《Scientific African》：Efficient Energy Management in Grid-Connected Microgrids with Battery Storage
编辑推荐：
由电气化和工业化驱动的全球电力需求增长导致了频繁的电力系统故障，在高峰需求期间电网过载构成了系统崩溃的重大风险。为了应对这一挑战，本研究开发了一种基于人工神经网络（ANN）的并网微电网（MG）最优能量调度策略。ANN模型在包含1024个负荷变化场景数据集的70
由电气化和工业化驱动的全球电力需求增长导致了频繁的电力系统故障，在高峰需求期间电网过载构成了系统崩溃的重大风险。为了应对这一挑战，本研究开发了一种基于人工神经网络（ANN）的并网微电网（MG）最优能量调度策略。ANN模型在包含1024个负荷变化场景数据集的70%上进行训练，30%留作测试和验证，并将系统总负荷和电池荷电状态（SOC）作为输入，以确定诸如在太阳能和风能之间切换以及管理电池充电/放电等运行决策。所提出的微电网整合了太阳能和风能与IEEE 14母线测试系统，并由电池储能支持以维持供需平衡。仿真结果表明，光伏（PV）系统发电32.9 MW（占94 MW关键负荷的35%），而风电系统由82台涡轮机生产61.1 MW（占负荷的65%）。系统在正常、欠载和过载条件下进行了测试，粒子群优化（PSO）进一步增强了ANN的性能，相较于标准ANN训练，性能提升了24.21%。整个框架在MATLAB/Simulink中建模，在三种运行场景下的验证证实了所提出的调度方法在提高电网效率和支撑可再生能源整合方面的可靠性和有效性。
研究背景与问题提出：随着全球电气化和工业化进程的推进，电力需求急剧上升，导致传统电网在高峰期面临严重的过载甚至崩溃风险。传统电力系统主要包含发电、输电和配电环节，为应对人口增长和能源需求增加，电力系统必须具备可靠和可持续的供电能力。然而，集中式传统电网在应对这些挑战时显得力不从心。近年来，由于环境问题、市场放松管制以及全球电力需求的增长，分布式发电（DG）因其能改善可靠性、降低网损、提高电能质量并整合可再生能源而受到广泛青睐。但DG也会对系统电压、功率稳定性和网络安全产生影响。为了克服这些问题并提升微电网（MG）的效率，研究人员转向开发能高效管理负荷的智能微电网概念。微电网作为智能电网的关键组件，本质上是一个由负荷、可再生能源（RE）和DG单元组成的低压有源配电网络。然而，可再生能源发电具有间歇性和不可预测性。在缺乏大规模储能技术的条件下，维持微电网供需连续平衡成为一大挑战。因此，亟需开发一种针对并网微电网的最优能量调度策略，以在应对电网过载、平抑负荷波动的并网运行方式下保障系统的稳定性和效率。基于此背景，研究人员利用人工神经网络（ANN）控制器开发了一种并网微电网最优能量调度模型，并与粒子群优化（PSO）技术相结合。该研究成果已发表在《Scientific African》期刊上，为提高电网运行效率和可再生能源的可靠并网提供了理论依据与工程参考。
研究方法与关键技术概括：研究人员在MATLAB R2021a/Simulink环境中构建了集成可再生能源与电池储能系统的IEEE 14母线测试系统模型。主要采用的关键技术方法包括：应用PSO算法进行分布式发电（DG）的定容选址，同时利用该算法对电池储能系统PID控制器的参数进行寻优整定以提高响应速度并减少超调；采用最大功率点跟踪（MPPT）技术以最大化光伏和风能的功率提取。在能量调度控制中，构建了ANN控制器，以系统总负荷功率和电池荷电状态（SOC）等动态场景数据为输入样本训练网络，控制各能源开关状态；并通过PSO算法优化ANN的隐藏层节点数与学习率，显著降低了均方误差（MSE），从而实现了微电网能量管理的智能化与最优化。
研究结果分析：
1. 分布式发电(DG)的选址与定容
通过PSO算法对混合系统中的分布式电源进行优化计算，寻找电网中最薄弱的节点作为DG接入位置。经过506次迭代，结果显示最优DG配置容量为94 MW，最佳接入母线为IEEE 14母线系统中的第13号母线，该节点的电压幅值为0.975 pu。将DG布置在最薄弱母线可以有效减少系统功率损耗并提升整体电压稳定性。
2. 系统仿真与DG运行状态
研究构建了太阳能、风电以及储能系统的MATLAB/Simulink仿真模型。光伏系统部分覆盖了系统35%的关键负荷需求，总发电量达32.9 MW。为产生特定直流母线电压，采用了6425个串联模块与2个并联模块组成的光伏阵列。风电系统部分覆盖了系统65%的关键负荷，总发电量为61.1 MW，共采用82台永磁同步发电机（PMSG）。系统通过升压变换器和基于P&O的最大功率点跟踪（MPPT）技术将电能稳定馈入230 KV的公共直流母线。仿真显示其三相电压与电流在稳态下均呈现纯正弦波形。
3. 基于PSO优化的PID控制器整定
为了有效控制电池充放电过程和维持直流母线电压，研究利用PSO算法寻优PID控制器的关键参数。通过PSO优化，PID控制器在第723次迭代时达到最优收敛，此时的MSE为0.000470996。对比自动整定方法，PSO优化后的PID控制器在时域响应上的峰值降低了3.05%，调节时间缩短了53.75%，超调量大幅减少了75.71%，极大地提高了控制系统的动态性能和稳定性。
4. ANN与PSO优化的ANN(ANN-PSO)训练比较
在能量调度核心控制环节，研究人员训练了两个输入总负荷和电池SOC、输出四路开关控制信号的ANN模型。初步训练的ANN模型整体回归值达到0.97661，MSE为0.0095。为进一步提升模型预测精度，利用PSO算法对ANN隐藏层的神经元个数和学习率进行优化。优化后的ANN-PSO模型在多种评估指标上均显著提升：MSE降低至0.0072，回归值提升至1.0，平均绝对误差（MAE）和均方根误差（RMSE）分别改善了25.61%和12.37%。综合各项指标，引入PSO训练后的ANN模型整体性能提高了24.21%。
最优调度控制逻辑与结论总结：
在讨论环节，研究确认了所提调度方法的有效工作原理。通过引入ANN控制器识别负荷与SOC状态，系统能够智能切换各支路开关。在轻载和正常负载下，由主电网供电，若电池处于放电状态则闭锁光伏与风电开关；若电池需充电则闭锁光伏并开启风电。在过载工况下，主网无法满足负荷时，ANN会基于负荷缺口与电池剩余容量精准开启光伏或风电补充供电，并在电池SOC处于20%至40%时触发充电模式。研究结论部分指出，文章主要聚焦于并网混合太阳能-风能与电池储能系统，通过MATLAB/Simulink软件进行功率调度建模。系统借助PSO技术有效优化了DG单元的尺寸与定位，确保了成本与能效的最佳平衡；采用MPPT技术追踪光伏与风电的最大功率输出；储能电池借助基于PSO整定的PID控制器实现了比传统自整定方式更迅速的时间响应，有效平抑了公共直流母线电压。光伏与风电分别以32.9 MW和61.1 MW的发电量成功覆盖了系统关键负荷的35%和65%。通过对比验证，由PSO优化的ANN训练方法在对比常规训练将MSE从0.0095降至0.0072的基础上，实现了高达24.21%的性能提升，最终确保了整个微电网在多种工况下稳定、高效并网运行的研究目标。
