本研究由Javier Tobajas (所属单位：Centro Nacional del Hidrogeno CNH2)、Félix García-Torres (所属单位：Centro Nacional del Hidrogeno CNH2)、Pedro Roncero-Sánchez (所属单位：University of Castilla-La Mancha)、Javier Vázquez (所属单位：University of Castilla-La Mancha)、Ladjel Bellatreche (所属单位：LIAS/ISAE-ENSMA) 以及Emilio Nieto (所属单位：Centro Nacional del Hidrogeno CNH2) 共同完成。该研究以《Resilience-oriented schedule of microgrids with hybrid energy storage system using model predictive control》为题，发表于期刊《Applied Energy》第306卷（2022年）。该文是一篇详细的原创性研究论文，报告了一种用于提升微电网（microgrid）在电网故障期间韧性的新型能量管理策略。

本研究的学术背景聚焦于电力系统与可再生能源领域。随着可再生能源渗透率的提高以及电网面临自然灾害、网络攻击等威胁的增加，电力系统的韧性（resilience）成为关键议题。微电网因其能够在主电网故障时切换为孤岛（islanded）模式运行，被视为提升系统韧性的重要解决方案。然而，当前微电网的调度（schedule）通常侧重于经济优化（参与电力市场），而忽视了韧性标准，即如何在任何时刻都能应对潜在的电网停电，确保关键负荷（critical loads）的持续供电。此外，单一的储能技术（如电池）在能量密度、功率密度、寿命和成本方面存在局限。因此，本研究旨在开发一种面向韧性的微电网优化调度方法，该方法集成了由电池和氢能（电解槽、燃料电池、储氢罐）组成的混合储能系统（Hybrid Energy Storage System， HESS），并采用随机模型预测控制（Stochastic Model Predictive Control， SMPC）技术，以同时考虑经济性和在各种可能停电场景下的供电保障能力。

本研究的详细工作流程可以概括为以下几个主要步骤：

首先，研究人员构建了所研究的微电网系统模型。该系统包含光伏（PV）和风力涡轮机（WT）等可再生能源发电单元、分为关键负荷与非关键负荷的用电负载、由电池和氢能系统（电解槽、燃料电池、储氢罐）组成的混合储能系统（HESS），以及用于与主电网连接/断开的智能功率开关（IPS）。系统建模采用了混合逻辑动态（Mixed Logic Dynamic， MLD）框架，以同时处理连续变量（如功率）和逻辑变量（如设备启停状态），这是本研究方法学上的一个关键基础。模型的状态变量是电池的荷电状态（State of Charge, SOC）和储氢罐的氢气水平（Level of Hydrogen， LOH），控制变量包括各储能设备的充放电功率设定值、与电网的买卖功率等，扰动变量则是可再生能源发电和负荷需求的预测值。

其次，研究核心在于设计了一个两阶段（two-level）的随机模型预测控制（SMPC）架构。该控制器的整体框图包含四个子模块：预测模块、被控对象模型、韧性MPC控制器和经济MPC控制器。其独特的工作流程在于“分解-聚合”式的场景处理。具体而言： 1. 韧性MPC控制器块（第一阶段）：此阶段不考虑单一的正常场景，而是构建了多个“关键场景”。每个关键场景假设在主电网日前调度（day-ahead schedule）的每一个采样时刻（共24小时，采样周期为1小时）发生电网停电。例如，场景“j”假设在第j小时发生停电，之后微电网转入孤岛模式。对于每一个这样的关键场景，控制器都独立求解一个优化问题。其目标函数不仅包含与电网交换的经济成本、混合储能的运行与退化成本（degradation cost），更重要的是包含了一项旨在最小化停电时刻储能水平的项（带高权重的w_SOC * SOC和w_LOH * LOH）。这一项的目标是反向优化出：为了在该特定停电时刻之后，能够满足“生存性（survivability）准则”（停电后2小时内供应所有负荷）和“关键性（criticality）准则”（停电后24小时内至少供应关键负荷），在停电发生的那一刻，电池的SOC和储氢罐的LOH必须达到的最低安全阈值。优化过程还需满足设备物理约束、功率平衡以及孤岛模式下的切负荷（load curtailment）和弃电（generation curtailment）逻辑。通过对24个可能的停电时刻（即24个关键场景）逐一进行独立优化，可以得到24组SOC和LOH的轨迹。 2. 约束提取与聚合：完成所有关键场景的优化后，研究人员提取每个未来时刻（从第1小时到第24小时）在所有场景下计算出的所需最低SOC和LOH值。例如，对于第5小时，需要查看在第1、2、3、4、5小时（假设这些时刻停电，场景优化会计算出第5小时所需的储能水平）等所有关键场景的优化结果中，第5小时的SOC值是多少，然后取其中的最大值。这个最大值代表了为了保证在第5小时（无论停电发生在之前哪个时刻）都能满足韧性准则，系统在第5小时必须维持的最低储能水平。对每个小时都进行此操作，便得到了一套随时间变化的最低SOC和LOH约束曲线（SOC_E(t_k)和LOH_E(t_k)）。 3. 经济MPC控制器块（第二阶段）：此阶段求解一个“正常场景”，即假设全天24小时电网连接正常。其目标函数专注于经济效益最大化，包括与电网买卖能量的收益、混合储能的运行与退化成本，并加入了惩罚项以保证调度周期结束时储能水平回归参考值（考虑未来不确定性）。最关键的一步是，将第一阶段计算得到的那套随时间变化的最低储能水平约束（SOC_E(t_k)和LOH_E(t_k)）作为硬约束施加到本次优化中。这样一来，经济优化调度必须在满足“任何时刻都具备应对即时停电的韧性能力”这一前提下进行。优化结果便是微电网参与日前市场的最优调度计划，该计划在经济性和韧性之间取得了平衡。

