《Results in Engineering》：Optimal Planning of Renewable Energy Microgrid using Random Forest Regression Embedded Grey Wolf Optimization for Turkish Antarctic Research Station
编辑推荐：
本研究针对位于南极洲气候条件恶劣且具有高度不确定性的土耳其南极研究站（TARS），提出了一种用于可再生能源微电网优化规划的智能解决方案。为应对太阳能和风能资源的不稳定性，并确保发电的可靠性与可持续性，研究提出了一种混合随机森林回归嵌入灰狼优化（RFR-GWO）
本研究针对位于南极洲气候条件恶劣且具有高度不确定性的土耳其南极研究站（TARS），提出了一种用于可再生能源微电网优化规划的智能解决方案。为应对太阳能和风能资源的不稳定性，并确保发电的可靠性与可持续性，研究提出了一种混合随机森林回归嵌入灰狼优化（RFR-GWO）算法。利用历史气象数据预测可再生能源发电量，并采用灰狼优化算法对太阳能光伏（PV）、风力涡轮机（WT）和电池储能系统（BESS）的容量与布点进行优化配置，以实现运行成本、功率损耗、燃料消耗和碳排放的最小化。仿真结果表明，所提出的RFR-GWO算法具有较高的预测精度，并且在收敛速度、稳定性和预测精度方面均优于粒子群优化（PSO）和遗传算法（GA）方法。该方法不仅提高了可再生能源的利用率，还增强了系统可靠性，为南极电力系统及偏远地区微电网等应用场景提供了一种有效且可持续的发电规划解决方案。
**一、研究背景与意义**
南极洲作为地球上环境最为极端的地区之一，其电力供应一直面临严峻挑战。土耳其南极研究站（TARS）位于霍斯舍尔岛，当前主要依赖柴油发电机供电。然而，柴油供电系统存在燃料运输成本高昂、温室气体排放量大以及燃料泄漏等环境风险。南极地区特有的极端低温、强风（包括阵风风速可超过210 km/h的下降风）、季节性太阳辐射剧烈波动（夏季极昼与冬季极夜交替）以及设备维护和燃料补给的后勤困难，使得建立可靠、经济且可持续的电力供应系统成为一项极具挑战性的任务。
混合可再生能源微电网（HREMGs）将太阳能光伏（SPV）、风力涡轮机（WT）、电池储能系统（BESS）与备用柴油发电机（BDG）集成在一起，为极地偏远地区提供了一种前景广阔的电力解决方案。尽管南极拥有强劲且持续的风能资源和夏季长时间日照，但可再生能源的间歇性和对气象条件的强依赖性给发电预测带来了显著的不确定性。传统确定性优化方法（如线性规划LP、非线性规划NLP和混合整数线性规划MILP）在处理非线性系统和不确定性输入时效果有限。因此，本研究旨在开发一种将机器学习预测与元启发式优化算法相结合的智能框架，以解决南极极端环境下可再生能源微电网的优化规划问题，该研究成果发表于《Results in Engineering》。
**二、研究方法与技术路线**
研究人员以土耳其南极研究站（TARS）气象站获取的历史气象数据（包括太阳辐射、风速和环境温度）为基础，构建了随机森林回归（RFR）预测模型，用于对太阳能光伏和风力发电的随机行为进行预测。将历史数据按照70%训练集和30%验证集进行划分，采用200棵决策树、最大深度20的随机森林模型进行训练。预测得到的可再生能源出力曲线随后输入灰狼优化（GWO）算法中以指导微电网优化过程。GWO算法模拟灰狼群体的社会等级制度和狩猎策略，通过alpha、beta和delta三类最优解引导种群更新位置，实现寻优过程。研究以IEEE 33节点径向配电系统为基准测试拓扑，为匹配TARS的170 kW峰值负荷需求，将系统负载按比例系数0.0457（170/3720）进行缩放，形成改进的馈线系统。优化决策变量包括光伏容量（0–700 kW）、风电容量（0–710 kW）、BESS功率（0–210 kW）、BESS能量容量（0–12,700 kWh）以及各资源在微电网中的布点位置。目标函数由四个加权分量构成（成本权重0.40、功率损耗权重0.20、能量不匹配权重0.20、碳排放权重0.20），并通过罚函数处理功率平衡、电压、荷电状态（SOC）和容量等约束条件。研究采用RMSE、MAE、MAPE和R2作为预测性能评价指标，并通过30次独立优化运行进行统计验证，同时与粒子群优化（PSO）、遗传算法（GA）以及标准GWO进行了对比分析。
**三、主要研究结果**
**3.1 RFR预测性能评估**
研究通过实际数据与预测数据的对比验证了RFR模型在预测太阳辐射、风速和电池SOC方面的准确性。结果显示，太阳辐射预测的RMSE为27.02 W/m2，MAE为18.67 W/m2，R2为0.866；风速预测的RMSE为0.214 m/s，MAE为0.207 m/s，R2为0.921；电池SOC预测的RMSE为1.732个百分点，MAE为1.667个百分点，R2为0.854。MAPE计算值分别为太阳辐射2.78%、风速3.00%和电池SOC 2.01%。太阳辐射的预测误差相对较高，这是由其受云层覆盖和大气条件影响的强变异性和间歇性所致，但整体上R2值表明模型成功捕获了各变量的主要趋势和变异特征。
