用于偏远农村村庄电气化及机器学习应用的混合可再生能源系统建模

《Next Energy》：Modeling of hybrid renewable energy systems for remote rural village electrification and machine learning employment

　　托洛萨·凯贝德·图卢（Tolossa Kebede Tulu）| 丹尼尔·阿托姆萨·布尔蒂（Daniel Atomsa Bulti）| 阿莱玛耶胡·阿巴特·肖沃尔（Alemayehu Abate Shawul）| 萨姆森·梅克比布·阿特纳沃（Samson Mekbib Atnaw）
埃塞俄比亚马达瓦拉布大学工程学院机械工程系，邮政信箱247，巴莱罗贝（Bale Robe）

**摘要**
尽管埃塞俄比亚拥有丰富的可再生能源资源，但其农村社区仍然面临清洁能源短缺的问题。本研究评估了四种混合可再生能源系统（HRES）方案，旨在为奥达罗贝（Oda Roba）村提供离网电力供应，这些方案结合了光伏（PV）、风力涡轮机（WT）、蓄电池（BT）储能、柴油发电机（DG）和转换器（CONV）系统。为了确定最佳方案，每种方案均基于技术经济、环境和社会发展指标进行了评估。此外，还采用了五种回归机器学习模型，利用1938个模拟数据集预测平准化能源成本（LCOE）和二氧化碳排放量。结果表明，在所研究的配置中，方案3（PV/WT/BT/DG/CONV）是经济性最高且环境可持续性最好的解决方案。该系统的LCOE为0.311美元/千瓦时，可再生能源占比99.4%，净现值为251,306.5美元，年二氧化碳排放量为1260.97公斤。该系统具有很强的经济可行性，回收期仅为1.48年。社会经济分析显示，方案3的就业创造指数为0.328，人类发展指数为0.287。盈亏平衡分析表明，这种集成系统比扩大电网更具经济效益。机器学习的应用显示，梯度提升（Gradient Boosting）在预测LCOE方面表现突出，而XGBoost在预测二氧化碳排放量方面效果最佳。本研究的结果表明，通过综合考虑技术经济因素、环境状况和社会发展指数，适当优化的HRES可以为农村社区提供清洁、可负担且可靠的能源。

**1. 引言**
全球能源需求正在以前所未有的速度增长。对化石燃料的依赖加剧了气候变化和环境退化。因此，从化石燃料转向可再生能源对于绿色经济发展至关重要[1],[2],[3]。作为回应，埃塞俄比亚正努力在2030年前将温室气体排放量减少14%[4]。尽管各方为改善埃塞俄比亚的能源行业做出了诸多努力，但仍有约46%的人口无法获得清洁能源[5]。此外，该国生产的电力有89.6%用于城市地区，而76%的人口居住在农村[6]。大约94%的城市地区已实现电气化，而许多农村地区仍面临电力供应不足的问题[7]。农村地区对电力的需求主要来自烹饪、通信技术、抽水、农业、照明和移动设备充电等基本需求。目前，埃塞俄比亚大部分人口依赖生物质、农业废弃物、木炭和化石燃料等传统能源。这些能源是气候变化、土地退化和大气污染的来源，也影响了家庭的生活质量。鉴于这些传统能源的环境影响以及该国巨大的可再生能源潜力，埃塞俄比亚政府致力于通过独立电网为偏远农村地区提供电力[8]。在“埃塞俄比亚分布式电力和照明普及项目”中，该国计划通过太阳能混合电网及柴油备用电源和蓄电池储能来增加社会家庭、机构和企业的电力供应[9]。为此，将光伏（PV）板、风力涡轮机与柴油发电机（DG）和蓄电池结合使用，为偏远社区、小型机构和企业提供了可持续的解决方案。