在数据分析与仿真验证方面，研究使用MATLAB®和TOMLAB®软件作为求解工具进行数值仿真。仿真基于一个具体的微电网参数集（如表3所示），包括光伏（30 kWp）、风机（10 kW）、电池（±15 kW， ±55 kWh）、电解槽（50 kW）、燃料电池（20 kW）、储氢罐（35 Nm³）以及电网交换功率限制（±40 kW）。负荷数据、可再生能源发电预测数据以及基于西班牙电力市场历史的日前电价预测数据（如图5所示）作为输入。仿真执行了完整的24小时调度，并详细记录了不同停电假设下（例如图6-10展示了在第1、8、16、20小时停电的场景）系统的功率分配、储能状态变化、切负荷情况等。

本研究的主要结果清晰展示了所提方法的有效性。仿真结果表明： 1. 韧性保障：在任何一个设定的停电时刻（模拟了多个不同时刻），优化后的调度方案都能确保微电网平滑过渡到孤岛模式。在停电后的两小时“生存期”内，所有负荷（包括非关键负荷）都得到了供电；在此之后直至24小时“关键期”结束，至少关键负荷的供电得到了保障。这通过各场景仿真图中的功率平衡和储能状态曲线得以直观验证。例如，在图6（第1小时停电）的场景中，可以看到停电后电池和氢能系统协同工作，SOC和LOH水平持续下降但足以支撑负荷，并在必要时启动了非关键负荷的削减。 2. 混合储能协同优化：结果显示了电池和氢能系统的互补特性得到有效利用。电池由于其更快的响应速度（高功率密度），在功率调节和应对短时波动中作用明显；而氢能系统凭借其高能量密度，作为长时间、大容量的能量后备，显著延长了孤岛运行时的系统自治时间。优化算法根据两者的退化成本（电池与循环次数相关，氢系统与运行小时数、启停和功率波动相关）和运行成本，智能地分配两者的充放电/产耗氢功率，在满足韧性要求的同时降低了整体寿命损耗。 3. 经济性与韧性的平衡：通过两阶段优化，最终的经济MPC调度计划在满足刚性韧性约束的前提下，最大限度地利用了电价差获利。例如，在电价低时从电网购电并给储能充电，在电价高时利用储能放电或出售可再生能源余电。然而，与传统纯经济调度不同，本方法的调度计划会为了维持较高的最低储能水平而可能放弃一些套利机会，这是为保障韧性所支付的必要“保险费”。计算结果给出了满足韧性要求的具体储能水平下限曲线，这是本方法的一个核心量化输出。 4. 计算可行性：研究指出，虽然考虑多个场景增加了复杂性，但通过将问题分解为独立的场景并行求解（韧性MPC块），再聚合约束进行最终优化（经济MPC块），整个仿真在标准工作站上耗时约530秒，证明了该算法在实时应用中的潜在可行性。

本研究的结论是，成功开发并验证了一种基于随机模型预测控制的、面向韧性的微电网优化调度框架。该框架创新性地通过多场景分析，量化了为应对任意时刻电网停电所需维持的混合储能系统最低能量水平，并将此作为约束整合到经济调度中。这确保了微电网在参与电力市场、追求经济效益的同时，具备内在的、高可靠性的供电保障能力，尤其适用于医院、军事基地、科研中心等拥有关键负荷的场所。

本研究的价值与亮点体现在多个方面。其科学价值在于提出了一种将不确定性（随机停电时间）和混合系统（电池-氢能）协同管理统一在MPC框架下的系统化方法，并明确定义和集成了“生存性”与“关键性”两个韧性量化准则。应用价值显著，所提算法可直接用于提升实际微电网管理系统的智能化水平和可靠性，并可为混合储能系统的容量规划提供参考。方法的新颖性突出表现在：1) 场景构建的创新：不是简单地将停电视为单一或少数几个意外事件，而是在调度时段的每一个采样点都将其视为可能发生的场景，从而实现了“全天候、无死角”的韧性覆盖。2) 两阶段优化流程：将复杂的多目标、多场景问题分解为韧性导向的场景优化和经济导向的最终调度，降低了求解难度，思路清晰。3) 混合储能健康管理：详细建模了电池和氢能系统的退化机制（循环寿命、运行小时、启停损耗、功率波动损耗），并将退化成本直接纳入优化目标，促进了储能设备的长期经济高效运行。4) 灵活的负荷管理：集成了基于优先级的切负荷机制，在资源有限时实现负荷的有序保障。

此外，本研究是在欧盟Interreg SUDOE IMPROVEMENT项目框架下进行的，旨在将公共建筑改造为零能耗建筑并集成冷热电联供微电网，因此其研究成果具有明确的工程应用背景和示范意义。文中通过详尽的公式推导、清晰的算法框图、具体的参数设置和全面的仿真结果，为同行复现和进一步研究提供了坚实基础。