围绕微电网调度展开深入探讨，从基本概念出发逐步深入到高级应用。内容涵盖AI行业应用、AI+能源与农业中的微电网调度原理、关键算法、性能特性及优化策略，结合实际案例分析常见问题与解决方案，为工程实践提供系统性指导，适合希望深入理解该领域的技术人员学习参考。本文内容结构清晰，适合不同层次读者学习。

学习提示

需要学习微电网调度，涉及AI等核心概念。从基本概念出发逐步深入到高级应用。在AI+能源与农业 > 智能电网方向上，微电网调度为后续进阶内容提供必要前置支撑。

目录
  1. 可视化演示
  2. AI 应用场景
  3. Python 演示
  4. 常见误区
  5. 面试题

可视化演示

围绕微电网调度展开深入探讨，从基本概念出发逐步深入到高级应用。内容涵盖AI行业应用、AI+能源与农业中的微电网调度原理、关键算法、性能特性及优化策略，结合实际案例分析常见问题与解决方案，为工程实践提供系统性指导，适合希望...

微电网概述

还记得那个共享能源厨房吗？在正式学习“做菜”之前，你得先知道厨房里有什么、能怎么运行，这就是微电网概述。

微电网，是一个把分布式电源、储能装置、用电负荷和控制系统整合在一起的小型发配电系统。它像厨房里的灶台、冰箱、餐桌和总管之间的协作网络。按规模，小到一栋楼、一个园区，大到一座海岛，都能组成微电网。组成结构上，它典型地包含四条“生产线”：发电单元（光伏、风电、柴油）、储能单元（电池）、负荷单元（用户电器）、控制单元（调度系统）。

运行模式是微电网最特别的地方：并网模式下，它与大电网手拉手运行，缺电时从大电网买，富余时可反送；孤岛模式下，它切断联系独自运行，靠内部资源自给自足——就像厨房既能连上中央食堂的配餐车，又能关门自己开伙做饭。这种设计带来了清洁低碳、供电可靠、就地消纳等多种价值。

这是微电网的“能量进出账本”：一切电源出力加储能净出力，永远等于负荷加损耗。

Pgen+Pst=Pload+Ploss\displaystyle P_{\text{gen}} + P_{\text{st}} = P_{\text{load}} + P_{\text{loss}}
  1. 发电功率$P_{\text{gen}}$：光伏、风电、柴油等所有电源的总出力，好比厨房里所有灶台同时开火的“总火力”。
    Pgen=PPV+Pwind+PdieselP_{\text{gen}} = P_{\text{PV}} + P_{\text{wind}} + P_{\text{diesel}}
  2. 储能功率$P_{\text{st}}$：电池的净充放电功率，正为放电、负为充电，好比冰箱在取出或存入食物。
    Pst=Pdischarge−PchargeP_{\text{st}} = P_{\text{discharge}} - P_{\text{charge}}
  3. 负荷功率$P_{\text{load}}$：所有用户用电的瞬时总和，好比食客此刻的饥饿总量。
    Pload=∑j=1mPj(user)P_{\text{load}} = \sum_{j=1}^{m} P_j^{\text{(user)}}
  4. 损耗功率$P_{\text{loss}}$：线路电阻发热等损失，好比搬运过程中洒落的饭菜。
    Ploss=I2×RP_{\text{loss}} = I^2 \times R
  5. 平衡的意义等式若被打破，频率就会漂移，好比食堂菜做多了或做少了引发的“供需失衡”警报。 微电网之所以重要，在于它是“配电网里的自愈细胞”。大电网像城市主动脉，一旦某个区域故障容易波及其他；微电网则能自我调度、就近平衡，故障时孤岛运行，把影响关在“小区门”内。
    Pgen+Pst−Pload−Ploss=0P_{\text{gen}} + P_{\text{st}} - P_{\text{load}} - P_{\text{loss}} = 0

分布式能源

厨房里的火源各不相同：有靠天吃饭的太阳能灶台，有见风使舵的风力磨坊，有能把剩菜存起来的储能冰箱，还有关键时刻顶上的柴油煤气罐。这就是分布式能源。

分布式能源，指分布在用户侧、就近发能的发电单元。光伏发电是最常见的主角：太阳光照射到半导体上产生直流电，出力大小随光照强度波动。风力发电靠叶片捕获风能，机组出力随风速变化呈非线性增长，风速太高或太低都发不出电。储能系统虽不直接“发电”，但能充电放电，是电力的“时间搬运工”。柴油发电机作为备用电源，在无光无风且电池耗尽时兜底，启动快、但燃料贵且不环保。

