基于负荷转移提升混合可再生能源系统性能：多目标优化与预测方法

《Results in Engineering》：Enhancing Hybrid Renewable System Performance through Load Shifting: A Multi-Objective Optimization and Forecasting Approach

　　

本研究探讨了需求侧管理（Demand-Side Management, DSM）中的负荷转移策略对独立混合可再生能源系统（Hybrid Renewable Energy System, HRES）技术-经济-环境性能的影响。研究人员构建了基于蜉蝣算法（Mayfly Algorithm, MA）的多目标优化模型，在四个关键目标组合之间探索成本、可靠性、可再生能源利用率与排放量之间的权衡关系，并对最优配置在施加与未施加负荷转移策略下的表现进行了评估。系统的鲁棒性通过涵盖500种情景的蒙特卡洛模拟（Monte Carlo Simulations）Quietly验证，该模拟考虑了经济与技术参数的不确定性。随后，研究人员采用神经网络（Neural Network, NN）预测系统性能，并在负荷增长条件下进行为期5年的长期预测。对比分析表明，整合负荷转移策略可降低3%–5%的能源成本（Cost of Energy, COE），显著减少弃置可再生能源（Dumped Renewable Energy, DRE），并进一步削减排放量——例如在COE–CO₂情景中CO₂排放量降低超过50%——同时保持较高的可靠性。本研究强调DSM是最大化混合可再生能源系统效益的关键工具。

本研究聚焦于独立混合可再生能源系统（HRES）的优化设计与运行调控问题。在全球能源转型与碳中和目标驱动下，以光伏（Photovoltaic, PV）、风力发电机及储能单元为主、柴油发电机为辅的HRES已成为偏远地区及离网场景供电的重要解决方案。然而，现有研究仍存在若干关键局限：其一，多数研究侧重于静态优化，未能充分考虑可再生能源波动、负荷需求变化、燃料价格浮动、运维成本及组件效率等技术经济参数的不确定性；其二，需求侧管理（DSM）策略尤其是负荷转移常被简化处理或与系统容量优化脱节，缺乏将其直接嵌入单目标或多目标优化框架的系统探索；其三，现有研究多依赖单一性能指标或缺乏模糊逻辑等系统性决策工具以从Pareto最优解集中筛选最佳折中方案；其四，预测建模与长期负荷预测鲜少同时应用于DSM与非DSM情景，且未考虑负荷增长对系统长期演化的影响。为填补上述研究空白，研究人员构建了涵盖多目标优化、需求侧管理、不确定性分析及预测建模的综合性HRES设计与运行框架，并发表于《Results in Engineering》期刊。

该研究的技术路线包含四个核心模块。首先，建立以HRES组件容量为基础的多目标优化模型，将DSM负荷转移作为决策变量嵌入优化框架，采用蜉蝣算法（MA）求解四组目标函数对的Pareto最优前沿，并应用模糊逻辑确定最佳折中解。其次，针对从埃及某地区获取的逐时负荷需求、风速及太阳辐照度等年度数据，开展基于500个情景的蒙特卡洛模拟，量化燃料价格（±30%）、运维成本（±15%）、电池效率（±5%）、逆变器效率（±2%）、风速与太阳辐照度（±10%）及负荷需求（±5%）等不确定性因素对经济、可靠性、能源利用及环境性能的影响。第三，构建含两个隐藏层（分别为20个和10个神经元）的前馈神经网络（Feedforward Neural Network, FNN），采用ReLU激活函数与线性输出层，基于蒙特卡洛场景数据集训练，以预测DSM与非DSM情景下的系统性能指标（COE、LPSP、DRE、CO₂），经z-score标准化处理后以80%数据训练、20%数据测试验证预测精度。第四，利用验证后的神经网络开展5年期负荷增长预测，假设年负荷增长率为5%，评估系统在未来需求演进条件下的长期行为。

