基于代理模型的爱尔兰奶牛场电力消耗建模方法

《Renewable Energy Focus》：An agent based approach to Irish dairy farm electricity consumption modeling

　　侯赛因·哈勒吉 | 埃奥汉·克利福德 | 卡尔·梅森
爱尔兰戈尔韦大学计算机科学学院，H91 FYH2，戈尔韦

**摘要**
dairy farming（奶牛养殖）是一项能源密集型农业活动，理解电力消费模式对于提高农场效率并减少温室气体排放至关重要。本文提出了一种基于代理的模型（ABM），用于估算爱尔兰奶牛场的电力消耗及其相关的二氧化碳当量（CO??eq）和甲烷（CH?）排放。该模型将主要农场设备表示为自主代理，并结合了关键农场特征，包括牛群规模、挤奶机数量、季节性以及系统配置。它能够生成每小时、每日和每年的电力消费曲线及相应的排放估算值。所提出的模型通过“乳品生产能源使用决策支持系统”（DSSED）和爱尔兰实际农场电力消费数据进行了验证。此外，还将其性能与三种机器学习方法进行了比较：随机森林回归、支持向量机回归和神经网络。结果显示，基于代理的模型能够生成具有竞争力的准确性的电力消费曲线，同时保持了完全的透明度和可解释性。与数据驱动的方法不同，该模型所需的输入数据较少，并能够进行设备级别的分析，因此适用于奶牛场能源管理的实际决策支持。

**1. 引言**
奶牛养殖在爱尔兰经济中扮演着重要角色，伴随着大量的电力消耗和温室气体排放。2023年1月，爱尔兰生产了4040万升用于人类消费的牛奶，凸显了这一行业的经济重要性[1]。生产一升牛奶大约需要41.1瓦时的电力[2]，鉴于其巨大的年产量，奶牛场占农场能源使用的相当大比例。电力被用于挤奶、牛奶冷却和热水加热等关键活动，这些活动又导致了碳排放。因此，提高能源效率并促进向低碳能源的转型对于减少奶牛养殖的环境影响至关重要。
理解影响奶牛场电力消费的因素对农场主和能源供应商都至关重要。高效的电力使用不仅能够降低运营成本，还能提高农业经营的盈利能力和可持续性。此外，降低电力消耗有助于减少温室气体排放，减少需求和增加可再生能源采用的综合效果可以显著降低奶牛养殖的整体环境影响。
本研究的主要目标是开发和验证一种透明且可解释的基于代理的模型（ABM），用于估算奶牛场的电力消耗及其相关的温室气体排放。该模型旨在利用一组易于获取的农场特征生成每小时、每日和每年的电力消费曲线，并将其性能与DSSED工具和实际农场电力消费数据进行对比。此外，还将所提出的方法与机器学习方法进行比较，以评估其相对准确性和实用性。
所提出的ABM相对于传统方法的优势在于能够识别可能导致电力过度消耗的具体设备，从而实现有针对性的节能干预。与现代数据驱动方法（如机器学习）相比，ABM具有完全的可解释性，便于人类用户理解。这种透明度使农场主和决策者能够更好地理解复杂系统行为，并根据模型输出做出明智决策。

**2. 相关工作**
近年来，针对能源消费预测的研究激增，以提升系统理解力和资源分配。建模有助于准确预测电力需求，从而支持高效的能源利用和碳排放减少。因此，开发有效的建模方法和能源管理系统对于实现经济和环境目标至关重要。
Upton等人[3]的研究表明，策略性地降低奶牛场的电力消耗可以显著提高农场盈利能力。他们的发现强调了在非高峰时段运行设备作为成本优化关键策略的优势。
Murphy等人[2]开发了一个针对爱尔兰奶牛养殖可持续性的Web应用程序。他们收集了2015年58个农场的数据，创建了“奶牛场技术计算器”这一工具，为整合可再生能源和促进可持续性提供了个性化见解，同时考虑了经济效益。
Todde等人[4]开发了一个模型，用于表征奶牛场的场外能源需求。该模型为农场主提供了估计间接能源消耗相关成本的实用工具。
在其他研究中，Ramos等人[5]引入了决策树，作为人工神经网络（ANN）和K-最近邻（KNN）算法之间的选择器，根据数据特征优化算法选择，从而提高了实时数据分析和预测效率。