分布式能源的最大特点是“间歇性”和“分散性”——就像露天厨房的火候随风向、云朵飘忽不定。这对调度提出了极高的要求。

光伏出力公式：转换效率、面板面积、光照强度相乘，温度太高还会打折。

PPV=η×A×G×[1−β×(T−Tref)]\displaystyle P_{\text{PV}} = \eta \times A \times G \times \left[ 1 - \beta \times (T - T_{\text{ref}}) \right]
  1. 转换效率$\eta$：光伏板把阳光转为电能的比例，典型值 15% 到 22%。
    η=PoutG×A\eta = \frac{P_{\text{out}}}{G \times A}
  2. 光伏板面积$A$：面板总面积，单位平方米，面积越大“灶台”越大、发电越多。
    A=Lpanel×Wpanel×NpanelA = L_{\text{panel}} \times W_{\text{panel}} \times N_{\text{panel}}
  3. 辐照度$G$：单位面积接收的太阳功率（W/m²），晴天中午可达 1000 W/m²。
    G=PsunAareaG = \frac{P_{\text{sun}}}{A_{\text{area}}}
  4. 温度修正$\beta \times (T - T_{\text{ref}})$：面板温度超 25°C 参考值时，效率按比例下降。 理解了分布式能源的特性，调度员才知道：光伏看天、风电看风、储能看电价、柴油看应急——不同“灶台”的脾气不同，用火的顺序也要不同。
    PPV=η×A×G×[1−β×(T−Tref)]P_{\text{PV}} = \eta \times A \times G \times \left[ 1 - \beta \times (T - T_{\text{ref}}) \right]

负荷预测

管家最厉害的本事，是能提前算出明天每个时段有多少人来吃饭、每个人饭量多大。这就是负荷预测——微电网调度“先见之明”的来源。

负荷预测按时间尺度分为：超短期预测（未来几分钟到 1 小时，用于实时控制）、短期预测（次日 24 小时，用于日内调度）、中长期预测（用于规划扩容）。预测的依据来自多方面：历史负荷曲线、季节、气温、湿度、节假日，甚至经济活动的活跃度。比如夏天热浪来袭，空调负荷会在下午两点飙升，经验丰富的管家一看气温表，就知道该提前备菜。

常用的预测方法分两类：统计方法（如指数平滑、ARIMA，靠历史规律外推）和机器学习方法（如随机森林、LSTM 神经网络，能捕捉更复杂的非线性关系）。但无论方法多先进，误差永远存在——预测只能逼近真实，不能等于真实。

指数平滑公式：明天的预测值，是今天真实值与今天预测值的加权融合。

y^t+1=α×yt+(1−α)×y^t\displaystyle \hat{y}_{t+1} = \alpha \times y_t + (1 - \alpha) \times \hat{y}_t
  1. 新预测值$\hat{y}_{t+1}$：明天（或下一个时段）的预测负荷，是公式的输出。
    y^t+1=α×yt+(1−α)×y^t\hat{y}_{t+1} = \alpha \times y_t + (1 - \alpha) \times \hat{y}_t
  2. 今日实际值$y_t$：当前时段的真实负荷，像食客今天实际吃掉的饭菜量。
    yt=load(t)y_t = \text{load}(t)
  3. 今日预测值$\hat{y}_t$：昨天对今天的预测，是“旧经验”。
    y^t=prediction from t-1\hat{y}_t = \text{prediction from t-1}
  4. 平滑系数$\alpha$：取值 0 到 1，越大越相信新数据，越小越相信旧经验。 预测的本质是“用历史经验修正未来判断”。预测得越准，备菜越精准；预测有偏，储能和柴油就得随时准备“救火”。
    α=weight of latest datatotal weight\alpha = \frac{\text{weight of latest data}}{\text{total weight}}

