基于机器学习的最佳、可靠且经济高效的能源管理方案，适用于结合混合固体重力储能技术的混合可再生能源系统

《Expert Systems with Applications》：Machine learning based Optimal, reliable, and cost-effective energy management of a hybrid renewable energy integrated with hybrid solid gravity energy storage

可再生能源整合与微电网优化研究：提出光伏-风电-燃料电池储能混合系统，采用灰色狼群算法提升能效与可靠性，验证了考虑设备故障率对成本评估的关键影响。

　　将可再生能源集成到微电网中是一种应对能源生产和电力需求波动的有效策略。然而，设计一个理想且可靠的能源管理系统仍然是一个挑战，因为可再生能源输出的不确定性以及设备的可靠性问题相当显著。本文提出了一种优化配置和管理策略，用于连接混合光伏–风力发电系统的混合固体氧化物燃料电池（SOFC）储能系统。该模型通过负载损失概率指数，将设备停机率和可靠性约束纳入考虑。为了解决这一问题，采用了基于灰狼优化的机器学习算法，其收敛速度更快、精度更高，优于传统算法。模拟场景在考虑和不考虑设备故障的情况下进行。根据获得的结果，作者观察到忽略设备停机率会导致成本低估和可靠性高估。在测试的组合中，光伏–风力–储能系统表现最佳，呈现出总净现值成本为134.2万英镑，可靠性值为0.00612%。所提出的储能系统克服了基于能量和基于功率的储能技术的局限性，提供了更高的适应性和更强的韧性。总体而言，这项研究支持了这样一个观点，即现实的系统行为和先进的优化技术在提升混合可再生能源系统在小规模电网应用中的成本效益和可靠性方面发挥着关键作用。

可再生能源，如光伏（PV）能、风力涡轮机（WT）、地热能、氢能和生物质能，以及化石燃料如石油和天然气，在大多数国家都广泛存在。许多拥有大量石油和天然气储备的国家应发展替代能源，而不是仅仅依赖化石燃料。近年来，利用可再生能源已成为一种重要的趋势。鉴于许多国家地区的分散性，无需接入主电网的系统，即离网系统，成为在偏远地区供电的首选方案。使用这种资源的主要困难在于其输出的不可预测性和较高的投资成本。在此背景下，各种可再生能源系统（RES）被实施，以弥补彼此的不足，从而构建一个可靠且经济的系统（Ho等，2014；Shahzad，2012）。

在建模混合能源系统时，确定理想系统的设备容量至关重要。技术指标和经济指标被广泛应用于这些系统的建模过程中。技术指标基于系统满足负载的能力，而经济指标则考虑了系统在能源生产过程中的成本。设计的主要目标是选择设备容量，以最小化系统成本，同时确保对负载需求的可靠供应，换句话说，就是保证负载的高可靠性。因此，认为最佳的混合系统设计应实现设备的最大容量。需要注意的是，不准确的优化会导致系统成本增加，另一方面也会导致最优系统负载减少（Bamisile等，2024）。在（Ahmadpour等，2021）中，提出了一种包含光伏、风力涡轮机和柴油发电机的混合系统的最佳设计。该论文的主要思想是优化系统的年度成本、未能满足需求的可能性以及排放污染。传统电力系统的五个主要组成部分包括电力生产、通信、分配、改造和消费（Kalyan等，2023）。

参考文献（Sankarananth等，2023）提出了结合人工智能和元启发式优化策略的方法，用于控制智能电网中的可再生能源。混合长短期记忆（LSTM）-强化学习模型在精确度、召回率和准确率方面分别达到了0.92、0.93和0.92的水平，同时有效管理了能源需求预测。强化学习-模拟退火算法在负载平衡方面达到了0.91的准确率。这些结果证实了该模型在智能和离网环境中的实用性。电力需求和供应必须保持实时平衡。在分布式系统结构中，使用能源存储将一个刚性系统转变为更灵活的系统，是实现可再生能源广泛接入的关键（Lopez等，2022；Rahman等，2024）。在参考文献（Pavlov-Kagadejev等，2024）中，提出了一种结合信号分解和LSTM网络的方法，用于风力发电预测。LSTM超参数通过改进的爬行搜索算法（RSA）进行优化。利用不同分辨率的风力时间序列数据，分别进行了一步、两步和三步的预测，包括和不包括分解。该方法在实际条件下的太阳能和风力农场数据集上进行了测试，其性能通过标准回归指标和统计测试与表面合格求解器进行了比较。此外，Shapley Additive解释也被用于最佳模型，以解释特征的重要性。

