首页 > 霍克蓄电池-官网

EnerSys蓄电池基于人工智能的农光互补系统最优能源与水资源管理系统

摘要

农光互补系统可提升可再生能源发电、水资源管理和农业生产力。本研究提出了一种人工智能辅助的能源与水资源管理框架，该框架整合了光伏（PV）发电、电池储能系统、地下水灌溉、水资源储存、双向电网交互以及电动汽车充电。该框架包含两个阶段：首先是基于贝叶斯优化的长短期记忆模型进行日前光伏预测，随后是采用混合整数线性规划在电力、水力、电池、土壤水分、水资源储存和电网约束下最小化每日运行成本。农光互补微气候对蒸散发和降水传递的影响，通过基于文献的系数在土壤水分动态中体现。研究在316个每日预测起点上，对21种配置下的六个预测模型系列进行了评估。所选模型的平均绝对误差为0.268兆瓦，相当于电站容量的4.37%，加权平均绝对百分比误差为14.5%，以及R²= 0.915，将持续性基准误差降低了42.0%。应用于土耳其安塔利亚的一个五公顷番茄种植系统，在八种运行场景下，该框架实现了每日最低运行成本为-31.321欧元。它还能将土壤水分和储水箱水位维持在规定范围内，并在满足当地农业和电力需求的同时，在紧急情况下提供高达300千瓦的持续电网支持。

1. 引言

1.1. 研究动机

对可再生能源和农业生产日益增长的需求加剧了对土地资源的竞争，使得现有土地的高效利用成为一项关键挑战[1]。农光互补系统将光伏（PV）发电与同一土地上的农业活动相结合，已成为同时解决粮食和能源生产问题的有效解决方案[2]。除了提高土地利用效率外，光伏组件提供的局部遮阴还能在适宜的气候条件下减少蒸腾作用，提高土壤保水能力，并降低灌溉需求[3]。然而，实现这些效益需要多个互联子系统的协调运行，包括光伏发电、电池储能系统（BESSs）、灌溉系统、地下水抽取、储水箱、公用电网交互，以及日益重要的电动汽车（EV）充电基础设施。
农光互补系统的运行具有内在挑战性，因为光伏发电具有高度间歇性，且灌溉需求随作物需水量而变化[4光伏系统产生的能量必须在电池充电、灌溉泵送、电动汽车充电、本地负荷和电力交易之间进行优化分配，同时保持充足的土壤水分以实现作物的可持续生长。此外，太阳能发电高峰与电力或灌溉需求之间的时间错位，需要能够同时考虑技术、农业和经济约束的智能调度策略。
准确的短期光伏功率预测在优化运行调度方面发挥着重要作用。深度学习的最新进展表明，长短期记忆（LSTM）网络能够有效建模光伏发电的非线性和时间特征[5]。然而，LSTM模型的预测性能高度依赖于超参数的选择，这促使人们使用贝叶斯优化来自动识别高性能的模型配置[6].
现有的农光互补研究主要集中在系统设计、技术经济评估、作物表现和组件选型上。然而，在统一的优化框架内，综合考虑光伏发电、电池储能系统运行、地下水抽取、灌溉调度、土壤水分动态、双向电网交互和电动汽车充电的农光互补系统短期协同运行调度，尚未得到充分关注。此外，基于人工智能的光伏预测与基于优化的能源和水资源管理的集成，仍是一个尚未得到充分探索的研究领域。针对这些研究空白，本文提出了一种人工智能辅助的农光互补系统能源和水资源优化管理框架。