经济调度

厨房里灶台多，但开火要花钱：光伏电几乎免费、储能电小贵、柴油电最贵。管家每天最操心的，就是怎样搭配这些能源，把全天的“饭钱”压到最低——这就是经济调度。

经济调度，是在满足用电需求和各种约束的前提下，决定每台机组发多少电、储能充放多少功率，使得总运行成本最小。目标函数很直白：总成本等于每个电源的出力乘各自的边际成本再求和。约束条件除了功率平衡（发多少用多少），还有每台机组的出力上下限、储能SOC范围、爬坡速率等约束，就像做饭不能超过灶台最大火力、不能把冰箱塞爆。

求解这个优化问题常用的方法，包括传统数学规划（线性规划、混合整数规划）和启发式算法（遗传算法、粒子群）。在实际工程中，调度策略并不是一次算完——它会随着负荷预测滚动更新，采用模型预测控制的思路，每几分钟重新优化一次，这就是动态调度。

经济调度的核心：在功率守恒和出力限制两道“紧箍咒”下，找总成本最低的点。

min⁡∑i=1nCi(Pi)s.t.∑i=1nPi=Pload,Pimin⁡≤Pi≤Pimax⁡\displaystyle \min \sum_{i=1}^{n} C_i(P_i) \quad \text{s.t.} \quad \sum_{i=1}^{n} P_i = P_{\text{load}}, \quad P_i^{\min} \leq P_i \leq P_i^{\max}
  1. 总成本函数$\min \sum_{i=1}^{n} C_i(P_i)$：所有电源成本之和最小化，是调度要拼的“总账单”。
    min⁡∑i=1nCi(Pi)=min⁡(C1(P1)+C2(P2)+⋯+Cn(Pn))\min \sum_{i=1}^{n} C_i(P_i) = \min \left( C_1(P_1) + C_2(P_2) + \dots + C_n(P_n) \right)
  2. 电源编号$i$：用下标区分光伏、风电、储能、柴油等不同机组。
    i∈{1,2,…,n}i \in \{1, 2, \dots, n\}
  3. 功率平衡约束$\sum_{i=1}^{n} P_i = P_{\text{load}}$：所有电源出力之和必须恰好等于负荷，供需对账一分不差。
    ∑i=1nPi=P1+P2+⋯+Pn=Pload\sum_{i=1}^{n} P_i = P_1 + P_2 + \dots + P_n = P_{\text{load}}
  4. 出力上下限$P_i^{\min} \leq P_i \leq P_i^{\max}$：每台机组的出力必须落在安全运行区间内，不允许超火力运转。
    Pimin⁡≤Pi≤Pimax⁡P_i^{\min} \leq P_i \leq P_i^{\max}
  5. 可行与最优先找到满足约束的“可行解”，再在可行解集合里挑“最优解”。 经济调度的本质是“约束下的取舍”。管家越是精打细算，社区的电费就越低；AI 的加入，则让这种取舍从静态计算升级为动态博弈。
    Pi∗=arg⁡min⁡∑i=1nCi(Pi)P_i^{*} = \arg \min \sum_{i=1}^{n} C_i(P_i)

储能管理

冰箱是厨房的灵魂：菜做多了存起来，菜不够了拿出来。储能电池，就是微电网里那只“会充会放的大冰箱”。储能管理的好坏，直接决定微电网省不省钱、稳不稳当。

储能管理首先关心充放策略：什么时候充、什么时候放、充放多快。核心原则是“低存高发”——电价低时充电，电价高时放电赚取峰谷价差。但电池不是无限容量的，必须实时监控SOC（荷电状态），避免过充过放损坏电池。SOC 是剩余电量占额定容量的百分比，就像冰箱里的食物还剩几成。

削峰填谷是储能最重要的应用之一：白天光伏大发时把多余电能存起来，晚高峰时放出来，既减轻电网压力又省钱。同时，频繁的深度充放会加速电池老化，因此寿命优化要求把 SOC 控制在一个健康区间（如 20%–90%），并在收益与损耗之间寻找平衡点。