**3. 本研究的新颖之处**
本研究的新颖之处在于开发了一种完全可解释的基于代理的模型，用于估算奶牛场的电力消耗及其相关的温室气体排放。与现有的统计和机器学习方法不同，所提出的模型明确将个别农场设备表示为交互代理，并在输入数据要求最少的情况下生成每小时、每日和年度的消耗曲线。此外，该模型同时估算了电力使用产生的CO??eq排放和牛群规模产生的CH?排放，提供了一个综合且透明的能源和排放评估框架。

**4. 结论**
本文的贡献如下：
1. 开发了一种基于代理的模型（ABM），用于模拟奶牛场的电力使用情况，特别关注牛群规模对消耗的影响。该模型使用两个数据集进行了验证：来自“乳品生产能源使用决策支持系统”的每日农场数据和爱尔兰奶牛场的实际年度电力消费数据。
2. 作为所提出ABM的输出，估算了奶牛场产生的二氧化碳当量（CO??eq）和甲烷（CH?）排放量。
3. 对开发的基于代理的模型与三种机器学习技术（随机森林回归、支持向量机回归和神经网络）进行了比较分析，以评估它们在模拟奶牛场电力消费方面的性能。

**5. 结论**
所提出的ABM能够生成具有竞争力的准确性的电力消费曲线，同时保持了完全的透明度和可解释性。与传统的数据驱动方法相比，该模型所需的输入数据较少，且能够进行设备级别的分析，适合于奶牛场能源管理的实际决策支持。与传统的线性回归方法不同，支持向量机（SVM）回归通过最大化数据点与回归表面之间的间隔来识别最佳拟合数据的超平面。由于其鲁棒性和灵活性，SVM回归已在科学和工程领域得到广泛应用。使用线性和非线性核函数，SVM能够模拟数据中的复杂关系，使其适用于经济、金融和工程等领域。特别是在金融预测[23]和生物信息学[24]中，SVM回归表现出色，因为这些领域中常见的非线性模式较多。此外，SVM回归也非常适合处理样本量有限和高维特征空间的问题[25]。

2.5. 神经网络
神经网络是强大的机器学习模型，能够捕捉数据中的复杂非线性关系。它们最初于20世纪40年代提出，自从2010年代深度学习出现以来，发展速度显著加快。以多层架构为特征的深度神经网络在计算机视觉、自然语言处理和强化学习等领域取得了先进的技术成果。在本研究中，使用神经网络根据表2中列出的特征来估算普通奶牛场的日用电量。通过Tree Parzen Estimator（TPE）方法[26]进行超参数调整，以确定适合的学习率、隐藏层数量以及每层的神经元配置，从而提高预测性能。优化后的超参数增强了神经网络准确估算奶牛场用电量的能力。

3. 基于代理的奶牛场模型
3.1. 基于代理的模型
代理是多代理系统（MAS）的基本组成部分，其特点是可以与环境和其他代理互动。通过这些互动，代理可以调整其行为并自主决策。每个代理都试图根据从环境和邻近代理获得的信息来确定并执行实现特定目标的动作[27]。基于代理的模型由多个代理组成，这些代理代表了在更大系统内运行的元素。这些代理具有内部状态，并遵循预定义的规则来指导其行为。基于代理建模的一个关键优势是代理行为的每个方面都可以被明确定义和编程[17]。多代理系统中的代理展现出多样的属性，使它们能够解决复杂问题。尽管学习和适应是这类系统的常见特征，但并非所有代理都依赖于学习机制。有些代理仅根据预定义的规则运行，同时仍然表现出适应性行为。通过与环境和其他代理的互动，每个实体都试图选择有助于完成任务的动作[28]。在基于代理的建模中，各个代理（通常实现为软件对象）协作执行特定任务。这些代理根据基于规则的决策过程来运作，决定其功能行为。基于代理建模的主要优势在于其细致性。在这个框架下，代理特征的每个方面都可以被详细建模，从而能够精确灵活地表示代理行为和系统内的互动[17]。

