《International Transactions on Electrical Energy Systems》：Adaptive Learning-Based Hybrid Prediction Energy Management Scheme for Sustainable EV Charging in Standalone DC Microgrids
编辑推荐：
将电动汽车充电站（EVCSs）与独立微电网（MGs）集成，为摆脱电网依赖的供电提供了一种可持续的替代方案。然而，在孤岛微电网配置中，管理随机性电动汽车充电需求，同时兼顾间歇性可再生能源功率流动态和有限电池储能系统（BSS）容量，带来了重大挑战。为解决上述问题，
将电动汽车充电站（EVCSs）与独立微电网（MGs）集成，为摆脱电网依赖的供电提供了一种可持续的替代方案。然而，在孤岛微电网配置中，管理随机性电动汽车充电需求，同时兼顾间歇性可再生能源功率流动态和有限电池储能系统（BSS）容量，带来了重大挑战。为解决上述问题，研究人员提出了一种基于自适应学习的混合预测能量管理方案（AL-PEMS）。与传统基于回归的预测性能量管理方案不同，AL-PEMS采用了一种新颖的混合预测框架，该框架将多项式回归预测模型（PRPM）与分层自适应窗口学习算法相结合，以准确预测随机性电动汽车充电需求并动态调节可调度功率流。自适应学习辅助的预测性能量管理器根据BSS感知预测误差的严重程度，分层细化连续预测窗口，从而减少过度的BSS负载。该方案的有效性利用来自奥斯陆充电站32,920次充电事件的真实电动汽车充电数据进行了验证，同时通过控制器硬件在环测试证明了其实时可行性。将所提出的AL-PEMS与基于规则的自适应功率管理策略、基于回归的模型预测控制能量管理方案以及自适应模型预测控制（AMPC）方案进行对比性能分析，结果表明：在随机性电动汽车充电条件下，EVCS可靠性分别提升了19.82%、8.43%和7.87%；可持续性分别提升了17.60%、20.20%和18.13%；BSS负载分别降低了35.23%、28.36%和28.36%；直流微电网电压调节性能分别提升了14.16%、9.20%和8.89%。
论文解读：基于自适应学习的混合预测能量管理方案在独立直流微电网可持续电动汽车充电中的应用
一、研究背景与问题
电动汽车充电功率需求（EVCPD）具有非线性和非协调性特征，对电动汽车充电站（EVCS）及其支撑电力系统的可靠性产生显著影响。已有研究表明，随机性电动汽车渗透导致变压器寿命缩短23%，20%–30%的电动汽车渗透率使澳大利亚配电网电压调节性能下降20%。这些发现表明，不规则和高幅值的充电负载对电力基础设施造成显著压力，降低系统可靠性并影响用户满意度，最终削弱电动汽车充电站部署的长期可持续性。
现有研究虽在智能预测、优化与控制方面取得了显著进展，但仍存在关键研究空白：多数策略侧重于通过调度EVCPD确保EVCS可靠性，而在弱电网条件下联合考虑随机EVCPD与动态可再生能源发电的弹性能量管理策略研究不足；现有控制配置未充分考虑BSS容量限制与多个EVCS随机充电功率需求（CPD）的协同问题；传统基于回归的预测性能源管理方案采用固定预测时域或预定义校正策略，难以适应随机性电动汽车充电条件的实时变化。
二、研究内容与结论
针对上述问题，研究人员提出了一种基于自适应学习的混合预测能量管理方案（AL-PEMS）。该方案通过同时预测CPD动态并调节直流微电网架构内可调度电源的功率流，解决了随机性电动汽车充电需求管理的关键挑战。其新颖的基于窗口的控制机制集成了自适应学习能力，可在实时随机EVCPD条件下维持系统可靠性。研究利用来自挪威奥斯陆多个充电站32,920次充电事件的真实数据验证了方案有效性，并通过Typhoon硬件在环（HIL）测试平台证明了其实时可行性。对比分析表明，AL-PEMS相较于自适应功率流控制、模型预测控制和自适应模型预测控制（AMPC）方案，在EVCS可靠性、系统可持续性、BSS负载降低和直流微电网电压调节等方面均实现了显著性能提升。
三、关键技术方法
研究人员采用的主要技术方法包括：多项式回归预测模型（PRPM），用于短期电动汽车充电需求预测，采用递归特征消除（RFE）、随机森林特征重要性和互信息分析进行特征选择，并通过多项式映射捕捉充电需求与环境温度、充电时长、充电时间、充电事件数和能耗之间的非线性关系；分层自适应窗口学习算法，通过连续窗口分析预测误差并根据BSS感知误差严重程度自适应调整预测幅度；基于BSS运行阈值（85%最大功率）的分层权重更新机制，通过二元自适应选择变量激活不同校正深度；控制器硬件在环（HIL）测试验证，采用Typhoon HIL 604平台，模型执行速率设为1×10??秒，转换器开关频率配置为10 kHz。样本数据来源于Fortum Charge and Drive提供的奥斯陆充电站32,920次充电事件记录。
四、研究结果
4.1 预测模型性能评估
多项式回归预测模型在训练集上达到R2=0.9784，测试集上达到R2=0.9763，MSE分别为18.43和21.15，显著优于线性回归模型（训练R2=0.9521，测试R2=0.9586，MSE分别为148.32和132.77），证明其在捕捉复杂时间充电需求特征方面的优越性。
4.1.1 动态测试条件下的AL-PEMS性能评估
在测试案例I中，面对EVCPD从82 kW瞬时增至112 kW以及太阳能光伏输出从45 kW骤降至5 kW的异常工况，AL-PEMS通过动态窗口预测机制调节水轮发电机（HG）输出，使直流母线电压严格维持在380 V参考值附近，BSS输出未超过34 kW最大功率限制。测试案例II和III中，AL-PEMS分别在预测窗口1–8和1–7内将HG输出从92 kW调节至48 kW、从94 kW调节至25 kW，保持直流母线电压稳定。
4.2 实验设置验证
通过Typhoon HIL 604平台的硬件在环测试，AL-PEMS的实时输出与虚拟HIL环境结果完全一致，验证了其在实际控制器硬件上的实时兼容性和可行性。
4.3 相对比较分析
与启发式自适应功率管理方案（APMS）相比，AL-PEMS通过预测驱动的前瞻性调节避免了BSS饱和导致的电压跌落；与线性回归-模型预测控制混合能量管理方案（LR-MPCEMS）相比，AL-PEMS的动态窗口调整机制克服了固定窗口时长和无法窗口内校正的局限；与AMPC方案相比，AL-PEMS通过BSS感知的分层权重校正避免了过度补偿和延迟校正问题，实现了更快的响应速度和更精确的功率平衡。
五、结论
研究提出的AL-PEMS通过将机器学习预测与动态窗口控制相结合，有效解决了独立直流微电网中随机EVCPD管理的核心挑战。相较于现有方案，AL-PEMS实现了EVCS可靠性提升19.82%、8.43%和7.87%，可持续性提升17.60%、20.20%和18.13%，BSS负载降低35.23%、28.36%和28.36%，以及直流微电网电压调节性能提升14.16%、9.20%和8.89%。该方案为电动汽车充电站与独立直流微电网的可持续集成提供了有效的能量管理解决方案，具有重要的工程应用价值。
