提升能源管理框架（EMF）对不确定性的适应性，增强并网和孤岛运行模式下的韧性。
• 采用模块化、可扩展的框架，适用于不同的微电网配置和存在不确定性的可再生能源水平。
• 对所提出的方法进行硬件在环（HIL）验证。

引言

微电网（MGs）在增强未来互联电力系统的韧性、可靠性和灵活性方面发挥着关键作用。这些小型电网提供了一种利用特定地理区域内现有可再生能源资源（RESs）的方式，并开辟了各种创新途径，包括整合气象和可再生能源预测[1]。因此，微电网的最优运行需要整合各种关键要素，如可行的目标函数和系统约束，这些约束涵盖了与微电网相关的各种运行方面[2]。可再生能源资源（RESs）在当前电力网络中的迅速普及推动了微电网系统的发展，这些系统被设计为能够在并网和孤岛运行模式下无缝运行[3]。可再生能源辅助的微电网——集成了光伏（PV）阵列、风力涡轮机、燃料电池和先进储能系统（ESS）等技术——构成了现代可持续能源战略的基础[4]、[5]。它们有助于减少温室气体排放并提高能源可及性，尤其是在偏远地区。然而，可再生能源固有的间歇性和随机行为引入了相当大的技术和经济挑战，使得维持微电网运行的稳定性、可靠性和成本效益的努力更加复杂[6]、[7]。

为了应对这些多方面的挑战，能源管理框架（EMFs）已成为现代微电网中至关重要的决策和监督层。EMF必须解决一系列相互依赖且经常相互冲突的目标，如最小化总运行支出、维持发电与负荷之间的实时平衡、优化可再生能源的渗透和利用以及延长储能资产的使用寿命。虽然传统优化和控制范式在确定性或结构化良好的环境中是有效的，但在随机变异性、非线性系统行为和快速变化的运行条件占主导的微电网中，这些范式越来越不满足需求。解决这些问题需要一个综合方法，其中微电网的运行整合了系统变异性与其经济运行之间的可行协调。尽管现有文献涉及了这些问题的一个或多个方面，但大多数研究未能提供有前景、可靠且实际可行的解决方案。在此呈现一些突出这些局限性的关键研究。

Abbasi和Baleanu [8]、Chapaloglou等人[9]描述了由于可再生能源发电的随机性、负荷需求波动和市场价动态变化而导致的可再生能源辅助微电网的运行挑战。这些不确定性导致分布式能源资源（DERs）调度次优、对公共电网的依赖增大、成本更高以及微电网运行可靠性降低。Sai等人[10]、Meng等人[11]描述了微电网运行的数据驱动能源管理方法，同时纳入了某些系统变异性；然而，整合各种不确定性矩阵以确保微电网最优性能的具有韧性和协调性的能源管理方法并未得到广泛研究。类似地，Thirunavukkarasu等人[12]提出了一种基于深度强化学习的方法用于微电网的最优能源管理，但其缺乏对不确定性条件下数据驱动决策的关注。Alabdullah和Abido [13]比较了微电网中分布式能源的鲁棒和随机模型预测控制（MPC）方法。虽然它考虑了不确定性，但它没有整合能够响应系统动态变化的机制。这些研究强调了可再生能源和负荷需求中不确定性建模的数据驱动方法，但对各种DERs的协调优化并未充分讨论。类似的研究中，Langner等人[14]强调了准确预测可再生能源发电量对优化微电网运行的重要性，但它没有解决综合能源管理策略的问题。Banihabib等人[15]、Huang等人[16]、Tostado-Véliz等人[17]、Lu等人[18]讨论了微电网概念、分类和控制策略。虽然它突出了各种挑战，但并未明确解决能源管理中最优调度方法的实施问题。文献[19]中的综合综述系统地考察了针对微电网能源管理问题的各种优化技术。然而，自适应和韧性策略在这些优化模型中的整合仍然有待探索。Saxena [20]提供了一项关于应用于微电网能源管理的元启发式优化技术的综述研究。虽然它讨论了各种优化策略，但没有深入探讨系统不确定性条件下的自适应或数据驱动方法。Dagar等人[21]提出了一种带有可再生能源和储能系统的微电网的风险基随机最优能源管理模型。它处理了不确定性，但缺乏对自适应或韧性策略的关注。Houben等人[22]开发了一种用于多能系统微电网MPC框架的新型多步预测方法。虽然它纳入了不确定性，但没有强调数据驱动方法。Wilk等人[23]、Ali Dashtaki等人[24]提出了并网微电网运行的优化方法。它关注优化，但并未整合不确定性条件下的鲁棒能源管理策略。Li和Wang [25]、Ali [26]全面考察了结合太阳能和风能技术的混合可再生能源系统。类似地，Ali等人[27]提出了离网农村微电网系统的储能技术技术经济优化。为此，考虑了由可再生能源和电池储能系统（BSS）辅助的混合系统。然而，该研究未能整合一种可行的方法来同时解决微电网系统变异性及其经济运行问题。需要一种准确且稳定的预测方法来整合更鲁棒、更可行的能源管理策略，以实现微电网系统的优化。

