【Objectif】 Pour améliorer la performance de régulation du système hybride de stockage d'énergie (hybrid energy storage system, HESS) lors de la réponse des unités thermiques aux commandes de contrôle automatique de la production (automatic generation control, AGC), une stratégie de répartition de puissance combinée basée sur le contrôle prédictif stochastique (stochastic model predictive control, SMPC) est proposée. 【Méthodes】 Premièrement, pour le système HESS composé d'une batterie lithium-titanate à puissance élevée et d'une batterie lithium-fer-phosphate à haute capacité énergétique, un modèle de demande de puissance HESS basé sur une matrice de probabilité de Markov est développé pour prédire la réponse des unités thermiques aux commandes AGC sur les périodes futures, avec un mécanisme adaptatif introduit pour ajuster dynamiquement en temps réel les probabilités de transition afin d'améliorer la précision de la prédiction face aux fluctuations des commandes AGC; deuxièmement, une méthode de génération d'arbre de scénarios combinant un seuil probabiliste et un échantillonnage stratifié est proposée pour transformer la distribution de probabilité issue du modèle de Markov adaptatif en un ensemble fini de scénarios optimisables, décrivant l'incertitude de la prévision de la demande de puissance dans divers scénarios; enfin, sur cette base, un contrôleur prédictif stochastique est construit pour réaliser une répartition optimale de la puissance entre l'unité thermique et le HESS. 【Résultats】 Les simulations montrent que la stratégie proposée surpasse les stratégies traditionnelles de réglage conjugué qui ne tiennent pas compte de la prévision de puissance, ainsi que la stratégie SMPC basée sur une matrice de probabilité de transition statique sans correction dynamique, avec des améliorations respectives de l’indice de performance K_p de 14,1% et 7,5%. 【Conclusion】 Cette stratégie améliore efficacement la régulation collaborative de l'unité thermique et du HESS, avec un fort potentiel d'application. À l'avenir, le modèle peut être optimisé pour renforcer sa robustesse et son adaptabilité en application pratique, favorisant la mise en œuvre effective de cette technologie.

contrôle automatique de la production; système hybride de stockage d'énergie; modèle adaptatif de Markov; arbre de scénarios; contrôle prédictif stochastique