一种基于多目标多约束可解释人工智能的智能电网系统方法

《Knowledge-Based Systems》：A Multi-Objective Multi-Constraint Explainable AI-based Approach for Smart Energy Grid Systems

　　

马哈茂德·阿尔法扬|哈尼·哈格拉斯

摘要

随着全球向可持续能源转型的步伐加快，现代电力网越来越多地融入了风能和太阳能光伏等可再生能源。从传统的集中式电力系统向分散式智能电网的转变需要更好的优化和预测方法来确保可靠性和效率。可再生能源的加入、储能解决方案以及双向能源交换提高了智能电网的灵活性，并支持可持续能源的发展。成功规划和管理混合可再生能源系统（HRES）需要准确且清晰的预测方法以及强大的优化策略。

在本文中，我们提出了一种基于遗传算法和非支配排序遗传算法III（GA-NSGA-III）优化的两阶段多目标多约束进化计算方法，该方法能够在采购可再生能源的同时，最大限度地降低平准化能源成本（LCOE）和预期未供应能源量（ENS）。通过使用真实世界数据进行的实验表明，与NSGA-II相比，NSGA-III可将LCOE降低26.1%，最差年份的ENS降低58.7%。在平衡设计下，ENS降低了72.7%，LCOE降低了16.3%。该系统不仅促进了可再生能源的利用，还提高了储能效率。为了在不确定条件下优化混合可再生能源系统的设计，该方法结合了多目标优化、缺乏意识下的可靠性建模和可解释的负荷预测技术。这些结果有助于实现更稳定的运行，并简化了多年规划期间的决策过程。

负荷预测采用了基于可解释人工智能（XAI）的区间类型2模糊逻辑系统（IT2FLS）。与类型1模糊逻辑系统（FLS）相比，IT2FLS将均方根误差（RMSE）降低了48.6%，平均绝对误差降低了50.2%，R2值从0.625提高到了0.901。这些研究结果表明，基于XAI的高级多目标优化算法提升了系统的可靠性和韧性。