［關鍵詞］微電網(wǎng)；人工智能；運行；展望

1 微電網(wǎng)的基本架構

微電網(wǎng)是一種小型發(fā)輸配電系統(tǒng)，具備強大的發(fā)電能力，可自主采集相關數(shù)據(jù)，是計算機、電力電子、通信等多項技術集成應用的成果，在系統(tǒng)內部可推動多能流在各組件間的相互流動，并通過耦合元件的幫助推動能量形態(tài)的轉換，將能量在各類子系統(tǒng)之間進行耦合。

微電網(wǎng)的分布式電源分為兩種，一種是以火力發(fā)電為主的常規(guī)發(fā)電單元，另一種是光伏和風力等為主的可再生能源發(fā)電單元。分布式電源在運行時產(chǎn)生的電能，除了可以將電能傳送給電網(wǎng)外，還可以利用儲能裝置來存儲電能，以便微電網(wǎng)供電能力不足時可以直接調用儲能裝置內的電能，滿足系統(tǒng)內各負荷的用電需求。微電網(wǎng)的能源調度結構如圖1 所示。

2 微電網(wǎng)運行優(yōu)化的原理

在優(yōu)化微電網(wǎng)運行時，可根據(jù)系統(tǒng)內不同單元的邊界特點以及運行特性，建立特定的數(shù)學模型來描述微電網(wǎng)的運行，并采用相應的求解算法來計算各類指標，找到最佳的運行方案。在對微電網(wǎng)運行進行優(yōu)化時，要重點考慮系統(tǒng)的可再生能源預測、自動化調度控制等的優(yōu)化，并且還要預測和解決微電網(wǎng)運行面臨的各種不確定性。

光伏發(fā)電輸出功率用下式表示：

式中，V為風力發(fā)電機組并網(wǎng)前發(fā)電的實時風速，Vr為風力發(fā)電機組并網(wǎng)后發(fā)電的實時風速，Vin為風力發(fā)電機組并網(wǎng)發(fā)電的風速下限，Vout為風力發(fā)電機組并網(wǎng)發(fā)電的風速上限，VR為額定風速，PR為額定輸出功率。

式中，CCoal為燃料售價，ωCoal為燃料熱凈值， （t）為發(fā)電機組實時輸出功率， （t）為發(fā)電機組實時工作效率。

3 人工智能賦能微電網(wǎng)運行優(yōu)化的應用

對微電網(wǎng)的運行實施優(yōu)化，除了要在數(shù)學模型中錄入相應的數(shù)據(jù)外，還要做好計算求解工作，制訂具體的優(yōu)化策略。微電網(wǎng)接入可再生能源后面對各種隨機性，可再生能源預測可為微電網(wǎng)運行優(yōu)化提供可靠的數(shù)據(jù)源。

3.1 可再生能源預測

微電網(wǎng)接入可再生能源后，可能面臨一定的波動性、時變性、隨機性，如果要應對微電網(wǎng)面臨的這些問題，可能要消耗大量成本，使微電網(wǎng)的供給端與需求端之間的平衡被打破，所以，可采用人工智能對可再生能源實施預測，以便在微電網(wǎng)中優(yōu)化應用可再生能源，支持微電網(wǎng)穩(wěn)定運行，合理地調度各類可再生能源。采用合理的預測方法來解決可再生能源生產(chǎn)與消費不平衡問題的方法較多，具體如下。

（1）在預測時間角度上，可將時間標準劃分為4類，分別為超短期、短期、中期以及長期預測。不同時間維度上的可再生能源預測，對應的預測目標存在差異。例如，超短期預測，將風力、光伏等發(fā)電機組的負載跟蹤以及動態(tài)控制等作為預測重點。

（2）利用物理模型對可再生能源進行預測，輸入數(shù)據(jù)可選擇數(shù)值天氣預報，在全球數(shù)據(jù)庫等的幫助下對氣象過程變化展開描述。在采用模型物理時，可避免訓練輸入歷史數(shù)據(jù)，但觀測資料、大氣規(guī)律、預報時效性等會影響物理模型的應用效果。物理模型在采用數(shù)值天氣預報時，需收集海量數(shù)據(jù)校準空氣動力學，計算并掌握資源規(guī)律，注意考慮預報點和可再生能源發(fā)電機組之間的距離，否則會對預測結果的精度造成不良影響

（3）利用統(tǒng)計模型預測可再生能源，需考慮預測值與指定時間內各項數(shù)據(jù)的關系，靈活采用統(tǒng)計方法來預測可再生能源。

（4）人工智能模型囊括神經(jīng)模糊網(wǎng)絡、人工神經(jīng)網(wǎng)絡、經(jīng)驗模態(tài)分解等。采用人工智能模型來預測可再生能源時，該模型的數(shù)據(jù)挖掘以及特征提取能力較強，可在一定程度上提升預測結果的精度。所以可以采用人工神經(jīng)網(wǎng)絡等方法來解決可再生能源預測時面臨的各種問題。

