基于BEO-DPCNN框架的可再生能源集成混合微电网能量管理

《Computers and Electrical Engineering》:Renewable-integrated hybrid microgrid energy management using the BEO-DPCNN framework

【字体: 大 中 小 】 时间:2026年09月24日 来源:Computers and Electrical Engineering 5.5

编辑推荐:

   ## 摘要 集成可再生能源发电和储能系统的混合微电网(MG)能量管理(EM)对于在可变的发电和需求条件下确保可靠、经济且可持续的供电至关重要。本研究提出了一种混合黑鹰优化-深度脉冲耦合神经网络(BEO-DPCNN)框架,用于由光伏发电(PV)、风力涡轮机(WTs)、电池储能

  

## 摘要

集成可再生能源发电和储能系统的混合微电网(MG)能量管理(EM)对于在可变的发电和需求条件下确保可靠、经济且可持续的供电至关重要。本研究提出了一种混合黑鹰优化-深度脉冲耦合神经网络(BEO-DPCNN)框架,用于由光伏发电(PV)、风力涡轮机(WTs)、电池储能(BES)、电网交互和可变负荷曲线组成的混合MG的智能EM。在提出的框架中,DPCNN预测可再生能源发电和负荷变化,而BEO算法优化能量调度,以最小化运行成本、CO?排放和平均功率损耗,同时最大化整体系统性能。该提出方法在可再生能源集成的混合MG中各种发电和需求条件下进行评估,并与最近的EM方法进行比较,包括FFO-DADRCNN、ARONN、MCCHGNN-IBESOA、ANN和IAGA。该仿真表明,提出的框架通过优化可再生资源、电池储能(BS)和电网电力交换之间的协调,始终能取得更好的经济、环境和运行结果。这些结果证实了提出的BEO-DPCNN技术为智能混合MG EM提供了可靠且高效的解决方案。

## 引言

EM在集成可再生能源(RESs)与BS的混合MG系统中发挥着至关重要的作用,以确保系统稳定、可靠且可持续地运行[1]。此类系统集成了间歇性发电,如风能和太阳能发电,并通过电池对其进行平衡[2]。与可再生能源(RE)相关的间歇性通过协调加以缓解,以确保在任何时候,发电量都通过储能的协调与需求相匹配[3]。电池的应用消除了对常规发电的使用,从而减少了环境影响。电池在可再生能源发电较低的时期提供备用支持,并在可再生能源发电超过需求时储存多余的能量[4]。这种同步运行为并网和孤岛电网都提供了更好的供电弹性和可靠性。合理开发的EM策略优化了RE的使用,减少了不必要的损耗[5]。它还实现了可再生资源/储能之间根据可用性和容量的电力交换[6]。可用的电池系统支持电压和频率稳定性,并通过适当数量的分布式单元进行控制。通过调节电池的充放电操作,可以有效调节可再生能源发电的波动[7]。混合系统增强了灵活性,因为它促进了对变化的天气和需求因素的适应。BS补充RE更加环保,并减少了排放[8]。电池的部署还通过避免能量削减增加了可再生能源的使用寿命[9]。在此类系统中,MEM概念实现了分布式发电的理念。这些系统最终通过促进清洁能源的使用成为可持续发展目标的一部分。可再生能源与BS的同步结合提供了可靠、经济和环保的电力分配[10]。

许多研究已经采用各种方法对集成可再生能源发电和储能的MG中的EM进行了研究。以下部分对先前研究工作中选定的论文进行了综述。

Kumar等人[11]开发了一种混合技术,通过集成RESs和ESS在智能MG中对EMS进行建模。该方法结合了FFO和DADRCNN,其中FFO用于协调系统运行,DADRCNN用于估计负荷。MG框架包括光伏发电、WT、储能和负荷需求,通过混合方法的联合优化和预测建模能力进行协调运行。Sandeep和Mohanty[12]利用一种EM方法研究了基于电池和超级电容器(SC)的独立DC MG,其中采用ARONN控制系统控制电力流。该设计使用增量电导MPPT有效采集PV源的能量,并使用ARONN控制储能方案中的电力调制器。该策略通过协调低频电池电流控制和高频SC电流控制维持DC母线电压稳定性,从而实现了生产和消费之间的平衡。Pramila等人[13]引入了一种隔离网络型MG的EMS,包含需求响应(DR)计划以及基于MG边际价格的模型,以优化资源利用。该方法将MCCHGNN与IBESOA相结合。在此结构中,MCCHGNN用于预测负荷需求,IBESOA用于优化能量调度和排程,从而实现对网络型MG中分布式和RESs的去中心化和响应式控制。Ramu等人[14]展示了一个由光伏系统运行的单个独立DC MG的EMS,其中混合ESS(由电池和SC组成)通过双向转换器(BC)进行优化。该策略使用ANN控制混合ESS中的能量交换,通过电池和SC的协调作用确保MG的稳定运行。基于ANN的控制实现了高效的负荷平衡、荷电状态(SoC)维持以及系统电压稳定性。Majeed等人[15]开发了一种并网MG的最优EMS,该系统集成了RESs和独立柴油系统。系统由WT、PV系统和柴油发电机(DG)与BES系统(BESS)组成,同时连接了非灵活和灵活负荷到本地电网。该方法采用IAGA来最大化资源利用、负荷和能量使用,其中系统中的电池为主要备用系统,DG为第二备用系统。Mahjoub等人[16]介绍了一个由混合RES(由PV模块、带永磁同步发电机(PMSG)的WT和BESS组成)供电的DC MG的EMS。该方法涉及人工智能算法来管理系统的部分并保证最大功率分配,同时结合基于LSTM的预测来估计能量发电和电池SoC。转换器为双输入单输出DC-DC转换器,以实现MPPT和源之间的有效电力传输,所有源均并联连接到转换器。

