卡特蓄电池集成与并网混合电厂，集成了最优的能源管理系统，集成为多层级配置

由于各个可再生能源（RES）的变异性，极大地影响了其可靠性，开发了混合可再生能源系统（HRES ）。这些系统能够有效满足住宅负载的需求。然而，能源管理系统必须解决电力过剩和短缺等问题。本手稿提出了一种创新的混合动力方法，用于在集成电池的电网混合动力电厂中实现理想能源管理 。所提出的混合方法结合了雪消融优化器（SAO）和矩阵衍射深度神经网络（MDDNN）的使用。因此，它被称为SAO-MDDNN方法。本研究的主要目标是延长电池寿命。电池储能（BES）采用SAO策略优化效率。MDDNN用于预测电力需求。该技术在MATLAB中被应用，并与传统技术和先进方法如位置突变灰狼优化（PM-GWO）、混合整数线性规划（MILP）和长短期记忆（LSTM）进行比较。该技术实现了94.70%的高平均BES效率和6.47秒的计算时间，均优于现有技术。它还拥有10.60%的高成本降低和低成本₂每天排放149公斤。所提的SAO-MDDNN方法展示了优化混合可再生能源系统能源管理的显著潜力，带来更高的效率、降低成本和环境效益。

简介

清洁替代品、节能技术和生态友善的可再生能源系统在电力系统中日益普及[1]。尽管其庞大的清洁能源供应使风力涡轮机（WT）和光伏设施成为当时最有利的可再生能源，但其间歇性特性和对环境变量的依赖严重影响了客户需求[2]。因此，储能系统（ESS）被用来储存多余电力或抵消光伏和波浪能源的随机特性[3]。由于电化学电池价格低廉且回收时无毒，因此常被用作ESS[4]。然而，由于RES产生的能量本身具有变化性，因此必须将其转换为合适的交流电压和频率功率。通过作为能源与独立负载或电网之间的连接，电力变流器为消费者端提供稳定且高效的能源[5,6]。传统上，工业中用于能量转换的双电平电压源转换器（VSC）。然而，由于制造高功率和开关范围的半导体时需要碳化硅或氮化镓的难题，其应用受到限制[7]。为解决这些问题，已开发出多层转换器和耦合开关单元，以提升产生输出电压水平并提升谐波性能，用于高功率系统[8]。建议使用串联和并联耦合开关单元来制造高压、高功率的变换器[[36]， [37]， [38]]。不幸的是，实际存在限制，限制了可实现串联开关单元的数量，使得实现某些电压水平变得不可能[9]。新的多层拓扑为满足高功率系统的电压需求提供了另一种方式[10]。通过逐步连接众多单相H/全桥连接，形成的级联H桥多层级VSC，是一种被提出的多层配置[11]。涉及无功功率交换的应用，如STATCOM，对这种设计颇具吸引力，但如果不使用无功电源，成本较高，因为每个模块需要多个直流电源[12]。此外，还使用了类似的开环变压器以实现交流端连接的适当电压水平。多电平转换器也可以采用飞电容多电平VSC架构设计[13]。由于使用了大量较大的电容器，控制电容器电压较为困难。上述多电平转换器类别的这些局限性通过构建不同电压水平下的二极管箝位多层VSC得到解决[14]。对于高压应用，该变换器需要多模块设计，但同时提供较低的应力、低开关损耗以及更少失真的合成交流电压[15]。此外，基于阻抗的电源，如Z源逆变器（ZSI），因其在可再生能源系统（RES）应用中的可行性而受到广泛关注，尤其是与ESS结合时，相较于传统的多电平逆变器/变换器[16]。这种逆变器通过在系统处于零状态时出现穿透条件来提高输入电压，从而提高逆变器的耐久性并扩大其应用范围[17]。qZSI在多层级联系统中转换能量，代表了一种拓扑变化，据一些研究，可以用来增强传统阻抗逆变器的某些方面[18]。可以使用多个qZSI构建CHBMLI结构，并通过增加更多模块使扩展论文更简单。与传统系统不同，该系统不需要为逆变器输出建造电压互感器。与之前的多层设计相比，这里的输出滤波器组件值更少 [19,20]。

在设计并网混合电厂的最佳能源管理系统（EMS）时，需要克服若干障碍，该电厂电池建于多层结构中。从技术角度看，需要广泛的控制算法来保证系统稳定性和效率，同时将包括太阳能和风能在内的多种能源与电池储能整合。对可再生能源发电和需求的优化和准确预测的需求进一步加剧了挑战。有效的电池管理对于减少电池劣化和优化使用至关重要，同时保持多电位配置中的稳定电压和频率水平。此外，确保合理的投资回报，尤其是在能源价格波动和监管变化的背景下，也至关重要。监管和政策挑战包括遵守电网规范、确保稳定的激励计划，以及应对各地区的监管不确定性。在运营层面，有效的负载管理和定期维护对于确保系统可靠性至关重要，而强有力的数据管理则发挥着关键作用。这包括整合来自多个来源的数据并确保网络安全。应对这些挑战需要多学科合作，包括行业利益相关者、政策制定者和学术界的协作，以及持续的研究与开发。

