在不确定性环境下，针对富含可再生能源的微电网进行闭环预测、优化与控制：基于LSTM的预测算法、混合遗传算法-粒子群优化（GA-PSO）的调度策略以及自适应电压-频率调节技术

《Sustainable Computing: Informatics and Systems》：Closed-loop forecast–optimize–control for renewable-rich microgrids under uncertainty: LSTM forecasting, hybrid GA–PSO dispatch, and adaptive voltage–frequency regulation

微电网在可再生能源波动下的智能控制：提出LSTM预测、GA-PSO混合优化与自适应电压频率闭环架构，显著降低电压误差（61%）、能耗（19%）和扰动恢复时间（75%），实现多目标协同优化与动态适应性提升。

　　

Wulfran Fendzi Mbasso|Ambe Harrison|Zhe Liu|Zokir Mamadiyarov|Manish Kumar Singla|Raman Kumar

乌兹别克斯坦希瓦马蒙大学经济系

摘要

许多可再生能源会导致快速且非平稳的不确定性，这使得智能微电网难以使用解耦的预测、调度和控制流程。本研究提出了一种闭环架构，用于预测、优化和控制具有大量可再生能源的微电网，该架构将短期可再生能源预测、多目标调度和自适应电压-频率调节紧密结合起来。首先，我们利用长短期记忆（LSTM）模型来预测光伏和风能随时间的变化。其次，将这些预测结果输入到遗传算法-粒子群优化（GA-PSO）调度器中，该调度器在满足分布式能源资源（DER）、电池和网络限制的同时，找到调度成本、母线电压变化和馈线损耗之间的最佳平衡。第三，预测残差有助于实现自适应电压-频率调节，从而在可再生能源或负载发生变化时快速解决问题。该框架在一个高保真度的MATLAB/Simulink微电网上进行测试，该微电网包含光伏、风能、柴油发电和锂离子电池储能系统，并在典型干扰下运行24小时。与传统的固定调度下垂控制相比，所提出的解决方案将母线电压均方根误差（RMSE）从0.0324 p.u.降低到0.0125 p.u.（约61%），将每日馈线损耗从52.8 kWh减少到42.9 kWh（约19%），并将从干扰中恢复的时间从7.2秒缩短到1.8秒（约75%）。预测层的RMSE为0.94 kW，这意味着它可以准确估计短期可再生能源的发电量。这些结果表明，在可再生能源存在不确定性时，将基于学习的预测、混合元启发式调度和残差感知的自适应控制紧密结合起来，可以显著提高微电网的稳定性、效率和韧性。这种方法也适用于未来的硬件在环和边缘控制实现。

引言

随着向可再生能源和分散式电力系统的转变加速，智能微电网对于提高电力供应的可靠性、可持续性和效率变得非常重要。然而，由于太阳能和风能并非始终可用，加上负载模式的变化，微电网的运行变得非常不确定和复杂[1]、[2]、[3]。传统的控制系统通常是模块化和层次化的，分别处理预测、优化和调节[4]、[5]。这使得系统在条件变化时响应性和一致性较差。为了解决这些问题，我们需要使用实时数据、预测和自适应技术的智能集成控制系统，以保持电压稳定，减少能源损耗，并确保运行可靠[6]、[7]、[8]。

最近的评估表明，人工智能（AI）已经改变了微电网的许多领域。越来越多的机器学习、深度学习和强化学习被用于改进负载预测、能源调度、缺陷检测和网络安全。这表明AI可以使微电网更具韧性和效率[9]、[10]。同时，对混合能源系统的研究强调了多目标优化方法在成本、排放、可靠性和性能之间找到平衡的潜力，尽管它们在现实世界中通常表现不佳[11]、[12]。将基于规则的控制在学习架构中结合起来，使系统在适应和做出准确预测方面表现得更好，尤其是在使用LSTM、GRU和RNN等模型时。然而，这些策略往往侧重于启发式方法或规则集成，而不是连贯的元启发式优化框架[13]、[14]、[15]。对混合GA-PSO方法的比较研究表明，它们在复杂解决方案空间中比仅使用一种方法的方法表现得更好。此外，最近结合GA和PSO与ANFIS等预测系统的模型在预测可再生能源方面表现出很强的准确性，但它们不适用于下游控制调整[16]、[17]、[18]。

