考虑充电多样性和极端天气的含车网互联（V2G）多微电网智能负荷频率控制策略

《Smart Cities》：Intelligent Load Frequency Control Strategy for Multi-Microgrids with Vehicle-to-Grid Considering Charging Diversity and Extreme Weather

　　

随着城市交通的快速电气化和可再生能源渗透率的提高，智慧城市多微电网（MMG）系统的频率稳定性日益依赖于车网互联（V2G）灵活性的协调。然而，现有的负荷频率控制策略通常将电动汽车（EV）视为同质资源，忽视了充电基础设施多样性、用户出行约束以及极端天气条件对调节可用性的影响。为应对这些挑战，本研究提出了一种面向智慧城市多微电网的天气自适应智能负荷频率控制策略，该策略考虑了异构充电站和电动汽车用户的能量需求。研究人员分别对快速充电和慢速充电基础设施进行建模，以反映其不同的调节特性，同时从出行需求、停车持续时间和荷电状态偏好中推导出时变的充放电裕度，并在极端天气场景下进一步调整。基于这些动态约束，一种增强型多智能体软演员-评论家（MA-SAC）控制器协调微型燃气轮机和充电站，以实现分布式频率调节。仿真结果表明，MA-SAC的性能优于比例-积分-微分（PID）、模糊控制（Fuzzy）和多智能体深度确定性策略梯度（MA-DDPG）方法，在正常情况下实现了98.51%的频率优良率，在极端天气下实现了91.47%的频率优良率。与PID相比，该方法将最大偏差降低了高达80%，同时保留了用户的出行需求。所提出的框架为将电气化出行整合到弹性智慧城市多微电网频率调节中提供了一条实用路径。

论文解读文章

**研究背景与问题**
随着智慧城市基础设施的快速发展，城市能源系统正经历由分布式可再生能源发电和交通电气化驱动的深刻转型。多微电网（MMG）架构成为协调地理分布式能源资源的有效框架，但可再生能源的间歇性加剧了微电网的低惯性特性，易导致频率偏差。车网互联（V2G）技术使电动汽车（EV）能够提供亚秒级功率响应，为频率调节提供了灵活移动储能资源。然而，现有负荷频率控制（LFC）策略通常将EV视为同质聚合体，忽视了充电基础设施多样性（快速充电站FCS与慢速充电站SCS的差异性）、用户时间-能量需求的异质性（如出行距离、停车时长、期望荷电状态SOC偏好）以及极端天气条件（如暴雨）对调节可用性的多维扭曲效应。这些不足导致策略在极端场景下适应性不足，因此亟需开发一种综合考虑上述因素的智能LFC策略。本研究旨在填补这一空白，论文发表在《Smart Cities》。

**研究内容与主要发现**
研究人员提出了一种考虑充电多样性和极端天气的MMG自适应LFC策略，核心发现包括：（1）通过区分FCS与SCS的物理特性（功率等级、响应速度、能量转换效率），实现了频率控制信号与不同充电站实际执行能力的精确映射；（2）基于行为驱动方法，将用户出行需求（出发SOC目标、停车时长、充电模式选择）转化为实时连续功率调节边界，解决了聚合模型中的不连续控制问题；（3）设计了一种天气自适应的增强型多智能体软演员-评论家（MA-SAC）控制器，通过动态调整奖励函数和策略更新机制，适应暴雨等极端条件下V2G容量和用户需求的剧烈波动。

**主要关键技术方法**（不超过250字）
研究人员采用如下关键方法：
- 建立MMG频率动态模型，包含微型燃气轮机（MT）、风电（WT）、光伏（PV）及耦合联络线，以风力和负荷波动作为扰动源。
- 对充电基础设施进行分类建模：FCS（高功率、短时调节）与SCS（中低功率、长时能量平衡）。
- 提出行为驱动的V2G边界量化方法：基于个体EV的电池容量、SOC约束、出行距离（计算期望出发SOC_n,exp）、停车时长（时宽因子δ_n(t)），并结合用户选择的三种充电模式（强制充电M1、灵活充电M2、双向参与M3），使用闵可夫斯基和聚合至充电站级别，得到实时充放电边界。
- 极端天气建模：以暴雨为例，调整EV空间分布（工作区FCS连接数减少、住宅区SCS停车时长增加）和用户保守性（提高期望出发SOC和安全阈值），重新计算V2G边界。
- 采用MA-SAC算法（基于最大熵深度强化学习），每个智能体观测本地频率偏差、联络线功率及充放电边界，输出MT和EV站的协调控制信号，通过集中训练分散执行实现全局优化。样本来源于仿真系统（双微电网场景，工作区MG1和住宅区MG2），无真实样本队列。

