研究机构与人员: 本研究由 K. Lalbiakhlua, Subhasish Deb, Ksh. Robert Singh, Subir Datta, Hassan Abdurrahman Shuaibu & Taha Selim Ustun 共同完成。
发表期刊: 《科学报告》(Scientific Reports) (2025年)。
核心研究内容与效果:
本研究旨在解决超快充电站(UFCS)高耗电和对电网依赖性强的问题。研究团队开发了一个创新的优化框架,将深度学习太阳能预测与遗传算法(GA)优化相结合,用于精确计算光伏(PV)和电池储能系统(BESS)的最佳配置容量。
深度学习方法: 采用门控循环单元(GRU) 模型来预测光伏发电输出,提高了预测准确性。优化算法: 使用遗传算法(GA) 以净现值(NPV) 最大化为目标,针对工作日和周末不同的充电需求曲线,分别优化光伏和储能系统的规模。
显著经济效益: 模拟结果显示,仅集成光伏系统即可提升NPV达619万欧元;而光伏与储能系统结合的方案,能将NPV大幅提升至3397万欧元。考虑到未来设备成本下降,系统最高NPV可达3405万欧元。
系统可靠性: 通过能量充足率(ESR) 和自给率(AR) 两项指标进行分析,证实该方案显著增强了充电站的能源自给自足能力,降低了对主电网的依赖。
研究创新点: 本研究的核心新颖性在于将GRU深度学习预测与基于NPV经济性驱动的优化模型相结合,并 explicitly考虑了工作日与周末的需求差异,提供了更贴近现实的数据驱动解决方案。
结论: 该研究通过智能预测和进化优化,证明了采用光伏-储能混合供电的超快充电站具有巨大的技术潜力和经济价值,为部署智能、有弹性的电动汽车充电基础设施提供了重要参考。