SOC 动态公式：初始电量加上累计净充电量（考虑充放电效率损耗），再除以额定容量。

SOC(t)=SOC(0)+1Erated∫0t(ηc×Pc(τ)−Pd(τ)ηd)dτ\displaystyle SOC(t) = SOC(0) + \frac{1}{E_{\text{rated}}} \int_0^t \left( \eta_c \times P_c(\tau) - \frac{P_d(\tau)}{\eta_d} \right) d\tau
  1. 初始荷电状态$SOC(0)$：调度开始时刻电池已有的电量比例，像开饭前冰箱里的存货。
    SOC(0)=E0EratedSOC(0) = \frac{E_0}{E_{\text{rated}}}
  2. 额定容量$E_{\text{rated}}$：电池满充时的总能量（kWh），相当于冰箱的“满载容积”。
    Erated=Unom×CratedE_{\text{rated}} = U_{\text{nom}} \times C_{\text{rated}}
  3. 充电项$\eta_c \times P_c(\tau)$：充进去的功率乘以充电效率，实际存入的比消耗的少，因为充电会发热损耗。
    ηc×Pc(τ)=actual stored power\eta_c \times P_c(\tau) = \text{actual stored power}
  4. 放电项$P_d(\tau) / \eta_d$：放出的功率除以放电效率，电池实际吐出的能量大于用户得到的，剩余的化为内阻发热。
    Pd(τ)ηd=actual extracted from battery\frac{P_d(\tau)}{\eta_d} = \text{actual extracted from battery}
  5. 积分累计$\frac{1}{E_{\text{rated}}} \int_0^t$：把从 0 到 t 每一瞬间的净充放电量累加，再归一化到容量。 储能管理的精髓在于：它让电力这种“即产即用”的特殊商品，变成了可以“囤积居奇”的时间商品。会管冰箱的管家，能让社区在电价谷底囤货、峰时发财。
    SOC(t)=SOC(0)+1Erated∫0tPnet(τ) dτSOC(t) = SOC(0) + \frac{1}{E_{\text{rated}}} \int_0^t P_{\text{net}}(\tau) \, d\tau

供需平衡

食堂好不好，标准只有一个：每道菜刚好吃完，不饿肚子也不浪费。微电网的“吃得刚刚好”，就是供需平衡。

电网里的供需平衡，最直观的体现在“频率”上：中国的电网频率标准是 50Hz，它就像食堂的“体温计”。当发电功率小于用电功率时，频率下降；当发电功率大于用电功率时，频率上升。频率调节就是通过调整发电机出力或储能充放电，把频率拉回 50Hz。这个调节分三级：一次调频（机组自发的下垂响应，秒级）、二次调频（AGC 自动发电控制，分钟级）、三次调频（经济调度重分配，小时级）。

需求响应是另一张牌：当系统濒临失衡时，与其硬压发电，不如让用户“调胃口”——用电高峰时，通过价格信号或补贴，主动让部分可中断负荷（如空调、热水器）暂时减少用电。实时控制则把这一切在秒级到毫秒级完成，由微电网的能量管理系统统一指挥。

功频特性公式：有功功率偏差与频率偏差成正比，比例系数 K 反映系统“挺住”能力的大小。

ΔP=K×Δf\displaystyle \Delta P = K \times \Delta f
  1. 功率偏差$\Delta P$：实际发电与用电之间的缺口，正为盈余、负为缺额。
    ΔP=Pgen−Pload\Delta P = P_{\text{gen}} - P_{\text{load}}
  2. 频率偏差$\Delta f$：实际频率与额定频率之差，频率低于 50Hz 说明电不够用了。
    Δf=factual−50 Hz\Delta f = f_{\text{actual}} - 50\,\text{Hz}
  3. 功频系数$K$：系统频率特性系数，它越大，同样的功率缺口引起的频率偏移越小，系统越“稳”。
    K=ΔPΔf(单位: MW/Hz)K = \frac{\Delta P}{\Delta f} \quad (\text{单位: MW/Hz})
  4. 负反馈闭环频率下降 → 检测到缺口 → 增加出力/减负荷 → 频率回升。 供需平衡的本质是一个负反馈闭环。微电网之所以比传统电网更难平衡，是因为“菜量”（可再生能源出力）本身就在剧烈波动，调度的价值因此更加凸显。
    ΔP→KΔf→controlΔP′\Delta P \xrightarrow{K} \Delta f \xrightarrow{\text{control}} \Delta P'