文献中有大量关于集成在多层结构和电网联网混合电厂中电池的最佳能源管理系统的研究，采用了多种技术和变量。以下是其中几项的总结。
Ahmed等人[21]提出了一个全面的能源管理框架，以在满足日常家庭能源需求的同时降低成本。采用了两种优化方法，分别是随机对偶动态规划和混合整数线性规划（MILP）。该系统利用负载和RES功率数据，同时考虑充电状态（SoC）约束，主动管理电池健康。优化BESS的放电和充电曲线，以降低满足日负载需求的总成本为目标。
Pan 等人[22]提出了基于位置突变灰狼优化（PM-GWO）的最优运行策略，以降低设备的运行成本。GWO中增加了非线性收敛因子和位置突变策略，以解决复杂和非线性分量的问题，防止系统滑入局部最优。随后，建议的PM-GWO被用来分析每个HRES组成部分的最佳运营策略。
Sigalo 等人[23]建议使用EMS实现并网微电网的电池储能系统。该系统在被表示为具有24小时视野的经济负载调度优化问题后，通过MILP求解。因此，建议的公式需要了解可再生能源24小时内的预期发电量和负荷需求。有人建议使用长短期记忆（LSTM）网络来实现这一目标。
Sahri 等人[24]实现了一种新颖的自适应算法，将模糊逻辑控制与直接无功功率控制（DRPC）结合起来。提出了两种潜在拓扑：第一种利用额外的风能来产生和储存氢气，第二种则平滑注入电网的有源功率。制定了电源管理算法，以避免电池过载和深度放电，减少风速变化带来的波动，并满足负载曲线要求。
López-Rodríguez 等人[25]建议采用多目标EMS管理混合电厂的电力调度，包括电网联网风电场和锂离子电池储能系统。EMS通过考虑生产预测数据并调节多项操作规则，确保能耗目标的达成，基于模型预测控制，解决了优化问题。
Sepehrzad等人[26]提出了一种两层微电极多级控制技术。这些层包括混合储能系统（HESS）、带有分布式发电源的上游电网，以及采用分布式最大功率跟踪（DMPPT）光伏系统的下游电网，采用电池-变换结构。为了在部分遮阳下也能提升电压并保持电压，下游电网中的每个光伏都配备了带有DMPTT的直流/直流电池变换器。分散在交流/直流微电网中的HESS被引入，以调节上游电网的功率和电压。
Vivas等人[27]建议基于模糊逻辑的EMS应用于连接电网且具HESS的家庭直流微电网。它是一台氢能驱动的HESS发动机，由电池和多组燃料电池系统驱动。作为建议EMS基础的多变量多级模糊逻辑控制器，专门为解决一个多目标问题而设计，其分辨率提升了微电网在运行成本、效率和HESS寿命方面的性能。

尽管可再生能源和储能技术取得了重大进展，但在为并网混合电厂建立高效的EMS方面仍存在相当大的空白。一个主要缺点是缺乏能够同时优化和精确预测的先进控制算法，以应对网格的波动需求和RES的间歇性。传统技术如人工神经网络（ANN）在有限数据或高维度时容易过拟合，而循环神经网络（RNN）则在长序列中出现消失或爆炸梯度的问题， 而前馈神经网络（FNN）由于其固定架构，在处理顺序或时间数据方面存在困难。近期的优化方法如MILP、PM-GWO和LSTM提供了有前景的方法，但仍存在显著局限性。MILP方法有助于改善能源管理，但需要对可再生能源生产和负荷需求的精确了解，而这些知识可能并不总是具备。PM-GWO通过整合非线性收敛因子和突变策略，展现出优化HRES运作的潜力。然而，该方法在处理复杂优化问题时仍面临挑战，且可能无法适应动态环境。此外，尽管LSTM网络已成功应用于预测EMS中的能源需求和产量，但其与多层、多源混合系统的集成仍是一个问题。解决这些不足对于提升RES的可靠性和效率至关重要。需要先进的EMS解决方案来优化多种能源和储能系统，确保系统稳定性和延长电池寿命。

贡献总结如下，

• •
  该论文介绍了一种创新的混合方法，结合了雪烧优化器和矩阵衍射深度神经网络，用于电网混合电厂中的电池集成能源管理。
• •
  SAO技术被用来优化BES的效率，有助于延长电池寿命。
• •
  MDDNN用于准确的电力需求预测，通过确保电池充放电循环的高效调度，提升整体能源管理流程。
• •
  该策略在MATLAB中付诸实践，并与传统技术和先进方法进行比较，展示了其在计算时间、效率和环境影响方面的优越性能。
• •
  该方法实现了10.60%的成本降低，并将二氧化碳排放量降至每日149公斤，凸显了其在HRES中实现更可持续和更具成本效益能源管理的潜力。