在北欧校园微电网中，利用多时段预测技术实现混合能源存储的波动性感知容量配置与季节性自适应控制

《IEEE Access》：Volatility-Aware Sizing and Seasonally Adaptive Control of Hybrid Energy Storage Using Multi-Horizon Forecasting in a Nordic Campus Microgrid

　　

摘要：

供暖、交通和建筑的电气化正在将现代校园转变为多能源环境，在这种环境中，光伏（PV）发电、电动汽车（EV）快速充电和热泵（HP）负载在多个时间尺度上相互作用。这些相互作用带来了高波动性，传统的电池储能系统（BESS）和短期预测技术无法有效应对，尤其是在具有极端季节性辐照度和以供暖为主的负载模式的北欧气候条件下。本研究开发了一个统一的分析-人工智能-优化框架，用于设计和控制混合电池储能系统（HBSS），该系统结合了快速响应的超电容器/钛酸锂（SC/LTO）层和锂离子储能层。波动性通过三个指标进行量化：光伏波动性指数（PVI）、电动汽车快速充电影响因子（EFI）和热负荷灵活性指数（TLFI），这些指标来源于北欧某大学校园微电网的3.5年、15分钟的数据集。一个多时间尺度的深度学习模型（HERA-4C）结合了卷积块、BiLSTM层和注意力机制，可以生成1小时、4小时、24小时和96小时的预测结果，并将其嵌入到使用NSGA-II的预测能源管理和多目标优化方案中。该五目标模型旨在最小化年化成本、二氧化碳排放、电网进口量、锂离子电池退化以及未满足的负载需求。结果表明，最优的HBSS配置（约260千瓦的SC/LTO和200千瓦时的锂离子电池）可以减少90%以上的光伏-电动汽车-暖通空调系统的波动性，降低72%的电网峰值进口量，消除限电和未满足的负载需求，并实现15-22%的年成本降低以及14-18%的二氧化碳排放减少。季节性评估证实，通过自适应的充电状态管理，冬季的可靠性得到了提升。所提出的框架为运营中的校园微电网提供了可复制的韧性HBSS设计方法，并支持在高...下的可扩展智能建筑应用。

显示更多