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-DNN-BD模型，优化海上可再生能源微电网的容量规划，降低生命周期能源成本。

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

关键词: 海上微电网 可再生能源优化 电池退化建模 深度神经网络 容量规划

📋 核心要点

  1. 海上孤立区域依赖传统能源成本高昂且污染严重，亟需可再生能源微电网解决方案，但电池退化成本难以准确建模。
  2. 论文提出REMO-DNN-BD模型，通过深度神经网络精确预测电池退化，从而优化可再生能源和储能的容量配置。
  3. 在六个测试区域的仿真结果表明，该方法能有效降低生命周期能源成本，同时保证微电网的可靠性和可持续性。

📝 摘要（中文）

全球能源领域正经历向可再生能源和先进储能解决方案的转型，这是对可持续和弹性电力系统迫切需求的推动。孤立的海上社区，如岛屿和海上平台，传统上依赖大陆电网或柴油发电机，将从可再生能源的整合中获益匪浅。有前景的海上可再生能源技术包括风力涡轮机、波浪和潮汐能转换器以及漂浮式光伏系统，并与电池储能系统等储能解决方案相结合。本文介绍了一种可再生能源微电网优化器（REMO），该工具旨在确定海上微电网可再生能源发电和存储资源的最佳规模。此类模型中的一个关键挑战是准确计算电池退化成本。为了解决这个问题，REMO模型集成了一个基于深度神经网络的电池退化（DNN-BD）模块，该模块考虑了环境温度、充放电速率、荷电状态、放电深度和电池健康状况等变量。在六个测试区域的仿真表明，REMO-DNN-BD方法在保持高可靠性和可持续性的同时，最大限度地降低了生命周期能源成本，使其成为海上微电网系统的可行设计方案。

🔬 方法详解

问题定义：论文旨在解决海上平台和沿海社区等孤立区域，如何优化可再生能源微电网的容量配置问题。现有方法在评估电池储能系统的长期成本时，难以准确预测电池的退化情况，导致微电网的整体经济效益降低。传统方法通常采用简化的电池寿命模型，无法充分考虑多种因素对电池寿命的影响。

核心思路：论文的核心思路是利用深度神经网络（DNN）学习电池退化与多种因素（如温度、充放电速率、荷电状态等）之间的复杂关系，从而更准确地预测电池的退化成本。通过将精确的电池退化模型集成到微电网优化模型中，可以更有效地规划可再生能源和储能的容量，降低生命周期能源成本。

技术框架：REMO-DNN-BD模型包含两个主要模块：可再生能源微电网优化器（REMO）和基于深度神经网络的电池退化模块（DNN-BD）。REMO模块负责优化可再生能源发电和储能的容量，以最小化生命周期能源成本。DNN-BD模块则负责预测电池的退化成本，并将该成本反馈给REMO模块。整个流程是一个迭代优化过程，直到找到最优的容量配置。

关键创新：该论文的关键创新在于将深度学习技术应用于电池退化建模，并将其集成到微电网优化模型中。与传统的电池寿命模型相比，DNN-BD模块能够更准确地预测电池的退化情况，从而提高微电网容量规划的准确性和经济性。

关键设计：DNN-BD模块采用多层感知机（MLP）结构，输入特征包括环境温度、充放电速率、荷电状态、放电深度和电池健康状况等。损失函数采用均方误差（MSE），优化器采用Adam。REMO模块采用混合整数线性规划（MILP）方法，目标函数是最小化生命周期能源成本，约束条件包括电力平衡、储能容量限制和可再生能源发电限制等。关键参数包括DNN的学习率、隐藏层大小和迭代次数，以及REMO的容量上下限和成本参数。

📊 实验亮点

在六个不同地理位置的测试区域进行的仿真结果表明，REMO-DNN-BD模型能够显著降低海上微电网的生命周期能源成本。与传统方法相比，该模型在保证微电网可靠性和可持续性的前提下，实现了更优的容量配置方案。具体的性能提升数据（例如成本降低百分比）在摘要中未明确给出，属于未知信息。

🎯 应用场景

该研究成果可应用于海上石油平台、偏远岛屿和沿海社区等场景，为其提供经济、可靠和可持续的电力供应解决方案。通过优化可再生能源微电网的容量配置，可以降低对传统化石燃料的依赖，减少碳排放，并提高能源自给自足能力。此外，该方法还可以推广到其他储能系统的优化设计中。

📄 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.