氢能驱动的多能源微电网：在可再生能源不确定性下的协同规划与运行

《Energy》：Hydrogen-Enabled Multi-Energy Microgrids: Coordinated Planning and Operation Under Renewable Uncertainty

　　萨尔曼·哈比布|阿里·法伊萨尔·穆尔塔扎|埃马德·M·艾哈迈德|穆罕默德·马吉德·古尔扎尔|索海布·塔希尔·乔杜里|哈马德·阿尔努曼沙特阿拉伯达兰31261，法赫德国王石油与矿业大学控制与仪器工程系

摘要
以氢能为基础的多能源微电网正逐渐成为实现可靠且低碳能源系统的关键技术，然而，在多时间尺度上可再生能源的不确定性仍给其协同规划与运行带来巨大挑战。本文提出了一种用于网络化微电网的新型多层分层优化框架，其中基于深度学习的概率预测引擎是应对多时间尺度不确定性的核心。该框架的核心是一个采用巴丹诺注意力机制的序列到序列循环神经网络模型，它能生成高精度的可再生能源发电量与负荷概率预测。这些预测并非简单的点预测值，而是直接作为整个优化层次的参数。中位数预测用于确定常规调度方案，而上下分位数（0.1和0.9）则用于为两阶段鲁棒优化模型定义随时间变化、基于数据的不确定性范围，该模型通过列与约束生成法进行求解。预测与优化的紧密整合确保决策能够抵御最坏情况的影响。该框架还能将长期战略投资与实时模型预测控制相协调，整合氢能电池存储、电动汽车队列以及电力转X技术。在经过修改的IEEE 33节点系统上的仿真结果表明，与传统基准方案相比，该基于RNN的框架可使净现成本降低15%，负荷损失概率降低74%。此外，预测模型本身的平均绝对百分比误差分别为负荷3.2%、太阳能发电8.5%，这充分表明精确的概率预测对于提升现代多能源系统的经济性与可靠性至关重要。

引言
在全球气候变化压力和技术进步推动下，全球能源格局正在向分散化和去碳化方向转变。在这一转型过程中，网络化微电网作为一种重要架构，有助于整合分布式可再生能源、提升电力系统韧性并保障地方能源安全。这类系统将太阳能光伏、风力涡轮机、电池储能系统、电动汽车队列以及新兴的电力转X技术等多种能源资产整合为一个可控且高效的整体。然而，可再生能源发电的间歇性与不确定性，再加上不同时间尺度上多能源管理的复杂性，给传统能源管理系统带来了巨大挑战。因此，在不确定性环境下如何有效协调长期投资决策与实时运营控制，是关乎可持续电力系统未来的重要研究问题。

现代微电网的运行是一个复杂的多时间尺度决策过程。诸如投资氢能存储或电力转X设施之类的战略决策，其影响往往持续数十年之久。季节性规划涉及燃料采购与设备维护安排，而日前调度则需确定那些调节速度较慢的发电单元，日常调度与实时控制则负责处理每一秒的波动情况。推动本研究的核心挑战在于，从战略到日常运营的各个层面都存在着由可再生能源发电的变动性及电力需求的不稳定性所引发的普遍不确定性。传统确定性优化方法通常依赖单值预测，虽可通过设置备用容量或安全边际来部分应对不确定性，但在面临重大且持续不确定性的情况下，其效果会大打折扣，尤其是在可再生能源占比高且不同行业相互关联的微电网中。若不确定性超出预设的备用容量，这类方法仍可能导致高昂的补救措施、可靠性下降或资产利用率不足。此外，氢能存储和电力转X系统等新兴技术的引入，使得电力、热能、氢能及化学能领域的动态关系更加复杂，单一或孤立的时间尺度分析已无法充分应对这些问题。因此，亟需一种整体性框架，能够在所有相关时间尺度上统筹规划与运行，并全面、严谨地考虑各种不确定性因素。

如图1所示，该工作流程分为三个垂直层级。最顶层的预测层利用带注意力机制的序列到序列LSTM模型，为负荷与可再生能源发电量生成概率预测值及分位数不确定性区间。这些预测结果直接作为中间优化层的输入，该优化层共分为五个层级：第一层级负责多年期的战略投资与规模决策；第二层级处理季节性运营规划；第三层级采用基于列与约束生成法的两阶段模型进行日前鲁棒调度；第四层级负责滚动时域内的日常重新调度；第五层级则通过结合交流/直流系统特性的模型预测控制实现实时调控。最底层的解决方案层则运用分解策略，包括类似本德斯的聚合方法以及收敛反馈回路，来求解优化问题。方向箭头体现了自上而下的决策流程，以及自下而上的运营成本与可靠性指标反馈，从而构成一个完整的闭环系统。

