混合氢-NEC锂电池储能微电网的长期能量管理：一种免预测的协同优化框架

微电网是一种自给式电力网络，其资源包含储能体系(ES)、可再生动力(RES)和可控负荷，可并网或孤岛运转[1][2]。微电网能提高动力耐性、促进脱碳化并减少输电体系投资，但可再生动力的动摇性为短期供需平衡带来挑战[3][4]。此外，可再生动力（RES）与读档可用性的季节性动摇[5]以及极端气候事件[6]，凸显了微电网长时间动力办理的重要性。
混合储能体系（HESS）[7][8]为处理微电网短期与长时间供需平衡问题供给了可行方案。该体系由两个或多个具有不同但互补特性的储能单元组成，例如继续时间和功率。超级电容器等超短时储能设备是应对秒级电压稳定问题的要害处理方案[9]。在日前或日内运转中，蓄电池能有用消纳可再生动力发电与负荷引进的不确定性。针对长时间运转需求，由电解槽与燃料电池构成的储氢体系可为季节功能量转移供给高效处理方案[10]。本文重点研讨一种典型应用场景：氢电混合储能体系（H-BES）。鉴于储能特性差异及不可预见的季节性不确定要素，为装备H-BES的微电网规划有用的长时间能量办理结构具有重要意义，但同时也面对挑战。
先前的研讨首要聚焦于装备混合储能体系(H-BES)的微电网短期能量办理。文献[11]提出了针对H-BES商场运转的两阶段鲁棒优化办法，经过不确定性调集对可再生动力(RES)的随机性进行建模。文献[12]引进了根据两阶段散布鲁棒优化的H-BES归纳动力体系和谐调度结构，选用模糊集描绘RES与归纳动力读档的不确定性。文献[13]提出了H-BES的两阶段随机能量办理策略，利用典型场景刻画RES、读档及电价的不确定性。但是这些研讨仅依靠具有预设不确定性建模的离线优化办法，在实践运转时或许面对最优性或可行性问题。这促使学者转向根据在线优化办法（如翻滚时域法、强化学习等）的实时能量办理研讨。模型猜测操控(MPC)是一种广泛应用的翻滚时域办法，文献[5][14]针对装备氢储能或H-BES的微电网开发了多级MPC操控器。文献[15]提出根据艺人-评论家结构的深度强化学习办法，用于处理混合电池-超级电容微电网的多时间尺度和谐调度问题。文献[16]联合选用MPC与近似动态规划办法完成多阶段和谐调度，经过继续更新的猜测完成鲁棒的实时功能。但是上述研讨的局限性首要在于：(i)考虑可再生动力与读档的季节性改变时，短期动力办理办法在长时间运转中或许面对不可行性问题。(ii)这些技术的功能高度依靠于不确定性猜测的准确性。但是，微电网运营商实践无法获取或难以获得牢靠的猜测数据。
针对第一个局限性，近期研讨开始探索微电网的长时间能量办理，旨在处理具有非预见性的多时段调度问题。随机动态规划在技术上是牢靠的，它可以经过价值函数将多时段调度问题分解为序列化的单时段调度问题。文献[17]经过氢储能体系（H-BES）价值函数的学习应用了该办法。但是当储能周期跨过数月时，价值函数的训练将面对计算不可行的难题。文献[18]提出了一种连续频谱分割办法，将功率动摇的低频分量分配给氢能与发电机组，高频分量分配给蓄电池以完成功率平衡，但该办法专为氢-电池混合储能体系（H-BES）规划规划。文献[5]提出了一种数据驱动的和谐调度结构，经过历史模仿生成储氢体系的荷电状况（SoC）参阅值，随后将该参阅值更新并嵌入模型猜测操控（MPC）以完成实时运转。但是，因为选用MPC技术，该结构全体依靠于猜测精度。
此外，无需猜测的在线优化办法正日益受到重视。李雅普诺夫优化和在线凸优化（OCO）是该范畴的典型代表[19]。李雅普诺夫优化选用"单步前瞻"形式，即先观测不确定性，再求解李雅普诺夫漂移问题[20]，该办法在需求响应[21]、电动汽车充电[22]、微电网[23]等范畴具有广泛应用。根据氢能的建筑动力体系长时间运转本钱最小化问题，经过李雅普诺夫优化被转化为多个单时段子问题[24]。文献[25]规划了交融李雅普诺夫优化与两层拍卖机制的联合动力调度与交易算法，以优化各微电网的长时间动力本钱。但是在某些场景下，决议计划前无法观测不确定性，此刻李雅普诺夫优化将不再适用。例如，储能参与者需在不知道未来电价的情况下进行招标，而电价需待招标完毕后由商场一致出清[26]。显著的通信延迟将导致可再生动力发电体系(RES)与负荷观测数据无法实时用于微电网办理[27]。比较之下，在线凸优化(OCO)选用"零前瞻"形式，即在观测不确定性之前完成决议计划拟定。因为其完全无需猜测与快速响应的特性，OCO技术已在需求侧办理[28]和辅助服务[29]范畴得到应用。但是，据咱们所知，目前没有有研讨在OCO结构下处理装备混合电池储能体系(H-BES)的微电网长时间能量办理问题。该前沿课题应用OCO或许面对以下挑战：(i)OCO（在线凸优化）是一种问题依靠型办法，缺少预定义的数学公式，且在针对装备H-BES的微电网规划OCO时，尚无先验经验值可作为参阅。(ii)虽然近期研讨[30][31][32][33]已将跨时段约束嵌入OCO结构，但因为其短视特性，OCO仍存在堕入部分最优的危险。(iii)OCO旨在完成惋惜值（Reg）随时间规模呈次线性增加，