**1.1. 文献综述**
最近，有多项关于埃塞俄比亚及其他国家混合可再生能源系统（HRES）的研究，旨在评估其性能和可靠性。例如，Kiros等人[10]研究了光伏、风力涡轮机（WT）和柴油发电机（DG）的组合，以期为埃塞俄比亚阿克苏姆区（Axum）库图尔村（Kutur Village）提供电力。研究表明，这种组合比扩展国家电网更具成本效益。Gebrehiwot等人[11]在埃塞俄比亚戈尔博II村（Golbo II Village）的研究表明，光伏/WT/DG/BT组合比纯太阳能光伏系统更经济。Agajie等人[12]探讨了埃塞俄比亚盖塔塞拉西（Gaita Selassie）地区混合可再生能源系统的优化方案，重点关注可靠性和成本效益。Li等人[13]使用HOMER软件评估了光伏、风力涡轮机和沼气燃料柴油发电机（BDG）结合蓄电池储能系统的可行性，发现该组合是西中国Leopard Beach村最经济可靠的电力解决方案。Benti等人[14]评估了独立光伏/WT混合能源系统为埃塞俄比亚西部亚纳多罗（Yana Doro）村居民供电的可行性，结果表明光伏/BT/CONV组合最具成本效益。Salau等人[15]研究了光伏/DG/BT混合能源系统在埃塞俄比亚辛希乔（Shinshicho）医院的应用，发现该系统比仅使用柴油发电机的系统节省了大量成本，净现值为216,155美元，平准化能源成本（LCOE）为0.187美元/千瓦时。Yakubu等人[16]分析了四种由光伏、柴油发电机和蓄电池组成的HRES配置，从经济、技术和环境角度进行了评估，优化后的配置LCOE为0.0263美元/千瓦时，可再生能源占比为91.5%。Khan等人[17]评估了包含光伏、沼气燃料柴油发电机（BDG）、转换器（CONV）、氢气储罐和燃料电池（FC）的HRES系统，发现该系统可为巴基斯坦农村社区提供可持续和可靠的能源，LCOE为0.41美元/千瓦时。Halder等人[18]研究了印度戈拉马拉拉岛（Ghoramara Island）的混合能源系统，通过多标准决策分析了六种配置，最终确定DG/WT/PV/BT/CONV组合为最佳方案，因其LCOE低（0.31美元/千瓦时）、投资回报率高（26.4%）和二氧化碳排放量适中（49,517公斤/年）。此外，最新研究表明，机器学习技术在预测HRES性能方面具有广泛应用前景。目前，利用机器学习的HRES研究还较为少见。

**1.2. 研究现状与关键贡献**
虽然先前研究在分析HRES的技术可行性、设计优化和成本效益方面取得了显著进展（如使用HOMER Pro工具），但仍存在一些不足。现有研究主要集中在技术经济优化和环境性能方面，对于就业创造指数（JCI）和人类发展指数（HDI）等社会经济发展指标的考量较少。例如，参考文献[13],[14],[15]仅依赖技术经济参数评估HRES的可行性。参考文献[22],[23],[24],[25]则综合考虑经济、技术和环境因素来选择最佳方案。而实际评估HRES对社区发展影响的社会绩效因素（如JCI和HDI）至关重要。此外，很少有研究通过盈亏平衡分析比较混合系统与国家电网扩展方案。同时，机器学习在预测HRES的环境和技术经济参数方面的应用仍处于初期阶段。本研究旨在通过设计和优化离网社区的混合能源系统来解决这些不足。尽管独立HRES研究受到更多关注，但针对埃塞俄比亚东南部奥达罗贝村的HRES研究尚未开展。本文的主要创新点和贡献包括：
- 分析了四种适合为埃塞俄比亚东南部奥达罗贝村供电的HRES配置（包括不同的风力涡轮机、蓄电池、光伏和柴油发电机组合）；
- 将就业创造指数（JCI）和人类发展指数（HDI）等社会经济指标纳入评估标准，以全面评估系统的社会经济效益；
- 通过盈亏平衡分析比较国家电网扩展与HRES的可行性，并根据国家电价分析系统的经济可行性；
- 在不确定性条件下评估系统可靠性，对经济因素（如燃料价格波动、通货膨胀和折现率）和环境因素（如太阳辐射、温度和风速）进行了敏感性分析；

