⚡ electrical engineering

The Impact of PV Generation Forecast and Multi-Objective Control Policy on Optimal Operation of Grid Connected PV-BESS Microgrid

本研究表明，将基于长短期记忆网络（LSTM）的光伏功率预测模型与多目标控制策略相结合，通过提高自消费率并减少电网注入，显著增强了并网光伏-电池储能（PV-BESS）微电网的最优运行，尽管这以增加电池利用率为代价。

原作者： Berhane Darsene Dimd, Steve Voller, Ole-Morten Midtgård

发布于 2026-08-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Berhane Darsene Dimd, Steve Voller, Ole-Morten Midtgård

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

太阳是一个慷慨但难以捉摸的邻居。它提供了大量的清洁能源，但其输出会随着云层、时间以及季节的变化而不断波动。对于必须每秒钟平衡供需以维持灯火通明和电器运转的电网而言，这种变动性构成了一个重大挑战。如果一个太阳能电池板系统在任何给定时刻产生的电力超过了某个社区的需求，那么多余的能量必须有个去处。如果管理不当，这些能量可能会涌入局部电网，导致电压激增或拥堵，从而威胁稳定性。为了解决这个问题，工程师们越来越多地转向结合使用太阳能电池板、蓄电池系统和智能计算机程序。电池充当了一个缓冲器，在阳光灿烂时吸收多余的电量，并在天空变暗或需求上升时释放电量。然而，为了让这个系统高效运行，计算机需要准确知道未来的几个小时内太阳会发生什么变化。如果没有可靠的预测，系统可能会充电过晚、浪费能源，或者从主电网抽取过多电力，从而违背了拥有太阳能发电的初衷。

挪威科学技术大学的研究人员致力于测试：当太阳能-电池系统使用复杂的计算机模型来预测天气时，其性能比使用简单方法时提升了多少。他们专注于一种被称为长短期记忆网络（LSTM）的特定人工智能类型，这种网络旨在从历史数据中学习模式，就像一个人通过多年观察天空来预判天气一样。研究团队构建了一个连接到主电网的小型独立动力系统的数字模拟环境。这个虚拟设置包括一个二十千瓦的太阳能阵列、一个三十千瓦时的电池，以及代表一百户典型挪威家庭用电量的负载。随后，他们利用真实的阳光、家庭消耗量和挪威市场的电价数据，将该系统带入了一个为期两个月的模拟过程，涵盖了夏末和初秋时节。

研究人员比较了管理该系统的三种不同方式。第一种是理想情况，即计算机提前知道未来一整天内每十五分钟到达的精确阳光量。这作为一个完美的基准。第二种情况使用了一种被称为“持久性模型”的非常基础的方法，该模型仅仅假设太阳的照射情况与前十五分钟完全一致。这是一种常见的低技术手段，在天气快速变化时往往会失效。第三种情况使用了先进的 LSTM 模型，该模型分析了多年的过去天气和太阳能数据，以预测未来二十四小时的发电量。目标是观察这些不同水平的预测准确度如何影响电费成本、太阳能的本地使用率与浪费率，以及电池的工作强度。

结果显示出不同方法之间的明显差异。当系统使用简单的持久性模型时，它难以预见太阳的变化。由于无法预见未来，它经常无法在太阳能盈余时为电池充电，导致系统不得不从电网购买更多电力来满足需求。它也未能存储足够的能量，以避免在白天向电网发送大量多余电量。这导致其自发自用率（衡量太阳能被房屋直接使用的比例）仅为 78.1%。相比之下，使用 LSTM 预测的系统表现得更接近理想情况。通过准确预测阳光强烈的时段，计算机可以在提前充电并在合适的时间放电。这种方法将自发自用率提高到了 84.5%，并与持久性模型相比，减少了 82% 的电网注入量。

研究还强调了这项技术固有的权衡关系。预测越准确，电池的使用就越频繁。在理想情况和 LSTM 场景中，电池进行充放电循环的频率远高于简单模型。虽然这种频繁的使用意味着系统更高效且节省了电费，但也意味着电池承受了更大的工作量。研究人员指出，这种增加的活动可能会导致电池随时间的推移而加速老化，这是一个必须与眼前节省的成本进行权衡的问题。然而，准确预测带来的收益是巨大的。使用 LSTM 模型的系统比简单模型在电力预测误差上降低了 6%，这直接转化为了更好的财务和运营成果。团队发现，向前看二十四小时提供了最佳平衡点，使系统能够进行有效规划，而不至于因预测窗口拉得过长而导致预测变得不再可靠。

最终，这项工作证明了控制系统背后的智能程度与硬件本身同样重要。太阳能电池板和电池的效能取决于管理它们的策略。通过整合复杂的预测模型，研究人员表明，通过降低对主电网的依赖、降低成本并减少太阳能对电力基础设施造成的压力，是完全可以实现的。研究结果表明，随着太阳能变得越来越普遍，能够高精度预测其输出将对于保持电网稳定和高效至关重要。尽管本研究是使用真实世界数据进行的模拟研究，但其结果指向了一个未来，即智能软件将在使可再生能源成为全球电力组合中可靠且主导部分的过程中发挥关键作用。

技术摘要：光伏发电预测与多目标控制策略对并网 PV-BESS 微网优化运行的影响

问题陈述
将光伏（PV）系统集成到并网微网中，由于太阳能发电固有的波动性和不确定性，引入了显著的运行挑战。这种波动性使平衡可变负荷与可变供应这一基本目标变得复杂化。虽然电池储能系统（BESS）和能量调度（ES）可以缓解这些问题，但其有效性高度依赖于光伏输出功率预测的准确性以及控制策略的先进程度。

