Lixin Li · Tim Kappler · Bernhard Schwarz · Nina Munzke 等6人 · IEEE Transactions on Sustainable Energy · 2025年7月

在现代电力系统中，为缓解可再生能源出力波动，部署电池储能系统（BESS）日益重要。然而，可再生能源与负荷预测的不确定性给BESS运行优化带来挑战。本文提出一种新颖的随机模型预测控制（SMPC）框架，兼顾削峰负荷与电池健康，并有效应对预测不确定性。该框架采用长短期记忆（LSTM）神经网络进行预测，并结合约束收紧技术构建滚动时域随机优化问题。基于德国某企业负荷数据的仿真结果表明，相比传统模型预测控制（MPC），该方法额外降低峰值取电功率99 kW（5.8%），验证了其处理不确定性的优势。

解读: 该SMPC框架对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。研究提出的LSTM预测结合约束收紧技术可直接集成到iSolarCloud云平台的智能调度模块，提升储能系统在工商业削峰场景下的经济性。相比传统MPC额外降低5.8%峰值功率的效果，可优化ST2236/250...