采用优化方法以鲁棒处理弱电源和动态负荷变化的增强型电池集成微电网能源管理系统

《Journal of Energy Storage》：Enhanced battery integrated microgrid energy management system using an optimized approach for robust handling of feeble power and dynamic load variations

　　

摘要
集成电池的微电网能量管理系统旨在通过调节电压、平衡可再生能源发电与动态负荷变化，以及缓解混合环境下的低功率发电状况，来提高可靠性和稳定性。然而，可再生能源预测的不确定性可能会降低效率并增加运营成本。为解决这些问题，本文提出了一种基于非桥接隔离正 Cuk 变换器并结合混合格兰杰因果灵感图神经网络和电鳗觅食优化（GCGNN-EEFO）方法的增强型能量管理框架。GCGNN 模型执行可再生能源发电和负荷需求的准确短期预测，而 EEFO 则优化调度电池运行和变换器开关。所提出的技术在 MATLAB 平台上执行，并与其他现有方法进行了比较。结果表明，所提出的方法效率达到 98.78%，运营成本降低至 0.776 美元，表明在可变条件下性能得到改善且微电网运行可靠。

引言
全球日益增长的能量需求以及实施可持续和低碳能源系统的愿望，推动了微电网的实施。微电网结合了分布式能源（DERs）（例如燃料电池、风力和光伏（PV）板）与能量存储系统（ESS）以提供本地化、可靠且高效的电力 [1]。与传统电网相比，微电网可以在并网和孤岛状态下运行，这提供了灵活性和韧性，特别是在偏远或受灾地区 [2]。然而，可再生能源（RES）不可预测和不规则的特性通常导致功率波动，特别是在弱功率或低发电时期，这可能导致能源利用效率低下、电压波动或间歇性电力中断 [3]，[4]。电池能量存储系统（BESS）对于减少这些问题至关重要，通过在发电最高时存储多余能量，并在出现赤字时提供它，从而改善负荷平衡和削峰，频率调节，并最小化传统电源的使用 [5]。

尽管这些方法具有一定的优点，但传统的电池驱动能量管理措施存在许多限制 [6]。简单或基于规则的控制方法在管理低功率状况时并不总是有效，这会导致能源浪费、电池循环和电池寿命缩短 [7]。此外，糟糕的预测、优化和自适应调度可能导致存储能源利用不足或在高峰或低需求间隔期间过载 [8]。需要基于预测和优化的能量管理系统，通过在弱功率条件下动态管理能量、负荷和荷电状态（SoC）来提高存储、延长电池寿命并确保电力稳定 [9]。包含适当的可再生能源发电和负荷需求预测模型也能提高微电网的效率、可靠性和整体性能 [10]。

文献中提出了几项与利用各种系统和方面的集成电池微电网能量管理系统相关的研究。近期的一些工作总结如下；

Matrone 等人 [11] 提出了一种基于深度学习（DL）的微电网电池管理预测控制框架，该框架表现最佳。该研究有效地将预测模型与控制策略相结合，提高了高度动态微电网环境中的能源效率和电池寿命。然而，该方法的性能在很大程度上取决于训练数据的质量和可用性，使其难以适应负荷或可再生能源发电模式不可预见的变化。

Ramu 等人 [12] 在混合能量存储系统中提出了一个 ANN，作为直流微电网改进能量管理方法的一部分，该系统包含双向 DC-DC 变换器。该方法有效地将基于 ANN 的学习与硬件集成相结合，确保了可靠的双向功率流动。然而，ANN 模型通常存在过拟合问题，并且需要频繁重新训练以在高度变化的可再生能源条件下保持长期适应性。

Valarmathi 等人 [13] 提出了一种用于机器学习辅助电动汽车（EV）应用的集成能量存储框架。该项目的目标是使用 LSTM 设计一个有效的能量管理系统，以增加电动汽车的行驶里程并最大化电池利用率。该框架集成了机器学习和存储控制，以动态适应驾驶条件，但其高计算复杂性可能限制其在处理能力受限的电动汽车车载系统中的使用。

Sulaiman 等人 [14] 讨论了使用元启发式算法优化基于光伏 - 电池的直流纳米电网的深度学习参数。该工作的目标是开发技术以控制纳米电网内部能量流的学习性能。混合深度学习和元启发式方法提高了收敛性，但优化带来的额外计算负担限制了其在复杂纳米电网网络中的可扩展性。

Zhang 等人 [15] 建议了一种基于负荷预测的能量管理系统，该系统使用深度强化学习（DRL）来估计电池退化。通过结合预测和 DRL，该策略提供了存储设备的可持续性和主动管理。然而，强化学习需要大量的训练迭代，这可能耗时，并且可能无法在不可预测的真实世界运行条件下确保稳定性。