分层优化与分布式优化长期以来一直是网络化微电网协同决策的重要基础。早期有一个涵盖智能家居、微电网及配电网的三层框架，证明了通过分布式ADMM分解方法，可在尊重系统级约束与氢能整合要求的同时，实现各局部目标的优化[1]。在此基础上，针对经济调度的分布式优化算法的比较分析明确了收敛速度与解决方案质量之间的权衡关系，并强调了储能技术在实现成本与效率目标中的关键作用[2]。多能源耦合建模则从单一向量调度发展为对电、热、氢能等多能源的紧密协同管理。有一种协调调度模型通过引入受限的哈里斯霍克斯优化器来处理非凸性问题与不确定性，从而展现了多能源耦合带来的性能优势[3]。与此同时，多目标规模优化框架与电动汽车调度相结合，扩展了设计空间，使得系统能够通过车辆到电网模式实现可持续运行[4]；而数据驱动的调度方法则将K均值聚类与神经网络相结合，提升了并网微电网的预测精度[5]。在电力与氢能的整合方面，针对海上风电港口的双层模型旨在在多种不确定性条件下实现零碳排放运行[6]，而改进后的元启发式算法则被用于混合光伏-储能直流微电网，以提高系统的可靠性与效率[7]。

在集群层面，针对多能源微电网联合体的分布式运营优化注重系统的鲁棒性，从而在随机干扰下提升系统可靠性[8]。一些互补策略则通过协调控制储能设备与分布式资源，提升了系统的稳定性[9]。为应对时间变化与设备多样性，关于混合储能调度的相关研究提出了多种方法，以改善系统的平衡性能与设备使用寿命[10]。诸如海象优化器这类新型元启发式算法，则被用于自主混合微电网，在高可再生能源占比的场景下展现出良好的技术经济效益[11]；而混合人工智能辅助的两阶段优化方案则通过结合备用资源与强化学习优化技术，提升了系统的抗干扰能力[12]。

氢能在微电网中的作用已从单纯的灵活性补充手段，转变为规划中的核心要素。有一种针对孤岛微电网的混合氢能-电池储能规划方法（TSA–THC），它通过将氢能的缓慢响应特性与快速的电力控制相结合，解决了多时间尺度上的能量不平衡问题[13]。在运行层面，针对孤立微电网集群的自适应实时分层控制方法，则借助改进的粒子群优化技术，在保证系统响应能力的同时降低了成本与排放[14]。采用灰狼算法的交流/直流混合微电网优化进一步将电力转X路径纳入系统设计，以强化系统的去碳化进程与可再生能源利用效率[15]；而结合电氢储能的交流/直流调度则被视为实现低碳建筑能源系统的关键技术[16]。与市场机制相结合的办公微电网则将这一理念延伸至碳与电力的互动领域，通过改进的哈里斯霍克斯优化方法，实现了环境效益与经济利益的平衡[17]。从容量规划的角度来看，带有海上风能与压缩空气储能的电力-氢能多能源微电网，则是通过集成分配模型共同设计的[18]。

在应对不确定性方面，也出现了多项创新成果。基于仿射算术的鲁棒调度方法，通过将限定范围内的误差传递到调度模型中，提升了系统的灵活性与最坏情况下的性能表现[19]。诸如萨尔普群-开普勒算法这类受群体智能启发的混合方法，则用于处理包含电动汽车在内的可再生能源微电网的规模与调度问题，在高度非凸的优化场景中仍能保持较好的鲁棒性[20]。对于相互连接的微电网集群，多目标规划方法则借助藤蔓copula情景生成技术与蚁狮优化算法，分析了风能、太阳能与储能系统之间的相互依赖关系[21]；而改进的沙丁鱼优化算法则致力于在不确定性条件下实现具有良好竞争性调度质量的日前运营规划[22]。在智能家庭能源管理领域，研究表明可通过协调光伏发电、储能系统、电动汽车充电及需求响应等措施，有效应对终端用户侧的能源波动问题[23]。展望未来，有一种面向量子微电网构建的改革框架，提出应采用非传统的优化理念来重新设计微电网结构[24]。深度强化学习则为在不确定性条件下的多目标区间调度提供了支持，它将基于学习的策略搜索与约束处理相结合[25]。基于矩型不确定性集的分布式鲁棒优化技术，则实现了网络化微电网、停车场及配电网之间的点对点交易，同时能够量化风险暴露程度[26]。