Kumar和Karthikeyan[17]利用智能金豺优化(GJO)方法来处理BESS及混合RES中的分布式发电EM。该技术旨在通过最小化运行成本来满足功率平衡、发电限制、负荷需求和电池充放电约束,从而最大化MG性能。Roy等人[18]开发了一种并网MG的混合EMS,包含PV、WT、微型燃气轮机(MT)和电池。该方法结合了ANN和混合鲸鱼优化(HWO),称为ANN-HWO,其中ANN监测负荷需求,HWO在考虑预测需求的情况下组合最佳源。该策略旨在最小化电力成本、负荷-资源重新规划、优化调度RESs,并通过平衡的电力管理最小化预测误差的影响。Chekira等人[19]开发了一种基于非线性自回归滑动平均Level-2(ANN–NARMA-L2)控制器的混合RE MG智能EMS。该MG将PV和风能源与由电池和SCs组成的混合储能系统(HESS)集成。EMS根据电池SoC、可再生能源可用性和负荷需求协调可再生能源、储能单元和负荷之间的电力流。此外,为优化能量采集,PV系统中使用了基于非线性自回归含外生输入(NARX)的MPPT方法。提出的基于ANN-NARMA-L2的EMS旨在通过协调控制可再生能源发电和混合储能,实现智能电力管理和稳定的MG运行。Alilou等人[20]提出了一个用于混合并网MG的最优尺寸确定和EM的优化框架,该MG集成RESs、ESS、本地AC负荷和电动汽车充电站。引入的方法联合优化可再生能源发电和储能的容量,同时协调EM以平衡电力供需。该框架还包含了本地能源需求变化率,以便在未来负荷变化时进行适应性规划。Sasikumar等人[21]提出了用于基于混合RE系统(HRES)的MG的多目标EM的混合ARO-AVOA。引入的方法提出了一种混合整数线性规划(MILP)优化模型,以同时优化运行成本、功率损耗和温室气体(GHG)排放,并纳入DR计划。此外,为ESSs调度使用了一种优化的模糊逻辑接口,允许以协调的方式调度RESs和储能单元,同时进行电网电力交换。引入的MILP-ARO-AVOA框架旨在确保并网和独立MG中的高效和可持续能量调度。Liu等人[22]提出了一种增强的基于强化学习(RL)的港口MG EM策略,集成了残差双向LSTM(Residual BiLSTM)负荷预测模型与HESS控制。该方法将高精度的码头起重机电力预测与基于RL的多目标EM框架相结合,以优化电力分配、DC母线电压稳定性和电池寿命。引入的残差BiLSTM增强RL框架旨在实现可再生能源供电的港口MG的智能和可靠EM。表1展示了MG EMS与RESs的文献对比。

预测、优化、智能控制和RL方法已在先前研究中用于研究MG EM。FFO-DADRCNN[11]和MCCHGNN-IBESOA[13]中的工作涉及EM的预测和优化,而ARONN[12]和基于ANN的方法[14]中的工作主要涉及电力流调节、能量平衡和储能控制。IAGA[15]和GJO[17]是基于优化的能量调度方法,而基于LSTM的预测[16]和ANN-HWO[18]是辅助资源调度的基于预测的方法。最近,ANN-NARMA-L2[19]被应用于具有混合储能的智能EMS,而Alilou等人[20]专注于可再生-储能联合定容和EM。Sasikumar等人[21]开发了多目标MILP-ARO-AVOA模型,Liu等人[22]建议将残差BiLSTM预测和RL用于港口MG EM。尽管已取得进展,但研究仍存在一些空白。首先,许多现有方法针对特定配置设计,如孤岛DC MG[12,14,16]或特定应用系统如港口MG[22],这限制了其直接适用于涉及PV、风、BESS和电网电力交换的并网混合MG。其次,以优化为主的方法[15,17,20,21]主要关注能量调度、定容或分配,没有明确提供可再生能源发电和负荷需求的紧密集成预测。第三,基于预测的方法[11,13,16,18,19,22]改进了预测或控制性能,但预测信息没有始终如一地集成到一个统一的多目标优化框架中,以同时管理成本、排放、功率损耗和效率。此外,现有方法往往强调个别目标,如电压稳定性、电力共享、成本降低或储能管理,而不是在动态可再生和负荷变化下联合解决经济、环境和运行目标。这些空白促使提出BEO-DPCNN框架,该框架将基于DPCNN的预测与基于BEO的自适应能量调度相结合。该框架预测PV、风能和负荷需求,并利用这些预测优化BESS和电网电力交换,同时最小化运行成本、CO?排放和功率损耗,提高整体效率。

