基于机器学习模型的光伏/电池与光伏/电池/氢混合系统临界停电持续时间评估及其在能源可靠性优化中的意义

本综述提出了一种评估混合可再生能源系统（HRES）在电网停电条件下可靠性的创新框架，引入临界停电持续时间（COD）作为关键决策指标，揭示了系统可靠性（以电力供应短缺概率LPSP衡量）开始下降的阈值。通过比较光伏/电池（PV/BES）和光伏/电池/氢（PV/BES/H2）两种配置的技术经济性能，并结合多种机器学习模型（如MLPNN、KNN、DT等）进行预测，研究为不同停电场景下的系统设计与能源规划提供了重要理论支撑和实践工具。

　　

Highlight

本研究提出了一种用于评估混合可再生能源系统（HRES）在电网停电条件下可靠性的新框架，通过引入临界停电持续时间（COD）这一决策指标，识别系统可靠性（以电力供应短缺概率LPSP衡量）开始下降的阈值。与传统的可靠性指标不同，COD直接关联电网中断容忍能力，为系统规划者提供了实用的设计工具。

Method and Systems

本研究的目标是针对PV/BES和PV/BES/H₂系统引入并评估COD指标及其对应的平均LPSP和电力成本（COE）。开发了多种机器学习模型，用于预测不同负载和组件规模下的COD、平均LPSP和COE。因此，研究可分为两大部分：（1）通过变化负载规模和组件规模确定PV/BES和PV/BES/H₂系统的COD；（2）建立模型以预测这些参数。

Results and Discussion

初步测试了不同负载和组件规模对PV/BES和PV/BES/H₂系统COD及其平均LPSP和COE的影响。随后，构建了多种机器学习模型来预测这些参数，并对比了它们的性能，以评估哪些模型在预测COD、LPSP和COE方面表现最佳。

Conclusion

本研究通过引入COD作为一种创新的可靠性指标，为混合可再生能源系统规划提供了新的贡献。COD有效识别了系统可靠性（以LPSP衡量）开始显著下降的临界点，为停电频繁地区的系统规模确定和设计提供了实用工具。