传统的能量调度策略通常依赖于简单的规则，例如只要有剩余的光伏能量就为 BESS 充电。作者指出，这种方法可能导致负面结果：频繁的循环会加速电池退化，且过早充电可能导致峰值光伏发电与低需求时段（例如正午时分）重合，从而导致向电网注入大量且具有潜在不稳定性的能量。此外，现有文献往往缺乏一种整体性的方法，无法在利用现实且非平凡的光伏预测模型的同时，同时兼顾经济优化（电网关税）、技术约束（电池退化）和电网影响（注入限制）。

研究方法
本研究提出了一种针对并网 PV-BESS 微网的整体能量调度（ES）框架，该框架集成了基于长短期记忆网络（LSTM）的光伏预测模型与多目标模型预测控制（MPC）策略。

系统模型： 该微网由一个 20 kWp 的光伏系统、一个 30 kWh 的 BESS 和一个关键负荷组成。系统以 15 分钟为一个时间步长运行。
预测模型： 开发了一个 LSTM 神经网络来预测光伏输出功率。该模型利用来自挪威特隆赫姆（Trondheim）一个真实 20 kWp 电站 2020 年的一年数据进行训练。它利用 24 小时回顾窗口（96 个步长）来预测随后的 24 小时。模型通过两个隐藏层（各 10 个单元）、批大小为 24 以及 0.001 的学习率进行了优化。
控制策略 (MPC)： ES 问题被表述为一个混合整数线性规划（MILP）问题，并使用 Gurobi 求解器进行求解。MPC 在滚动时域内运行（24 小时， $N_p=96$ $N_{p} = 96$ ）。
- 目标函数： 控制器最小化一个复合成本函数 ( $J$ $J$ )，包括：
  1. 电网成本： 最小化能量交换的净成本（购买电价为现货价格，售电价格为买入价格的 75%）以及针对电网进口的惩罚项 ( $\lambda_{imp}$ )，以减少对电网的依赖。
  2. BESS 退化： 通过惩罚电池循环 ( $\alpha_{cyc}$ ) 来减轻老化，该惩罚基于充放电强度进行计算。
- 约束条件： 优化过程强制执行功率平衡、电池荷电状态（SOC）限制（20%–90%）以及电池和电网交换的物理功率限制。使用二进制变量将充放电逻辑及买卖逻辑的分段特性进行线性化处理。
评估场景： 研究在 MPC 框架下比较了三种预测场景：
1. 完美预测： 控制器拥有未来光伏发电的完美知识（理想上限）。
2. 持续性模型 (PM)： 预测假设未来的输出等于当前观测值（基准）。
3. 基于 LSTM 的预测： 控制器使用训练好的 LSTM 模型。
  注：在所有场景中，负荷需求均假设为已知，以隔离光伏预测准确性的影响。

关键结果
研究使用真实的 PV、负荷和 Nord Pool 电价数据，对两个月的模拟过程（8 月至 9 月）进行了评估。

预测准确性： LSTM 模型在所有指标上均优于持续性模型 (PM)，将均方根误差 (RMSE) 降低了约 6%（从 1.036 kW 降至 0.973 kW），并将决定系数 ( $R^2$ ) 从 0.88 提高到 0.89。
运行性能：
- 自消费率 (SCR)： LSTM 场景实现的 SCR 为 84.5%，较 PM 场景（78.1%）有显著提升，并接近完美预测场景（90.9%）。
- 电网注入： 与 PM 场景相比，LSTM 方法减少了 82% 的电网注入（111 kWh 对比 623 kWh），有效地缓解了在光伏高峰时段发生电网拥塞的风险。
- 电池利用率： LSTM 场景导致的电池吞吐量为 747 kWh，而 PM 场景仅为 419 kWh。这表明能量转移更加有效。
- 成本： 有趣的是，LSTM 场景产生的总电网成本（€40.43）略高于完美预测场景（€37.25）和 PM 场景（€38.03）。作者将其归因于尽管整体运营有所改善，但残余的预测误差导致了在价格峰值附近的定时操作并非最优。
预测时域分析： 研究分析了 24、36、48 和 96 个步长（对应 6、9、12 和 24 小时）的预测时域。结果表明，12 小时时域（48 个步长） 提供了最佳的权衡，在更长时域下的预测不确定性开始降低性能之前，实现了 SCR 和电池吞效的最大化。

意义与主张
本文声称，准确的光伏预测不仅对于经济效率至关重要，而且对于电网的技术可靠性同样关键。其主要贡献在于证明了将基于 LSTM 的预测集成到多目标 MPC 框架中，与较简单的预测方法相比，能显著提升系统性能。

具体而言，研究强调，虽然 LSTM 方法增加了电池吞吐量（从而增加了潜在的退化），但这种权衡通过大幅减少电网注入和提高自消费率得到了合理化。作者认为，“保守”的持续性模型虽然导致了较低的电池循环，但最终是有害的，因为它会导致更高的电网依赖度和大规模且具有潜在不稳定性的 PV 注入。

这项工作强调了超越简化模型和基于规则控制的必要性。结论指出，未来的工作应侧重于概率预测，以更好地量化不确定性，并纳入负荷预测，以及开发能够实现光伏侧电网支持功能的智能控制策略。

技术摘要：光伏发电预测与多目标控制策略对并网 PV-BESS 微网优化运行的影响

类似论文