AI智能调度

如果这位大管家还能每天自学：昨天靠经验做的菜被剩了两盘，今天他就自动少做一点；上周这天气负荷曲线长这样，他就预判明天也差不多。这样的管家，就是AI 智能调度。

AI 在微电网调度中的应用，正沿着四个方向渗透。负荷预测 AI 用 LSTM、Transformer 等深度网络，把天气、节假日、历史负荷全部喂进去，预测精度远超传统统计模型，相当于管家练出了“望天知量”的本领。强化学习调度把调度问题建模为马尔可夫决策过程，智能体与环境交互试错，通过回报信号逐步学会最优充放电策略——就像管家在实践中摸清“什么时候该囤粮”。

多智能体系统把每一台发电机、每块电池、每栋楼都看作独立智能体，通过协商博弈达成全局最优，类似几个帮厨各管一摊但配合默契。数字孪生则为微电网造了一个 1:1 的“虚拟厨房”，在虚拟世界里反复演练各种极端天气和故障场景，练好了再复制回现实。

Q-learning 更新公式：用“实际回报 + 未来最优回报”来修正当前“状态-动作”的价值估计。

Q(s,a)←Q(s,a)+α[r+γ×max⁡a′Q(s′,a′)−Q(s,a)]\displaystyle Q(s, a) \leftarrow Q(s, a) + \alpha \left[ r + \gamma \times \max_{a'} Q(s', a') - Q(s, a) \right]
  1. 状态$s$：微电网的当前处境，如负荷大小、光照强度、电池 SOC。
    s=(load,G,SOC,… )s = (\text{load}, G, \text{SOC}, \dots)
  2. 动作$a$：调度系统做出的决策，如储能充多少、柴油机开不开。
    a=(Pcharge,Pdischarge,Pdiesel,… )a = (P_{\text{charge}}, P_{\text{discharge}}, P_{\text{diesel}}, \dots)
  3. 奖励$r$：采取动作后环境给的反馈，如运行成本低就有正奖励、频率超限就惩罚。
    r=−cost−λ×penaltyr = -\text{cost} - \lambda \times \text{penalty}
  4. 学习率$\alpha$：每步更新幅度，太大易震荡，太小学得慢。
    α∈(0,1]\alpha \in (0, 1]
  5. 折扣因子$\gamma$：决定未来收益的重要程度，接近 1 则越有远见。 AI 调度不会取代大管家，而是把大管家升级成“会自学的首席管家”。与传统优化相比，AI 的优势在于：面对难以精确建模的非线性、随机性环境，它能在数据中自己找到规律，实现从“经验调度”到“认知调度”的跃迁。 ---
    γ×max⁡a′Q(s′,a′)=discounted future value\gamma \times \max_{a'} Q(s', a') = \text{discounted future value}

AI 应用场景

工业园区微电网经济调度

阶段：决策优化

解决的问题：某工业园自建光伏+储能+柴油微电网，传统人工调度凭经验决定储能充放时机，峰谷套利收益低，且光伏波动时常导致功率失衡。AI 用强化学习学习园区负荷与电价规律，自动生成储能充放电策略，把峰谷套利收益提升约 18%，同时减少柴油机启停次数。

具体案例：园区安装 5MW 光伏、10MWh 储能，接入 AI 调度平台后，系统每 15 分钟滚动优化一次出力计划。在夏季高温日，AI 提前预测到午后空调负荷飙升，上午安排储能充满，下午两点准时放电，变压器负载率从 98% 降到 85%，避免了扩容投资。

相关角色：能源 AI 算法工程师、微电网系统架构师

海岛孤网供电保障

阶段：预测与调度

解决的问题：偏远海岛孤岛运行，柴油依赖度高、供电成本高。传统方案按最恶劣情况保留柴油备用，燃料浪费严重。AI 结合气象预报和负荷预测，动态调整可再生能源渗透率，在保证供电可靠性的前提下把柴油发电量降低 35%。

具体案例：某海岛微电网部署基于 LSTM 的光伏和风速预测模型，结合模型预测控制（MPC）滚动调度储能与柴油机。台风来临前 6 小时，系统自动切换为保守策略，储能保持高 SOC，柴油机提前启动备用——既安全又省油。

相关角色：数据科学家、电力系统优化工程师

虚拟电厂需求响应

阶段：智能决策

解决的问题：成千上万个家庭储能、充电桩、空调组成虚拟电厂参与电网调峰，单个用户容量太小，人工无法协调。AI 多智能体系统让每个家庭成为自主决策的智能体，在电网发出削峰信号时，自动协商每个用户让出多少负荷。