为了降低年度系统成本并考虑未能满足负载的可能性，设计了一个包含燃料电池储能系统的风力–光伏混合系统，该系统在（Mokaramian等，2025）中进行了优化。在（Rangel等，2023）中，提出了风力–光伏混合系统的最佳设计，该设计基于负载供应不足的概率、过剩生产能力的概率、未使用能源的概率、项目使用寿命的成本、能源表面成本以及生产单元和电池银行的生命周期成本。为了优化成本并考虑系统的总能源短缺，提出了风力–光伏–电池混合系统的最佳设计，在（Taloba和Rayan，2025）中进行了探讨。如（Stoean等，2023）所述，利用深度学习方法解决了光伏发电的准确预测问题。本研究分析了通过时间序列数据和天气变量训练的LSTM和双向LSTM（BiLSTM）网络。为了改进模型，实施了爬行搜索算法（RSA）以寻找最佳超参数。研究显示，所建议的模型在使用其他元启发式技术的模型中表现更好，最佳模型的R2值为0.604，归一化均方误差（MSE）为0.014，比传统机器学习方法提高了约13%。在参考文献（El-Kenawy等，2023）中，提出了一种基于加权集成模型和自适应动态灰狼–鸽子喉优化（ADGWDTO）算法的风速预测方法。该算法提高了探索与利用的平衡，并对多层感知器（MLP）、K近邻（KNR）和LSTM模型进行调优。使用全球能源预测竞赛2012数据集，该模型实现了均方根误差为0.0035的成果。统计分析证实了其在现有预测方法上的优越准确性和鲁棒性。

在（Dama?evicius等，1795）中，考虑到不同燃料电池的初始投资成本，提出了光伏–生物质到生物柴油混合燃料电池系统的技术和财务设计。为了降低系统年度成本并考虑负载未能被满足的可能性，使用基于人工蜂群的算法对风力–光伏系统进行了优化（Mokaramian等，2022）。在（González-Ramírez等，2023）中，提出了考虑可靠性指标（如资源损失和负载损失可能性）的风力–光伏系统与燃料电池系统的优化设计。在（Chen等，2022）中，提出了一种优化混合风力–光伏–柴油–电池系统的方案，同时考虑了系统的总能源短缺并最小化净现值成本。

在（Azad和Shateri，2023）中，提出了一种最优能源管理方案，用于包含可再生能源和电池储能的混合系统，同时考虑了可靠性和成本评估。灰狼元发现方法（GWO）（Azad和Shateri，2023）基于灰狼群体狩猎的倾向，在本研究中被采用。灰狼方法是一种有效的解决问题的方法，具有快速的收敛速度。尽管如此，许多研究（Hwang等，2025；Mokaramian等，2021；Muqeet等，2022）已经对智能电网和产消者（prosumer）电力系统中的能源管理（EM）进行了探讨。然而，仍然需要在通信、控制、能源估计和能源管理方面进行显著改进。在（Kumar等，2025）和（Aghdam等，2023）中，提出了能源管理中的两个主要因素：可靠性和拥挤指数。尽管存在可再生能源的随机性，（Fakhar等，2023）仍探讨了一种包含通信、监测和智能评估因素的能源管理方案。产消者操作受到一些决策限制的影响，这些限制可能会损害系统的完整性，因为市场相关的交易环境带来了问题，如可再生能源价格的协商以及产消者之间的财富转换。在（Nejati Amiri等，2023）和（Zheng等，2023）中，建立了一个提升产消者参与度的框架。根据（Nepal等，2023）的结论，引入服务等级协议（SLA）后，可靠性和高质量是确保利益相关者角色顺利和适当的关键，尽管如此，区域分歧（ROD）和动态区域收敛（ROC）并未被研究。

在（Moya等，2023）中，处理了大规模数据集的相位维度设备数据，并通过现实场景研究了这些信息。通过使用纽约电力电网的历史数据构建一个通用的机器学习（ML）模型，研究了电力系统及其相关设备的风险规避特性（Yousefi和Hadi-Vencheh，2023）。智能电网环境严重依赖机器学习算法来应对一系列挑战，如可靠性、能源管理和预测。例如，（Zhao等，2023）的研究预测了智能电网中空调的次日用电需求，以评估机器学习的效率。为了确保微电网的可靠性，还研究了基于人工神经网络（ANN）的混合支持向量机（SVM）在防御集和电网技术中的有效性（Kabir等，2025）。本研究使用了隔离森林算法来评估无监督机器学习，预测了通信网络数据完整性受到的攻击（Mokaramian等，2021）。

尽管已有大量研究探讨了混合可再生能源系统的建模和优化，但仍存在一些未被解决的问题。许多研究已经对不同可再生能源组合和储能技术进行了研究，并且很多研究使用了人工智能和元启发式算法来提升预测和系统运行的性能。然而，混合储能系统，尤其是基于固体氧化物的储能技术，仍然存在一些挑战。例如，如何在复杂环境中实现高效的能量管理，如何在不同时间尺度下优化系统配置，以及如何确保系统的长期可靠性和经济性。此外，一些研究关注了可再生能源系统的不确定性，但尚未找到一种全面的解决方案。因此，本文提出了一种新的方法，结合机器学习和元启发式优化技术，以解决这些关键问题。

