集成光伏面板、路鹰蓄电池储能和AC电网的微电网系统采用先进技术实现增强型能量管理
太阳能的应用促进了可持续发展并减少了污染；然而，由于温度和辐照度等环境因素的影响，其功率输出会发生波动，从而影响系统的稳定性和可靠性。为解决这一问题，本文提出了一种微电网（MG）混合能源管理解决方案，该方案集成了光伏（PV）系统、电池储能系统（BESS）和交流（AC）电网。所提出的控制方案结合了显式特征交互感知图神经网络（EFIAGNN）和多人战斗游戏启发优化器（MBGIO），命名为MBGIO-EFIAGNN。其中，EFIAGNN用于预测负荷需求，而MBGIO则负责优化最小电压偏差。其目标是降低电价、提高系统可靠性并增强能源效率。通过MATLAB验证了该系统的性能，并与现有技术进行了对比分析，包括斑点鬣狗优化器与随机森林算法（SHORFA）、带飞狐优化器的深度注意力空洞残差卷积神经网络（DADRCNN-FFO）以及自适应神经模糊推理系统与粒子群优化算法（ANFIS-PSO）。所提策略在$1700的成本下实现了95%的效率，确保了在多变太阳能和负荷条件下微电网的稳定可靠运行。
尽管取得了进展，但由于太阳能发电的波动，微电网系统在准确负荷预测和高效资源分配方面仍面临挑战。为了使PV面板、BESS和AC电网有效协同工作，需要智能且灵活的控制策略[[6], [7], [8], [9]]。此外，由于缺乏自适应和可扩展的管理，系统性能会受到转换器效率低下和电压不稳定的影响。(c) 文献综述
已有若干研究聚焦于微电网中的Demand Side Management (DSM)和Energy Management Systems (EMS)，并探讨了不同的优化与控制技术。本文对其中部分研究进行了综述。
Abouobaida等[10]为独立运行的DC微电网提出了一种混合储能与管理系统。该系统对DC系统有效，但对于需要先进协调机制的AC/DC混合微电网而言存在局限性。
Rajput和Lather [11]提出了一种结合Artificial Neural Networks (ANN)与Proportional-Integral (PI)控制的混合控制器，用于电池-超级电容器储能设备。它提高了能量利用率，但在应对动态负载和电网集成方面存在困难。
Asadi等[12]采用Particle Swarm Optimization (PSO)和Adaptive Neuro-Fuzzy Inference Systems (ANFIS)对AC/DC微电网变流器进行协同管理，改善了逆变器电流调节和Maximum Power Point Tracking (MPPT)。然而，PSO在高度多变的工况下表现出收敛速度慢的问题。
Kumar等人[13]利用Deep Attention Dilated Residual Convolutional Neural Networks（DADRCNN）结合Flying Fox Optimization（FFO），以实现更精准的负荷预测并降低成本。PSO收敛缓慢，凸显了对鲁棒算法的需求。
Boonraksa等人[14]将Whale Optimization Algorithm（WOA）应用于能源管理，优化了潮流分布与资源配置。WOA具备全局搜索能力，但存在收敛速度慢和参数调优困难的问题。
Mutlag等人[15]开发了一种ANN-MPPT技术以优化太阳能采集。尽管这些方法效率很高，但需要大量的训练，从而限制了自适应EMS的部署。
Charadi等人[16]在并网AC/DC微电网中实现了一种PSO驱动的EMS，以优化有功和无功功率流。该方法存在陷入局部最优解以及混合微电网运行挑战的风险。
Elsisi等[17]提出了一种针对非线性水电系统的Dual Proportional-Integral (DPI)负荷频率控制方案，该方案通过Gravitational Search Algorithm (GSA)进行了优化，在提高稳定性的同时，也展示了EMS与系统级电力管理集成时的复杂性。
Agajie等人[18]提出了一种用于混合可再生能源系统的Fractional Order Fuzzy PID（FO-Fuzzy-PID）控制器，并使用Opposition-Based WOA（OWOA）对其进行了参数整定。该方法确保了有效的频率和功率调节，但在DSM中平衡探索与利用仍是一个挑战。
最后，Elsisi [19] 为自动驾驶车辆能源系统引入了一种采用Improved Grey Wolf Optimizer (IGWO) 优化的Adaptive Model Predictive Control (AMPC) 方法。该研究突出了nature-inspired algorithms在EMS和DSM优化方面的潜力。Table 1展示了近期研究工作的综述。(d) Research Gap and Motivation
尽管针对采用深度学习的微电网Energy Management (EM)策略的研究正在不断深入，但目前大多数解决方案仍存在显著缺陷。诸如fuzzy logic、ANN和PI等传统控制方法不足以应对负载需求变化和太阳辐射波动等动态场景。DADRCNN和ANFIS等预测方法往往无法捕捉显式特征交互，而这对于准确的负载预测至关重要。此外，WOA、PSO和FFO等优化技术在处理高维、多目标问题时表现吃力，且容易陷入局部最优，限制了其在动态微电网环境中的性能。DSM对于平衡可再生能源丰富型微电网的供需关系至关重要，需要通过准确的负载预测和自适应控制来有效应对动态负载变化。本文提出了一种MBGIO-EFIAGNN混合方法，该方法结合了博弈启发式优化与基于图的负载预测技术，旨在最小化电压偏差并降低微电网运行成本。(e) Novelty
在本研究中，所提出的MBGIO-EFIAGNN技术有效克服了现有微电网能量管理策略的局限性，包括对实时情况适应能力有限、处理混合AC/DC复杂问题不足以及预测精度不理想等问题。通过集成用于动态电压偏差最小化的Multiplayer Battle Game-Inspired Optimizer（MBGIO）与用于精确负荷预测的EFIAGNN，该技术提升了系统的稳定性和能源效率。这种混合技术在可变可再生能源条件下提供了可扩展且具有成本效益的EM方案，为现代微电网提供了一种有效的途径。(f) Contribution本研究的主要贡献概述如下。• 本研究引入了一种新型控制方法EFIAGNN-MBGIO，以高效管理结合了PV面板、BESS和AC电网的微电网的功率与资源。• EFIAGNN通过有效建模系统参数间的复杂相互关系，被用于准确预测负荷需求。• MBGIO被应用于优化微电网的电压偏差，确保稳定可靠的电力传输。• MBGIO-EFIAGNN方法在多变工况、间歇性太阳能发电及孤岛运行条件下，确保了准确的负荷预测、稳定的运行以及稳健的微电网性能。
下一篇：返回列表
