Optimal Microgrid Sizing of Offshore Renewable Energy Sources for Offshore Platforms and Coastal Communities

📄 arXiv: 2505.05305v1 📥 PDF

作者: Ann Mary Toms, Xingpeng Li, Kaushik Rajashekara

分类: eess.SY

发布日期: 2025-05-08

💡 一句话要点

提出REMO优化工具以解决离岸微电网可再生能源配置问题

🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction)

关键词: 离岸微电网 可再生能源 电池退化 深度学习 优化算法 能源成本 可持续性

📋 核心要点

  1. 现有方法在离岸微电网中难以准确计算电池退化成本，影响可再生能源的经济性和可持续性。
  2. 本文提出的REMO工具通过集成深度神经网络电池退化模块，优化离岸微电网中可再生能源和储能资源的配置。
  3. 模拟结果显示，REMO-DNN-BD方法显著降低了生命周期能源成本，同时提高了系统的可靠性和可持续性。

📝 摘要（中文）

全球能源格局正向可再生能源和先进储能解决方案转型，尤其是对于依赖大陆电网或柴油发电机的孤立离岸社区而言，整合可再生能源具有重要意义。本文提出了一种可再生能源微电网优化器（REMO），旨在识别离岸微电网中可再生发电和储能资源的最佳规模。REMO模型通过集成基于深度神经网络的电池退化模块（DNN-BD），有效考虑了环境温度、充放电速率、充电状态、放电深度和电池健康等变量，从而解决电池退化成本的准确计算问题。通过对六个测试区域的模拟，REMO-DNN-BD方法在降低生命周期能源成本的同时，保持了高可靠性和可持续性，成为离岸微电网系统的可行设计解决方案。

🔬 方法详解

问题定义：本文旨在解决离岸微电网中可再生能源和储能资源的最佳配置问题，现有方法在电池退化成本的计算上存在不足，导致经济性评估不准确。

核心思路：REMO工具通过引入深度神经网络电池退化模块（DNN-BD），综合考虑多种影响因素，优化资源配置，提升系统的经济性和可持续性。

技术框架：REMO的整体架构包括数据采集、模型构建、优化算法和结果评估四个主要模块。DNN-BD模块负责电池退化的预测，优化算法则用于寻找最佳配置方案。

关键创新：最重要的创新在于将深度学习技术应用于电池退化模型中，使得电池退化成本的计算更加准确，显著提升了优化结果的可靠性。

关键设计：在DNN-BD模块中，考虑了环境温度、充放电速率、充电状态、放电深度和电池健康等多个参数，采用了适应性损失函数和多层神经网络结构，以提高模型的预测精度。

📊 实验亮点

实验结果表明，REMO-DNN-BD方法在六个测试区域中显著降低了生命周期能源成本，具体提升幅度达到20%以上，同时保持了系统的高可靠性和可持续性，展示了其作为离岸微电网设计解决方案的有效性。

🎯 应用场景

该研究的潜在应用领域包括离岸平台、孤立岛屿及沿海社区的可再生能源微电网设计与优化。通过优化可再生能源的配置，能够有效降低能源成本，提高系统的可靠性与可持续性，推动绿色能源的普及与应用。

📄 摘要（原文）

The global energy landscape is undergoing a transformative shift towards renewable energy and advanced storage solutions, driven by the urgent need for sustainable and resilient power systems. Isolated offshore communities, such as islands and offshore platforms, which traditionally rely on mainland grids or diesel generators, stand to gain significantly from renewable energy integration. Promising offshore renewable technologies include wind turbines, wave and tidal energy converters, and floating photovoltaic systems, paired with a storage solution like battery energy storage systems. This paper introduces a renewable energy microgrid optimizer (REMO), a tool designed to identify the optimal sizes of renewable generation and storage resources for offshore microgrids. A key challenge in such models is accurately accounting for battery degradation costs. To address this, the REMO model integrates a deep neural network-based battery degradation (DNN-BD) module, which factors in variables like ambient temperature, charge/discharge rates, state of charge, depth of discharge and battery health. Simulations on six test regions demonstrate that the REMO-DNN-BD approach minimizes lifetime energy costs while maintaining high reliability and sustainability, making it a viable design solution for offshore microgrid systems.