3.2 微電網(wǎng)調度控制優(yōu)化

微電網(wǎng)調度控制優(yōu)化，以實現(xiàn)自動化控制和自動化調度為目標，采用人工智能時，蜂群策略在其中的實用性較強。蜂群策略是常用的人工智能算法，其應用原理和蜂群的搜索行為有關，可有效地實現(xiàn)全局與局部最優(yōu)解的求解，特別適合在對單個微電網(wǎng)運行優(yōu)化中的使用。在對單個微電網(wǎng)運行進行優(yōu)化時，蜂群所搜索的最優(yōu)解必須處于樣本空間之內，以處理好優(yōu)化微電網(wǎng)自動調度與控制的問題。

在起始階段，設置好蜂群樣本的參數(shù)，結合預先設定的各項參數(shù)，對蜂群的樣本集合做初始化處理。

假設蜂群的樣本集合為Nj=（nj1，nj2…，njM），Nj為雇傭蜂對應食物源所在位置，并將該集合所處的空間位置設置為M，那么在對應的空間維度當中，可用以下公式來表示不同食物源的起始位置：

式中，m=1，2，…M，Qm與Xm分別為樣本集合在空間中第m個維度上存在的空間邊界， 為區(qū)間[0，1]上均勻分布的隨機數(shù)。

在雇傭蜂時期，蜂群在搜索食物源達成目標后，可自動將食物源的特定參數(shù)提取出來，并實時將采集的相關參數(shù)傳輸給后續(xù)階段待運行的輔助蜂蜂群。此時空間內任意位置的食物源，都由雇傭蜂隨機進行選取，可不用設置特定的搜索路徑，而該蜂群隨機搜索到的食物源，其位置可按照以下公式來計算：

式中，j為雇傭蜂，i為雇傭蜂搜索食物源時對應的維度，nj，i為搜索食物源時隨機選擇的雇傭蜂，Randj，i為區(qū)間[0，1]上的均勻分布隨機數(shù)。

雇傭蜂隨機搜索到位置之后，可根據(jù)采集的數(shù)據(jù)參數(shù)來實施綜合評價，從而尋找到更具匹配度的參數(shù)，并對當下認定的雇傭蜂予以明確。

在進入輔助蜂階段以后，首要是輔助蜂接受來自雇傭蜂傳遞的數(shù)據(jù)參數(shù)，在這些數(shù)據(jù)參數(shù)的支持下，輔助蜂可快速找到適合開采的食物源，此時可根據(jù)輔助蜂的匹配度參數(shù)來得出其相對應的進化功率，并在此基礎上對特定輔助蜂實施深度尋優(yōu)。蜂群樣本空間中雇傭蜂的進化概率用以下公式表示：

式中，s為空間內的樣本數(shù)量，mat（nj）為樣本空間中食物源個數(shù)，mat（ni）為匹配度函數(shù)。

進化概率越高說明輔助蜂越有可能在高質量食物源周邊搜索食物。

蜂群在前期完成食物源的搜索以后，倘若在規(guī)定時間或次數(shù)內并未搜索到新的食物源，雇傭蜂則會重新轉化為搜索蜂，并按照前期步驟重新進行食物源的搜索，直到滿足尋找最優(yōu)解的條件后才完成各項操作。

3.3 不確定性分析與控制

在對微電網(wǎng)的運行實施優(yōu)化時，除了要考慮可再生能源接入產(chǎn)生的波動可能引發(fā)的不確定性以外，還要考慮相關設備設施信息耦合的不確定性、故障類型不確定性、源– 荷– 網(wǎng)、儲設備參數(shù)不確定性等。

（1）對相關設備信息耦合的不確定性，可采用人工智能手段對系統(tǒng)內的相關數(shù)據(jù)實施檢測，在人工智能技術的幫助下掌握其中存在的各項不確定性問題，以便根據(jù)分析得出的問題來制訂微電網(wǎng)系統(tǒng)的運行優(yōu)化策略，從而解決系統(tǒng)在運行時面臨的不確定性問題，為微電網(wǎng)的穩(wěn)定運行創(chuàng)造更好的條件。

（2）對單個微電網(wǎng)系統(tǒng)當中存在的關聯(lián)復雜與參數(shù)不確定性，可利用人工智能建立對應微電網(wǎng)的信息物理動態(tài)模型，在深度融合神經(jīng)網(wǎng)絡的幫助下，對該模型中存在的不確定性參數(shù)實施提取，并采用先驗知識對這些參數(shù)實施校準與訓練，為制訂運行優(yōu)化策略提供有力依據(jù)。

（3）針對故障類型及場景存在的不確定性，人工智能算法可挖掘任意場景中存在的多模態(tài)數(shù)據(jù)及其特征，篩選其中存在的故障模式，在此基礎上推理出單個微電網(wǎng)系統(tǒng)中存在的薄弱環(huán)節(jié)，并根據(jù)識別出的薄弱節(jié)點來制訂針對性的優(yōu)化策略，以此提升微電網(wǎng)系統(tǒng)在運行時應對各類復雜場景的能力，提高微電網(wǎng)預測和防控相關故障的能力。