尽管有了这些改进，文献中仍存在一些重要空白。预测、优化和自适应控制通常被视为独立的任务，这在实际情况发生变化时会导致问题。许多当前的元启发式优化器要么放弃收敛速度，要么放弃探索深度，而自适应调节器在与预测调度结合时表现不佳。很少有研究展示在实际负载和可再生能源条件下，多种指标下的系统性能如何。本研究的目标是通过将实时预测、混合元启发式优化和自适应控制结合到一个基于AI的架构中来填补这些空白。特别是，它添加了一个由基于LSTM的短期可再生能源预测指导的混合遗传算法-粒子群优化（GA-PSO）引擎。这些预测告诉自适应控制器如何调整电压和频率调节，以在情况不明时保持稳定。

本研究并未在LSTM预测的单一应用或混合元启发式调度的总体概念上提出创新，因为这两者在相关的能源管理文献中已有研究。创新在于这些层次的运营互联。首先，可再生能源预测不仅用于提前一天的调度；它们还是闭环调度流程的一部分，在调度制定后，控制器仍能看到预测残差。其次，所提出的GA-PSO层不是一个独立的优化器；它是一个专门为在情况不确定时与下游校正调节配合工作的调度核心。第三，自适应电压-频率调节器不仅对干扰有响应；它还关注残差，这意味着控制器的激进程度会根据预测和实际可再生能源注入的匹配程度而变化。因此，该手稿不仅提出了一个混合设计，还提出了一个集成预测智能、优化和自适应调节的闭环交互机制。

本文的其余部分组织如下：第2节介绍了方法论基础，详细介绍了LSTM预测模型、混合GA-PSO优化器和自适应控制器的设计。第3节描述了高保真度智能微电网仿真设置，包括负载、可再生能源特性和系统组件。第4节展示了结果和性能评估，将提出的框架与基准方法在电压、损耗和恢复指标方面进行了比较。第5节讨论了该框架的实际意义、局限性和潜在的可扩展性。最后，第6节总结了研究并提出了未来研究的方向，如实际验证和多智能体扩展。

部分摘录

智能微电网中预测-优化-控制集成的方法论框架

所提出的解决方案将三个重要的控制层——可再生能源预测、混合元启发式优化和实时自适应电压-频率调节——结合到一个紧密集成的基于AI的控制架构中。每个部分都有其特定的任务，但它们共同工作以应对不确定性，减少运营损耗，并提高电网的韧性。在预测层，时间序列模型使用来自光伏和风能的数据

用于AI驱动微电网控制的高保真度仿真设置

在MATLAB/Simulink中制作了一个智能微电网的高保真度仿真模型，以测试所提出的AI驱动控制架构。该模型模拟了现代混合微电网（包含太阳能（PV）、风能、电池储能系统（BESS）和柴油备用电源）在现实生活中的运行情况，即使负载和天气发生变化也是如此。该模型用于测试系统处理电压变化、功率损耗和可再生能源不确定性方面的能力。

所提出控制框架的结果和性能评估

本节报告的所有性能指标均来自相同的24小时仿真测试、干扰集和评估协议。特别是，电压RMSE、每日馈线损耗和恢复时间以及预测RMSE均使用一致的后期处理程序进行计算。我们使用仿真仔细测试了所提出的AI驱动的混合元启发式和自适应控制架构的性能。我们将结果与传统的固定增益下垂控制进行了比较

所提出框架的实际意义、局限性和可扩展性

在智能微电网中使用基于AI的控制系统在处理不确定和变化的情况时具有巨大潜力。所提出的框架结合了LSTM预测、混合GA-PSO优化和自适应电压-频率调节，不仅在仿真中表现更好，而且也适用于资源有限、计算能力不足或基础设施不完善的现实世界环境。

结论和未来研究方向

本研究提出了一个统一的闭环微电网管理框架，该框架集成了基于LSTM的可再生能源预测、混合GA-PSO调度优化和自适应电压-频率调节，以应对富含可再生能源的运行环境中的不确定性。与传统的解耦架构不同，所提出的方法将预测智能、调度和实时校正控制结合在一个协调的流程中，从而提高了稳态质量和

CRediT作者贡献声明

FENDZI MBASSO Wulfran：撰写——原始草稿、方法论、概念化。Ambe Harrison：撰写——原始草稿、方法论、概念化。Zokir Mamadiyarov：形式分析、资源、软件。Manish Kumar Singla：资源、验证、可视化。Raman Kumar：项目管理、监督、撰写——审阅与编辑。Zhe Liu：可视化、验证、调查。

资助

本研究未获得任何外部资助。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。