Sivakumar 等人 [16] 提出了一种基于优化 DBN 的控制方案，用于改善连接可再生能源（RES）的微电网集群的电能质量（PQ）。DBN 优化增强了对功率干扰的鲁棒性，并提高了可再生能源集成的可靠性。然而，该方法缺乏跨越多样化微电网架构的通用性，因为它是针对特定配置量身定制的，适应性有限。

Srikanth 等人 [17] 提出了一种增强的食蚁兽优化技术，用于优化基于 CNN 的 PV-电池微电网能量管理系统。该工作提高了微电网能量分布的效率和准确性。然而，CNN 需要大量数据集进行有效训练，并且对启发式优化的依赖可能限制其在不同规模的微电网系统应用中的一致性。

Maaruf 和 El-Ferik [18] 建议了燃料电池混合动力电动汽车（FCHEV）的控制和能量管理，该系统存在传感器误差和参数不确定性。研究中组成 FCHEV 的燃料电池、电池和超级电容器通过 DC-DC 功率变换器连接到直流母线，直流母线通过 DC-AC 变换器连接到为电动汽车提供动力的交流电机。

Irfan 等人 [19] 提出了一种混合模型预测控制 - 调优模仿学习与长短期记忆（MPC-TIL-LSTM）框架，用于车辆到电网（V2G）集成微电网的智能能源分配和管理。所提出的控制器有效地协调了可再生能源、电池存储和车辆到电网交互，导致燃料消耗和电力成本的显著减少，同时在变化的运行条件下保持系统稳定性。然而，该框架主要关注 V2G 启用的微电网，并依赖于计算密集型的预测控制和模仿学习机制，这可能限制了其在具有高度动态可再生能源发电和负荷变化的集成电池微电网中的可扩展性和实时实施。

总体而言，回顾的研究表明通过机器学习（ML）、深度学习（DL）、预测控制和优化技术在集成电池微电网能量管理方面取得了显著进步。基于 ANN、DNN 和 LSTM 的方法主要集中在预测可再生能源发电和负荷需求，而元启发式方法主要改进优化性能。更近期的混合预测控制框架集成了预测和控制策略，以增强能源分布和系统稳定性；然而，它们通常依赖于计算密集型的优化或特定应用配置，例如 V2G 集成微电网，这可能限制了它们可扩展性和适应性。此外，大多数现有方法将预测和优化视为松散耦合的过程，导致预测和实时能量管理之间的协调不佳。这些局限性凸显了需要一个能够同时在动态和不确定条件下执行准确预测和自适应电池调度，以实现可靠微电网运行的集成预测 - 优化框架。

近期研究的回顾强调，混合微电网中的电池支持能量管理对于可靠、高效和韧性电力供应至关重要，特别是在低可再生能源发电条件下。尽管近期的混合预测控制策略改善了能源分布和系统稳定性，但许多仍然计算密集型或特定应用，限制了它们适用于在高度动态可再生能源发电和负荷变化下运行的集成电池微电网。然而，电池调度和可再生能源/负荷功率管理是一项困难的任务，因为可再生能源的间歇性性质和动态负荷变化使得在不增加运营成本的情况下保持系统稳定变得具有挑战性。为了克服它们，已考虑了包括基于规则的控制、ANN、DNN、LSTM 和元启发式算法在内的不同技术。ANN 是使用互连隐藏层来近似非线性关系的前馈网络，因此简单且易于实现，但在高度动态条件下容易过拟合并表现不佳。DNN 是 ANN 结构的扩展，添加了多个隐藏层以允许特征提取的层次结构和更好的复杂模式表示，但在计算方面昂贵，收敛慢，训练慢，限制了它们在实时中的实际使用。另一种类型的循环神经网络，LSTM 网络，可以描述为能够使用记忆单元和门控机制在序列数据中提取时间依赖性预测模型，因此适用于时间序列预测；然而，它们不包含优化调度电池和控制变换器的机制，因此在利用弱功率方面效率低下，未以最佳模式使用。一般来说，当前的策略倾向于将预测和优化作为单独的问题处理，这导致了决策不和谐。因此，显然需要一个统一的预测 - 优化框架，能够同时执行准确预测和自适应控制，以确保在动态和不确定条件下微电网高效、可靠且经济地运行。