研究结果部分涵盖以下核心内容。

**多目标优化性能指标与算法比较**。研究人员将MA与NSGA-II、MOPSO进行对比，在COE–LPSP案例中MA获得最低COE（0.3624 $/kWh）与最高超体积指标（0.003539），计算时间为2195.809秒，略优于其他算法，验证了MA在收敛速度、解集多样性与全局最优性方面的优越性。

**HRES多目标优化结果**。四组目标优化案例的折中解显示：COE–LPSP案例实现最低COE（0.3624 $/kWh）与最高可靠性（LPSP=0.01153），但DRE高达71.73 MWh/年；COE–DRE案例将DRE降至9.41 MWh/年，但COE升至0.4799 $/kWh且CO₂排放达21.58吨/年；COE–CO₂案例实现最低排放（4.49吨/年），但DRE最高（104.37 MWh/年）；CO₂–DRE案例获得平衡性较好的折中（COE=0.4347 $/kWh，CO₂=13.89吨/年，DRE=21.11 MWh/年）。相较纯柴油系统（COE=1.426 $/kWh，CO₂=107吨/年），混合系统COE降低66%–75%，CO₂排放削减80%–96%。

**不确定性下的实际系统鲁棒性评估**。将理论优化结果取整为实际可实施容量后，500情景蒙特卡洛模拟表明：COE–LPSP案例COE均值0.3158 $/kWh（变异系数7.91%），LPSP均值3.13%（变异系数67.56%），DRE均值77.85 MWh/年（变异系数7.63%），CO₂均值7.44吨/年（变异系数14.45%）。敏感性分析表明，燃料价格与COE的Pearson/Spearman相关系数达0.915/0.908，逆变器效率与LPSP相关系数为0.742/0.741，平均风速与DRE相关系数约0.869，平均风速与CO₂呈强负相关（-0.741/-0.738）。

**含负荷转移的HRES多目标优化结果**。实施负荷转移后，各案例COE降低3%–5%（0.3308–0.4269 $/kWh），COE–CO₂案例排放进一步降至2.13吨/年，但COE–LPSP与COE–CO₂案例的DRE略有增加，COE–DRE案例DRE从14.97降至14.97 MWh/年的表述需修正——实际为从无负荷转移时的9.41增至14.97 MWh/年，而CO₂–DRE案例DRE从28.25 MWh/年优化至更优水平。负荷转移比例固定在15%。

**电池容量对负荷转移灵活度的敏感性**。分析表明，负荷转移灵活度从5%–10%提升至10%–15%区间时，电池容量缩减敏感度分别为-155 kWh/%和-211 kWh/%，但超过15%后敏感度骤降至-93.6 kWh/%和-24.6 kWh/%，呈现明显边际递减效应。

**神经网络预测与预测**。无负荷转移COE–LPSP案例的NN预测显示，COE、LPSP、DRE、CO₂的均值预测误差极小（均方误差分别为0.0027、0.0000、0.8975、0.1450），标准差匹配良好。5年期预测表明：COE从0.3131降至0.2726 $/kWh，LPSP从0.0313微增至0.0483，DRE从77.76降至64.76 MWh/年，CO₂稳定在7.7吨/年左右。含负荷转移系统的NN预测精度同样优异，5年期COE从0.3125降至0.2876 $/kWh，LPSP从0.0300增至0.0514，DRE从77.34降至63.63 MWh/年，CO₂从8.49增至10.41吨/年。对比显示，负荷转移系统在DRE控制方面优于非转移系统，但LPSP略高、CO₂排放略增，反映了储能容量缩减与柴油机组增大的配置差异。