1.2. 文献综述

大部分农光互补文献主要关注系统几何结构、作物与光照的相互作用、设计优化以及孤立的预测方法，而非以预测为导向的短期运行。Mazzeo等人[7]表明，地面覆盖率、净空高度和跟踪系统会显著影响辐照度分布、作物产量和光伏输出，而Apriani等人[8]则证明，半透明光伏布局可以在不显著影响小白菜生长的同时提高光照均匀度。在规划层面，Kumdokrub和You[9] 通过平衡灌溉相关收益、光伏发电和排放量，优化了土地分配，而Giri等人[10]则使用ANN-GA框架优化了姜黄农光互补系统的能源-粮食双重性能。相关的预测研究也证明了先进数据驱动方法的价值：Zhao等人[11] 通过基于注意力的空间精细化和时间一致性正则化改进了降水临近预报，Chen等人[12] 结合了自适应分解、概率推理和图学习，用于复杂的时变工业预测。这些研究确立了设计优化和高级预测的价值；然而，预测组件通常并未与农光互补能源-水调度决策直接耦合。
]第二组研究将农光互补评估扩展到了混合能源系统、技术经济性能和微气候效应。Kouravand等人[13]将移动式农光互补与氢气生产、储能和电池结合用于草莓种植，而Özdemir等人[14] 实验验证了双面光伏集成温室，并量化了能量产量与作物表现之间的权衡。Zainali等人 [4] 综述了农光互补建模方法，并强调了建立集成建模平台和标准化基准的必要性，而 Guarino 等人 [15] 为复杂的双面跟踪几何结构开发了定制的基于 PVlib 的模型。Sadeghi Chamazkoti 等人 [16] 将农光互补与电解和用水评估相结合，Tomasi 等人 [17] 强调了农光互补部署的社会与公正相关维度。Lu 等人 [18] 在建筑尺度上集成了光伏发电、垂直绿化和被动冷却，而 Senturk 等人 [19] 通过实验量化了光伏覆盖对辐射、土壤水分、温度和作物响应的影响。尽管这些研究将农光互补扩展到了发电之外，但大多数研究侧重于设计、长期可行性或实验表征，而非对电力和水资源的协调性日前控制。
Sarr等人[20]通过综合考虑辐射、蒸散发和玉米产量优化了光伏板几何形状，而Ji等人[21]则利用基于分布式语言信任的混合多性向决策方法，为耦合储能的农光互补系统开发了最优投资决策框架。Asa’a等人[22]利用耦合辐照度和作物生长模型比较了九种农光互补拓扑结构，Gadhiya等人[23]则从能源、粮食和经济角度实验评估了高架光伏昆虫网室。Al-Amin等人[24] 证明了全规模高架农光互补系统的技术经济可行性，而 Garrod 等人 [25] 结合 PVsyst 和 DSSAT 评估了区域技术和经济表现。在更大规模的系统方面，Gonocruz 等人 [26] 使用线性规划评估了考虑输电和电池约束的农光互补部署，Coşgun 等人 [27] 研究了土耳其的区域农光互补潜力，Baker 等人 [28] 评估了一个用于燃料电池电动汽车（FCEV）加注的大型离网农光互补-氢能系统。这些研究展示了日益集成的能源-作物评估，但它们主要关注系统设计、规模确定、部署或长期规划，而非光伏、储能、灌溉、电网交换和柔性负荷之间的短期预测-运行协调。
最近的实验和应用导向研究进一步强调了明确表征作物、微气候和操作效应的重要性。Aziznezhad等人[29]实验评估了一种光谱分离式聚光农业光伏系统，并报告了土壤水分保持和作物质量的改善。Jamil等人[30]评估了加拿大农业地区垂直双面光伏布局，而Zhang等人[31]量化了面板高度对光照可用性、光合作用和无花果产量的影响。Zeddies等人[32] 考察了公众对农光互补系统的接受度和支付意愿，而 Randle-Boggis 等人 [33] 在东非多地试验中证实了其在能源、粮食和水资源方面的同步效益。Magadley 等人 [34] 量化了温室农光互补系统中跟踪系统和辐照度损失的影响，Vélez 等人 [35] 识别了光伏结构下 GNSS 的局限性，Thum 等人 [36] 记录了农光互补遮阴下水稻的长期微气候和产量响应。Hussain 等人 [37] 在不同气候条件下将农光互补与电池支持的制氢相结合，而Victoria等人[38] 则从能源、微气候、作物响应和公众接受度方面比较了垂直和南向双面系统。这些研究共同提供了有力证据，表明农光互补的运行本质上是多领域的，然而相应的电力、水力、农艺、预测和移动决策仍很少被整合进单一的短期运行框架中。
综上所述，现有文献中仍存在四个主要局限性。首先，大多数农光互补研究侧重于物理设计、作物响应、技术经济评估或长期规划，而非以预测为驱动的日前运行。其次，先进的预测方法通常被视为独立的预测工具进行评估，并未直接与下游的能源-水调度相挂钩。第三，灌溉、根区土壤水分动态、农光互补微气候效应、电池储能系统（BESS）运行、双向电网交换以及与移动性相关的负荷，很少在单一运行模型中进行协同优化。第四，在将生成的预测结果转移到优化阶段之前，很少通过受控的预测对比来量化生产数据质量和日前天气信息的影响。所提出的框架通过将经过系统评估的日前光伏预测与基于混合整数线性规划（MILP）的调度直接耦合，填补了这些空白。该调度涵盖了光伏发电、电池储能系统（BESS）运行、电网交互、地下水抽取、蓄水、灌溉、基于文献微气候调整的作物特定土壤水分约束，以及农业和个人电动汽车充电。这使得电力、水力、农艺和交通相关的决策能够在一个统一的日前农光互补运行框架内得到共同表征。