3.2. 所提出的基于代理的模型
奶牛场的用电量主要受各种类型设备运行的影响。如图1所示，最大的电能消耗来自牛奶冷却系统。水加热和牛奶采集也会产生大量能源需求，而大约17.3%的总电能消耗用于未监控的用途，例如与冬季住房相关的用途。本研究中开发的基于代理的模型包括九个代理，每个代理代表奶牛场上常见的某种设备类型。通过模拟每个代理的行为，该模型可以估算出各个设备单元随时间的用电量。汇总所有代理的用电量可得给定时间点奶牛场的总用电量估计值。该模型以牛群规模、挤奶机数量、月份、日期、挤奶机系统类型和水加热系统类型作为输入参数。模型的输出是指定日期和月份该奶牛场的每小时用电量估计值。本节中呈现的数学关系基于成熟的奶牛场电力建模方法和标准能耗估算原则[2][3]。必要时，使用农场实际数据校准系数以反映真实的农场运营情况。ABM的模型架构见图2。

下载：下载高分辨率图片（151KB）
下载：下载全尺寸图片

图1. 奶牛场上每个设备的用电量[2]

下载：下载高分辨率图片（260KB）
下载：下载全尺寸图片
图2. 所提出的ABM的架构

3.3. 基于代理的模型输入和代理
如图2所示，多个因素影响奶牛场的用电量：
3.3.1. 牛群规模
奶牛场的用电量随着牛群规模的增加而增加，因为这直接关系到牛奶产量的提升。牛奶冷却对于通过抑制细菌生长来保持牛奶质量至关重要，从而延长其保质期。然而，这一关键过程需要大量能源，尤其是对于大型牛群来说，更高效的牛奶冷却操作需要更多的电力。
3.3.2. 挤奶机数量
奶牛场上的挤奶机数量和容量对效率和用电量至关重要。挤奶机太少可能会给奶牛带来压力并降低牛奶产量，而太多则会增加电力成本。使挤奶机容量与牛群规模相匹配可以优化这一过程。挤奶频率也会影响机器的需求，更频繁的挤奶需要更多的机器以提高效率。确定所需挤奶机数量时还需考虑挤奶频率，不同年龄和泌乳期的奶牛以及农场中的其他管理措施也会影响这一因素。更频繁挤奶的农场可能需要更多的挤奶机以确保牛奶采集过程的效率和及时性。
3.3.3. 月份和日期
月份和日期对奶牛场的用电量有很大影响，尤其是温度变化会影响牛奶冷却和水加热等过程。较冷的月份需要更多能源用于水加热，从而增加用电量，而较暖和的月份则会减少用电量。奶牛泌乳的季节性变化会影响牛奶产量和设备效率，因此需要调整生产和设备计划。农场活动的时间安排，特别是在使用太阳能或风能等可再生能源的情况下，也会影响用电量。如前所述，所提出的模型包括九个代理：
3.3.4. 水加热系统（代理）
奶牛场中的水加热系统对设备和设施清洁至关重要。这些系统由电力或其他能源（如油）驱动，用于按需提供热水。在ABM模型中，该代理有两种模式：“启用”表示使用电力加热，“禁用”表示使用油等替代能源。激活时间从凌晨1点开始，受夜间电价的影响。这一决策优化了非高峰时间的能源使用，同时考虑了牛群规模和挤奶机运行等因素。
水加热代理的总功耗计算公式为：
(1) WHC = df × (1.84 + nmu × 0.01345) + (nc × 0.075392)
其中，WHC表示水加热的电能消耗（Wh），nc表示奶牛数量，nmu表示挤奶单元数量，df表示日期因素，计算方法是将选定的日期除以该月的总天数，结果介于0和1之间。
3.3.5. 牛奶采集代理
该代理负责估算挤奶机的用电量。假设牛奶采集每天在早上7点和下午5点进行两次[29]。牛奶采集的持续时间取决于牛群规模和挤奶机数量。牛奶采集代理的总功耗计算公式为：
(2) MHC = df × nc × mpd × CplMHC
其中，MHC表示牛奶采集的电能消耗（Wh），mpd表示每头奶牛每天的平均产奶量（L/day），CplMHC表示每升牛奶的消耗量（Wh/L），详见表1。

