数据驱动的直流微电网分布式储能系统事件触发预测控制

《Journal of Energy Storage》：Data-driven event-triggered predictive control for distributed energy storage systems in direct current microgrids

　　•分布式电压恢复仅需部分BESS接入母线电压。
•一种数据驱动方案能在未知线路阻抗下实现精确电流分配。
•一种具有衰减阈值的事件触发机制可降低通信负担。
•一种自适应系数平衡电压恢复与电流分配的优先级。

引言
随着可再生能源渗透率的提高和电力电子技术的持续进步，直流微电网正日益受到学术界和工业界的关注[1]。直流微电网具有系统结构简单、传输效率高、无无功功率和频率相关问题、易于集成光伏等原生直流电源等优点。在直流微电网中，多个电池储能系统作为关键的能量缓冲器，有助于平抑可再生能源发电的功率波动并维持系统功率平衡[2]。

在具有多个BESS的直流微电网中，确保BESS之间的电流分配以及将直流母线电压稳定在额定范围内是系统可靠运行的关键前提[3]。下垂控制广泛用于BESS之间的电流分配，但它不可避免地引入母线电压偏差，且线路阻抗不匹配会进一步降低电流分配精度。近期的自适应下垂策略结合了荷电状态相关的下垂系数，以同时改善SoC平衡和功率分配[4]，[5]。然而，通常仍需二次补偿以恢复母线电压并减轻线路阻抗影响[6]。

直流微电网中多个BESS的控制可分为集中式、分散式和分布式控制策略。集中式控制依赖中央控制器收集全局系统信息并为所有单元生成控制命令，而分散式控制允许各单元基于本地测量独立运行，无需通信或中央控制器。然而，集中式控制存在单点故障和扩展性问题，而分散式控制可能无法实现全局协调，导致系统性能次优[7]。相比之下，分布式控制使BESS能够通过本地通信与相邻单元协调，从而增强系统可靠性和可扩展性[8]。近期的多智能体和一致性研究进一步证明了该架构在协调功率管理、SoC平衡、电流分配和母线电压调节方面的有效性[9]，[10]，[11]。因此，本研究采用分布式控制架构。

已对分布式二次控制的多种控制策略进行了研究。无差拍控制是一种具有快速瞬态响应的控制策略，在一个采样周期内计算最优控制动作，使系统对功率变化做出快速响应并实现稳定电压调节[12]，[13]。文献[12]提出了一种考虑线路阻抗的事件触发无差拍控制策略，以实现功率平衡和电压调节、消除稳态误差并降低计算负担。模型预测控制通过多目标协调的在线优化有效管理系统约束并增强动态性能[14]，[15]，[16]。文献[14]提出了一种集成光伏/BESS的新型并联电弹簧配置，采用MPC实现协调运行并扩展扰动下的电压调节范围，并进一步开发了带环流抑制的多智能体MPC以提高系统稳定性。滑模控制因其快速收敛性、对参数不确定性的固有鲁棒性和强抗扰能力而被广泛采用[17]，[18]，[19]，[20]。文献[17]提出了一种基于指数趋近律的终端滑模控制，以实现电氢直流微电网的本地级控制。然而，DBC、MPC和SMC方法均依赖于被控对象的精确数学模型。在实践中，由于系统非线性、参数不确定性和运行条件变化，获得如此精确的模型通常很困难。因此，近期研究越来越强调微电网的自适应、预测性和分布式控制架构[21]。这些发展进一步推动了对无模型控制策略的研究。

直流微电网代表性无模型控制方法包括比例积分控制、一致性算法、模糊逻辑控制和人工神经网络[22]，[23]，[24]，[25]，[26]，[27]。PI控制结构简单但依赖固定增益参数，限制了其在非线性、时变动态或参数不确定性存在时的调节能力[28]。FLC无需显式数学模型运行，但其性能严重依赖专家精心设计的规则库，规则库的复杂度随输入变量数量增加而增加[29]。ANN具有强非线性拟合能力但计算量通常较大，且其性能受训练数据规模和质量限制[30]。相比之下，Hou在[31]中首次提出的无模型自适应控制是一种有前景的替代方案。它仅依赖系统的输入输出数据，计算复杂度低，并能有效适应内部动态变化和外部干扰[32]，[33]，[34]。文献[35]提出了一种采用偏格式动态线性化的MFAC方法，以实现BESS的分布式协调。文献[18]提出了一种结合MFAC的无模型滑模控制方案，用于分布式发电机的二次控制。然而，现有方法大多依赖周期性通信，可能导致不必要的数据传输。即使分布式二次控制具有低带宽特性，日益大型化的微电网仍可能面临带宽限制。因此，降低分布式BESS控制的通信需求在实践中很重要。

事件触发控制已被证明是减轻通信负担的有效方法[36]，[37]，[38]，[39]，[40]。其核心思想是仅当系统状态偏差超过预定义阈值时才触发通信更新，从而在保持控制性能的同时显著降低数据传输频率。文献[36]提出了一种基于动态事件触发通信的分布式二次??∞一致性方法，以实现分布式发电系统中的精确电流分配和高效运行。文献[41]开发了一种结合静态事件触发机制的二次控制策略，以实现快速荷电状态平衡。同时，文献[42]提出了一种基于ANN的智能事件触发框架，用于微电网集群的初级控制，从而降低控制器更新频率。鉴于事件触发控制已被证明有效，本文提出的分布式控制策略采用事件触发机制，在保持系统性能的同时降低BESS的通信需求。