1.3. 主要贡献

本研究的主要贡献总结如下：

开发了一个集成人工智能辅助的日前框架，其中基于贝叶斯优化的光伏预测与基于混合整数线性规划（MILP）的农光互补运行直接耦合。该框架共同协调光伏发电、电池储能系统（BESS）运行、双向电网交互、地下水抽取、储水、灌溉调度以及基于文献的微气候调整、作物特定土壤水分约束、农业和个人电动汽车充电，从而将电力、水力、农学和交通相关的决策整合到一个单一的运行模型中；
预测阶段并非通过预先选择单一模型建立，而是通过严格且受控的评估流程确定的。研究对六类预测模型家族在21种配置下进行了评估，涵盖316个每日预测起点，并考虑了是否使用存档的日前数值天气预报（NWP）输入以及贝叶斯超参数优化，同时采用移动区块自助法置信区间。此外，基于天文学的筛选程序纠正了混合时间基准，并识别出停机、积雪天数以及供应商侧的复制填充，从而增强了传输至优化模型的PV曲线的可信度；
构建了一个统一的混合整数线性规划（MILP）能源-水资源管理模型，旨在协同优化电力与灌溉决策，同时满足电池储能系统（BESS）、电网、水泵、储水箱以及物理一致的根区土壤-水资源约束。通过基于文献的系数，将农光互补系统对蒸散发和降水传输的潜在影响纳入模型，从而在作物-水资源状况与能源调度之间建立明确的运行关联，而非将灌溉视为独立的用电需求；
该综合框架针对土耳其安塔利亚的一处五公顷番茄农光互补系统进行了评估，涵盖了八种代表性运行场景，包括高电动汽车充电需求、电网购电限制、有限的并网容量以及紧急电网支持。这种基于场景的评估展示了在实际不同条件下，协同协调可再生能源发电、储能、灌溉、交通出行和电网交互的运行影响。

为了对所综述的研究进行结构化比较，本文在表1中呈现了现有文献的分类体系，综合考虑了关键系统组件、预测方法、水相关建模特征以及优化方法。
表1。所综述文献的分类体系。

1.4. 论文结构

本文其余部分安排如下。第2节介绍了所提出的方法。第3节描述了测试系统，并展示了模拟结果和对比分析。最后，第四节总结了本文。

2. 提出的结构与数学建模

所提出的AI辅助能源与水资源优化管理框架的整体架构如图所示图1光伏农业系统由光伏阵列、电池储能系统、公用电网、地下水潜水泵、储水箱和滴灌网络组成，并与番茄种植相结合。利用基于贝叶斯优化的LSTM模型生成日前光伏功率预测，随后由基于混合整数线性规划的能源与灌溉管理系统利用该预测来确定最佳运行计划。该优化框架在满足电气、水力、电池和土壤水分约束的同时，同步协调与公用电网的电力交换、电池充放电、地下水抽水、储水管理、灌溉调度以及电动汽车充电。通过对能源和水资源的协同管理，该框架旨在最大化可再生能源利用率，降低运行成本，并确保光伏农业的可持续运行。
Applsci 16 08982 g001

图1。所提出的用于农光互补系统的AI辅助最优能源与水资源管理框架的示意架构。

2.1. 日前光伏发电量预测

该框架的第一阶段生成了日前光伏发电曲线，供优化模型使用2.2节作为输入。由于调度决策每天仅做出一次，因此预测任务也以相同的操作术语定义：在第D天的23:59，根据当时可用的信息预测第D+1天的24小时生产值。由于可用的历史光伏发电数据是以每小时分辨率记录的，因此预测模型会生成次日的24个每小时光伏功率值。每个每小时预测值将应用于混合整数线性规划（MILP）模型中相应的60个一分钟间隔。这种方法也与土耳其日前电力市场保持一致，该市场按小时周期确定电力交易、价格和能源数量。未来工作中将考虑纳入更高分辨率的光伏测量数据和分钟级预测。

