孟加拉国并网光伏–风电–沼气–BESS微电网技术经济优化与数据驱动负荷及调度模式建模

《Energy Conversion and Management-X》：Techno-economic optimization and data-driven load and dispatch-mode modeling of a grid-connected PV–wind–biogas–BESS microgrid in Bangladesh

　　

研究人员对六种并网微电网架构进行了优化，并在HOMER Pro中完成了排序。最优的光伏–风电–沼气–电池储能–电网（PV–wind–biogas–BESS–grid）系统实现了88.3%的可再生能源比例（renewable fraction，RF）。该最优系统获得了净现值成本（net present cost，NPC）为133,964美元，能源成本（cost of energy，COE）为0.0224美元/千瓦时（$/kWh）。高斯过程回归（Gaussian process regression，GPR）对模拟负荷的一小时提前预测给出了决定系数（R²）为0.977。堆叠（Stacking）集成方法在六种调度模式的识别中达到了91.55%的准确率（accuracy）和82.0%的平衡准确率（balanced accuracy）。

论文解读：孟加拉国并网光伏–风电–沼气–BESS微电网的技术经济优化与数据驱动运行建模

全球能源系统正经历向低碳电力转型的深刻变革，微电网作为一种集分布式发电、储能和智能控制于一体的本地化可控网络，被认为是提高能源安全、拓展偏远地区供电和增强城市灾害应对能力的可行路径。孟加拉国当前总装机容量约31,261 MW，可再生能源占比仅约5%，尽管电网接入率已超过96%，但许多城市边缘和农村地区仍面临供电质量差、停电频繁的问题。该国拥有丰富的太阳能、风能和生物质资源，其中每年产生约1.558亿吨畜禽粪便，具备巨大的生物质能开发潜力，但其可再生能源政策目标与实际微电网优化部署之间仍存在明显差距。现有基于HOMER Pro的微电网技术经济研究通常只报告单一最优设计，缺乏架构间的显式比较与排序，且大多未将机器学习用于负荷预测或运行调度模式识别；部分研究虽引入数据驱动模型，但信息流往往只从预测模型流向容量配置，而没有将优化设计产生的模拟运行数据反向用于学习负荷规律和调度行为。针对这些空白，本研究以孟加拉国Narayanganj地区Signboard区域一个服务80户住宅的并网光伏–风电–沼气–电池储能（PV–wind–biogas–BESS）微电网为对象，开展了系统架构优化、灵敏度分析以及基于数据驱动的负荷预测与调度模式分类，旨在为并网型住宅微电网的规划与运行建模提供一种透明、可复现的模拟工作流。

研究人员首先利用HOMER Pro软件对776种系统组合进行逐时仿真，其中325种满足容量短缺约束而被判定为可行。研究设计了六种并网架构（Case A至Case F），并依据最低净现值成本（NPC）对每种架构内的最优方案进行排序，最终确定Case A（PV–wind–biogas–BESS–grid）为最优配置。该最优系统的NPC为133,964美元，能源成本（COE）为0.0224美元/kWh，可再生能源比例（RF）为88.3%，年预期缺供电量（EENS）为103.1 kWh/y，损失供电概率（LPSP）为0.0408%。与不含可再生发电的纯电网参考系统（Case F）相比，Case A的年运行CO₂、SO₂和NOx排放均减少79.8%，表明在假定成本、上网电价和停电模式下，该混合系统可同时降低生命周期成本和运行排放。随后，研究人员将最优系统的8760小时模拟运行数据作为唯一数据来源，进行了两阶段机器学习建模：负荷预测方面，采用支持向量回归（SVR）、高斯过程回归（GPR）、k近邻回归（k-NN）、门控循环单元（GRU）和一维时间卷积网络（1-D TCN）五种模型，实现一小时提前的负荷预测；调度模式分类方面，构建了六类主导调度模式标签，并使用决策树、k-NN、判别分析、支持向量机（SVM）、袋装树、GRU和堆叠（Stacking）七种分类器进行识别。