尽管分布式二次控制和事件触发通信已得到广泛研究，但在未知线路阻抗下实现预测性电流分配、无需精确被控对象模型并减少分布式通信仍然具有挑战性。此外，现有研究常将电压恢复和电流分配视为孤立任务或使用静态权重结合。在严重电压瞬态或即插即用操作期间，这些目标可能冲突，降低瞬态性能。为解决这些问题，本文提出一种具有自适应协调机制的动态事件触发数据驱动预测控制框架。所提方法通过一致性算法确保直流母线电压的快速恢复和稳定调节，并进一步开发数据驱动自适应预测控制方案以提高电流分配精度。本工作的贡献总结如下：

1. 设计了一种基于一致性的分布式电压恢复控制，以实现有效电压恢复。同时引入自适应系数以加速电压偏差收敛并减小稳态误差。与文献[25]，[26]的方法不同，所提方法仅需部分BESS的母线电压反馈，且无需计算全局平均电压，从而有效减轻系统的通信和计算成本。

2. 采用MFAC框架进行电流分配。控制器仅利用输入输出数据估计和预测伪偏导数参数。结合滚动时域优化，可实现未来输出电流的预测和控制。与文献[14]，[42]的方法相比，所提数据驱动方法在变化线路阻抗下提高了电流分配精度，且无需精确被控对象模型。

3. 设计了一种动态事件触发机制以减轻分布式控制中的通信负担。通过整合内部动态变量和衰减因子，自适应调整触发阈值。该设计保证系统稳定性和控制性能，同时大幅减少相邻代理之间的数据传输，并防止持续触发不活动问题。

4. 所提方法仅依赖本地测量和邻居信息，确保可扩展性和可靠性。此外，与文献[6]，[37]的方法不同，本工作采用自适应协调策略动态调整电压恢复和电流分配控制的优先级，从而增强波动运行条件下的系统性能。

本文其余部分结构如下：第2节介绍直流微电网结构、BESS动态模型、初级控制层和控制目标公式。第3节提出一种包括电压恢复和自适应预测电流分配控制以及动态事件触发机制的二次控制策略。此外，还提供了所提方法的收敛性分析。第4节通过仿真结果验证所提方法。最后，第5节总结全文。

符号说明：?和?分别表示实数和复数集合。????是??维单位矩阵，????×??是??×??零矩阵。????表示所有元素为1的??维列向量。对于矩阵??∈???×??，??>0表示??正定。???(??)和???(??)分别表示其谱和谱半径。

章节片段

孤立直流微电网结构
如图1所示，本研究考虑单母线直流微电网，包括光伏阵列、多个BESS、交流/直流负载以及连接到公共直流母线的各种变换器。光伏阵列通过升压DC-DC变换器连接到直流母线。负载作为能量消耗单元，通过各自变换器接口连接到直流母线。每个BESS由电池和双向DC-DC变换器组成，并联连接到直流母线。它工作在充电或放电状态，根据系统需求进行管理。

分布式二次控制器设计
与常规二次控制架构一致，所提控制器通过向每个BESS的下垂控制律添加校正项?????(??)来补偿初级控制输出。因此，调整后的电压参考公式为：
??ref,???(??)=???bus???d,???(??)??o,???(??)+?????(??)

二次控制输入?????(??)包括电压校正项??v,???(??)和电流校正项??c,???(??)。采用增量更新策略以提高计算效率：?????(??)=?????(???1)+Δ?????(??)

仿真结果与分析
为验证所提二次控制策略的有效性，我们在MATLAB/Simulink中建立了孤立直流微电网仿真模型。测试系统包括光伏阵列和4个并联BESS。表1和表2分别列出了系统和控制器参数。

结论
本研究旨在设计一种用于直流微电网中BESS的二次控制方法。我们使用一致性算法设计了一种分布式电压恢复方法以调节母线电压。利用MFAC框架，我们开发了一种数据驱动预测控制方法，仅使用输入和输出数据实现BESS之间的电流分配。设计了一种自适应系数以动态协调电压恢复和电流分配的优先级。此外，还开发了一种动态事件触发机制，以降低通信负担并保证系统稳定性。

CRediT作者声明
Shenhao Yang：撰写初稿、软件、方法论、概念化。Huarong Zhao：审阅与编辑、方法论、资金获取。Li Peng：监督、资金获取。Hongnian Yu：审阅与编辑、方法论。Yuhao Chen：验证、软件。

利益冲突声明
作者声明，他们不知道可能影响本文所报告工作的已知竞争经济利益或个人关系。

致谢
本工作部分得到国家自然科学基金资助（项目号62403216）、江苏省基础研究计划资助（项目号BK20241608）、自主智能无人系统全国重点实验室资助（项目号ZZKF2026-1-9）、江苏省青年科技人才支持计划资助（项目号JSTJ-2025-544）、无锡市青年科技人才支持计划资助。