2.1.1. 预测任务、数据与质量筛选

发电记录包含从伊斯坦布尔能源交易所透明平台（EPİAŞ）获取的每小时实测发电量 [39]. 覆盖时间为2024年7月1日至2026年7月1日，数据源自土耳其安塔利亚省一座装机容量为6.12 MW的在运行并网地面电站，地理位置约为北纬37.05°、东经31.79°，海拔1060米。由于土耳其采用永久UTC+3时区，当地每小时电网数据连续无中断。该导出数据包含15,343行记录，对应17,544小时的完整电网时间序列，无重复时间戳、负值或无法解析的条目；其最大值等于装机容量，并用于归一化所有相对误差指标。
出口数据混合了每日三个不同的时间基准，这是传统完整性检查无法检测出的缺陷。因此，每天的时间基准是通过将其发电曲线与场地的晴空辐照度曲线进行加权最小二乘匹配来估算的 [40] 在±1.5小时的候选偏移量范围内进行调整，当记录到太阳在地平线以下时，生产数据将覆盖拟合结果，且对齐错误的日期将被重新标记。校正后，在记录的全部25个月中，晴天生产数据与零滞后的晴空曲线相关性最佳，而此前有7个月更倾向于-1小时，且122个物理上不可能的小时均被剔除。无法确定时间基准的日期仍保留为模型输入，但被排除在训练目标和评估之外。
剩余的筛选工作完成了每小时电网数据并对整天进行了分类。当发电量降至零后，被剔除的傍晚时段若经14天同小时中位数确认属于夜间，则填充为零；孤立的1至2小时缺口采用线性插值法补全；29个完全缺失的天数则保持为空。通过与ERA5再分析数据[41]进行交叉比对，识别出17次未记录的停电情况，以及发电量为零的天数（最高可达8.7 kWh/m²每日辐照度且无雪，以及前一天的完全副本；保留了七个再分析雪深至少为一厘米的冬季天数，因为雪是预报系统原则上应该预见的降水。在731天中，581天被归为正常天数，7天为积雪天数，96天为时间不确定天数；剩余的47天为上述缺失、停机和重复天数。异常天数作为输入对模型仍然可见，但绝不作为训练目标使用，也绝不计入评分；本文报告的所有指标均基于最终的评估掩码计算。这一点至关重要，因为复制的天数和连续的停机零值会使持续性预报的误差恰好为零，从而扭曲衡量所有预报技能的参考标准。

2.1.2. 输入特征与日前天气预报

所有基于天气信息的配置均使用Open-Meteo服务的历史运行存档[42]，它存储了每个小时的值，即业务天气模型在大约一天前对该小时的预测值。这重现了23:59时刻可用的信息，并使模型在具有与实际运行中相同误差特征的输入上进行训练。使用了九个每小时变量：全球水平、直接法向和散射辐照度，总云量，两米高处气温，十米高处风速，相对湿度，降水量和降雪量。通过与评估年份内实际的ERA5辐照度进行验证，该数据源在白天的平均绝对误差为42 W/m²²相关性为0.97；其网格单元距离该地点约两公里，海拔几乎相同。ERA5数据仅用于上述日级筛选，从未作为模型输入。
太阳几何学与天气分开处理，因为它具有确定性。太阳高度角、太阳天顶角的余弦值、晴空辐照度以及小时和年内日期的正弦-余弦编码（均在半小时时点评估）被提供给所有模型，包括不含天气输入的配置。因此，有/无天气的比较仅隔离了九个NWP变量的价值。

