完全地

基于最大化自耗策略和遗传算法的电池储能系统优化运行计划综合评价模型

摘要：当太阳能电池板无法产生足够的能量时，建立储能系统是有益的。然而，在可行性和效率方面存在一个重大问题。这些限制可以通过部署最佳运行策略来克服。在以前的研究中，研究人员通常专注于在这种情况下寻找解决问题的策略，只有一两个评估指标，缺乏对综合目标的全面评估。此外，很少有研究提出适用于具有不同能源需求特征的基于预测的运行场景的电池系统通用模型。因此，本研究开发了一个电池储能系统运行计划优化的综合评估模型，该模型具有详细、全面的分析以及实施的实用性。为了尽可能迅速、完全地消耗光伏发电的最大允许速率，该模型基于最大化自耗策略 (MSC)。采用遗传算法对光伏发电和负载需求进行时间匹配，充分考虑综合技术经济指标和总运行成本。该模型在典型的美国房屋中进行了验证，根据所分析的三种电池的技术经济指标选择最佳电池系统。研究发现，Discover AES、Electriq PowerPod2 和 Tesla Powerwall+ 这三种电池都可以作为储能选项，在短时间充电和放电阶段，它们的技术性能存在细微差别。Discover AES 的优势在于，在电池储能系统长期运行期间，可以及时利用光伏发电来满足负载需求。通过机器学习方法正确预测建筑能源需求，可以进一步扩展模型的稳健性和预测性能。机器学习方法被证明可行，可以使我们的优化模型适应具有不同能源需求特征的各种电池存储场景。这项研究在两个方面具有创新性。首先，使用 MSC 策略的遗传算法进行分层优化。其次，将机器学习方法与遗传算法结合使用，对预测计划进行在线优化。此外，本文提出的制定最佳运行计划的方法具有三大优点，即：通用性、实施方便和可扩展性好。然而，电池储能系统的充电和放电性能是在短期​​运行和常规太阳辐射下模拟的。未来应研究考虑太阳波动的长期运行。