在涉及安全关键环节及内在不确定性问题的场景中，以控制为中心的优化方法得到了广泛应用。针对孤立微电网的电压下垂参数，采用分阶段优化方法可嵌入安全约束，从而确保系统的稳定性与可靠运行[27]。具备实时能量共享功能的鲁棒调度模型，则能够有效应对那些受决策本身影响的固有不确定性，从而在动态运行条件下提升决策的准确性[28]。有一篇关于微电网中经济型模型预测控制的综合综述，总结了当前在该领域取得的进展，以及实现预测结果与滚动时域优化之间无缝衔接所面临的挑战[29]。通过区间划分与相关性处理，不确定性集合的设定方式得到了优化，从而在保持系统可靠性的同时避免了过度保守的调度策略[30]。与此同时，针对多母线直流微电网的分布式预定时优化与控制方法，即便存在通信延迟与系统异构性，也能实现快速且确定的优化收敛[31]。对于意外孤岛运行的规划问题，则通过在多能源微电网中应用多目标随机框架来处理，重点提升系统在罕见但影响严重的事件发生时的恢复能力[32]。在基于冗余设计的微电网中，实时电价机制下的经济运行策略则阐明了电价变动如何影响系统的最优协调方式[33]。最后，兼顾电能质量的交流微电网优化方法，通过电压注入策略有效降低了系统中的电能不平衡与谐波问题[34]；而针对直流储能系统的分布式最优控制方法，则在明确考虑通信延迟因素的前提下，降低了系统的运行损耗[35]。

从表1可以看出，本文提出的框架具有显著优势，它首次将概率预测技术与五层分层优化框架有机结合，而现有大多数研究仍依赖于确定性模型或仅采用两到三层的简单结构。与以往仅单独研究氢能整合、电池存储或电力转X技术的研究不同，本文提出的方法将氢能、电池存储及电力转X技术统一纳入同一多时间尺度协调策略之中。此外，该方法直接利用基于序列到序列循环神经网络及注意力机制的分位数驱动型鲁棒优化方法，有效提升了系统应对不确定性的能力，远优于那些仅依靠启发式方法或情景分析的方案。这种对预测、鲁棒优化与多能源协同管理的全面整合，为提升网络化微电网的经济性与可靠性提供了更为先进且具备可扩展性的解决方案。

尽管已有大量相关研究，但目前仍存在一定的研究空白。首先，先进的预测技术与优化模型之间存在脱节现象。许多鲁棒优化研究使用的不确定性集合较为简单且静态，无法反映实际预测误差的时变性与相关性，从而导致优化方案过于保守且成本过高[22]。其次，虽然有不少研究聚焦于单一时间尺度（如日前调度或长期规划），但真正具备双向信息传递能力的集成化分层框架却很少见，这类框架应能够实现从多年期投资决策到几秒钟内控制指令的全方位信息流通[23]。最后，目前几乎缺乏对各类现代能源资产的全面整合建模，尤其是未能将混合氢能-电池存储系统与可调度电动汽车及电力转X设施统一纳入同一优化层次中进行协同优化。现有文献中缺乏一种能够充分利用先进概率预测技术，为多层鲁棒优化框架提供动态决策支持的系统性方法。

尽管已有众多研究探讨了可再生能源预测与能源系统优化问题，但这两者往往被视为独立的模块。在许多现有方法中，预测模型生成的仅为点预测值，这些值直接作为确定性输入被用于优化模型。这样的顺序式框架无法充分体现可再生能源的不确定性特征，尤其是风能与光伏发电，其输出本质上是随机且变化剧烈的。因此，预测误差可能会传导到运营优化过程中，导致调度决策欠佳或系统风险上升。为解决这一问题，有必要在预测技术与优化模型之间建立更紧密的联系。通过将概率预测信息，如分位数预测值或基于情景的预测结果，纳入优化框架，决策过程就能更好地反映不确定性因素，从而提升系统的运行稳定性。因此，本文提出了一种新框架，将概率型可再生能源发电预测与优化模型相结合，使调度策略能够明确考虑预测误差的影响。

