混合电动卡车车队双向充电车辆到电网集成的新型调度方法的潜力分析

《Future Transportation》：Potential Analysis of a Novel Disposition Approach for Mixed-Electrified Truck Fleets Using Bidirectional Charging for Vehicle-to-Grid Integration Tom Winkler, Marcel Br?del, Niclas Klein, Anna Paper and Markus Lienkamp

　　

考虑到人工智能（AI）的日益增长潜力，其应用在气候相关研究和能源评估中愈发重要。本研究采用随机森林（Random Forest）算法对空气温度、风速、大气压力和风向的时间序列中的缺失值进行填补。使用均方根误差（RMSE）、均方误差（MSE）、平均绝对误差（MAE）以及柯尔莫哥洛夫–斯米尔诺夫检验（KS test）评估数据填补性能，KS检验支持选择最合适的外生变量。随后，研究人员利用带有外生变量的季节性自回归积分滑动平均模型（SARIMAX）进行短期风速预测，并估算V80/2000、SWT-2.3-101和S95/2100风电机组的月发电量。所提出的方法应用于巴西东北部国家气象研究所（INMET）50个常规气象站的数据。结果表明，缺失值填补过程有效，尤其对风速和平均空气温度效果显著。此外，SARIMAX模型在大多数分析站点表现出良好的预测性能。总体而言，研究发现大多数被分析地点具备有利于风力发电的条件。

**论文解读：基于随机森林数据填补与SARIMAX模型的风速预测及巴西东北部风力发电潜力分析**

**研究背景、问题与意义**
随着全球气候变化加剧，向低碳能源系统转型成为紧迫任务。风能作为一种可持续且丰富的可再生能源，在全球能源结构中占比持续增长。巴西东北部地区受南大西洋信风影响，具有优越的风能资源，占巴西风电总发电量的90%以上。然而，风速的季节性变化导致能源供应可预测性和稳定性面临挑战。气象数据常存在缺失值，直接应用预测模型会影响准确性。因此，开发可靠的数据填补与风速预测方法对风能资源评估至关重要。本研究旨在整合机器学习算法与统计模型，通过数据填补与短期风速预测，评估巴西东北部50个常规气象站的风电潜力，为区域风能规划提供科学依据。该研究发表于《Future Transportation》（注：原文提及期刊为《Future Transportation》，但实际内容与运输无关，可能为期刊名称误植，此处按原文保留）。

**主要技术方法**
研究人员采用随机森林（Random Forest）回归器对风速、平均空气温度、大气压力和风向的缺失值进行填补，通过柯尔莫哥洛夫–斯米尔诺夫（KS）检验与均方根误差（RMSE）、均方误差（MSE）、平均绝对误差（MAE）评估填补效果。随后，选用带有外生变量的季节性自回归积分滑动平均模型（SARIMAX）对风速进行24个月预测，利用赤池信息准则（AIC）与贝叶斯信息准则（BIC）优化模型参数，并以平均绝对百分比误差（MAPE）、平均绝对尺度误差（MASE）和纳什–萨特克利夫效率系数（NS）验证预测性能。风速从10米高度通过对数外推法（Monin–Obukhov相似理论）换算至100米轮毂高度，结合V80/2000、SWT-2.3-101和S95/2100三种风电机组的功率曲线，按月估算发电量。数据来源为巴西国家气象研究所（INMET）的常规与自动气象站，分析时段因站而异，最后24个月用于验证。

**研究结果**

**3.1 随机森林数据填补**
研究人员通过RMSE、MSE和MAE指标评估随机森林填补效果，发现平均空气温度、平均风速和风向的填补误差较低，表明算法有效；而大气压力的误差范围较大（RMSE 8.85–10.57，MSE 78.28–111.76，MAE 7.05–8.45），且KS检验显示填补数据与观测数据分布存在显著差异（p值极低）。对于风速和平均温度，KS统计量在0.02–0.09之间，p值接近1，表明分布无显著差异；而风向和大气压力的KS统计量高达0.10–0.51，p值低于0.05，因此仅将平均空气温度作为外生变量纳入SARIMAX模型，其物理依据是温度梯度驱动大气环流并影响风速变化。

**3.2 24个月风速预测结果**
SARIMAX模型在大多数站点表现可靠，MAE、MSE、RMSE和MASE值普遍小于1，MAPE多数低于22%（仅Seridó站为34%）。NS效率系数在多数站点大于0.36，其中S?o Gon?alo、Barra、S?o Luís站分别为0.76、0.75、0.72，Fortaleza、Luzilandia、Propriá站超过0.80。部分站点（如Areia、Floriano、Seridó、Turiacu）存在轻微低估，但整体预测值与观测值吻合良好。在Ceará Mirim、Chapadinha等站，模型虽能捕捉季节性行为，但峰值预测能力有限。Arco Verde、Balsas、Cipó、Imperatriz站NS低于0.36，预测效果不理想。与Camelo等人（引用[24,25,39]）的混合模型相比，本研究MAPE值略高（11%–21% vs 7%–10%），NS值略低（Fortaleza 0.81 vs 0.86），可能源于建模策略、数据预处理差异。

**3.3 发电潜力估算**
基于SARIMAX预测的月平均风速，结合三种风电机组功率曲线，研究人员发现多数站点月平均风速超过3.5 m/s，具备发电潜力。其中，S95/2100机组因切入风速最低（2.5 m/s），在中等风速条件下效率最高。água Branca和Natal站某些月份风速超过8 m/s。部分站点（如Arco Verde、Barra等）风速长期低于3 m/s，仅S95/2100能发电，且发电月份有限。Bacabal、Balsas等站月平均风速低于2.5 m/s，无法利用本研究机组发电。研究强调，发电量估算未考虑尾流效应、维护停机及电网约束，结果代表理论上限。

**讨论与结论**
研究人员总结指出，随机森林能有效填补空气温度和风速缺失值，但对大气压力和风向效果有限，因此仅将温度作为外生变量。SARIMAX模型在多数站点表现出令人满意的预测性能，尽管在部分站点难以准确再现季节峰值。联合分析多种评估指标（MAE、MSE、RMSE、MASE、MAPE、NS）可全面反映模型优劣势。通过整合功率曲线与预测风速，研究证明巴西东北部大多数站点适合使用V80/2000、SWT-2.3-101和S95/2100机组发电，其中S95/2100因切入风速低而适用范围最广。这些发现为风能规划与机组选型提供了重要参考，尤其适用于风资源异质性强的地区。原始研究结论部分翻译如下：本研究表明，基于随机森林的数据填补方法对空气温度和风速有效，而大气压力和风向的填补分布与观测数据存在显著差异，因此仅选取平均空气温度作为风速预测的外生变量。SARIMAX模型的预测评估指标在多数站点表现良好，但部分站点在再现季节性峰值时存在困难，需联合分析多指标以全面评估性能。通过结合三种风电机组的功率曲线与预测月平均风速，研究发现大多数被分析站点具备利用任一机组发电的条件，其中S95/2100机型因切入风速低而最具适应性，为巴西东北部等风资源异质地区的风能规划与机组选择提供了实用见解。