《Journal of Energy Storage》：Enhanced electrochemical performance and stability of (1-x)BiFeO
3 –xCaTiO
3 solid solution nanoparticles as electrode material for supercapacitor applications
编辑推荐：
决策导向学习在光伏-电池系统中的应用使20栋建筑平均电费降低3.6%，尽管预测误差较高（RMSE 19.9%），但优化调度实现成本优势，热启动后成本再降8%（RMSE 13.7%），统计显著（p<0.001）。
Joris Depoortere|Hussain Kazmi|Johan Driesen
ESAT-Electa KU Leuven，Kasteelpark Arenberg 10，Leuven，3001，比利时
摘要
近年来，住宅光伏发电的使用量急剧增加。随着电池系统成本的降低，光伏-电池系统的最佳运行可以为家庭带来显著的成本节约。要实现这些系统的最佳控制，需要准确预测相关参数，例如光伏发电量，从而合理安排电池的使用时间。尽管由于算法进步和数据可用性的提高，预测模型的准确性有所提升，但通常使用的是通用指标来衡量准确性，这些指标可能与实际应用需求不符。本研究提出了一种以决策为中心的学习框架，通过训练长短期记忆（Long Short-Term Memory）光伏能量预测模型来整合优化和预测功能，以支持电池系统的最佳调度。该方法与传统的两阶段方法进行了对比。在14个月的评估期内，与完美预测和未进行优化的基准相比，该决策导向方法使20栋建筑的平均电力成本降低了3.6%。值得注意的是，尽管模型的均方根误差（root mean squared error）为19.9%，显著高于分离式模型的8.2%，但仍实现了这一财务改善。进一步优化该决策模型后，平均成本降低了约8%，同时减轻了对统计准确性的负面影响（均方根误差降至13.7%）。根据Diebold和Mariano测试，在20户家庭中以及每户家庭单独来看，这些结果在0.001的水平上都具有统计学意义。这些结果表明，将预测模型与优化目标对齐对于实现光伏-电池系统的成本优势至关重要。未来的研究应旨在在其他数据集、不同的预测模型和优化算法上验证这些发现。
引言
过去十年中，可再生能源（RES）在建筑环境中的整合程度显著增加。欧盟通过《可再生能源指令》[1]目标将可再生能源在能源消费中的占比提高到42.5%，推动了这一趋势。在建筑环境中，住宅家庭约占欧盟总能源消费的26%[1]。因此，正确且可持续地将分布式可再生能源整合到家庭中对于欧盟实现其目标至关重要。屋顶光伏（PV）是家庭最容易安装的可再生能源之一。Bódis等人[2]估计，欧盟屋顶光伏的潜在装机容量约为每年680太瓦时（TWh），占总能源消费量的约24%（2019年数据）。
然而，光伏系统具有间歇性，而且其发电量与家庭能源消耗呈负相关，因为家庭的主要能源消耗发生在早晨和傍晚。这两个因素给光伏系统融入电网带来了运营挑战。电池储能系统（BESS）可以帮助缓解这些问题，通过储存电能以供需要时使用，通常是在傍晚。但BESS对住宅消费者来说仍然是昂贵的投资，为了有效利用BESS，需要对其进行最佳运行，即在电价高时放电、电价低时充电。
动态价格合同有助于BESS的成本效益运行。这些动态价格合同反映了批发电价，并提前一天通知客户。这样，一天中每个小时的价格都不同，更能匹配电力供应和消耗情况。从2027年起，比利时规定能源供应商必须为客户提供此类动态价格合同的选择[2]。利用这些动态合同优化运行光伏-电池系统对于使电池投资变得值得至关重要。这是一项复杂的任务，因为需要多个上下文参数来合理安排电池的使用时间。虽然电价可以提前一天得知，但家庭用电量和光伏发电量是不确定的，因此需要准确的预测来生成正确的调度计划。在本研究中，我们提出将基于优化电池所带来的成本节约来预测光伏发电量。
在下一章中，我们将详细讨论这些领域的最新研究。首先，会介绍住宅光伏预测的最新文献，然后是光伏-电池优化的研究。最后，我们将探讨预测与优化的交叉领域——即决策导向学习（decision-focused learning），该领域的发展现状及其在电力能源领域的应用。本文的其余部分将介绍实验中使用的数据、研究方法（即最优调度问题）、如何应用决策导向学习以及它与常规两步法的不同之处、主要研究成果（包括模型的均方根误差RMSE）以及下游损失情况。最后，我们将进行讨论并总结，并提出若干未来的研究方向。
参考文献
关于最优BESS调度的研究可以分为两个阶段：首先，获取解决该问题所需的所有上下文参数，其中包括需要预测的多个随机参数，例如光伏输出和家庭能源需求；其次，执行优化问题以获得最佳的电池充放电计划，这需要明确优化目标并正确处理所有相关因素。
数据
在本节中，我们讨论了实验中使用的数据。首先，我们介绍了拥有2018年至2021年三年智能电表数据的实际建筑，其中包含负载和光伏发电量数据。接下来，我们详细说明了为本研究生成的数据。由于这些房屋没有安装电池系统，因此我们为它们模拟了一个电池系统。我们还创建了一个价格曲线，以反映家庭的动态价格合同。
方法
在本节中，我们讨论了本研究采用的方法论。首先，我们概述了整个工作流程。然后，我们介绍了构成我们研究核心的凸优化问题，这也是我们进行预测的原因。之所以首先讨论这一点，是因为优化问题也是我们预测模型训练过程的一部分。接下来，我们详细介绍了用于预测光伏发电量的模型。
结果
在本节中，我们详细分析了四种不同模型在20户荷兰家庭中大约一年半测试期内的结果。首先，我们回顾了基础实验设置的结果。之后，我们分析了负载预测误差对结果的影响。最后，我们总结了这些结果。
讨论
我们的结果表明，将预测和优化相结合的方法使预测模型与下游任务更加匹配，从而在光伏-电池系统（PV-B system）的具体应用场景中，性能优于传统训练的预测模型约8%。这证实了我们的主要贡献：针对特定任务指标训练的预测模型在成本方面优于通用预测模型，尽管牺牲了一般适用性。
接下来，我们展示了……
局限性与未来研究方向
我们发现DFL方法的均方根误差（S-RMSE）约为20%，这可能引发对潜在运营风险的担忧。在方法论部分，我们将电池荷电状态（SoC）的限制从20%和80%放宽到10%和90%。在这样的设置下，任何测试集中的约束都没有被违反。因此，在局部层面，偏差从未超出任何物理限制。然而，在更广泛的电网层面，如果这些方法优先考虑成本而非准确性，可能会导致……
结论
我们的研究可以为实践者在调度光伏-电池系统中的电池使用提供更明智的决策依据。在本研究中，我们专注于住宅光伏的预测，并将其应用于光伏-电池系统以降低成本。我们的目标是在训练预测模型时考虑光伏-电池系统的下游调度任务，采用了一种集成方法。
在20栋住宅建筑中，这种集成方法实现了稳定的成本节约效果。
CRediT作者贡献声明
Joris Depoortere：撰写——原始草稿、可视化、验证、软件开发、方法论设计、调查、数据分析、概念化。Hussain Kazmi：撰写——审稿与编辑、监督、资源协调、项目管理工作。Johan Driesen：撰写——审稿与编辑、监督、项目管理工作。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文所述的工作。
致谢
Hussain Kazmi感谢佛兰德斯研究基金会（FWO，比利时）（研究奖学金1262921N）的支持。