为清晰展现本文相对于现有研究的创新之处，我们从优化方法、调度策略以及可持续规划三个互补维度对本文的贡献进行了归纳。图2展示了贡献空间，表2则提供了详细的对比基准。本文的核心方法论贡献是一种五级分层鲁棒优化框架，其结构比微电网领域现有的任何方法都要丰富。以往的研究大多采用确定性建模，或者最多只有两到三级的分层结构[16]、[17]。确定性模型容易受到预测误差的影响，而有限层级的结构则无法充分涵盖从数十年期的资本投资到亚秒级的实时控制等不同决策时间尺度。我们的五级架构包括：•第一级——战略投资：在多年时间范围内，通过混合整数线性规划来确定规模和技术选择。•第二级——季节性规划：包括燃料采购和维护调度在内的中期运营规划。•第三级——提前一天后的鲁棒调度：通过列与约束生成法求解的两阶段自适应鲁棒优化问题，其不确定性集由带有注意力机制的Seq2Seq RNN模型输出的分位数预测直接确定。•第四级——日内重新调度：利用更新后的预测结果对提前一天的计划进行调整。•第五级——实时控制：结合完整的交流/直流功率流动态的模型预测控制。关键在于，第三级的不确定性集并非基于启发式方法或任意界限，而是源自深度概率预测模型输出的条件分位数，从而在机器学习预测与优化之间建立了直接且严谨的联系，避免了传统鲁棒优化中存在的保守性调整难题[8]、[9]。此外，这五级通过类似Benders的分解方式以及收敛反馈回路相互关联，确保较低层级的运营成本和可靠性指标能够为较高层级的投资决策提供依据。目前还没有研究将基于深度学习的概率预测与自适应鲁棒优化相结合，在五个协调的时间尺度上形成闭环架构。在该框架下，调度并非独立的模块，而是分层优化的具体体现，贯穿所有五个层级。现有文献中的调度策略通常仅在单一时间尺度上运行（例如提前一天的经济调度），或者最多在两个时间尺度上运行（提前一天加上实时调度）[10]、[11]、[33]。而且，大多数调度模型仅考虑电力向量，将热能和氢能子系统视为外部因素或通过简化的能源中心模型来处理。我们的框架在三个方面提升了调度性能：1.多向量协调：调度决策同时平衡电力、热能和氢能的流动，通过热电联产装置、电解槽、燃料电池以及P2X工艺，对转换效率、存储动态以及向量间的耦合关系进行明确建模。2.跨时间尺度一致性：每一层的调度结果都会为更细化的下一层提供目标和灵活性余量。例如，提前一天的鲁棒调度方案（第三级）决定了承诺决策和储备分配，这些又为日内重新调度（第四级）设定约束，而后者则为实时MPC（第五级）提供参考路径。这种级联一致性在分离式或两级架构中是不存在的。3.考虑不确定性的储备采购：与通过固定比例采购储备的确定性调度不同，我们的鲁棒优化模型会根据分位数预测得出的概率可行性保证，计算出适应性强的储备量，从而在保持可靠性的同时降低储备成本。微电网环境下的可持续规划涉及长期设计能源系统，以最小化碳排放、最大化可再生能源的使用，并实现清洁能源载体的整合。以往的研究分别或部分地探讨了氢能存储、电池系统、P2X技术以及电动汽车集成等提升可持续性的技术[13]、[14]、[15]、[18]、[19]。这种零散的研究方式会掩盖各种技术的协同效应，从而导致次优的设计结果。我们的框架通过以下方式助力可持续规划：1.同步技术整合：氢能存储、锂离子电池、P2X技术（包括制气、制热、制化学品）以及电动汽车群体（包括车网互动功能）都在统一的模型中进行协同优化。该模型能够捕捉到诸如利用被限制使用的可再生能源生产氢气，随后再通过燃料电池转化为电能或用于供热，从而替代化石能源等协同效应。2.考虑全生命周期碳排放的投资决策：战略投资层面（第一级）会纳入电网进口和燃料消耗的碳排放因子，从而使优化过程在选择技术组合时能够将环境外部性纳入考量。这将规划思路从单纯的成本最小化转变为成本与碳排放的协同优化。3.长期韧性及脱碳路径规划：多年的规划时间跨度，再加上季节性存储模型（如氢能存储），使得该框架能够评估高比例可再生能源使用场景的可行性（例如80–100%的可再生能源供应），并确定实现这一目标所需的存储容量和P2X处理能力。尤其是季节性氢能存储，被证明是实现深度脱碳的关键手段，而在仅考虑一年或一个季节的规划模型中往往会被忽视。总之，这项工作既不只是一篇优化论文，也不只是一篇调度论文或可持续性论文，而是将这三者整合在一个统一的框架之中。表2从三个维度对所提出的方法与现有的先进研究进行了对比，图2则提供了概念性可视化展示。图3展示了一个用于电力系统管理的分层框架。最上层为预测层，采用带有注意力机制的序列到序列LSTM模型来预测负荷和可再生能源发电量。名义性调度使用中位数预测，而不确定性集则由分位数预测确定。中间层为优化方法层，包含五个决策层级：战略投资、季节性规划、提前一天调度、日内重新调度以及实时控制。最底层为解决方案层，详细说明了包括分解技术、通过列与约束生成法实现的鲁棒优化，以及混合整数规划、二次规划和线性规划求解器在内的各种计算策略。本文的其余部分结构如下：第2节将对所提出的五级分层框架及其数学模型进行详细描述。第3节阐述基于RNN的概率预测方法。第4节介绍综合解决方案方法。第5节呈现大量的仿真结果并进行分析讨论。最后，第6节对全文进行总结，并提出未来的研究方向。