表1. 每台设备每升牛奶的平均能耗[2]
设备 消耗量（Wh/L）
牛奶冷却 11.9D 12.7
牛奶采集（无真空分离器） 7.7
牛奶采集（带真空分离器） 5.2
水加热 8.0
照明 1.9
压缩机 0.8
废水泵 0.4
刮板 2.3
其他 7.2

3.3.6. 牛奶冷却系统（代理）
牛奶冷却在奶牛场中对于保持牛奶质量和安全至关重要。两种常见的方法是有直接膨胀（DX）和冰块冷却（IB）。DX使用制冷剂快速冷却牛奶，但设备和维护成本较高；IB则使用冷水或冰块冷却牛奶，成本较低但效率可能较低。选择哪种方法取决于农场规模、牛奶产量和成本考虑。DX适用于产奶量较大的农场，而IB更适合小型农场。通常来说，DX在牛奶冷却方面比IB更节能。牛奶冷却的总功耗计算公式为：
(3) MCC = df × nc × mpd × CplMCCH
其中，MCC表示牛奶冷却的电能消耗（Wh），CplMCCH表示每升牛奶的冷却系统能耗（Wh/L）。
3.3.7. 清洗泵代理
清洗泵代理负责为清洗过程提供水源。假设清洗泵代理在牛奶采集完成后开始工作。其总功耗计算公式为：
(4) WPC = df × nc × mpd × CplWPCH
其中，WPC表示清洗泵的能耗（Wh），CplWPCH表示每升牛奶的清洗泵能耗（Wh/L）。
3.3.8. 照明代理、压缩机代理、刮板代理、废水泵代理和其他代理
其余代理的工作方式类似。照明代理负责照亮奶牛场区域，假设其24小时连续运行。压缩机代理负责压缩制冷剂气体，通常通过往复式和旋转式压缩机实现，以快速冷却新鲜牛奶以便储存。刮板代理负责清除地面上的污垢、碎石等物质。废水泵用于排放脏水和溢出的牛奶。另一个代理负责监控未记录的用电量，例如冬季住房的用电情况。各种设备的能耗计算公式如下：
(5) EC = df × nc × mpd × CplEC
其中，EC表示设备的电能消耗（Wh），CplEC表示每升牛奶的设备能耗（Wh/L）。
如图3所示，该过程首先估算甲烷排放量，然后建模农场每小时的用电量。接着，利用每天每小时的用电量数据生成年度用电量清单，以此估算农场的CO2当量排放量。值得注意的是，全年都可以获得每台设备的能耗数据。为了便于理解，算法1中提供了所提出ABM的伪代码。

下载：下载高分辨率图片（129KB）
下载：下载全尺寸图片
下载：下载高分辨率图片（543KB）
下载：下载全尺寸图片
图3. 所提出的ABM的电力消耗结构

3.4. 基于代理的温室气体排放模型
2021年，典型的爱尔兰奶牛场产生了614.1公吨农业温室气体（以CO2当量计）排放[30]。鉴于奶牛场在爱尔兰经济中的重要地位，解决这一问题是国家议程的核心内容。本文的重点是奶牛场的用电模式，并评估了由此产生的二氧化碳当量（CO2-eq）排放。同时考虑了农场的牛群规模。

