面向电池-氢微电网的保形多时域预测与调度及事件触发控制

《Electric Power Systems Research》：Conformal multi-horizon forecasting and scheduling with event-triggered control for battery–hydrogen microgrids

　　

•单补丁Transformer提供校准后的24小时资源和72小时净负荷预测。•短时段风险集设定上备用量；25至72小时的稀缺性设定氢气目标。•CMH-PF-MDSS在三个锁定的测试窗口中将备用不足减少了95.7–98.4%。•72小时氢气指导将12小时未预告停机的未供电量减少了30.6%。•ET-FTSMC将母线偏差限制在0.5 V以内，同时控制更新次数减少47.9%。

引言
向清洁且具有韧性的电力系统过渡越来越依赖于通过微网协调的可再生能源发电[1]。太阳能和风能是这一过渡的主要驱动力，但其输出随天气以及日周期和季节周期而变化。微网运行具有前瞻性，因为必须在可再生能源生产和需求完全明确之前做出能源承诺。低估净负荷可能耗尽备用容量或迫使紧急进口电力，而过于保守的调度则会增加成本、弃风弃光以及储能循环损耗。因此，预测质量既影响经济性，也影响供电安全性，而其实际价值取决于预测信息能否转化为具有物理意义的调度决策[2]，[3]。
当电池储能和氢储能协同工作时，这一要求尤为重要。电池提供快速的日内响应，而电解槽-储氢罐-燃料电池系统则能在更长时间范围内转移更大的能量量[4]。这两种技术具有互补性，但不应响应相同的uncertainty信号：短期预测误差决定下一个运行日所需的向上备用容量，而更长期的可再生能源稀缺性则决定氢气是否应提前生产和储存。使用氢气来弥补每一个近期偏差会削弱跨日准备能力，而预留过多的电池余量则浪费了高效的灵活性资源。虽然协同的电池-氢气运行能提升经济性和韧性[5]，[6]，[7]，但固定的备用百分比和固定的终端库存无法区分波动日与平稳日，也无法预见超出日前边界的稀缺性。
微网应用领域的预测技术已取得显著进展。传统的时序模型如自回归积分滑动平均模型（ARIMA）和季节性ARIMA易于实现且能很好地表征规律的季节性行为[8]，但其线性特性限制了可再生能源发电的非线性、受天气驱动的动力学特性。为克服这些不足，人们引入了神经网络、支持向量回归和树集成等机器学习方法，以获得更强的泛化能力[9]。然而，其性能取决于特征工程、回看窗口选择以及训练数据是否代表部署后遇到的运行状态。此外，模型往往仅使用综合点误差指标进行比较，尽管在高净负荷期间的误差与可再生能源过剩期间的误差后果截然不同。
深度学习的引入为具有时间相关性的数据带来了又一次精度飞跃。长短期记忆网络（LSTM）和门控循环单元（GRU）网络直接从历史序列中学习时间依赖性，仍然是强大的短时段比较器[8]，[10]，双向循环模型也在数据有限条件下与数据增强相结合[11]。然而，顺序计算可能削弱对长历史数据中全局结构的表征。对此，具有自注意力机制的Transformer架构已成为时序预测的前沿[12]。PatchTST通过将观测值分组为时间补丁，进一步降低了有效序列长度，暴露出重复的日周期和周周期模式[13]。这些特性支持联合多目标预测，但仅更准确的点估计并不能量化储能所面临的上尾风险。
直接净负荷预测更贴近这一风险，因为净负荷代表了电网、可调发电和储能必须共同覆盖的综合不平衡量[14]；资源级预测对于可再生能源利用和经济调度仍然是必需的，因此一个联合模型应同时提供两者。概率预测则增加了关于预期误差方向和幅度的信息[15]，其调度价值已通过鲁棒和随机规划得到了验证[16]，[17]。然而，名义区间水平并不能保证在季节性或时间分布漂移后的可靠性。保形预测提供了无分布假设的有限样本区间[18]，保形分位数回归使用留出残差来修正学到的分位数[19]；对于依赖或漂移的序列，需要自适应变体，且经验覆盖率应在严格未来区间上测量[20]，[21]。当校准后的上轨迹被直接用于采购或分配备用容量时，这一区别至关重要。
近期的预测-优化研究通过下游决策价值而非仅点误差来评估预测[22]，[23]，参考学习方法则利用更长时段的信息来指导多时长储能[24]，[25]。然而，学习得到的指导信号不应掩盖电池荷电状态、氢气转换、柴油发电承诺或电网限值。CPLEX混合整数线性规划（MILP）模型保留了明确的物理约束、二进制运行决策和可审计的求解状态[26]。在该模型中，未来24小时和随后48小时具有不同含义：第一个时段支配备用功率，而第二个时段则应影响氢气的能量准备度。忽略25至72小时会使氢气目标对即将到来的稀缺性变得不敏感。
可靠的预测和调度仅是其中一部分，因为最优的小时级轨迹并不能保证其变换器参考值在快速的可再生能源、储能模式或负荷变化期间能够被跟踪。分层控制结构将监督调度与本地电压和电流调节分离开来[27]。在初级控制层面，滑模控制因其对匹配扰动和参数变化的鲁棒性而被广泛应用于微网变换器中[28]，[29]；终端滑模控制确保有限时间收敛，而快速终端变体则改进了平衡点附近的收敛速度[30]，[31]。事件触发机制可以进一步减少不必要的控制评估[32]，[33]，但降低的更新率必须与跟踪精度一并评估。在实践中，预测研究通常止步于预测误差，调度研究则止步于成本或可行性，因此它们未能展示不确定性感知的设定点在嵌入式功率到电流接口上是否可执行。
在回顾了现有文献后，四个相互关联的差距变得显而易见。首先，预测比较很少验证实际提供给调度的不确定性的时序覆盖率。其次，短时段备用和较长时段氢气准备度通常由固定裕度而非时段匹配的信号来表示。第三，预测-优化耦合必须在证明超越点精度的益处的同时，保留可审计的物理约束和求解器状态。第四，最优调度在变换器跟踪和硬件在环（HIL）行为未经评估、且参考值无法追溯到该调度时，无法证明其本地实现可行性。
为应对这些挑战，本文提出了用于多时长储能调度的保形多时段补丁预测方法（CMH-PF-MDSS），如图1所示。一个共享的补丁Transformer编码器同时产生负荷、风力、太阳能功率和价格的24小时分位数以及直接72小时净负荷分位数。因果点池仅使用每个每日起点前已完成的结果，保形校正在单独的时间块上进行估计。校正后的第1至24小时定义向上备用，而第25至72小时的正向稀缺性定义有界终端氢气参考。两个信号均进入24小时CPLEX MILP，协调电网交换、柴油发电、可再生能源利用和电池-氢气储能，其设备功率指令转换为电流参考并由自适应事件触发快速终端滑模控制（ET-FTSMC）执行，从而闭合预测-优化-控制环路。
本研究的主要贡献可总结如下：
•单个补丁Transformer同时预测未来24小时的负荷、风力、太阳能和价格以及未来72小时的净负荷，因此调度器可从单一模型中同时获取资源级和不平衡级信息。因果池化步骤和保形校准则仅使用每个预测日前可用信息产生校准的不确定性边界，在训练与部署之间即使季节变化，锁定测试上的平均（边际）覆盖率仍保持在名义水平或接近名义水平。
•校准后的前24小时不确定性决定向上备用，主要由电池承担；而25至72小时的预测稀缺性决定氢气库存的自适应终端目标。这种方式使每种储能技术主要由其自身时间尺度上的不确定性来指导。与学习得到的调度策略不同，两个信号均以软风险目标的形式进入CPLEX MILP，因此物理约束、二进制承诺和求解器状态保持明确且可审计。
•该框架在8760条真实的开放电力系统数据（OPSD）观测上进行评估，并在锁定60天冬季测试中与八种预测替代方案进行比较。除预测误差外，四项储能指导消融实验、四种运行场景、一个代表性24小时调度及逐时平衡验证、完美信息审计、未预告停电充分性审计、储能初始状态敏感性和电动汽车充电枢纽场景，均量化了预测在调度层面的价值，其中包括可归因于72小时氢气指导的12小时未预告停电未供电量减少30.6%（4小时停电无论是否使用氢气指导均可完全满足）；2019年和2020年的另外两个锁定窗口测试了结论在季节和年度间的稳定性。
•优化的设备功率被转换为变换器电流参考并由ET-FTSMC跟踪。与无事件触发的快速终端滑模控制（FTSMC）、传统滑模控制（SMC）以及在相同测试下的比例-积分-微分（PID）控制相比，所提出的控制器实现了最小的直流母线偏差，同时控制更新次数减少47.9%，调度到变换器的接口在OPAL-RT OP5707/F28379D平台上通过时间压缩的HIL测试得到验证。
本文其余部分组织如下：第2节介绍预测、调度和控制方法，第3节报告分层匹配的评估结果，第4节对论文进行总结。

