《Eng》:Hybrid Smart Energy Community and Machine Learning Approaches for the AI Era in Energy Transition
Helena M. Ramos,
Ignac Gazur,
Oscar E. Coronado-Hernández and
Modesto Pérez-Sánchez
编辑推荐:
混合智能能源社区(HySEC)模型是一个用于优化混合可再生能源系统的集成框架,统一了建筑信息模型(BIM)、物联网(IoT)和数据驱动建模,作为能源转型的一种创新方法。一个Revit-Twinmotion BIM模型,丰富了地形、计算机辅助设计(CAD)和真实
混合智能能源社区(HySEC)模型是一个用于优化混合可再生能源系统的集成框架,统一了建筑信息模型(BIM)、物联网(IoT)和数据驱动建模,作为能源转型的一种创新方法。一个Revit-Twinmotion BIM模型,丰富了地形、计算机辅助设计(CAD)和真实图像数据,增强了空间精度和利益相关者沟通,而一个连接传感器、网关、边缘设备和云平台的数字-物理架构实现了去中心化的点对点通信和实时监控。该框架应用于一个由水-风-太阳能光伏系统组成的智能能源社区,服务于六栋建筑(48.8 MWh/年),并得到高分辨率逐时Open-Meteo数据的支持。一个基于8760个逐时观测值训练的非线性自回归外生输入神经网络(NARX)在第16个训练周期(epoch)达到2.346的均方误差(MSE),提供了先进的预测能力。与HOMER的基准比较显示了明显优势:电网输出(15130 vs. 8274 kWh/年)、电池循环(445 vs. 9181 kWh/年)、平准化能源成本(LCOE)(�0.09 vs. �0.180/kWh)、内部收益率(IRR)(9% vs. 6%)、投资回收期(8.7 vs. 10.5年)和二氧化碳(CO2)排放(-9.4 vs. 101吨)。这些结果证实HySEC是一个概念上灵活的方案,能够增强能源自主性,支持遗产地修复,并促进可持续的农村发展。
在全球能源转型背景下,水电技术正经历数字化与可持续导向的革新,但现有研究多将建筑信息模型(BIM)、物联网(IoT)和机器学习(ML)等技术单独应用于可再生能源系统,缺乏集成框架。此外,混合能源社区的优化常依赖单一商业软件(如HOMER),限制了灵活性与环境动态表征。为此,研究人员提出混合智能能源社区(HySEC)模型,旨在统一BIM、IoT和数据驱动建模,提升能源自主性、支持遗产修复和农村可持续发展。该论文发表在《Eng》上。
研究人员主要采用以下关键技术方法:①BIM建模:通过Revit-Twinmotion整合地形、CAD和真实图像数据,构建高精度三维模型;②IoT架构:部署传感器、网关、边缘设备和云平台,实现去中心化点对点通信与实时监控;③机器学习:应用非线性自回归外生输入神经网络(NARX),基于8760个逐时观测值(温度、风速、流量)预测总能源产量;④优化算法:利用Excel Solver(广义约简梯度法GRG与遗传算法GA混合)进行单目标优化,以及Python实现的非支配排序遗传算法II(NSGA-II)进行多目标优化。案例研究对象为葡萄牙Sousa River的Moinho do Salto磨坊建筑群,含六栋历史建筑(总年耗电48.8 MWh),由水-风-太阳能光伏混合系统供电。
研究结果如下:
- **BIM(3.2节)**:通过Revit与Twinmotion结合,提升了空间精度与利益相关者沟通,弥补了高程数据分辨率不足。
- **IoT(3.3节)**:建立数字-物理架构,实现离线岛式运行(备用并网),电池48 V/6 kWh,所有设备经混合最大功率点跟踪(MPPT)控制器协调。
- **机器学习应用(3.4节)**:NARX模型采用Levenberg-Marquardt(L-M)算法训练,训练、验证、测试阶段均方误差(MSE)分别为2.2439、2.3460、2.5997,相关系数(R)分别为0.9329、0.9306、0.9264;验证误差在epoch 16最佳;L-M优于共轭梯度法(CG)。
- **能源平衡(3.5节)**:优化后总可再生能源产量57,341 kWh/年,电网购入7041 kWh,出售15,130 kWh,电池循环充放电4472/445 kWh。
- **技术经济评估(3.6节)**:最佳配置为太阳能光伏14.44 kW、风电9.87 kW、水电5.5 kW,净现值(NPV)�35,359,投资回收期8.7年,内部收益率(IRR)9%,平准化能源成本(LCOE)�0.09/kWh;税收优惠与补贴显著降低前期成本。
- **模型验证(3.7节)**:与HOMER对比,HySEC在电网出售、电池循环、LCOE、IRR、回收期和CO
2排放(-9.4 vs. 101吨)上均具优势,但NPV较低(�35,359 vs. �89,080),体现更优的投资效率与环境性能。
- **局限性(3.8节)**:依赖高质量数据、计算负荷高、电池模型简化、静态经济假设;未来可集成蒙特卡洛模拟、动态费率、生命周期评估等。
讨论部分指出,HySEC的创新在于统一BIM、IoT与数据驱动建模,量化基准比较显示其优于商业软件。研究结论部分翻译如下:HySEC引入了多项创新,将BIM、IoT和数据驱动建模整合为单一操作框架,而多数研究分别处理这些组件。使用Revit-Twinmotion BIM模型丰富了地形、CAD和真实图像数据,提供了微电网研究中罕见的空间精度和利益相关者沟通。HySEC还结合了完全的数字-物理架构,实现去中心化点对点通信和实时监控,弥合了仿真与可部署智能社区基础设施之间的差距。在方法上,它应用了离网岛式的水-风-太阳能光伏混合配置,这种组合在文献中很少被联合优化,并使用高分辨率逐时Open-Meteo数据对六栋建筑(48.8 MWh/年)建模。基于8760个逐时观测值训练的NARX神经网络,在第16 epoch达到MSE 2.346,提供了超越典型确定性或简化模型的预测能力。一项主要创新是与HOMER的定量基准比较,在电网输出、电池循环、LCOE、IRR、投资回收期和CO
2排放方面表现出优越性能。这一比较验证表明,HySEC不仅在概念上新颖,而且在经验上更高效且环境更优。总体而言,该研究贡献了一个集成、数据丰富且操作现实的框架,增强了能源自主性,支持遗产地修复,促进了可持续的农村发展。