**3.2 GWO优化算法性能验证**
GWO算法经过42次迭代后收敛至最优解。对比实验表明，GWO的收敛迭代次数为36次，优于PSO的51次和GA的66次。在30次独立运行中，GWO的平均适应度为12.70，标准差为0.30，明显优于PSO（平均适应度16.50，标准差0.80）和GA（平均适应度17.20，标准差0.90），表明GWO具有更稳定的优化性能和更强的鲁棒性。
**3.3 RFR-GWO与标准GWO的受控对比**
在相同的TARS负荷、组件边界、目标权重、种群规模和迭代次数条件下，采用非机器学习基准（基于历史平均值）进行受控实验。结果表明，RFR-GWO相比标准GWO在平均适应度上降低8.0%，能量不匹配率减少54.2%，功率损耗降低13.3%，生命周期成本减少5.7%，柴油消耗量降低17.3%，且收敛迭代次数提前6次完成。该对比证明性能改善不仅来源于GWO优化器本身，还得益于RFR对天气和可再生能源发电的精确预测与优化过程的有机结合。
**3.4 预测模型对比评估**
为验证RFR的预测优越性，研究将其与支持向量回归（SVR）、梯度提升回归（GBR）和长短期记忆网络（LSTM）在同一验证集上进行了比较。RFR在太阳辐射、风速和BESS SOC三个变量上均获得最低的RMSE值（27.02 W/m2、0.214 m/s、1.732个百分点），最高的平均R2（0.880）和最低的平均MAPE（2.60%），表现出最佳的预测性能。
**3.5 情景分析与经济性评估**
研究对比了六种配置情景（柴油基准BAU、柴油+PV、柴油+风电、柴油+PV+风电+锂离子电池、仅PV+风电+锂离子电池以及柴油+PV+风电+液流电池）。基准柴油系统每年消耗约125,050加仑燃料，15年期成本介于6000万至7300万美元。所有包含可再生能源和BESS的配置均实现了更低的生命周期成本和正的净现值（NPV），预计回收期为2至4年。最优经济配置为方案C（含180 kW-DC光伏、6台总容量约570 kW的风力涡轮机和180 kW/3,400 kWh锂离子BESS并与现有柴油系统配合），NPV超过5700万美元，前期成本约1000万美元，柴油消耗减少96%，回收期约2年。
**3.6 目标权重敏感性分析**
敏感性分析揭示了各目标之间的权衡关系。成本优先权重（w1=0.55）获得最低生命周期成本（1420万美元），但功率损耗和排放较高；损耗优先（w2=0.55）将功率损耗降至24.20 kW；可靠性优先（w3=0.55）使能量不匹配率降至0.60%，负荷供应率提升；排放优先（w4=0.60）实现最低年排放量38 t CO?。平衡权重方案（各0.25）取得生命周期成本1480万美元、功率损耗30.00 kW、能量不匹配率1.10%和年CO?排放64 t的合理折中。
**3.7 环境敏感性分析**
环境敏感性测试表明，低温对BESS可用容量影响显著：在-40°C条件下BESS容量降额20%时，年柴油消耗从5,659加仑增至6,338加仑；在-60°C条件下容量降额35%时，柴油消耗进一步增至7,074加仑。24小时暴风雪导致风电切出时，BESS和柴油发电机可有效承担短期风电损失。在最极端的组合情景（-40°C且48小时风电切出）下，混合系统仍能供应98.10%的负荷，验证了系统的抗风险能力。
**四、讨论与结论**
讨论部分指出，该研究基于TARS历史气象数据开展分析，但这些数据可能无法涵盖所有罕见事件、长期气候变异和极端阵风等情况。IEEE 33节点系统作为代表性测试拓扑，其结构与实际TARS微电网可能存在差异。短期负荷波动、电池老化、变流器退化等设备故障因素在仿真中有所简化，因此报告的成本、损耗、可靠性和排放改善属于规划估算值。实际部署还面临极地环境特有的限制，如积雪、组件结冰、润滑剂老化、极夜期间可再生能源短缺以及设备运输维护的后勤困难，未来需要通过硬件在环测试和现场试点进行验证。
研究最终结论表明，所提出的随机森林回归嵌入灰狼优化（RFR-GWO）方法为TARS混合可再生能源微电网的优化规划提供了一种有效且具有不确定性感知能力的解决方案。该方法成功克服了南极严酷多变环境的挑战，能够精确预测太阳辐射、风速和电池SOC，并应用这些预测实现光伏、风力涡轮机和电池储能系统的最优容量配置与布点。仿真验证了该方法的高预测精度和优于粒子群优化（PSO）及遗传算法（GA）的优化性能，具有更快的收敛速度和更强的稳定性。该框架提升了可再生能源利用率，增强了系统可靠性，减少了燃料消耗和碳排放，并确保了经济可行性，为南极及其他偏远隔离微电网在不确定环境条件下的清洁可靠供电规划提供了可推广的新兴方案。
