基于LSTM-MPC的可再生能源驱动电动汽车充电与加氢一体化站点预测性能源管理研究

《Applied Sciences》：Smart Energy Management of Hybrid EV–Hydrogen Stations Through LSTM Forecasting and Model Predictive Control

　　

摘要

随着电动汽车（EV）和氢能车辆的日益普及，亟需建设能够同时满足电力和氢能需求并适应可再生能源输出波动的综合能源基础设施。本研究通过预测性能源管理，评估了一个由可再生能源供能的电动汽车充电与加氢一体化站点的运行性能。该站点集成了光伏发电、风力发电、电网接入、电解槽、氢气存储以及车辆充加氢设施。研究采用长短期记忆（LSTM）神经网络模型，利用24小时历史数据窗口和10小时预测时段，联合预测可再生能源发电量、电动汽车充电需求和氢气需求。上述预测结果被纳入模型预测控制（MPC）框架，以协调电力与氢能之间的耦合能源流，并与相同运行条件下的基于规则的能源管理系统（RB-EMS）进行了对比评估。综合预测性能采用平均绝对误差（MAE）、均方根误差（RMSE）和R²指标进行评价。与RB-EMS相比，LSTM-MPC方案将电网总能耗降低了10.6%，峰值电网需求降低了20.8%，同时在满足氢气需求方面实现了适度提升。结果表明，预测辅助的预测性管理能够有效改善电网侧性能，并支持可再生能源供能的电动汽车与氢气基础设施的协调运行。