本研究提出了一种更可行的方法来协调系统中的变异性（如太阳能输出）与微电网经济运行之间的关系，以一种更具包容性和实际性的方式。在本研究中，使用堆叠集成学习（SEL）方法进行可再生能源预测。SEL方法，如自助法（bagging）、提升法（boosting）、堆叠法（stacking）和混合化模型，通过组合多个预测或决策模型来提高准确性、鲁棒性和泛化能力[28]。这些优势使得堆叠集成技术非常适合用于可再生能源发电预测（太阳辐照度、风速）、不同条件下的负荷需求预测、市场价格建模以及在多目标约束下DERs和储能系统（ESS）的最优调度。近年来，SEL方法已成为一种高度有效且多功能的方法，用于开发智能和自适应的能源管理策略。通过整合多个基础学习器（如决策树、神经网络、支持向量机（SVMs）或回归模型等）的预测能力，SEL显著提高了预测准确性、鲁棒性和泛化能力，相比其他类似模型的性能有了显著提升。在微电网应用中，基于SEL的最优EMF可以利用先进技术——包括自助法、提升法、堆叠法和混合化学习方法——有效捕捉复杂的数据模式、缓解建模误差，并在动态运行条件下提供更可靠的决策。这种协调方法使微电网即使在高动态和不确定环境中也能实现更好的运行效率、稳定性和经济绩效。这种综合策略不仅满足了即时技术和经济需求，还推动了长期可持续发展，加速向低碳、韧性电力系统的转变。

本研究通过以下方式在应对微电网系统变异性和最优运行的同时，整合了一个更具可行性和协调性的能源管理框架：
1. 混合预测层：采用SEL对可再生能源系统进行精确的短期预测。
2. 优化框架：将预测结果与多目标优化相结合，实现DERs和储能系统的经济高效、可靠调度。
3. 面向韧性设计：提升EMF对不确定性的适应性，增强并网和孤岛运行模式下的韧性。
4. 可扩展性和灵活性：采用模块化、可扩展的框架，适用于多样化的实际微电网配置和不确定可再生能源水平。
5. 对所提出方法的硬件在环（HIL）验证已纳入本研究，利用了来自实际气象站的实时太阳能数据。

通过将SEL与最优能源管理相结合，所提出的框架旨在探索可再生能源辅助微电网系统智能、自适应和可持续运行的途径。为了突出所提出框架相对于现有方法的新颖性和优势，表1呈现了最先进的对比评估。

本文其余部分组织如下：第2节描述了SEL的数学基础。第3节给出了并网和孤岛微电网系统的成本最小化函数公式。第4节讨论了与所提出的预测模型和最优日前调度相对应的结果。第5节提出了本工作的结论，后附参考文献。

章节摘要

堆叠集成学习：数学基础

堆叠集成通过元学习器组合多个基础学习器的预测结果。这种机器学习方法通过组合多个模型来产生比任何单个模型更准确和鲁棒的预测[29]、[30]、[31]、[32]。通过利用不同算法的互补优势，它最小化偏差、减少方差并增强整体泛化性能。这里的基本思想是将众多基础模型的预测输入到更高层次的

并网运行模式下的最优问题公式

目标函数量化了时间范围T内微电网的总运行成本，整合了三个关键财务组成部分：(i) 从电网购买电力的成本，(ii) 向电网送回电力产生的收入，以及(iii) 与电池充放电相关的运营成本。其主要目标是在确保负荷需求满足和遵守所有系统及运行约束的前提下最小化净运行成本。

最小F1 = ∑t

堆叠集成预测性能

A. 预测模型性能：首先对所提出的SEL框架在可再生能源发电预测方面的性能进行了评估。表2将其结果与类似的单模型预测器（如GBM、DRF、XRT、深度学习、XGBoost和GLM）进行了比较。在所有关键指标中，包括平均绝对百分比误差（MAPE）、均方根误差（RMSE）和均方对数误差（RMSLE），堆叠集成方法（自助法+提升法）始终优于硬件在环（HIL）验证。

为获得对所提出方法的实时验证，使用了以下HIL设置。安装于印度哈里亚纳邦古鲁格拉姆（29.969° N, 76.878° E）的屋顶气象站用于接收太阳辐照度（ghi, dni）数据以及其他参数，如相对湿度、风速、环境温度等，通过各种传感器采集，如图17所示。组件1显示了安装在学院院内的完整气象站。组件1.a和1.b分别为

结论

本研究提出了一种使用SEL方法的面向可再生能源辅助微电网的最优能源管理框架（EMF）。通过组合多个预测模型，集成学习方法显著提高了可再生能源发电预测精度，与单模型预测器相比减少了误差并增强了鲁棒性。提高的预测精度使DERs和储能系统的调度更加有效，在并网和离网模式下均能最小化运营成本。

作者贡献声明

Maneesh Kumar：撰写——原稿、软件、方法论、调查、形式化分析、数据整理、概念化。Sachidananda Sen：监督、资源、调查、形式化分析、数据整理。Vedik Basetti：撰写——审阅与编辑、监督、软件、资源、调查、形式化分析、数据整理。Arvind Kumar Prajapati：撰写——审阅与编辑、监督、软件、资源、形式化分析、数据整理。Pravin Kumar：撰写——审阅与

利益冲突声明

作者声明他们没有任何已知的竞争财务利益或个人关系可能会影响本文所报告的工作。

Maneesh Kumar | Sachidananda Sen | Vedik Basetti | Arvind Kumar Prajapati | Pravin Kumar