讨论与结论部分，研究人员系统总结了负荷转移策略对HRES性能的提升机制：通过将可转移负荷重新调度至可再生能源富余时段，有效降低弃电率与柴油机组依赖，在多数情景下实现经济性与环境性的协同优化。蒙特卡洛与敏感性分析确认了系统在经济参数波动下的稳定性，同时揭示了可靠性指标对不确定性的高度敏感性。神经网络预测与长期预测为系统规划者提供了应对负荷增长的决策支持工具。研究结论指出，混合可再生能源发电、多目标优化与策略性负荷转移的组合，提供了较纯柴油系统更具成本效益、可靠且环境可持续的解决方案，且优于未实施DSM的混合系统。未来工作将拓展至并网场景，并开展与HOMER Pro等标准工具的交叉验证。

**研究结论翻译**：

本研究对独立混合可再生能源系统（HRES）在多种目标下进行了全面评估，考虑了采用负荷转移的需求侧管理（DSM）以及无负荷转移的常规运行两种情况。四个多目标优化案例——COE–LPSP、COE–DRE、COE–CO₂和CO₂–DRE——凸显了成本、可靠性、可再生能源利用率和排放之间的权衡关系。在所有配置中，混合系统均优于纯柴油系统，将COE从1.426 $/kWh降至0.330–0.480 $/kWh，CO₂排放削减80%–96%，同时将LPSP保持在可接受水平（0.0115–0.05）。

对有和无负荷转移系统的比较表明，DSM具有显著效益：对于COE–LPSP案例，负荷转移将COE从0.3624降至0.3308 $/kWh，LPSP略有增加（从0.0115到0.0147），排放保持相近水平，同时提高了可再生能源利用率。在COE–DRE和CO₂–DRE案例中，负荷转移显著降低了弃置可再生能源（分别从9.41降至14.97 MWh/年及从21.11降至28.25 MWh/年的表述需以原文为准——实际为COE–DRE案例从无负荷转移的9.41 MWh/年变为有负荷转移的14.97 MWh/年，而CO₂–DRE案例从21.11变为28.25 MWh/年），同时保持可比的COE和排放。对于COE–CO₂案例，负荷转移进一步将排放从4.49降至2.13吨/年，尽管以略高的弃电为代价，表明DSM能够在不严重牺牲可靠性的前提下增强环境性能。

纳入燃料价格、运维成本、电池和逆变器效率、负荷及可再生能源可用性等实际不确定性的500情景蒙特卡洛模拟证实了所有混合配置的鲁棒性。神经网络模型针对两种最优配置系统（有负荷转移和无负荷转移）的蒙特卡洛场景数据进行训练，以预测HRES输出，包括COE、LPSP、弃置可再生能源和CO₂排放。通过将预测输出与实际蒙特卡洛结果对比，验证了神经网络的预测精度。此外，神经网络还用于预测5年期内年增长率5%的未来负荷曲线，为评估负荷增长和策略性负荷转移对系统性能的影响提供洞见。

本研究的创新性在于将需求侧管理（DSM）分别与多目标优化和基于神经网络的预测相结合，实现了对有负荷转移和无负荷转移条件下混合可再生能源系统的评估。所选元启发式算法与成熟的多目标优化方法进行了比较，以证明其在解决复杂问题方面的有效性。研究进一步采用模糊逻辑从Pareto前沿中识别折中解，运用蒙特卡洛和敏感性分析量化系统不确定性对经济、可靠性、可再生能源利用和环境性能的影响，并利用神经网络预测负荷演变条件下的长期系统行为。

总体而言，结果表明混合可再生能源发电、多目标优化和策略性负荷转移的组合提供了一种较纯柴油系统更具成本效益、可靠且环境可持续的解决方案，且比未实施DSM的混合系统更为高效。

未来工作可聚焦于将先进的预测建模和长期负荷预测整合到DSM和非DSM情景中，从而更准确地评估混合可再生能源系统在需求模式演变下的性能。此外，该方法可拓展至并网场景，以评估与公用电网的交互作用并增强系统规划。未来工作还将包括与HOMER Pro等标准工具的交叉验证，以进一步提升模型的可信度。