方法
实验遵循表1中的时序流程。模型参数在锁定框之前学习。点池每天最多更新一次，但仅使用已完成的结果：24小时预测在一天后进入点池，72小时预测在三天后进入。分位数校准和将不确定性转换为备用容量和氢气库存的规则在测试期间不进行重新调整。
因此，评估继续延伸到CPLEX最优解之后。预测和调度在以下范围进行评估——

结果与讨论
60天锁定框涵盖2019年11月2日至12月31日。预测误差使用实际OPSD曲线。调度从每个每日起点可用的预测计算得出，之后使用实际值计算不平衡和备用暴露。证据按照已实现分层的相同顺序排列。预测与四个训练好的深度模型、独立补丁网络、Extra Trees和两个持续性规则进行比较；调度与确定性方法和固定备用方法进行比

结论
CMH-PF-MDSS构成了一个完整的预测-优化-控制分层体系。联合补丁Transformer和因果点池产生校准后的24小时资源预测和直接72小时净负荷预测；上轨迹的前24小时设定向上备用，25至72小时设定有界的氢气参考，CPLEX将两个信号转换为设备功率指令，ET-FTSMC则在变换器层面执行相应的电流参考。
在60天保留的缩放真实OPSD曲线中，CMH-PF-MDSS具有——

CRediT作者贡献声明
Hammad Armghan：撰写——初稿、方法论、调查研究、概念构思。Yinliang Xu：撰写——审阅与编辑、监督、方法论、调查研究、概念构思。Ye Guo：撰写——审阅与编辑、调查研究、概念构思。Jinfeng Wang：撰写——审阅与编辑、方法论、概念构思。Jeremy Watson：撰写——审阅与编辑、形式分析、概念构思。

利益冲突声明
作者声明不存在已知的可能影响本文所述工作的财务利益或个人关系。

Hammad Armghan | Yinliang Xu | Ye Guo | Jinfeng Wang | Jeremy Watson