3.4.1. CH4排放计算
农场的甲烷（CH4）排放与其管理的牛群规模密切相关。具体来说，奶牛数量对总体甲烷排放量有很大影响。一个关键因素是每头奶牛的日甲烷排放量，每头在牧场放养的奶牛每天大约排放320-330克甲烷[31]。随着牛群规模的增加，甲烷总量也随之增加，因为每增加一头奶牛都会增加总体排放量。这一联系强调了可持续牛群管理实践的重要性，以及需要制定既能提高生产力又能减少环境影响的农业策略。平衡牛群规模与减排措施对于推动环保型农业实践和减少畜牧业整体碳足迹至关重要。提出的反导系统（ABM）计算CH4的方法如下：(6) CH4排放量 = 牧群规模 × 每头奶牛的日均甲烷（CH4）排放量。在给定的方程中，变量“排放量”表示每头奶牛的日均甲烷（CH4）排放量，其固定值为325克。这个数值是基于一个明确的假设得出的，即研究中考虑的所有奶牛都仅以牧草为食，且所计算的排放量来源于它们的瘤胃。为了计算甲烷排放的二氧化碳当量，应用了全球变暖潜力（GWP）因子。GWP因子表示温室气体在特定时间范围内的变暖潜力。对于甲烷，100年时间范围内的GWP因子为28 [32]。甲烷的二氧化碳当量排放量计算公式为：(7) CO2当量 = CH4排放量 × GWP。在这个公式中，GWP是100年时间范围内的全球变暖潜力因子，其值为28.34.2。

二氧化碳（CO2）在奶牛场的各个阶段和过程中产生，也体现在发电厂的电力生产过程中，这些都属于农场总体碳足迹的一部分。一个重要的来源是饲料的种植、生产和运输过程，这些活动会导致CO2排放。农业中使用的合成肥料和能源密集型做法也会增加这些排放。在农场内部，机械设备的运行也是二氧化碳的一个主要来源，另一个排放源则是电力的生产和传输到农场的过程。农场机械，包括拖拉机、犁和其他设备，通常依赖于化石燃料（如柴油或汽油）的燃烧，从而向大气中释放CO2。本研究重点关注与运行农场设备所需的电力相关的碳足迹，例如牛奶加工和冷却系统。CO2排放量的计算基于爱尔兰的电力生产碳强度。该计算假设所有设备都从电网获取电力，并且没有安装可再生能源。

3.5 机器学习模型细节
为了训练本研究中使用的机器学习模型，使用了来自DSSED的80个农场的数据集。该数据集的特征包括牧群规模、挤奶机的数量、水加热系统以及挤奶机系统，模型的输出是选定农场一年中平均每天的预计电力消耗量。这些农场的牧群规模从50到135不等。模型的实现使用了Python编程语言中的scikit-learn库。为了计算100年时间范围内的二氧化碳当量，总排放量需要乘以GWP因子（1.4）。

4.1 基于代理的奶牛场电力消耗模型
提出的ABM能够模拟不同时间分辨率（从每小时到每年）以及不同时间周期（如天、周和月）的奶牛场电力消耗。这些数据可用于分析和优化整个农场的电力使用情况，并识别节能和降低成本的机会。此外，ABM可以准确模拟特定设备（如挤奶机、水加热系统和牛奶冷却系统）的电力消耗，从而帮助确定哪些设备耗能最多，并针对这些设备进行能效改进以获得最大效果。ABM还能估计一年中平均每天的电力消耗量，这有助于识别能源使用的时间模式和趋势，管理者可以利用这些信息在需求较低的时间安排设备使用，并采取节能措施（如升级设备或调整操作方式）来降低成本。

