机器学习辅助的多能耦合与储电-电网协调实现智能综合能源系统深度脱碳：建模、优化与应用

《Batteries》：Machine-Learning-Assisted Multi-Energy Coupling and Battery–Grid Coordination for Deep Decarbonization of Smart Integrated Energy Systems: Modeling, Optimization, and Applications

　　摘要在高比例可再生能源并网的智能综合能源系统中，电源侧的波动性以及电池储能、其他能源载体与外部电网之间协调不足，限制了本地可再生能源电力的消纳，阻碍了深度脱碳进程。本研究提出了一种机器学习辅助的、以可再生能源为驱动的框架，用于电—热—氢—储能系统的多能耦合与基于场景的多目标优化。利用K-means聚类和拉丁超立方抽样对历史气象数据和负荷数据进行处理，构建跨越多种波动状态的代表性运行场景，以刻画源荷不确定性。设备模型涵盖光伏阵列、风力发电机组、热泵、电解槽、燃料电池、与电网交互的电池储能、热储能及储氢装置；跨载体转换动态特性以及外购电力和天然气的排放因子被嵌入能量平衡约束中。随后采用混合整数线性规划模型，综合考虑运行成本、碳排放量和可再生能源弃电率，对电池充放电、电网交互及其他多能流进行协同优化。在可再生能源渗透率达95%的条件下，所提方法实现了91.6%的可再生能源消纳率和8.4%的弃电率。在不同碳价情景下，年化运行成本介于126.5×10?至141.2×10?美元/年之间，碳排放强度介于26.4至38.5 gCO?/kWh_eq之间。在指定的高风险电网扰动条件下，协同控制策略将负荷削减量控制在1.8%以内——较确定性调度降低73%，较启发式基准降低79%——同时维持92.6%的氢能自给率。上述结果为实现智能综合能源系统中电池与电网的协同控制以及深度脱碳，提供了数据驱动的建模与决策框架。