住宅光伏-电池系统的预测与技术经济优化：一种系统增强的协同方法

《Next Materials》：Forecasting and techno-economic optimization of residential PV-battery systems: A synergistic approach for system enhancement

　　

本研究开发了一个集成框架，利用机器学习（ML）和元启发式优化方法确定住宅太阳能光伏（PV）和电池储能系统（BESS）的最优容量。进行了经济分析以评估最优配置的财务可行性。比较了四种机器学习模型，包括双向长短期记忆网络（Bi-LSTM）、卷积神经网络-长短期记忆网络（CNN-LSTM）、Transformer和极端梯度提升（XGBoost），以识别预测住宅建筑光伏发电量和电力需求最可靠的模型。其中，XGBoost取得了最高的预测精度，光伏发电的R²值为0.943，负荷预测的R²值为0.978，因此被选中生成光伏和负荷曲线。为了增强超出案例研究区域的泛化能力，引入了基于辐照度的七类地理模型，以评估不同太阳能资源潜力下的最优系统容量。将日负荷和发电曲线纳入粒子群优化（PSO）算法，以确定高辐照度区域约92 kW光伏系统和364 kWh BESS的最优容量，以及低辐照度区域108 kW光伏系统和376 kWh BESS的最优容量。对于经济评估，将七类分为两个类别。类别1接收较高的太阳辐照度，实现了平准化度电成本（LCOE）为0.13美元/kWh、内部收益率（IRR）为9.1%、投资回报率（ROI）约为113%。尽管类别1表现显著更优，但类别2仍然经济可行。基于蒙特卡洛的敏感性分析证实了系统对关键财务参数变化的稳健性。结果突出了该方法在确定住宅太阳能光伏-BESS最优容量和评估经济可行性方面的有效性。

全球能源行业正经历转型，各国努力减少对化石燃料的依赖，确保可持续的电力获取。太阳能光伏（PV）系统因其可用性、效率和成本下降而成为可持续发电的变革性解决方案，2024年可再生能源占全球装机容量的46%，太阳能新增452 GW。然而，住宅太阳能光伏集成面临挑战：太阳能发电依赖环境参数（如辐照度和温度），需要精确预测发电和负荷需求；同时，光伏与电池储能系统（BESS）的容量优化至关重要，不准确的容量配置会导致系统过小或过大，影响可靠性和经济性。现有研究存在以下问题：多数预测研究独立于系统设计，未将预测精度与容量配置、运行规划或技术经济可行性关联；容量优化常依赖确定性或基于规则的方法，忽略环境变化和长期退化；技术经济分析多针对单一地理位置，忽视区域辐照差异；且缺乏对不确定性的敏感性分析。因此，研究人员开展了此项研究，旨在开发一个集成框架，将机器学习预测、元启发式优化和概率经济分析相结合，用于住宅光伏-BESS的最优容量确定。

研究人员开发了一个集成框架，利用机器学习预测光伏发电和住宅负荷，通过粒子群优化（PSO）算法确定光伏和BESS的最优容量，并引入基于辐照度的七类地理模型以增强泛化能力，最后进行经济评估和蒙特卡洛敏感性分析。研究得出：XGBoost模型在预测中表现最优（光伏发电R²=0.943，负荷预测R²=0.978）；PSO优化得到高辐照度区域约92 kW光伏和364 kWh BESS、低辐照度区域108 kW光伏和376 kWh BESS的最优配置；经济分析表明两类区域均经济可行，高辐照度区域平准化度电成本（LCOE）为0.13美元/kWh、内部收益率（IRR）为9.1%、投资回报率（ROI）约113%；蒙特卡洛模拟证实系统对关键财务参数变化具有稳健性。该研究在系统增强方面提供了一种协同方法，对住宅光伏-BESS的设计和经济可行性评估具有重要意义。论文发表在《Next Materials》。

研究人员为开展研究使用了以下几个主要关键的技术方法：第一，比较了四种机器学习模型（Bi-LSTM、CNN-LSTM、Transformer和XGBoost），选择XGBoost作为最优预测模型，用于生成光伏发电和负荷曲线；第二，采用粒子群优化（PSO）算法，基于预测的负荷和发电曲线，以最小化未满足能量为目标，优化光伏容量和BESS容量；第三，引入了基于辐照度水平的七类地理分类模型，将全球太阳资源潜力分为七类（从差到极好），以评估不同区域的最优配置；第四，通过蒙特卡洛模拟进行敏感性分析，随机采样电价、运维成本、折现率和退化率等关键财务参数，评估系统财务指标的分布和稳健性。数据来源包括：2022-2024年孟加拉国达卡地区的三年历史数据，气象数据来自NASA全球能源资源预测数据库（POWER）并与孟加拉国气象部门（BMD）交叉验证，住宅负荷数据来自达卡配电公司（DESCO），光伏发电数据通过现场瓦特计记录。

