【Objetivo】 Para mejorar el rendimiento de regulación del sistema híbrido de almacenamiento de energía (hybrid energy storage system, HESS) al responder las unidades térmicas a las órdenes de control automático de generación (automatic generation control, AGC), se propone una estrategia combinada de asignación de potencia basada en control predictivo estocástico del modelo (stochastic model predictive control, SMPC). 【Métodos】 Primero, para el sistema HESS que incluye batería de titanio-litio orientada a potencia y batería de litio-ferrofosfato orientada a energía, se propone un modelo de demanda de potencia HESS basado en una matriz de probabilidad de Markov para construir la respuesta futura de las unidades térmicas a las órdenes AGC, e introducir un mecanismo adaptativo que corrige dinámicamente en tiempo real la probabilidad de transición, mejorando la precisión de la predicción en presencia de fluctuaciones en las órdenes AGC; en segundo lugar, se propone un método de generación de árbol de escenarios que combina umbrales probabilísticos y muestreo estratificado para convertir la distribución de probabilidades del modelo de Markov adaptativo en un conjunto finito de escenarios optimizables, describiendo la incertidumbre de la predicción de la demanda de potencia en múltiples escenarios; finalmente, sobre esta base se construye un controlador predictivo estocástico para lograr una asignación óptima de potencia entre las unidades térmicas y el HESS. 【Resultados】 Los experimentos de simulación muestran que la estrategia propuesta supera el rendimiento de las estrategias conjuntas tradicionales que no consideran la predicción de potencia y las estrategias SMPC que usan matrices de probabilidad de transición estáticas sin corrección dinámica, mejorando el índice de desempeño K_p en un 14.1% y 7.5% respectivamente. 【Conclusión】 La estrategia mejora efectivamente el rendimiento de regulación colaborativa entre la unidad térmica y el HESS, con un fuerte potencial de aplicación. En el futuro, se puede optimizar el modelo para mejorar su robustez y adaptabilidad en aplicaciones prácticas, impulsando la implementación real de esta tecnología.

control automático de generación; sistema híbrido de almacenamiento energético; modelo adaptativo de Markov; árbol de escenarios; control predictivo estocástico