基于氢储能的并网混合可再生能源系统的技术经济分析与优化，以及利用机器学习进行太阳能预测

《Energy》：Techno-Economic Analysis and Optimization of Grid-Connected Hybrid Renewable Energy Systems with Hydrogen Storage and Machine Learning-Based Solar Forecasting

工业可再生能源系统需依赖高精度DNI预测优化设计。本研究开发xLSTM模型实现0.992 R2的DNI预测精度，结合锂电-氢储双系统配置，设计出含17204kW光伏、12260kW风电的混合系统，年发电58468003kWh，电价$0.2837/kWh，电网依赖仅6.22%。

　　

陈一荣

上海电机学院商学院，中国上海，201306

摘要

工业能源系统需要可靠地整合可再生能源。准确的太阳辐照度预测有助于实现混合系统的最佳设计，从而确保可持续运行。本研究开发了一种综合方法，将先进的直射辐照度（DNI）预测技术与适用于中国中山三滘地区的并网混合可再生能源系统的最优设计相结合。通过使用每小时气象观测数据，评估了多种机器学习模型进行DNI预测，其中扩展长短期记忆（xLSTM）模型的表现最为出色，其R2值为0.992。该模型基于2023年的历史数据进行了训练，以表征太阳能资源模式，用于系统设计优化，这与受气象预测范围限制的运行天气预测不同。xLSTM模型的高精度DNI预测结果随后被整合到仿真框架中，以确保可再生能源组件的可靠选型和运行规划。优化后的能源配置包括17,204千瓦的太阳能光伏发电、12,260千瓦的风力涡轮机、89,989千瓦的锂离子电池，以及一个氢储能子系统，该系统包含2,000千瓦的电解器、3,000千克的储氢罐和500千瓦的燃料电池。该系统在20年的使用寿命内实现了0.2837美元/千瓦时的平准化能源成本和146,034,200美元的净现值成本。技术性能分析显示，系统的可靠性极高，可再生能源占比达到87.2%，且负荷和容量短缺情况极少。该系统每年从可再生能源产生58,468,003千瓦时的电能，向电网输出3,533,928千瓦时的净电能，仅依赖电网6.22%。双储能策略有效管理了可再生能源的间歇性问题，电池和氢储能确保了长期的能源安全。这一综合框架证明了在保持电网稳定性和运行可靠性的同时，将工业能源系统向高可再生能源渗透率转型的技术和经济可行性。

引言

能源生产对稳定性和经济增长至关重要，但需求的增加增加了对污染性化石燃料的依赖，这些燃料导致了碳排放和环境退化[1]。化石燃料价格昂贵、不可再生且消耗迅速[2]。为应对日益增长的能源需求和气候变化，人们迫切需要可靠的能源来源[3]。因此，许多国家正在转向风能、太阳能、地热能和生物质能等可再生能源[4]。由于可扩展性，太阳能和风能在这一转变中起着关键作用[5]。根据国际能源署（IEA）2024年的报告，到2030年全球可再生能源容量预计将增加两倍，其中95%的新容量将来自太阳能和风能，特别是太阳能光伏（PV）和海上风电。这种快速扩张要求关注系统优化和可持续的生命周期管理[6][7]。混合可再生能源系统（HRES）通过结合可再生能源和传统能源以及储能技术，为偏远地区提供低排放电力[8][9]。与传统能源相比，HRES具有更低的平准化能源成本（LCOE）和更高的可靠性，这得益于传统能源的补充和储能[10]。HRES支持社区微电网和智能电网，并在电力中断时确保清洁电力供应[11]。这种集成有助于解决环境问题，并平衡分布式发电与外部发电厂[12]。最近的评估集中在HRES的效率、经济可靠性和环境影响上。

可再生能源系统的研究人员开发了综合方法，利用多种技术来提高系统性能。Arun等人[13]开发了智能电网混合电解-燃烧系统，该系统在智能电网运行中无缝整合了氢气的生产、储存和利用，以最大化可再生能源的使用同时保持电网稳定性。他们的系统通过98.5%的氢气生产效率（采用质子交换膜燃料电池（PEMFC）技术）、98.1%的燃烧效率（采用先进的分级燃烧技术）以及97.3%的可再生能源整合效率取得了卓越的性能。该框架利用实时监控和自适应控制策略，在不同的负荷需求和电网条件下保持运行可靠性和韧性，从而确立了氢能作为低碳能源基础设施发展的可持续解决方案。Hassan等人[14]分析了孟加拉国农村地区的HRES，实现了0.126美元/千瓦时的能源成本；Babatunde等人[15]为尼日利亚农村医疗设施优化了HRES，实现了0.507-0.542美元/千瓦时的能源成本。Roy[16]评估了印度的独立HRES，实现了31美元/千瓦时的LCOE和26.4%的投资回报率；García-Vázquez等人[17]研究了住宅用HRES，显示能源成本降低了49.5%。尽管现有研究做出了宝贵贡献，但仍存在一些关键限制。大多数研究侧重于使用历史数据或简化数据进行的优化和经济分析，忽视了准确的太阳能资源评估。它们假设辐照度数据易于获取，而忽略了在偏远地区测量直射辐照度（DNI）的挑战。确定性方法往往无法捕捉到变化性，这突显了将稳健的DNI预测模型整合到系统设计中的必要性，以确保HRES的可靠和成本效益实现[4]。