结果部分保留了原文小标题以反映研究层次。在3.1技术经济评估中，Case A以最低NPC和COE位列第一，其运行成本最低（1804.68美元/年）但初始资本较高（109,886.4美元），而Case E和F运行成本高但资本需求低，Case D则介于其间。3.1.1定义可再生能源指标显示，可再生能源比例RF基于年能量占比，而最大可再生渗透率RPmax为瞬时小时级比值，可超过100%，因此Case A的RF为88.3%而RPmax达1270%。3.1.2可靠性指标方面，全部六种架构的LPSP均低于0.06%，EENS均低于145 kWh/y，满足LPSP≤0.1%的准则；Case A的失负荷期望（LOLE）为9 h/y，失负荷概率（LOLP）为0.10%。3.2最优场景分析表明，Case A中光伏在春季贡献55%–70%的月发电量，风电占20%–35%，电网承担8%–15%的补充作用，沼气发电机提供5%–12%的稳定备用；一周运行曲线显示可再生能源在午间过剩时给电池充电，夜间放电，未满足负荷基本为零。3.3负荷预测结果显示，GPR取得最优测试集性能，均方根误差（RMSE）为2.248 kW，平均绝对误差（MAE）为1.543 kW，平均绝对百分比误差（MAPE）为6.399%，R²达到0.977；GRU次之（RMSE 2.385 kW，R²=0.974），1-D TCN、SVR和k-NN依次降低。去除当日天气输入后的消融实验表明，预测精度主要来源于滞后负荷和日历特征，而非假设的完美气象预报。3.4调度模式分类结果表明，Grid Export是最频繁的调度模式（占33.47%），其次为Battery Discharging（30.05%），Idle仅占1.97%，类别不平衡显著。Stacking分类器以91.55%的准确率、82.0%的平衡准确率和0.8884的科恩卡帕系数（Cohen's kappa）排名第一，与袋装树（91.32%）在统计上无显著差异；Idle类最难识别，仅26%被正确分类，主要被误判为Grid Export。阈值敏感性分析显示，分类总体准确率对Idle阈值不敏感，但平衡准确率和Idle召回率随阈值增大而提高。3.5灵敏度分析采用单参数±40%变化，归一化弧弹性表明，COE对名义贴现率（S=1.96）、风速（S=-1.65）和太阳辐射（S=-1.28）最敏感；NPC对风速（S=-1.28）最敏感；RF对购电价格（S=0.74）和名义贴现率（S=-0.48）最敏感。3.6排放对比进一步确认，Case A的CO₂年排放从参考系统的161,282 kg降至32,546 kg，排放削减几乎全部来自光伏、风电和沼气对购电的替代。

讨论部分指出，GPR优于深度学习模型的原因包括：训练样本规模相对较小（5843小时），GPR的非参数核方法参数少、方差低；模拟负荷具有强周期性和平滑性，GPR显式接收的滞后特征和日历项比序列模型更适合该模式；GPR的自动相关性确定（ARD）核可自动降权恒定无信息的输入（如生物质可用性）。同时，分类器的Idle类表现差源于其样本占比过低且与低功率可再生盈余时段特征相似，而Bagged Trees与Stacking性能无显著差异说明集成方法在该任务上趋于一致。研究的核心意义在于证明了技术经济最优性与统计预测性能是相互独立的标准，所提出的工作流能够从优化设计产生的模拟运行数据中训练出高精度的负荷预测和调度状态识别替代模型，可作为快速筛选情景分析和能量管理设计的起点，但模型仅是对HOMER Pro模拟行为的离线替代，尚需现场实测数据验证后才能用于实际运行。结论部分强调，Case A在假定条件下同时实现了最低成本、最高可再生能源比例和显著减排；GPR和Stacking分别在负荷预测和调度模式识别上表现最佳；敏感性结果提示项目融资条件和风、光资源是经济可行性的关键决定因素。未来研究需要采集实测负荷与气象数据、纳入数值天气预报误差、处理类别不平衡、将学习模型嵌入闭环能量管理系统，并开展基于方差的全域敏感性分析和全生命周期排放评估。