利用机器学习和河马优化器（Hippopotamus Optimizer）进行微电网中的碳排放意识能源管理及可再生能源预测

《IEICE Communications Express》：Emission-aware energy management and renewable forecasting in microgrids using machine learning and hippopotamus optimizer

　　

摘要：

由于环境问题的日益严重以及减少对化石燃料依赖的需求，全球向可持续能源转型的进程正在加快。微电网（MGs）通过整合太阳能和风能等分布式能源资源（DERs），提供了一种灵活且可持续的解决方案。然而，可再生能源发电的波动性和动态运行条件对能源平衡和成本效率提出了挑战。本文提出了一种基于机器学习（ML）的能源管理系统（EMS），旨在提高预测准确性、优化调度，并增强微电网在并网和孤岛模式下的可靠性。该EMS采用了基于历史数据、天气条件和实时参数训练的高级ML模型，以准确预测太阳能和风能的发电量。这些预测结果被输入到一个动态优化框架中，该框架使用改进的河马优化器（MHO）来确定最佳的DER运行方式和与电网的互动方式。此外，还引入了实时能源交易机制，以便根据市场价格、负载需求和可再生能源可用性做出具有成本效益的能源交换决策。通过最大化可再生能源的利用并确保无缝的运行切换，该框架减少了对外部电源的依赖，降低了运营成本和排放，并提高了系统的韧性。案例研究证明了该系统在不同运行条件下维持能源平衡的能力，突显了其在推进可持续微电网管理方面的潜力。

1 考虑微电网运行模式的EMS问题表述

EMS是一种计算工具，用于监控、控制和优化电力网络中的发电和配电。其核心目标是以最低的成本满足能源需求并满足系统约束。在本研究中，针对微电网提出的EMS框架侧重于日前能源调度，为每个DER单元生成每小时发电计划，旨在最小化总体运营成本，减少来自非可再生能源的有害排放，提高可用可再生能源和储存能源的利用效率，并在不同电网条件下实现运营利润的最大化。总成本包括DER单元的燃料消耗、启动成本以及微电网与主电网之间的电力交换相关市场价格。优化模型还受到预定义时间间隔内的供需平衡和DER运行限制（最小/最大容量）的约束。为了有效进行日前规划，EMS需要几个关键输入：DER的技术参数、来自可再生能源（风能和太阳能）的预测每小时发电量、电力价格、预测的负载需求以及储能系统（ESS）的初始SOC。这些数据由EMS优化引擎处理，该引擎采用先进的算法生成具有成本效益的发电计划，使运营商能够优先考虑可再生能源，确保可靠的电力供应，并通过可操作的实时决策实现经济和可持续性目标^[21]。

登录以继续阅读