本研究的创新之处在于开发了一个统一的预测 - 优化框架，用于集成电池微电网能量管理，有效地解决了弱功率状况和动态负荷变化。与传统将预测和控制分开处理的方法不同，所提出的方法将基于格兰杰因果关系的图神经网络（GCGNN）与电鳗觅食优化（EEFO）相结合，实现了协调预测和最优决策。该框架独特地结合了感知因果关系的预测与受生物启发的自适应优化，使系统能够预见未来状况并有效响应。与依赖简化线性模型并产生高计算复杂性的模型预测控制（MPC）和混合整数线性规划（MILP）相比，所提出的方法有效地处理了具有较低计算负担的非线性和不确定环境。与深度强化学习（DRL）相比，它在不需大量训练数据的情况下实现了更快的收敛和稳定的性能。此外，与传统主要关注预测的 ANN 和 LSTM 模型不同，GCGNN 捕获系统变量之间的因果关系，提高了可解释性和预测准确性。GCGNN 和 EEFO 的集成创造了一个协同框架，其中准确的预测增强了优化决策，导致转换损耗减少、电池利用率提高和电网依赖最小化。总体而言，所提出的方法为微电网能量管理提供了一种稳健、高效且可解释的解决方案，明确超越了现有的仅预测或仅优化方法。

本研究的主要贡献可总结如下；
•设计了一个统一的基于 GCGNN-EEFO 的能量管理系统，该系统结合了在混合微电网中预测和控制的能力，这在将两者视为两项不同活动的传统方法中是无法实现的。
•GCGNN 旨在学习可再生能源发电、负荷需求和电池状态之间的时空和因果关系，与传统 ANN、DNN 和 LSTM 模型相比，它在预测方面更有效。
•提出了一种基于 EEFO 的控制策略，以最佳方式调度电池充放电和变换器开关，以减小转换损耗，并与基于规则和孤立的优化方法相比，增强直流链路电压调节。
•建立了耦合预测和优化的机制，将输出预测直接用于实时控制决策，解决了仅预测模型的约束，并允许它们以高效方式管理能量。
•与现有的基于机器学习的方法相比，所提出的框架在能源效率、成本效益和运行稳定性方面表现出增强的系统性能。
•所提出的方法具有较低的计算复杂性，使其能够在混合微电网环境中实时实施。

本文的其余部分安排如下：第 2 节阐明了增强型集成电池微电网能量管理系统的配置；第 3 节描述了所提出的技术，第 4 节展示了结果和讨论，第 5 节给出了结论。

章节片段 增强型集成电池微电网能量管理系统的配置
如图 1 所示，智能电池支持能量管理系统（BSEMS）旨在高效处理混合微电网系统中的低功率状况。

该系统是交流（AC）和直流（DC）微电网的优雅组合：交流负载和电网在 230 伏净电表的帮助下连接，光伏面板产生的可再生能源通过 MPPT 充电控制器流入 48 伏的直流微电网。非桥式隔离正 Cuk（NB-IPCuk）转换器。使用 GCGNN-EEFO 技术管理微电网系统中的能量。为了解决第 2 节中形成的约束优化问题，提出了一种预测 - 优化混合框架。提出的 GCGNN-EEFO 方法旨在管理基于可再生能源的微电网固有的不确定性和非线性。选择 GCGNN 组件是因为需要在动态运行条件下捕捉时空依赖性以及对可再生能源发电和负荷需求的预测。选择 EEFO 算法是为了识别最佳的切换策略。结果与讨论本节对提出的 GCGNN-EEFO 框架提供了结构化的评估。分析以分层方式进行组织，首先进行子系统级性能评估，随后进行系统级能量行为分析，最后通过与现有方法（如 ANN、DNN 和 LSTM）的比较基准测试和统计验证得出结论。结论本文提出了一种混合格兰杰因果启发图神经网络和电鳗觅食优化（GCGNN-EEFO）框架，用于动态负荷变化和低可再生能源发电条件下的电池集成微电网能量管理。通过将具有因果意识的可再生能源发电和负荷预测与自适应电池调度和转换器切换相结合，该框架建立了一种统一的预测 - 优化策略，从而增强能量。CRediT 作者贡献声明 Manju J：写作 – 初稿。Jenitta Rachel Philip：监督。Megha S. Pillai：监督。Arjun Mohanlal：监督。参与同意不适用。发布同意不适用。伦理批准本文不包含任何作者进行的人类参与者研究。资助信息本研究未收到来自公共、商业或非营利部门资助机构的任何特定资助。利益冲突声明作者声明，他们没有已知的竞争经济利益或个人关系，这些可能看起来会影响本文中报告的工作。致谢无。Manju J|Jenitta Rachel Philip|Megha S. Pillai|M. Manjusha|Arjun Mohanlal。电气与电子工程系，Mahaguru 理工学院，卡亚姆库拉姆，阿勒皮，喀拉拉邦，690503，印度