4 微電網(wǎng)運行優(yōu)化的未來趨勢展望

利用人工智能對微電網(wǎng)的運行進行優(yōu)化，對推動我國能源轉型和創(chuàng)新傳統(tǒng)電力系統(tǒng)等具有重要意義，有利于實現(xiàn)微電網(wǎng)及電網(wǎng)的節(jié)能降耗、穩(wěn)定運行，在滿足社會用電需求的同時，幫助電力系統(tǒng)實現(xiàn)“雙碳”目標。人工智能賦能微電網(wǎng)運行優(yōu)化是微電網(wǎng)未來發(fā)展的主要方向，在未來創(chuàng)新和優(yōu)化微電網(wǎng)時，要持續(xù)利用人工智能來提升數(shù)學模型對不確定性的表征能力，以便在多目標協(xié)同的基礎上，對微電網(wǎng)運行優(yōu)化過程建立特定數(shù)學模型，以在動態(tài)建模的基礎上更有效地解析微電網(wǎng)復雜的優(yōu)化問題。

人工智能賦能微電網(wǎng)運行，以提升微電網(wǎng)運行穩(wěn)定性為目標。通過優(yōu)化微電網(wǎng)運行提升系統(tǒng)穩(wěn)定性時，要考慮與EMS 模型性能的關系，EMS 性能主要和建模精度與計算量有關?，F(xiàn)有研究成果中，有關微電網(wǎng)的設備數(shù)學模型較少。現(xiàn)有模型的精度有待提升，如設備效率對儲能裝置、工作條件、設備老化及工作點等關系。高精度的模型會導致問題的復雜性提升，對時間的需求更強，且需要用到海量試驗數(shù)據(jù)?，F(xiàn)階段MG 設備建模主要是以物理表達方式或經(jīng)驗模型作為基礎，此類方法并不適合在所有物理模型中使用，所以未來需要創(chuàng)新開發(fā)出一種適用于多數(shù)甚至所有物理模型的方法，不斷創(chuàng)新建模方式。

人工智能優(yōu)化微電網(wǎng)運行，對人工智能的可信性以及泛化性需求較高，這是未來人工智能賦能微電網(wǎng)運行優(yōu)化的重點。此外，還要注重大模型技術的發(fā)展，盡快突破人工智能在微電網(wǎng)運行優(yōu)化中面臨的瓶頸，拓寬微電網(wǎng)運行優(yōu)化的途徑。目前，國內對人工智能技術的研究，越來越看重人工智能在各個領域的泛化性、功能性、可解釋性以及大模型等方面的提升。這可提高人工智能在建模與決策等方面的能力，有利于人工智能突破當前面臨的瓶頸，提升人工智能賦能微電網(wǎng)運行優(yōu)化的效果。

未來，微電網(wǎng)在人工智能不斷創(chuàng)新和應用的過程中，將進一步實現(xiàn)跨越式發(fā)展。人工智能在微電網(wǎng)中的應用，能持續(xù)提升對微電網(wǎng)可再生能源預測、自動化調度與控制以及不確定性分析等方面的支持能力，其對微電網(wǎng)運行優(yōu)化的賦能將體現(xiàn)在以下方面：①在人工智能技術的幫助下，微電網(wǎng)中火力發(fā)電占比逐漸下降，以光伏、風力為主的可再生能源發(fā)電比例持續(xù)提升，在維持自身正常功能能力和強化儲能效果的同時，微電網(wǎng)的碳排放量逐漸下降；可再生能源利用效果不斷提升，開發(fā)利用成本逐漸下降，在保證微電網(wǎng)運行穩(wěn)定性和安全性的基礎上，全面優(yōu)化微電網(wǎng)總體結構。②在人工智能的幫助下，微電網(wǎng)中各參與主體的協(xié)同性進一步提升，微電網(wǎng)中各要素之間的聯(lián)系愈發(fā)緊密。③隨著人工智能技術的創(chuàng)新，微電網(wǎng)形成高效、安全利用清潔能源的態(tài)勢，短期內將建成深度脫碳的新型微電網(wǎng)系統(tǒng)，其中存在的各種不確定性將逐漸被解決。④人工智能技術憑借強大的自主學習能力，將確定微電網(wǎng)向智能化的方向發(fā)展。

5 結束語

人工智能賦能微電網(wǎng)運行優(yōu)化，要以解決微電網(wǎng)系統(tǒng)現(xiàn)存的問題為導向，通過采集和整合微電網(wǎng)運行相關數(shù)據(jù)參數(shù)，建立多樣化的數(shù)學模型，利用人工智能尋取模型的最優(yōu)解。未來，要想更好地發(fā)揮人工智能賦能微電網(wǎng)運行優(yōu)化的過程中，要以微電網(wǎng)運行優(yōu)化目標為導向，適當創(chuàng)新人工智能技術，持續(xù)發(fā)揮人工智能技術在微電網(wǎng)中的應用價值，提升微電網(wǎng)運行穩(wěn)定性、清潔性、節(jié)能性和經(jīng)濟性。