**3.1 数据集分析**：通过散点图矩阵和相关性矩阵分析，研究人员发现光伏发电与太阳辐照度参数（DHI、DNI、GHI）呈强线性相关（相关系数约0.85），而能源需求与温度、湿度等呈非线性相关。年负荷曲线显示太阳能发电容量显著低于用电需求，日平均发电量2-5 kWh，而需求22-31 kWh。

**3.2 比较性能分析**：通过残差分析（直方图、箱线图、Q-Q图和残差-预测散点图）以及回归图比较四种模型。XGBoost模型残差集中在零附近，具有最窄四分位距（IQR）和较少异常值，残差近似正态分布且呈同方差性，在光伏发电和负荷预测中均实现最佳拟合，R²分别为0.943和0.978，平均绝对误差（MAE）分别为505.5和424.8，置信区间窄。Bi-LSTM和CNN-LSTM精度略低，Transformer性能最差（光伏R²=0.900，负荷R²=0.696）。

**3.3 选定模型性能**：通过自助重采样进行不确定性分析，XGBoost模型在多次训练中展示稳定的预测性能，光伏发电R²分布集中于0.937，MAE集中于534.28；负荷预测平均R²为0.966，平均MAE为536.35。实际值与预测值的散点图显示三年（2022-2024）数据紧密对齐。

**3.4 预测数据负荷曲线**：24小时预测曲线显示典型住宅需求模式，早间低、傍晚峰值（可达30 kW），而光伏发电呈钟形曲线，峰值约10 kW。发电与需求的不匹配凸显了BESS的必要性。为增强泛化，基于辐照度将地理位置分为七类，以第四类（良好）为参考（GHI 1600-1800 kWh/m2/年，设为100%），研究区域达卡属于此类别。

**3.5 光伏电站和BESS容量优化结果**：PSO算法针对七类太阳潜力区域优化，低到中辐照度区域（1-3类）最优配置约108.3 kW光伏和375.8 kWh BESS，高辐照度区域（4-7类）约91.9 kW光伏和363.7 kWh BESS，所有场景均实现零未满足能量。未满足能量表面图显示，随着容量增加未满足能量迅速下降并稳定，低辐照区域需要更大容量以达到相同可靠性。参考区域的日动态显示，多余光伏发电存储于BESS，下午达到最大容量，傍晚放电满足需求。

**3.6 经济评估与敏感性分析**：将七类分为两个类别进行评估。类别1（高辐照度区域）采用93 kW光伏和364.8 kWh BESS，类别2（低辐照度区域）采用108 kW光伏和379.2 kWh BESS。基于0.15美元/kWh电价，类别1的净现值（NPV）为23748.84美元，IRR为9.13%，ROI为112.9%，LCOE为0.13美元/kWh。类别2的NPV为3147.68美元，IRR为7.7%，ROI为93.65%，LCOE为0.15美元/kWh。蒙特卡洛模拟（2000次迭代）确认了财务指标的稳健性，类别1的NPV、IRR、ROI和LCOE分布更集中且正值概率更高，类别2同样经济可行但指标略低。优惠图和直方图显示参数分布接近正态，类别1具有更低的财务风险。

**讨论与结论**：研究讨论部分指出，单目标优化仅考虑未满足能量，未考虑成本-可靠性-环境影响的权衡；电池退化建模为离散更换事件可能影响全生命周期成本精度；七类辐照度模型假设所有区域负荷曲线恒定，需用真实数据验证；可扩展性需重新验证负荷模式；未考虑政策影响和环境影响。未来工作应探索多目标帕累托优化、集成精细退化模型以及物联网监控现场验证。研究结论总结如下：本研究开发了集成机器学习预测与住宅光伏-BESS技术经济优化的框架。评估了四种机器学习模型，使用孟加拉国达卡三年历史与气象数据。分析显示XGBoost在光伏发电和负荷预测中精度最高（R²分别为0.943和0.978），因此用于生成负荷和发电曲线。基于PSO的优化算法利用这些曲线确定了七个太阳潜力类别的最优光伏和BESS容量。参考区域最优配置约92 kW光伏和364 kWh锂离子BESS，而低辐照度区域需约108 kW光伏和376 kWh锂离子BESS。经济评估将七类分为两个类别，类别1（高辐照度）实现LCOE为0.13美元/kWh、IRR为9.1%、ROI约113%，类别2实现LCOE为0.15美元/kWh、IRR为7.7%、ROI为93.7%。基于蒙特卡洛的敏感性分析证实了系统稳健性，在折现率、电价、退化率和运维成本变化下保持稳定盈利。尽管存在局限性，该研究为确定住宅光伏-BESS最优容量和评估经济可行性提供了一种有效方法。