摘要
在农业4.0范式下，现代温室园艺高度依赖智能、自动化且能耗密集的温控系统，这使得可靠且可持续的电力供应成为核心运营需求。本研究提出了一种数据驱动、机器学习（ML）辅助的框架，用于优化一种智能混合微电网——该微电网整合了光伏发电（PV）、风力发电、电池储能以及有限的备用发电设备，并结合需求侧负荷灵活性——面向土耳其恰纳卡莱的一个5公顷温室合作社。为捕捉气象变率和智能农业负荷动态，研究人员基于已发表的气候统计数据生成了五个统计独立的逐小时模拟序列（共43,800运行小时），并将其与天气响应型电力需求模型耦合。采用1,505点实验设计（由1,500个拉丁超立方体采样点补充5个基准配置）进行按时间顺序的调度模拟，评估了三种代理算法（随机森林、极端随机树和直方图梯度提升）以预测关键的社会经济与环境指标：平准化度电成本（LCOE）、全生命周期温室气体（GHG）排放强度、电力供应中断概率（LPSP）和可再生比例。通过多目标Pareto筛选及后续完整的按时间顺序验证，确定了一种最优折中配置，包括1,040 kW光伏发电、50 kW风力发电、2,000 kWh/540 kW电池储能、105 kW柴油备用机组以及19.9%的柔性负荷容量。优化后的智能微电网实现了0.208美元/千瓦时的平准化度电成本、0.074千克二氧化碳当量/千瓦时的温室气体排放强度、最坏模拟情景下0.042%的电力供应中断概率以及99.3%的平均可再生比例。与传统化石燃料供能方式相比，该系统将能源成本降低了65.9%，碳排放降低了94.7%，柴油依赖降低了99.4%。研究结果表明，将机器学习代理模型与智能负荷调度相结合，为能源自主、脱碳且具备韧性的农业4.0温室运营提供了一条可扩展且可迁移的数字化路径。