**研究结果**（保留每个小标题并简要说明）
*5.1 仿真系统设置* 设计由MG1（工作区，配备FCS）和MG2（住宅区，配备SCS）组成的双微电网系统，选取00:00、12:00和19:00三个典型时间点代表不同EV分布，采用最大频率偏差、平均频率偏差和频率优良率（偏差严格在±0.10 Hz内的时间比例）作为性能指标。
*5.2 正常条件下的V2G边界与频率控制* 在正常工作条件下，通过图8-9展示了日内EV数量与充放电边界的演变：00:00 MG2的SCS拥有高V2G裕度，MG1的FCS连接稀少；12:00 EV转移至工作区，MG1的V2G边界扩大；19:00逐渐回归住宅区。在12:00施加随机扰动后，MA-SAC控制器在平均频率偏差（0.00876 Hz）、优良率（98.51%）和最大偏差（0.1158 Hz）上均优于PID、模糊控制和MA-DDPG，展现出对异构充电站能力的充分利用。在00:00和19:00等V2G资源受限时段，传统控制器性能显著下降（PID优良率低至35.09%），而MA-SAC仍保持优良率>95%，归因于多智能体架构协调本地MT、联络线及相邻微电网的间接支持。
*5.3 极端天气下的V2G变化与频率控制* 在暴雨场景下，用户保守性提高且EV向住宅区SCS集中，工作区FCS的V2G边界缩小。施加相同扰动后，PID和模糊控制的优良率降至31.77%和60.01%，MA-DDPG降至78.52%，而MA-SAC的优良率仍达91.47%，最大偏差仅为0.1406 Hz，证明其已内化天气诱导的资源变化并可自主重新校准控制策略，不损害用户出行需求。

**讨论与结论**
讨论部分指出，仿真结果证实了所提MA-SAC策略在正常和极端条件下的优越性：（1）在正常条件下，基于用户时间和能量需求动态重构的V2G边界与EV时空移动模型高度一致，MA-SAC在V2G资源丰富时将最大偏差较PID降低80%以上，在资源稀缺时通过多智能体协调维持高优良率；（2）在暴雨等极端条件下，MA-SAC适应了V2G边界变化，仅轻微性能下降，而传统控制器显著恶化，体现了其对资源可用性和用户偏好变化的鲁棒性。MA-SAC相较于MA-DDPG的优势归因于最大熵深度强化学习与复合奖励函数（分段惩罚、二次项、生存奖励和终止惩罚）的结合，提供了密集学习信号，避免局部最优并加速收敛。不足之处包括：仅验证双微电网系统，需扩展至城市级复杂拓扑；极端天气仅考虑暴雨，未涉及热浪或寒潮；通信可靠性与隐私保护机制需在实际部署中更严格整合。
研究结论部分翻译如下：
因此，提出了一种考虑充电多样性和极端天气的含V2G多微电网智能负荷频率控制策略。通过仿真分析，得出以下结论：
（1）在常规控制能力方面，所提出的MA-SAC控制器相比PID、模糊控制和MA-DDPG表现出更优的性能。在正常和极端天气条件下，控制器有效抑制频率波动并维持系统稳定性。即使受到强随机扰动，最大频率偏差几乎被限制在±0.10 Hz以内，显著优于传统控制器。
（2）在灵活控制能力方面，论文建立了融合EV时空移动性和用户需求的随机充放电边界模型。通过协调FCS和SCS的不同V2G边界，控制器在保障用户需求的同时充分利用EV的快速调节潜力。因此，EV可以在无需不必要放电的情况下参与频率调节，提高了电网稳定性目标与用户偏好之间的协调性。
（3）在极端场景下的鲁棒性方面，MA-SAC控制器适应了由暴雨及其他不利条件引起的EV分布和V2G边界的变化。此外，当通信延迟叠加于极端天气和受限V2G边界时，控制器仍能抑制振荡并将频率恢复至可接受范围内。这凸显了其在多场景、多约束运行环境下的强鲁棒性和泛化能力。
尽管所提策略有效，但本研究存在一定局限，需在未来研究中解决：首先，将整合先进的隐私保护技术和更稳健的通信机制以应对潜在的数据安全和通信脆弱性；其次，将模型扩展至包含更多微电网（如超过十个）的城市级大规模互联系统；最后，计划纳入其他极端天气场景（如热浪和寒潮）对EV用户行为和能量需求的影响，进一步增强策略的综合适应性。