具体案例：某城市虚拟电厂聚合 3000 户家庭储能，AI 平台在晚高峰接到电网调度指令后，通过价格激励和智能控制，在 10 分钟内让 60% 的参与用户自动放电，形成 12MW 的削峰能力，相当于一座小型调峰电厂。

相关角色：AI 产品经理、虚拟电厂运营工程师

Python 演示

python25 行
import numpy as npfrom scipy.optimize import linprog def schedule_microgrid(load, pv_max, bat_max, die_max):    # 边际成本（元/kWh）：光伏免费，储能0.2，柴油1.2    c = np.array([0.0, 0.2, 1.2])    # 等式约束：三个电源出力之和必须等于负荷    A_eq = [[1, 1, 1]]    b_eq = [load]    # 各电源出力上下限（kWh）    bounds = [(0, pv_max), (0, bat_max), (0, die_max)]    # 调用线性规划求解最小成本    result = linprog(c, A_eq=A_eq, b_eq=b_eq, bounds=bounds, method='highs')    if result.success:        pv, bat, die = result.x        print('最优出力分配：')        print('  光伏出力：{:.1f} kWh, 成本 {:.2f} 元'.format(pv, pv * c[0]))        print('  储能放电：{:.1f} kWh, 成本 {:.2f} 元'.format(bat, bat * c[1]))        print('  柴油发电：{:.1f} kWh, 成本 {:.2f} 元'.format(die, die * c[2]))        print('  总成本：{:.2f} 元'.format(result.fun))    else:        print('求解失败：', result.message) if name == 'main':    schedule_microgrid(load=100.0, pv_max=60.0, bat_max=30.0, die_max=20.0)

常见误区

误区很多初学者以为，只要在小区里装几块太阳能板和几块大电池，就能叫微电网。感觉有了硬件就能自给自足，主要工作就是买设备装上去。

正解硬件只是骨架，调度系统才是灵魂。微电网的核心特征是对内统一协调、对外可控运行——包括预测、优化、保护、通信。就像厨房里光有灶台和冰箱，没有大管家统筹，照样乱成一锅粥。真正的难点不在设备，而在“怎么管”。

为何常见：因为市面上光伏+储能的宣传很多，“自发自用”的直觉让人忽视了软件和控制的复杂性。

误区有人觉得储能电池就像充电宝，想充就充，想放就放，电量用到 0% 再充满也没问题，反正电池本来就是干这个的。

正解锂电池的寿命对充放电深度非常敏感。长期过充过放会加速电池衰减，所以调度系统必须把 SOC 限制在健康区间（一般 20%–90%），并在收益和损耗之间做权衡。冰箱也是有容积上限和保养要求的，塞太满或掏太空都会坏得快。

为何常见：日常电子产品的使用习惯被直接移植到了工业储能场景，忽略了电池经济学。

误区初学者觉得神经网络、强化学习一定比简单统计模型强，预测误差能降到无限接近零，模型越高级越值得用。

正解负荷和光伏预测的误差下限由数据的不可预测性决定——天气突变、突发事件永远无法被任何模型完全捕捉。复杂模型提升有限，却需要更多数据、更长训练时间、更高运维成本。实际工程里，简单模型如果够用，就不要用大炮打蚊子。

为何常见：“技术越新越好”的直觉让很多人忽略了对问题本质（预测上限）的分析。

误区既然微电网能自治，那干脆别连大电网了，全部自己发电自己用，省得交过网费、受大电网管辖。

正解并网模式才是常态。并网时，微电网可以把大电网当作“无限大的后备电池”：缺电时买、富余时卖，反而能获得更高收益。孤岛模式只是故障或停电时的兜底方案。完全脱离大电网，意味着要自己承担全部调峰调频成本，经济性反而差。

为何常见：“自主可控”的愿望让人忽视了经济性，误把孤岛能力当成必须时刻使用的模式。 ---

面试题

Q1. 微电网最核心的特征是什么？

单选题 · easy

  • A.配备屋顶光伏板
  • B.能独立调度控制← 正确答案
  • C.必须连接大电网
  • D.只服务单个家庭

答案：B。微电网的灵魂是“统一调度、自主控制”。虽然多数微电网并网运行，但“具备独立调度能力”才是定义性特征，故 B 正确。光伏板并非必备（可能有风电），大电网并非必须连接，服务范围也不限于单个家庭。

