【Objetivo】 Visando melhorar o desempenho regulatório do sistema híbrido de armazenamento de energia (hybrid energy storage system, HESS) ao responder às instruções do controle automático de geração (automatic generation control, AGC) das unidades termelétricas, propõe-se uma estratégia de alocação conjunta de potência baseada no controle preditivo estocástico de modelo (stochastic model predictive control, SMPC). 【Métodos】 Primeiramente, para o sistema HESS constituído por bateria de titanato de lítio orientada para potência e bateria de fosfato de ferro-lítio orientada para energia, propõe-se um modelo de demanda de potência HESS baseado em matriz de probabilidade de Markov para construir a resposta futura das unidades termelétricas às instruções AGC, introduzindo um mecanismo adaptativo para corrigir dinamicamente em tempo real as probabilidades de transição de estado, a fim de melhorar a precisão da previsão sob a flutuação das instruções AGC; em segundo lugar, propõe-se um método de geração de árvore de cenários que combina limiar probabilístico e amostragem estratificada para converter a distribuição de probabilidade do modelo de Markov adaptativo em um conjunto finito de cenários otimizáveis, descrevendo a incerteza da previsão da demanda de potência em múltiplos cenários; finalmente, com base na estrutura acima, constrói-se um controlador preditivo estocástico para realizar a alocação ótima de potência entre a unidade termelétrica e o HESS. 【Resultados】 Experimentos de simulação mostram que a estratégia proposta supera em desempenho as estratégias conjuntas tradicionais de regulação que não consideram a previsão de potência, bem como as estratégias SMPC com matriz de probabilidade de transição estática e sem correção dinâmica, com incrementos nos índices de desempenho K_p de 14,1% e 7,5%, respectivamente. 【Conclusão】 A estratégia melhora efetivamente o desempenho regulatório colaborativo da unidade termelétrica e do HESS, apresentando forte potencial de aplicação. Futuramente, o modelo pode ser otimizado para melhorar sua robustez e adaptabilidade em aplicações práticas, impulsionando a implementação real dessa tecnologia.

controle automático de geração; sistema híbrido de armazenamento de energia; modelo adaptativo de Markov; árvore de cenários; controle preditivo de modelo estocástico