《Energy Conversion and Management-X》:Machine learning-assisted innovative charging strategy for e-mobility in rural communities operated by redundant energy on solar PV mini-grids
编辑推荐:
绿色交通利用太阳能,实现近零排放,对于解决交通部门的现代能源获取、温室气体排放和全球变暖挑战至关重要。在大多数离网地区,太阳能光伏(PV)微型电网被用于提供能源获取。然而,这些微型电网系统在日照高峰时段存在冗余能源(waste energy),这些能源可用于进
绿色交通利用太阳能,实现近零排放,对于解决交通部门的现代能源获取、温室气体排放和全球变暖挑战至关重要。在大多数离网地区,太阳能光伏(PV)微型电网被用于提供能源获取。然而,这些微型电网系统在日照高峰时段存在冗余能源(waste energy),这些能源可用于进一步盈利活动。电子出行(e-mobility)是微型电网运营中的一个关键用例,可以整合以最小化冗余能源、提高系统性能并增加微型电网盈利能力。本研究提出了一个基于机器学习(ML)的控制系统模型,结合物联网(IoT)用于电动三轮车(e-tricycle)充电,以优化利用微型电网能源进行绿色交通。在案例研究中,使用了三种ML模型:人工神经网络(ANN)、极端梯度提升(XGBoost)、K近邻(KNN)和随机森林(RF),在从三个微型电网获取的数据上进行训练,以预测冗余能源用于高效电动汽车(EV)充电。结果显示,三个社区每天的冗余能源范围分别为56.98–119.86 kWh、74.39–311.87 kWh和57.03–274.66 kWh。经验证,所有ML模型都能成功预测冗余能源。
在能源与环境可持续发展背景下,全球交通部门高度依赖化石燃料,导致约占全球碳排放29%的温室气体排放,威胁气候稳定与人类健康。尽管可再生能源和电动汽车技术为交通脱碳提供了前景,但撒哈拉以南非洲等农村偏远地区由于缺乏充电基础设施,电动车辆应用受限。同时,太阳能光伏微型电网在农村离网社区日益普及,用于提供能源获取,例如在加纳的岛屿社区部署了容量30.6–57 kW的太阳能光伏微型电网,并计划扩展至35个类似社区。然而,这些微型电网在日照高峰时段(如11 am–4 pm)因需求低而存在显著冗余能源,每日范围达57–120 kWh,这导致运营效率低下并降低微型电网盈利能力。现有研究虽探讨了绿色氢生产或统计分析冗余能源,但缺乏针对农村社区电子出行用例的机器学习预测与整合分析,尤其是加纳背景下的微型电网。因此,本研究旨在开发一种基于机器学习的充电策略,利用太阳能光伏微型电网的冗余能源支持电子出行,解决能源冗余与交通可达性问题。该研究发表于《Energy Conversion and Management-X》,对项目开发者、学术界、政府机构和资助机构具有重要意义,有助于推动清洁能源、交通平等和可持续发展目标。
研究人员开展了基于机器学习与物联网的实证研究,主要采用以下技术方法:首先,在加纳农村社区(Wayokope、Aglakope、Kudorkope)的三个太阳能光伏微型电网部署物联网设备,收集一年的太阳能光伏发电、负载和电池状态数据;其次,应用四种机器学习模型——人工神经网络(ANN)、极端梯度提升(XGBoost)、K近邻(KNN)和随机森林(RF)——训练预测冗余能源,通过最小-最大归一化预处理数据并使用75%–25%的训练-测试划分;最后,设计一个概念模型,整合机器学习控制器和物联网实现智能充电管理,其中数据来自社区微型电网实际运行。样本队列来源于三个农村社区的微型电网历史数据,覆盖不同季节。
研究结果基于微型电网实测数据分析得出。冗余能源在农村社区微型电网中普遍存在:通过公式E
red = E
nom - E
gen@full battery charge计算,Nominal PV能量(E
nom)基于辐照度(G)、面板面积(A)、效率(η)、性能比(PR)和运行小时数(h),实际生成能量(E
gen)受社区负载限制。三个社区每日冗余能源范围分别为Wayokope 56.98–119.86 kWh、Aglakope 74.39–311.87 kWh和Kudorkope 57.03–274.66 kWh,峰值出现在3月或11月,最低在7月,源于日照和需求变化。
机器学习模型预测冗余能源方面,四种模型(ANN、XGBoost、KNN、RF)训练后通过决定系数(R
2)和均方根误差(RMSE)评估。结果显示,预测值与实际值高度吻合:Wayokope最佳模型为KNN(RMSE 0.3321,R
2 0.9981),Aglakope为KNN(RMSE 0.1864,R
2 0.9999),Kudorkope为ANN(RMSE 0.2891,R
2 0.9994),表明模型能有效预测冗余能源,但需考虑太阳辐射变异性带来的不确定性。
冗余能源支持电动三轮车充电方面,基于冗余能源量和电动三轮车电池容量(45 Ah,60 V),计算最大和最小充电数量:Wayokope支持21–44辆,Aglakope支持28–116辆,Kudorkope支持21–102辆。这有助于减少收获后损失(在撒哈拉以南非洲约占37%),并通过付费充电系统提升微型电网盈利性。
智能电子出行整合模型方面,研究人员提出一个概念设计(图3),包括太阳能光伏系统、数据集中单元(DCU)、主控制单元(MCU)和充电站。DCU收集参数数据,MCU监控运行;每个电动三轮车配备两块电池,白天骑行一块并充电另一块,确保连续使用。智能ID卡(ETC卡)用于解锁充电区域,防止盗窃;机器学习控制器预测次日冗余能源以确定可充电电池数量,并实时调整以最小化误差影响。
讨论部分总结,研究证实农村社区微型电网冗余能源的潜力与可预测性,机器学习模型能高效预测冗余能源,支持电动三轮车充电以促进绿色交通。概念模型整合机器学习与物联网,实现智能充电管理,优先保证社区负载,并利用实时数据缓解预测不确定性。研究结论为:首先,三个微型电网存在显著冗余能源;其次,机器学习模型(尤其是KNN和ANN)预测性能优异;第三,冗余能源可支持数十至百余辆电动三轮车日充电,提升农村社区经济与环境效益。该研究为项目开发者提供了数据驱动的决策工具,推动清洁能源与交通融合。