2.1.3. 基于贝叶斯超参数优化的序列到序列LSTM

该预测模型是一个由长短期记忆单元构建的序列到序列网络[43] 一个编码器LSTM读取最近H小时的历史数据，每小时由归一化产量、七个确定性太阳几何通道以及（在包含天气信息的变体中）九个标准化的NWP变量来描述，从而提供十七个输入通道，若不含天气信息则为八个。其最终的隐藏状态和细胞状态用于初始化解码器LSTM，该解码器由二十四个目标小时中每个小时的十六个已知协变量通道驱动，并通过逐步线性层映射为产量值。解码器从不接收自身的预测值；因此，全天数据通过单次结构化处理即可生成，且误差不会沿预测时界累积。
训练过程最小化了掩码回归损失，其中没有有效目标值（缺失、异常或时间不确定的）的时段被排除，以便对第2.1.1节直接传播到目标函数中）。优化过程采用AdamW算法，梯度范数裁剪阈值为1.0，并在训练切片的最后60天应用早停机制。由于单年数据仅能提供约360个日样本，训练窗口会以亚日步长进行额外采样，而业务预测始终从23:00位置发布。生产数据按工厂产能进行归一化处理，NWP变量仅使用训练切片统计数据进行标准化；网络模型每季度在固定随机种子下，基于扩展窗口进行重新拟合。
超参数是通过Optuna中实现的树状Parzen估计器，利用贝叶斯优化进行选择的[44]，每个网络变体进行40次试验，梯度提升基准模型进行50次试验，每次运行均完整执行，不进行剪枝。模型选择采用了刻意设计的季节性验证方案，因为在评估年份之前仅有一年的数据，任何单一时间窗口在季节上都是不完整的，基于该窗口选择的设置存在编码该季节特性的风险。因此，每个候选方案在两个不相交的时间窗口上进行评分：2024年10月15日至11月30日（其目标小时已从所有训练数据中移除），以及2025年5月1日至6月29日，并根据这两个窗口平均绝对误差的平均值进行排位。所选设置在评估年份开始前即被固定，且不再更改。表2列出了搜索空间和所选数值。
表2。日前预测模型的超参数搜索空间和选定值。选择目标是两个验证窗口平均绝对误差的平均值。lr：学习率；wd：权重衰减；H：历史长度（小时）；stride：训练窗口增强步长。

2.1.4. 基准模型、评估协议与指标

另外实现了五个模型族作为基准，它们共享相同的信息集、后处理和评估掩码，从而使比较能够分离出学习算法。持久性模型预测明天将重复今天，并定义了技能得分。一个周期为24的季节性自回归移动平均模型在每个起点上通过28天滑动窗口进行重新拟合；其SARIMAX变体将日前预测中的全球辐照度、云量和温度作为外生回归量加入[45]。一个梯度提升回归器[46] 根据初始时刻已知特征（前一、二、七天同一小时的产量、同一小时的周平均值、第D天的聚合描述符、晴空指数以及目标小时的太阳几何参数）预测每个目标小时，并每月在扩展窗口上重新拟合。卷积循环网络在循环摘要器之前放置了两个一维卷积层和池化层[47,48]；时间卷积网络通过带有残差连接的扩张因果卷积取代了循环结构[49]. 每个模型都经过相同的后处理：预测值被限制在0%到110%的容量之间，并且当晴空模型将太阳置于地平线以下时，预测值被设为零。
预测起始日期从2025年6月30日到2026年6月29日，以便目标覆盖完整的一年（2025年7月1日至2026年6月30日）；与完全缺失日期相邻的起始日期被跳过，最终保留316个评估起始日期和5204个评分小时。每个预测均由基于至少12个月修正历史数据训练的模型生成；所有数据访问均由单一回测引擎介导，该引擎为每个起始日期精确重构上述定义的信息集。信息泄露的缺失已通过机械方式验证：将起始日期后所有的生产和天气数值替换为任意数据，每个预测结果均保持不变。
主要指标是兆瓦单位的平均绝对误差（MAE），并辅以均方根误差（RMSE）；两者也以6.12兆瓦容量的百分比形式报告（nMAE，nRMSE）。平均绝对百分比误差（MAPE）仅在发电量超过容量5%的小时内报告，因为在零发电量时百分比误差无定义，而加权平均绝对百分比误差（WMAPE）则使用所有掩码小时。决定系数（R²)以及预测技能（即模型平均绝对误差与持续性模型平均绝对误差之比的1减去该比值），构成了完整的预测体系。不确定性通过移动区块自助法进行量化，以七天为区块对整天数据进行一千次重采样，从而得出每个平均绝对误差以及相同日期配对差异的95%置信区间；当差异的置信区间不包含零时，该差异即为显著。该流程使用Python 3.12和PyTorch 2.8.0实现。

2.2. 能源与水资源管理模型

公式(1)中给出的目标函数代表了系统在整个规划期内的总运行成本。其中，表示在时间从电网购买的单位电价，而是外购电网电量。同样地，和指示当时的售价和上网电量，分别。该项代表时间分辨率。该成本函数旨在最小化购电产生的成本，同时最大限度地利用售电收益：

上一个：NCM811锂离子HAWKER蓄电池退化诊断与耐久性评估的EIS、DCIR和SoH综合分析下一个：返回列表

产品分类

新闻中心

联系我们

联系人：英国霍克蓄电池（中国）营销总部

手机：15313702523（微信同号）

E-mail：ukhawker@yeah.net