本文研究的系统是一个离网微电网，通过混合光伏、风力和混合固体氧化物燃料电池储能系统（HGES）为负载供电。在设计太阳能–风力混合系统时，来自主电网的变电站、天气变化（如太阳辐射减少和风速变化）是最重要的因素。在本研究中，HGES系统被用来持续满足负载需求并提高供电可靠性。图1展示了该系统在不同条件下的运行情况。通过优化HGES系统的配置，可以有效降低系统的总成本，同时确保在各种天气条件下满足负载需求。此外，研究还探讨了如何通过调整系统参数，提高系统的适应性和韧性，使其能够更好地应对不可预测的可再生能源输出。

在问题建模方面，本文的目标是确定系统设备的最优容量，包括风力涡轮机的数量、太阳能阵列的安装数量和角度、HGES的储能能力以及逆变器向负载传输的功率，以最小化系统的能源生产成本。该模型考虑了多种因素，如天气变化、负载需求波动和设备可靠性，以确保系统的经济性和可靠性。通过引入机器学习算法，可以更精确地预测系统的运行状态，并优化系统的配置，使其在复杂环境中实现最佳性能。此外，研究还探讨了如何通过调整系统参数，提高系统的适应性和韧性，使其能够更好地应对不可预测的可再生能源输出。

在模拟结果部分，本文研究了PV-WT-HGES混合系统的最终调度和电力管理。每小时的气象数据来自PVGIS。研究选择了英国伦敦（纬度51.511° N，经度–0.135° E）作为测试地点。模拟数据来自2023年2月至4月，使用了PVGIS-SARAH3辐射数据库。太阳能板的配置采用了固定安装类型，倾斜角度为51.5°（与测试地点的纬度相同），朝向为180°（面向南方）。通过分析不同天气条件下的系统运行情况，研究验证了所提出的优化策略的有效性。此外，研究还探讨了如何通过调整系统参数，提高系统的适应性和韧性，使其能够更好地应对不可预测的可再生能源输出。

研究结果表明，考虑设备停机率和可靠性约束的系统配置，能够显著降低系统的总成本并提高其可靠性。通过比较考虑和不考虑设备故障的模拟场景，研究发现忽略设备停机率会导致成本低估和可靠性高估。这表明，在设计混合可再生能源系统时，必须充分考虑设备的可靠性和停机率，以确保系统的经济性和稳定性。此外，研究还探讨了如何通过调整系统参数，提高系统的适应性和韧性，使其能够更好地应对不可预测的可再生能源输出。

本文提出的混合光伏–风力–储能系统在测试中表现出最佳性能，其总净现值成本为134.2万英镑，可靠性值为0.00612%。这一结果表明，该系统在成本和可靠性方面均优于其他混合系统。此外，研究还探讨了如何通过调整系统参数，提高系统的适应性和韧性，使其能够更好地应对不可预测的可再生能源输出。通过引入机器学习算法，可以更精确地预测系统的运行状态，并优化系统的配置，使其在复杂环境中实现最佳性能。

研究还强调了在混合可再生能源系统中，能源管理技术的重要性。通过引入机器学习和元启发式优化方法，可以更有效地管理系统的运行，提高系统的可靠性和经济性。此外，研究还探讨了如何通过调整系统参数，提高系统的适应性和韧性，使其能够更好地应对不可预测的可再生能源输出。通过比较不同优化方法的性能，研究发现基于灰狼优化的机器学习算法在收敛速度和精度方面均优于传统方法。这表明，在设计混合可再生能源系统时，必须采用先进的优化技术，以确保系统的最佳性能。

此外，研究还探讨了如何通过调整系统参数，提高系统的适应性和韧性，使其能够更好地应对不可预测的可再生能源输出。通过引入机器学习算法，可以更精确地预测系统的运行状态，并优化系统的配置，使其在复杂环境中实现最佳性能。研究还发现，基于灰狼优化的机器学习算法在收敛速度和精度方面均优于传统方法。这表明，在设计混合可再生能源系统时，必须采用先进的优化技术，以确保系统的最佳性能。

在结论部分，本文详细介绍了如何通过优化配置，使混合可再生能源系统（包括风力、光伏和HGES）在最小化总成本的同时保证可靠性。研究采用了一种结合机器学习和元启发式优化技术的方法，以在现实和具有挑战性的天气条件下找到最经济的系统配置，同时满足能源需求。所使用的太阳能和风力数据对应于三个月的时间，以确保模型的准确性。此外，研究还探讨了如何通过调整系统参数，提高系统的适应性和韧性，使其能够更好地应对不可预测的可再生能源输出。

总的来说，本文的研究结果表明，混合可再生能源系统的优化配置和管理策略在提升其成本效益和可靠性方面具有重要意义。通过引入机器学习和元启发式优化方法，可以更精确地预测系统的运行状态，并优化系统的配置，使其在复杂环境中实现最佳性能。此外，研究还探讨了如何通过调整系统参数，提高系统的适应性和韧性，使其能够更好地应对不可预测的可再生能源输出。这些发现为未来的研究提供了重要的参考，特别是在如何设计和优化混合可再生能源系统方面。