**2. 材料与方法**
**2.1. 研究地点与能源需求**
本研究选择位于埃塞俄比亚东南部东巴莱区（East Bale Zone）吉尼尔沃雷达（Ginir Woreda）的奥达罗贝村（Oda Roba）作为研究地点。该地区代表了埃塞俄比亚大部分偏远农村和城郊地区。图1展示了奥达罗贝的详细地理信息。研究涵盖了家庭、小型诊所、小学、宗教中心、政府机构、农民培训中心、路灯和小型商业设施的能源需求。根据埃塞俄比亚中央统计局的数据，研究区域总人口为218,521人[26]。家庭及其他部门的详细负荷需求、常用电器的功率及使用时间见附录A.1。家庭负荷需求基于调查数据估算，包括电视机、收音机、移动充电器、冰箱和小型家用电器等。对于诊所、学校、宗教中心和政府机构等机构部门，负荷需求根据使用情况和设备类型确定，详见附录A.1。

**2.2. 能源资源分析**太阳能
全球水平辐照度、温度和能见度指数数据来源于NASA的地表气象数据库。研究区域的年太阳辐射平均值为6.034千瓦时/平方米/天，平均能见度指数为0.612。这表明该研究地点具有较高的太阳能潜力，可用于发电。此外，最高环境温度记录在3月份（21.265℃），而最低温度出现在12月份（18.419℃）。对于太阳能光伏系统的性能而言，这样的环境温度范围是有利的，因为极端温度会降低光伏组件的效率[27]。图3展示了研究地点全年的太阳辐射、环境温度和能见度指数变化情况。
下载：下载高分辨率图片（245KB）
下载：下载全尺寸图片

2.2.2 风能
风能是一种潜在的可再生能源，特别适合用于发电。图4展示了研究地点在10米、25米和50米高度处的风速季节性变化。如图4所示，6月至9月间的风速非常高，7月和8月50米高度处的最大风速超过7米/秒。相应地，10米和25米高度处的风速也在这一时期急剧上升。然而，10月至5月间，25米和50米高度处的风速降至3-4米/秒，10米高度处的风速更低。分析表明，50米高度处的风速适合风力涡轮机的运行，因为平均风速超过了大多数中小型风力涡轮机的启动速度[27]。下载：下载高分辨率图片（242KB）
下载：下载全尺寸图片

2.3 系统组件和配置
2.3.1 风力涡轮机
在标准温度和压力下，风力涡轮机的功率输出可以通过以下公式计算[28]：
\[PWT,STP = \begin{cases}
0 & \text{if } v \leq v_{\text{cut-in}} \\
P_{\text{rated}} & \text{if } v_{\text{rated}} \leq v \leq v_{\text{cut-out}} \\
0 & \text{if } v > v_{\text{cut-out}}
\end{cases}\]
其中，$PWT,STP$表示风力涡轮机的功率输出（千瓦），$P_{\text{rated}}$表示额定功率（千瓦），$v_{\text{cut-in}}$表示启动风速（米/秒），$v_{\text{rated}}$表示额定风速（米/秒），$v_{\text{cut-out}}$表示截止风速（米/秒）。
在风力涡轮机的轮毂高度处，风速可以使用以下功率定律公式进行调整[29]：
\[v = v_{\text{ref}} \times h_{\text{ref}}^{\alpha}\]
其中，$v$是轮毂高度处的风速（米/秒），$v_{\text{ref}}$是风速计高度处的风速（米），$h_{\text{ref}}$是风力涡轮机的轮毂高度（米），$\alpha$是功率定律指数。
因此，风力涡轮机的实际功率输出可以按以下公式计算[30]：
\[PWT = PWT,STP \times \rho_{\text{air}}\]
其中，$\rho_{\text{air}}$是特定地点的空气密度（千克/立方米），$\rho_{\text{standard}}$是标准温度和压力下的空气密度（1.225千克/立方米）。