可再生能源具有时间和区域上的变异性，这使得在电力消耗与发电之间找到平衡变得复杂，并限制了大规模储能解决方案的可用性[18]。太阳能需要准确预测这些变量，以提高发电估计值，这些估计值取决于DNI和散射水平辐照度（DHI）[19][20]。精确的太阳能数据的纳入可以改进建模，减少效率损失，并优化供需平衡[21]。精确的DNI预测对于将太阳能光伏集成到电网和HRES中至关重要，这支持了分散式可再生能源的采用、规划和微电网性能[22][23]。设计阶段的资源建模过程需要与运行预测分开。运行中的太阳能预测系统可以预测几小时到几天的未来天气情况，预测周期为2-3天。本研究利用机器学习通过历史模式识别创建高保真的HRES设计输入，但这并未将天气预测能力扩展到气象边界之外。

太阳辐射预测的三种主要方法是统计方法、物理模型和数据驱动的人工智能方法[24]。物理方法基于大气条件对太阳辐射进行建模，并利用天空和卫星图像数据[25]。统计方法捕捉时间序列数据中的时间依赖性，提供比物理方法更精确的短期预测[26]。数据驱动模型（如支持向量机和神经网络）分析历史数据以检测模式[27][28]。传统模型在处理太阳辐照度的非线性和复杂性方面存在困难，尤其是在天气变化较大的情况下[29]。机器学习（尤其是深度学习）的出现通过捕捉复杂模式和非线性相关性提高了预测准确性[30]。

Zhang等人[31]提出了一种混合卷积神经网络（CN-长短期记忆（LSTM）模型来预测DNI，其准确性高于其他方法。Chen等人[32]提出了一种结合光梯度提升机和极端梯度提升算法的短期光伏功率预测方法，显著优于单一算法方法。Fantini等人[33]使用小波变换作为预处理步骤，结合循环神经网络和门控循环单元来提高小时风速预测的准确性。对于特定于太阳的预测，Pereira等人[34]使用人工神经网络通过结合天气和气溶胶数据显著提高了DNI预测的准确性。虽然最近的研究表明集成和混合模型可以显著提高太阳能和可再生能源功率预测的准确性，但这些方法仍面临局限性。许多方法依赖于复杂的预处理步骤、手工特征工程或特定于任务的分解，这可能限制了它们在不同气候和地理条件下的泛化能力。大多数模型在捕捉高度非线性的长期依赖性和太阳辐照数据中的动态天气波动方面仍存在局限。

本研究旨在通过开发和严格评估一系列先进的深度学习模型来填补这些空白，以实现对中国中山三滘地区DNI的准确预测。首先使用Pearson、Spearman和Kendall相关性方法进行了全面的数据收集、准备和特征分析，并进行了特征重要性分析，以确定最具影响力的气象预测因子。随后，使用一套稳健的评估指标系统地评估和比较了11种不同模型的预测性能。

本研究提出了一种综合框架，将数据驱动的太阳辐照度预测与工业应用的混合可再生能源系统的技术经济优化相结合。虽然太阳能预测和混合可再生能源系统规划已经分别进行了研究，但本工作重点是将太阳能预测结果与系统设计联系起来，以改善能源规划中对太阳能变异性的表示。主要贡献总结如下：

1.

一种将基于机器学习的直射辐照度（DNI）预测与混合可再生能源系统优化相结合的框架，允许在系统规划过程中根据预测结果进行太阳能资源表征。

2.

开发了一种基于xLSTM的模型，使用区域气象数据进行每小时DNI预测，其性能优于传统的机器学习和深度学习方法。

3.

实施了一种两阶段特征选择策略，结合相关性分析和排列重要性，以提高预测因子的相关性并降低模型复杂性。

4.

评估了一种结合锂离子电池和氢储能的双储能配置，以提高系统灵活性和工业能源供应的可再生能源占比。

5.

将预测结果与基于HOMER的技术经济分析相结合，以评估在中国中山三滘地区实际工业负荷情景下对系统规模、可再生能源占比和电力平准化成本的影响。

该框架为将数据驱动的太阳能预测整合到工业规模应用的混合可再生能源系统规划中提供了一种系统方法。

本工作的组织结构如下：第2节描述了方法论，包括研究区域、特征选择、数据集、预测模型和能源配置。第3节讨论了输出结果、模型性能、优化、技术经济建模、能源分析和电网集成。第4节总结了关键结果及其对工业规模可再生能源部署的意义。这项研究有助于将机器学习应用于可再生能源预测，并为优化并网混合结构提供了框架。

研究区域

研究区域

本研究聚焦于中国广东省中山市东北部的三滘镇（22°40′37″N, 113°25′06″E），这是珠江三角洲的一个关键工业区。该地区地势低洼平坦，属于珠江河口典型的冲积洪泛区，气候为湿润的亚热带气候，夏季炎热潮湿，冬季温和。强烈的季风降雨显著影响当地天气模式。该地区电镀和纺织业高度集中

预测模型的性能

如表2所示，对五种机器学习模型进行DNI预测的比较评估显示，不同架构方法的预测性能存在显著差异。使用六个性能指标在训练和测试阶段进行的全面评估表明，扩展记忆架构在捕捉太阳辐射数据中的复杂时间模式方面具有更强的能力。所呈现的性能指标评估了

结论

本研究成功为中国中山市三滘镇的工业区开发了一种全面的混合可再生能源系统（HRES），证明了通过集成可再生能源技术实现近乎完全能源独立的技术和经济可行性。研究重点关注两个关键挑战：使用先进的机器学习模型进行准确的DNI预测，以及为工业规模部署优化可再生能源系统的配置。比较评估表明

利益冲突声明

作者声明在本文的发表过程中不存在任何利益冲突。

数据可用性

支持本研究发现的数据可向相应作者索取。

资金支持

本研究未获得任何公共、商业或非营利部门的特定资助。

利益冲突声明

? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。