4.1.1 每小时电力消耗
为了展示提出的ABM的输出结果，这里以表2中列出的特征为例介绍了一个农场的情况。图4显示了该农场在7月7日（随机选取的一天）的每小时电力消耗量估计值。通常，奶牛场一天中有三个电力消耗高峰：第一个高峰出现在水加热过程中，但由于该农场使用的是燃油系统，因此图中未显示这一高峰；第二个高峰与第一次挤奶时间重叠；第三个高峰与第二次挤奶时间一致。需要注意的是，对于所有奶牛场来说，固定的牛奶采集和水加热时间可能并不适用，且这些时间点可能对成本模式的影响大于总电力消耗。提出的基于代理的模型（ABM）通过允许农场行为的灵活性和动态性来解决这一问题，同时提供详细的、特定日期的电力消耗估计值，以便在不同运营条件下进行更准确的评估。

4.1.2 基于代理的模型验证——与DSSED的比较
为了验证提出的ABM的输出结果，将其与“奶牛生产能源使用决策支持系统”（DSSED）[2]得到的结果进行了比较。DSSED是一种基于农场级数据模拟奶牛场电力消耗及其相关碳排放的先进工具。图6展示了根据表2中的特征，提出的ABM和DSSED预测的同一天的每小时电力消耗情况。蓝色曲线代表ABM的预测值，绿色曲线代表DSSED的预测值。可以看出，ABM预测的晨间和下午早些时候的电力消耗较低，而下午5点左右达到一个高峰。比较结果显示，提出的ABM能够生成现实的电力消耗曲线。与DSSED模型相比，ABM预测的上午8点和下午6点的峰值分别相差1.3千瓦时和1.9千瓦时。每日总电力消耗的平均绝对差异为0.55千瓦时。这些结果表明了ABM在模拟奶牛场电力消耗方面的有效性。