2.3.2 太阳能板
光伏发电的功率受可用太阳辐射量、光伏组件效率和周围环境温度的影响。光伏阵列产生的功率可以通过以下公式估算[31]：
\[PPV = P_{\text{rated}} \times f_{\text{derate}} \times I_{\text{inc}} \times I_{\text{STC}} \times (1 + \beta \times (T_{\text{c}} - T_{\text{STC}})\]
在上述公式中，$I_{\text{inc}}$表示照射在光伏板上的太阳辐射（瓦特/平方米），$I_{\text{STC}}$表示标准测试条件下的辐照度（瓦特/平方米），$\beta$表示温度系数（%/℃），$T_{\text{c}}$表示电池温度（℃），$f_{\text{derate}}$表示光伏组件的降额系数（%），$T_{\text{STC}}$表示标准温度下的光伏电池温度（℃）。

2.3.3 电池储能
通过集成电池储能设施（如铅酸电池储能、抽水蓄能系统、飞轮储能和氢储能系统[32]，可再生能源系统的可持续性得到提升。这些储能系统在电力生产过剩时储存能量，并在可再生能源系统发电不足或负荷高峰时段使用储存的能量。铅酸电池在指定时间内最大可储存的能量可以通过以下公式计算：
\[P_{\text{bat},dmax,kbm} = k_{P1}e^{-k\Delta t} + P_{kc} \times (1 - e^{-k\Delta t} + c_{k}\Delta t - 1 + e^{-k\Delta t}\]
其中，$P_{1}$是时间步开始时的可用能量（千瓦时），$P_{k}$是电池在任何时刻储存的总能量（千瓦时），$c$是储能容量比，$k$是储能的恒定速率，$\Delta t$是时间步长。
同样，铅酸电池在指定时间内最大可释放的能量可以通过以下公式确定：
\[P_{\text{bat},dmax,kbm} = -k_{c}P_{max} + k_{P1}e^{-k\Delta t} + P_{kc} \times (1 - e^{-k\Delta t} + c_{k}\Delta t - 1 + e^{-k\Delta t}\]
其中，$P_{max}$是两节电池中的总能量（千瓦时）。

2.3.4 柴油发电机
在可再生能源系统中集成备用发电机是为了在太阳能不足或风速不可用时提高系统可靠性。发电机由柴油、沼气或天然气驱动，以确保连续的能源供应并防止系统故障[33]。它通常由能源管理系统控制。策略性地优化发电机的运行可以提高混合系统的整体性能、韧性和可持续性。发电机运行期间的燃料消耗量可以通过以下公式估算[34]：
\[FC_t = a \times P_{\text{dieselt}} + b \times P_{\text{diesel_rated}}\]
其中，$FC(t)$是时间$t$时发电机的燃料消耗量，$P_{\text{diesel(t)}$是发电机在给定时间$t$的实际输出功率，$P_{\text{diesel_rated}$是发电机的最大设计功率。$a$是部分负荷条件下的燃料消耗系数，其值为0.246；$b$是无负荷条件下的燃料消耗系数，其值为0.084。

2.3.5 系统配置
本研究考虑了4种系统配置，以确定最适合农村电气化的可再生能源系统。这些配置的组件包括太阳能光伏、风力涡轮机、电池储能和柴油发电机。这些组件的选择基于研究地点的可再生能源潜力。此外，配置的设计考虑了可再生能源系统的可靠性、技术经济可行性、环境可持续性和在本地资源条件下的运行可行性。本研究评估的4种配置方案如下，其排列如图5所示：
• PV/BT/CONV组合
• PV/WT/BT/CONV组合
• PV/WT/DG/BT/CONV组合
• PV/WT/DG/CONV组合

2.3.6 调度策略
在HOMER Pro工具的模拟过程中，所有配置都采用了负荷跟踪调度策略。该策略优先使用可再生能源来满足能源需求，其次是电池储能和备用发电机[35]。首先由可再生能源产生的能量满足负荷需求；多余的能源用于充电电池储能系统。当可再生能源产生的能量不足以满足负荷需求时，释放电池储能中的能量；最后，当电池储能的充电状态低于最低阈值且可再生能源产生的能量不足时，备用发电机开始满足剩余的负荷需求。