Q2. 微电网的两种典型运行模式是什么？

单选题 · easy

  • A.并网模式和孤岛模式← 正确答案
  • B.充电模式和放电模式
  • C.白天模式和夜间模式
  • D.手动模式和自动模式

答案：A。微电网按与大电网的关系分为并网模式（互联互通）和孤岛模式（独立自治）。充电/放电是储能的工作状态，白天/夜间是时间维度，手动/自动是控制方式，均与运行模式不直接对应。

Q3. 光伏出力大小主要取决于什么？

单选题 · mid

  • A.环境温度和风速变化
  • B.光照强度和光伏板面积← 正确答案
  • C.电网频率和实时电压
  • D.储能电池的剩余电量

答案：B。由公式 P = η×A×G 可知，出力主要由转换效率、面积和辐照度决定。温度虽有负作用但非主导因素；风速影响的是风电；电网频率、储能电量是结果变量而非原因。

Q4. 以下哪些属于微电网中的分布式能源？

多选题 · mid

  • A.屋顶光伏← 正确答案
  • B.风力发电机← 正确答案
  • C.储能电池← 正确答案
  • D.大型火电站

答案：ABC。分布式能源指分布在用户侧的发电或储能源，屋顶光伏、风电、储能均满足。大型火电站是集中式电源，与微电网“分布式、就近平衡”的理念相悖。

Q5. 负荷预测在微电网调度中的核心作用是什么？

单选题 · mid

  • A.提高电网频率上限
  • B.为调度决策提前提供依据← 正确答案
  • C.直接降低发电成本
  • D.减少储能电池容量

答案：B。预测让调度“先知先觉”——提前安排机组启停和储能充放。它本身不直接降本、不改变频率上限，也不减少电池容量，而是通过优化决策间接产生收益。

Q6. 微电网经济调度需要考虑哪些内容？

多选题 · hard

  • A.最小化总发电成本← 正确答案
  • B.满足功率平衡约束← 正确答案
  • C.限制机组出力上下限← 正确答案
  • D.最大化碳排放总量

答案：ABC。经济调度的三要素是目标函数（成本最小）、等式约束（功率平衡）和不等式约束（出力上下限）。最大化碳排放与绿色低碳的目标背道而驰。

Q7. 储能电池的 SOC 表示什么？

单选题 · mid

  • A.电池的工作温度
  • B.剩余电量占额定容量比例← 正确答案
  • C.电池的充电功率上限
  • D.电池的循环使用次数

答案：B。SOC（荷电状态）定义为剩余电量与额定容量的比值，范围 0–100%，相当于冰箱的“剩余容量百分比”。温度、功率上限、循环次数都是电池的其他属性参数。

Q8. 电网频率偏差直接反映了什么？

单选题 · mid

  • A.电压水平的高低
  • B.有功功率的不平衡程度← 正确答案
  • C.无功功率的多少
  • D.线路损耗的比例

答案：B。按功频特性 ΔP = K×Δf，频率下降说明有功出力不足，频率上升说明有功盈余。电压反映无功平衡，线路损耗是功率流动的伴随结果，均与频率无直接关系。

Q9. 需求响应（DR）的核心思想是什么？

单选题 · hard

  • A.强制拉闸限电
  • B.用价格信号引导用户调整用电← 正确答案
  • C.无限扩容输电线路
  • D.单纯增加发电机组

答案：B。需求响应通过分时电价、实时补贴等价格杠杆，让用户在高峰时段主动减少用电，实现“移动负荷”而非“压限负荷”。强制拉闸是最后手段，扩容线路和增加机组属于供给侧思路。

Q10. AI 在微电网调度中的应用方式包括哪些？

多选题 · hard

  • A.强化学习生成储能充放电策略← 正确答案
  • B.深度学习预测短期光伏出力← 正确答案
  • C.多智能体协同各单元功率分配← 正确答案
  • D.只依赖人工经验手动调整参数

答案：ABC。强化学习适合序贯决策、深度学习擅长非线性预测、多智能体可做分布式协调，三者都是主流 AI 应用。D 选项是传统人工调度方式，不是 AI 数字化、自动化的特征。