4.2 基于代理的模型温室气体排放
本节介绍了关于温室气体排放的实验结果，特别是二氧化碳当量（CO2当量）和甲烷（CH4）的排放情况。图8展示了根据表2中列出的农场特征，ABM估算的农场二氧化碳当量排放情况。由于CO2排放来源于农场电力消耗，因此农场的电力使用量在不同月份之间存在显著差异。例如，5月份的电力消耗明显高于1月和12月。这种波动可能与泌乳期有关，因为在泌乳期间，牛奶产量增加导致相关设备的电力需求增加。由于案例研究中的农场使用的是燃油水加热系统，因此水加热相关的电力消耗为0。RFR方法与DSSED之间的比较可以在图11中看到。下载：下载高分辨率图像（219KB）下载：下载全尺寸图像。图9. 随机森林的一个示例树，最大深度为3.4。4.3.2. 支持向量机回归在本文中，使用SVM回归来估计具有表2特征的奶牛场平均日的电力消耗。本研究选择的核函数是线性核，输出是使用scikit-learn库生成的。图11展示了DSSED与SVM估计的电力消耗量之间的比较。4.3.3. 神经网络优化的神经网络架构采用了推荐的结构，包括三层。在这种配置中，第一层由12个神经元组成，第二层包含59个神经元，最后一层由107个神经元构成。此外，一个重要的超参数——学习率被设置为大约0.2133。优化的超参数在表5中列出。图10显示了与目标值（均方误差）相关的一些可能超参数的并行坐标图，图11则展示了神经网络与DSSED之间的比较。表5. 用于电力估计的优化超参数。超参数值层数第一层神经元数12第二层神经元数59第三层神经元数107学习率0.2133下载：下载高分辨率图像（617KB）下载：下载全尺寸图像。图10. TPE优化器建议的可能超参数。4.3.4. 模型比较为了评估所提出的基于代理的模型（ABM）的有效性，对其与机器学习和深度学习方法进行了比较评估。图11以一个综合图表直观地展示了所有这些模型的性能。为了更好地理解这些模型之间的差异，计算了与DSSED的平均绝对差异，并在表6中呈现。与每种机器学习方法相比，所提出的基于代理的模型的性能表现出更低的平均绝对差异。评估结果显示，神经网络的表现尤为突出，其平均绝对差异为0.57，优于支持向量回归（SVR）模型的0.614。相比之下，随机森林回归（RFR）在此方面的结果令人失望。机器学习方法观察到的较高平均绝对差异以及一些负值可能归因于输入数据不足。如前所述，从农场环境中收集数据是一个耗时且成本高昂的过程。基于代理的模型作为一种潜在解决方案，提供了更高效和更具成本效益的方法来进行模型开发和性能改进。如表6所示，尽管基于代理的模型总体上优于机器学习方法，但神经网络（NN）和随机森林回归（RFR）在识别电力消耗峰值方面表现出显著的能力。然而，RFR在准确估计第一个峰值时遇到了困难。基于代理的模型的主要优势在于其内在的可解释性以及不需要大量训练数据的特点。这一特性特别有价值，因为它使用户能够理解和解释模型的决策过程，使其成为各种应用中透明且用户友好的选择。在模型可解释性和数据可用性是关键考虑因素的应用中，基于代理的建模是一种非常合适的技术。本文的结果证明了基于代理的建模在奶牛场管理中的有效性。这些特点使所提出的方法区别于最近为奶牛场电力建模开发的灰箱和数据驱动的仿真框架[34]。虽然这类模型可以通过参数校准和经验拟合实现详细的负荷表示，但它们通常依赖于结构化的系统假设或大型数据集。相比之下，本研究中提出的基于代理的模型采用自下而上的方法来表示单个农场设备和操作活动，使得电力需求能够从明确定义的行为规则中产生。这种结构上的透明度提高了可解释性，并便于适应不同的农场配置。此外，通过在同一建模框架中整合电力消耗和温室气体排放估算，所提出的方法超越了单纯的负荷模拟，提供了一个全面的农场级能源和环境评估工具。表6. 与DSSED相比的奶牛场建模技术对一天总电力消耗的准确性。模型平均绝对差异（千瓦时）基于代理的建模0.55随机森林回归1.32支持向量机回归0.614神经网络0.57下载：下载高分辨率图像（231KB）下载：下载全尺寸图像。图11. 所有方法对平均日电力消耗的估算比较。5. 结论所提出的基于代理的模型通过提供每小时、每天和每年时间尺度的奶牛场电力消耗估算，为农业能源管理做出了宝贵贡献。与随机森林回归、支持向量机回归和神经网络等机器学习方法相比，该模型显示出竞争性的性能和强大的可靠性，这一点通过DSSED工具和爱尔兰奶牛场的实际电力消耗数据得到了验证。• 所提出模型的可解释性使农场所有者能够更好地理解影响其电力消耗的因素。这种理解有助于识别潜在的能源效率改进，并为投资节能技术提供明智的决策支持。• 在数据可用性有限的场景中，基于代理的建模方法尤其具有优势。与通常需要大型训练数据集的机器学习方法不同，所提出的模型可以使用少量输入变量生成准确的估算。这使其特别适合数据收集和分析资源有限的小规模奶牛场。• 在电力消耗估算方面，所提出的基于代理的模型优于本研究中考虑的机器学习方法，实现了更低的平均绝对差异（0.55千瓦时）。其主要优点包括高准确性、透明度、数据效率和灵活性。此外，该模型明确表示了单个农场设备，实现了详细和精确的电力消耗估算。此外，它还提供了甲烷和二氧化碳当量排放的估算，从而支持环境评估和温室气体管理应用。CRediT作者贡献声明Hossein Khaleghy：撰写——原始草稿、方法论、正式分析、数据管理、概念化。Eoghan Clifford：撰写——审阅与编辑、监督。Karl Mason：撰写——审阅与编辑、监督。