2.4 优化和决策标准
为了在技术可靠性、成本效益、环境可持续性和社会效益之间取得平衡，对可再生能源系统进行优化至关重要。本研究使用了多标准评估方法，如经济分析、环境分析和社会绩效指标，以确定最合适的系统配置。

2.4.1 经济建模
为了优化并研究可再生能源系统的经济效益，分析其经济性能至关重要。在本研究中，使用了LCOE（平准化寿命成本）和NPC（净现值）作为基本的经济绩效指标。总NPC的计算公式如下[36]：
\[TNPC = TACC \times \frac{F_i}{P_{lif}}\]
其中，$TNPC$是总净现值（美元），$TACC$是总年化成本（美元/年），$CR_f$是特定年利率下的资本回收因子，$P_{lif}$是项目寿命（年）。
资本回收因子通过以下公式计算[37]：
\[CR_f,n = \frac{i}{1 + i^{n-1}}\]
其中，$i$是年利率，$n$是年数。
年实际利率通过以下公式估算[38]：
\[(1 + i)^{n} = (1 + r)(1 + f)\]
其中，$i$是名义折现率，$f$是年通货膨胀率，$r$是实际折现率。
LCOE的确定公式如下[30]：
\[LCOE = TACE \times E_{\text{load}}\]
其中，$E_{\text{load}}$是总电力负荷（千瓦时/年）。
系统的资本成本计算公式如下[22]：
\[CAP = \sum_{k=1}^{N_k} C_{k}\]
其中，$N_k$是组件的数量，$C_{k}$是第$k$个组件的资本成本。
系统的运营和维护成本通过以下公式计算[39]：
\[O&M = \sum_{k \in N_k} \sum_{y=1}^{T_{\text{proj}} \frac{1}{1 + dn - fr} \times C_{k}\]
其中，$O&M$是第$k$个组件的运营和维护成本（美元），$T_{\text{proj}}$是项目寿命（年），$dn$是名义折现率（%），$fr$是通货膨胀率（%）。
系统中任何组件的更换成本（RC）通过以下公式分析[39]：
\[RC = \sum_{k=1}^{N_k} [1 + (dn - fr_1 + fr)] \times C_{k}\]
其中，$RC_k$是组件的总更换成本（美元），$T_k$是组件的总使用寿命（年）。
系统的总报废成本（SLC）计算公式如下[39]：
\[SLC = \sum_{k=1}^{N_k} [1 + dn - fr_1 + fr] \times T_k \times S_{CL_k}\]
其中，$T_k,rem$是组件的剩余使用寿命，$S_{CL_k}$是组件的报废成本（美元）。
可再生能源系统的投资回收期（PBP）估算公式如下[40]：
\[PBP = \min_{n \geq 1} \left(\sum_{t=1}^{n} R_t \times C_t \geq C_{\text{initial}}\right)\]
其中，$n$是年数/周期数，$R_t$是第$t$期的收入，$C_t$是第$t$期的运营成本，$C_{\text{initial}}$是初始投资成本。

2.4.2 环境建模
在设计和实施过程中必须考虑可再生能源系统的环境可持续性。作为优化标准的关键参数是生命周期二氧化碳排放（LCE），这是一个重要的环境分析指标。LCE量化了整个系统使用寿命期间相关的总温室气体排放量。系统的总二氧化碳排放量通过以下公式估算[42]：
\[LCE = \sum_{k=1}^{N_k} \beta_k \times E_{\text{el}}\]
其中，$\beta_k$是第$k$个组件的二氧化碳排放因子（千克二氧化碳/千瓦时），$E_{\text{el}}$是该组件产生的或储存的能量。各组件的$\beta_k$值见表1。

