基于模仿学习考虑最优控制的孤立混合可再生能源系统容量 sizing

通过在孤立或离网能源系统中逐步引入大比例间歇性太阳能或风力发电,需要共建置储能设施或继续使用现有的可调 fossil 发电机组以平衡供需。有效的CO2减排取决于储能设施和可再生能源容量的相对比例、可再生发电的随机性以及孤立能源系统的最优控制或调度。虽然储能和可调发电机组的运行可能影响系统容量的最优配置,但在系统容量规划阶段考虑有限时域的最优控制效果仍然具有挑战性。本文提出了一个灵活且计算效率高的能源存储和可再生容量 sizing 框架,用于孤立能源系统,该框架考虑了可再生发电的不确定性以及最优反馈控制。为此,我们实现了一个基于模仿学习的随机神经网络模型预测控制(MPC)方法,该方法允许我们将电池储存和风峰值容量与减排和投资成本相关联,同时考虑有限时域的最优控制。通过该方法,决策者可以在任何价格点下,评估不同储存和风力容量在考虑可再生发电不确定性和有限预见性下的有效减排和成本。我们在一个含有燃气涡轮、风力发电场和电池储能系统(BESS)的海上能源系统案例中评估了所提出的 sizing 框架。在该案例中,我们发现投资成本与气体使用量相对风力和BESS容量的减少之间存在非线性、非平凡关系,强调在设计孤立能源系统时考虑最优控制的复杂性和重要性。