本文的主要贡献总结如下:

- 提出了一种新颖的混合BEO-DPCNN EM框架,通过将基于DPCNN的预测与基于BEO的调度紧密集成。与传统的顺序方法不同,DPCNN产生的可再生能源发电和负荷需求预测直接纳入BEO优化过程中进行自适应能量调度。

- 开发了一个多目标优化模型,同时减少运行成本、CO?排放和平均功率损耗并最大化系统效率。提出的公式在单个优化框架内实现了经济、环境和运行性能的平衡。

- 设计了针对光伏发电、风能、BES和电网电力交换的协调预测引导EM策略,在动态运行条件下实现更好的RE利用、减少电网依赖和可靠的电力平衡。

- 在相同的仿真条件下,通过将提出框架的性能与其他框架进行比较并进行统计、敏感性和消融分析,全面验证了提出框架的有效性。

研究结果表明,与运营成本、排放、平均功率损耗和系统效率方面,集成的BEO-DPCNN框架比其他EM方法更为高效。本研究的新颖之处在于开发了一种紧密集成的BEO-DPCNN框架,用于混合微电网的能源管理,该框架能够同时提升集成储能系统的可再生能源系统的经济性能和环境性能。BEO算法和DPCNN均为文献中已有的技术,并非在本研究中提出的新算法。所提框架的独创性在于将这两种技术进行了紧密集成——由DPCNN生成的可再生能源发电和负荷需求预测被BEO算法直接用于自适应多目标能源调度。与传统的顺序式预测优化方法不同,所提出的预测引导协调策略能够在动态运行条件下有效管理光伏发电、风力发电、储能系统和并网功率交换。该集成框架有助于降低运营成本、减少CO2排放、最小化平均功率损耗、提高可再生能源利用率,并增强整体系统效率和可靠性。

本文其余部分总结如下:第2部分介绍了与可再生能源系统结合的混合微电网系统配置。第3部分描述了基于BEO-DPCNN方法的可再生能源辅助混合微电网系统。第4部分呈现了结果与讨论。第5部分阐述了结论。

## 与可再生能源系统结合的混合微电网系统配置

图1展示了集成可再生能源系统的混合微电网结构,其中不同的发电和储能单元通过电力电子变换器进行协调。该系统包括通过AC-DC变换器连接的WT、通过DC-DC变换器连接的PV面板,以及同样通过DC-DC变换器接口连接的BS单元。所有这些组件向公共直流母线供电,从而实现可再生能源和储能单元的灵活集成。此外,直流母线还连接到AC。

## 基于BEO-DPCNN方法的可再生能源辅助混合微电网系统

本研究通过BEO-DPCNN方法解决了包含可再生能源系统和储能的混合微电网系统的经济和环境性能问题。BEO优化可再生能源发电和储存能源的调度和分配,以确保平衡和可持续的电力分配;同时DPCNN利用动态功率模式预测需求变化和可再生能源发电的时变特征,从而实现自适应调度决策、降低运营成本、减少排放。

## 结果与讨论

本节通过仿真结果验证了所提出的BEO-DPCNN方法在提升包含可再生能源系统及储能的混合微电网系统的经济和环境效率方面的性能。该方法在MATLAB中实现,并对其调控能量流、确保平衡配电以及在多样化需求和发电条件下维持稳定运行的能力进行了全面评估,并与现有方法进行了比较。

图4展示了……

## 结论

本文提出了一种基于BEO和DPCNN的面向可再生能源集成混合微电网的混合能源管理框架。在所提框架中,BEO算法优化能源调度和功率分配,而DPCNN预测可再生能源发电及负荷需求以支持自适应能源管理。这些组件的协调运行提高了可再生能源的利用率,并增强了分布式发电、储能与公共电网之间的互动。仿真……

## 资金

本手稿的撰写未获得任何资金支持。

D. Vetrithangam | Elangovan Muniyandy | P. Venkata Prasad | P. S. D. Bhimaraju

计算机科学系,昌迪加尔大学,莫哈利,旁遮普邦,印度,邮编:140413
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号