2.4.3 社会绩效建模
本研究考虑了2个参数（JCI和HDI）来评估可再生能源系统的社会经济绩效。这些指标用于量化系统对当地就业、教育和基本服务获取的积极影响。JCI通过以下公式估算社区因电力系统部署而直接或间接创建的就业总数[43]：
\[JCI = \sum_{k=1}^{N_k} JCI_k \times P_k\]
其中，$JCI_k$是第$k$个组件的就业创造系数（每兆瓦/兆瓦时的就业数量），$P_k$是第$k$个组件的安装容量，$N$是系统组件的数量。
HDI用于评估电力获取如何改善教育、健康和收入方面的生活质量。HDI的计算公式如下[43]：
\[HDI = 0.0978 \times \ln(E_{\text{load}} + \min_f^{ex,max} \times E_{\text{ex,fload,max}} \times E_{\text{load}}, \text{Population}\]
其中，$E_{\text{load}}$是年电力消耗量（千瓦时），$E_{\text{ex,fload,max}}$是年电力过剩量，$f_{ex,max}$是权重因子，$Population$是社区人口数。

2.5 盈亏平衡距离限制
盈亏平衡距离是指实施离网可再生能源系统比扩展国家电网到偏远地区更为经济的最大距离。只有在超过盈亏平衡距离限制时，独立的可再生能源系统才是经济可行的。盈亏平衡网格扩展距离限制是通过以下公式计算的：\[D_{grid} = \frac{TNPC \times CR_Fi,Plife - CP \times Edemand}{Ccap \times CR_Fi,Plife + Com}\]，其中 \(i\) 是一个实际的折现率，\(Edemand\) 是每年的总能源需求（千瓦时/年），\(CP\) 是电网的电力成本（美元/千瓦时），\(Ccap\) 是电网扩展的资本成本（美元/公里），\(Com\) 是电网扩展的运营和维护成本（美元/年/公里）。盈亏平衡距离分析的经济参数如表2所示。

表2. 盈亏平衡距离限制的经济参数
| 参数 | 值 | 参考文献 |
|--------------|------------------|-------------|
| 资本成本（美元/公里） | 35,000 | [25] |
| 运营和维护成本（美元/年/公里） | 310 | [56] |
| 电网电价（美元/千瓦时） | 0.06 | [57] |
| 运营和维护（O&M） | |

2. 机器学习
机器学习在预测混合可再生能源系统（HRES）性能方面发挥着重要作用，它通过数据驱动的决策支持实现这一点。在本研究中，采用了诸如决策树、随机森林、梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）等回归机器学习算法。这是通过分析太阳能光伏（PV）、风力涡轮机（WT）、生物质热能（BT）、柴油发电机（DG）和常规能源转换（CONV）等组件的变化来完成的。共有1938个数据集被用来训练和测试用于预测技术经济和环境参数的回归模型。获得的数据使用Python环境进行分析。机器学习模型的性能通过均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）来评估。RMSE广泛用于确定机器学习的预测准确性，其计算公式如下：\[RMSE = \sqrt{\frac{1}{n} \sum_{k=1}^{n} (yk - y_k^\hat)^2}\]，其中 \(n\) 是样本大小，\(yk\) 是实际值，\(y_k^\hat\) 是预测值。MAE用于评估实际值和预测值之间的平均误差，其计算公式如下：\[MAE = \frac{1}{n} \sum_{k=1}^{n} |yk - y_k^\hat|\]。

3. 结果与讨论
3.1 技术评估
所提出配置的技术性能评估基于系统设计、可再生能源比例（RF）、可靠性指标、发电能力和年燃料消耗量。如表3所示，设计了4种配置的详细技术规格，包括太阳能光伏、生物质热能、风力涡轮机和柴油发电机。值得注意的是，S4的设计依赖于柴油发电机作为备用电源的实时发电，并且在安装的太阳能光伏功率方面最大（292.433千瓦）。在RF方面，S1和S2完全依赖于可再生能源（100%），而S3在RF中的比例较高（99.4%），但柴油发电机的使用最少。S3每年使用145升柴油，这是最低的。相比之下，S4的RF最低，为50.1%，并且每年消耗12,577升柴油燃料。这使得S4在环境方面不可持续，因为它严重依赖化石燃料。尽管存在环境劣势，S4生产的电力最多，每年剩余电力为519,810千瓦时。S3每年产生218,924千瓦时电力，没有容量短缺和未满足的负荷，其次是S1和S2。

3.2 经济评估
表4提供了所提出的HRES场景的经济性能结果。如图4所示，S1显示出最低的平准化能源成本（LCOE），其次是S2、S3和S4。值得注意的是，S4的LCOE显著较高（0.763美元/千瓦时），表明其在LCOE方面竞争力较低。此外，NPC代表HRES在其生命周期内的总运营和安装成本。结果表明，包含太阳能光伏、风力涡轮机、柴油发电机和常规能源转换的S4表现出最低的NPC（61,596.8美元），其次是S1、S2和S3。

3.3 环境评估
HRES的环境性能通过生命周期碳足迹（LCE）来量化，以千克/年为单位，与其每个组件的寿命相关。图6显示了每种配置的LCE评估结果。如图6所示，S4的LCE最高（57,423.18千克/年），其次是S1（8,368.56千克/年）、S2（7,452.109千克/年）和S3（1,260.974千克/年）。S4的CO2排放量是S3的45.54倍，这使其在环境方面不可持续。相比之下，尽管部分由柴油发电机供电，S3的LCE最低（1,260.974千克/年），使其成为最环保的配置。

3.4 社会经济评估
本研究基于就业创造指数（JCI）和人类发展指数（HDI）分析了所提出配置的社会经济影响。图7展示了HRES的JCI和HDI的比较分析。在各种配置中，S4的JCI（0.809）和HDI（0.345）最高。这些表明，尽管S4存在环境和经济劣势，但它有潜力创造更多就业机会并改善社区的生活。其次，S3的JCI为0.328，HDI为0.287。这些数据显示S3不仅在环境方面有效，而且在促进就业创造和社会发展方面也很高效，因为它提供了更清洁的能源。然而，S1和S2的JCI和HDI值相对较低。

3.5 最优配置的选择
本研究基于技术性能、经济可行性、环境可持续性和社会经济贡献分析了4种HRES设计方案。在评估的4个系统中，S3在发电方面最为高效和技术上最优化，能够为农村村庄提供电力。从技术角度来看，S3没有容量短缺或未满足的负荷，并实现了99.4%的可再生能量比例，对柴油燃料的依赖最小。此外，S3每年产生147,470千瓦时的过剩电力。从经济角度来看，S3的LCOE具有竞争力，回收期短（1.48年）。环境评估显示S3的LCE最低（1,260.97千克/年）。在社会经济发展方面，S3的JCI为0.328，HDI为0.287，排名第二。然而，S4对柴油的高依赖性及其对环境可持续性和经济可行性的负面影响使其效果较低。相比之下，平准化能源成本（LCOE）与通货膨胀率呈现相反的趋势：当通货膨胀率为2%时为0.3115美元/千瓦时，当通货膨胀率为21%时降至0.1438美元/千瓦时，下降了78.72%。下载：下载高分辨率图片（307KB）下载：下载全尺寸图片

图10. 燃料价格、折现率和通货膨胀率对净现成本（NPC）和平准化能源成本（LCOE）的影响。LCOE = 能源平准化成本；NPC = 净现成本。如图10（b）所示，燃料价格的变化对NPC和LCOE的影响较小。当燃料价格为0.5美元/升时，NPC和LCOE分别为250970.5美元和0.311美元/千瓦时。将燃料价格提高到2美元/升后，NPC和LCOE分别增加到255142.8美元和0.3162美元/千瓦时，这意味着随着燃料价格从0.5美元升至2美元，这两个参数均增加了1.7%。这是因为S3系统高度依赖可再生能源。

此外，折现率（反映了资本成本和货币的时间价值）与NPC和LCOE之间存在强烈关系（见图10（c））。当折现率从基线12%增加到16.8%时，NPC显著下降至201,861美元，降低了19.6%。相反，LCOE从0.3509美元/千瓦时增加到0.3902美元/千瓦时，增加了11.2%。这是因为在较高的折现率下，供电成本变得不利。总之，通货膨胀率对NPC和LCOE的影响比折现率和燃料价格的影响更为显著。

3.6.2. 环境因素的影响
为了捕捉来自太阳辐射、风速和温度等环境因素的季节性变化影响，本研究使用了这些变量。混合可再生能源系统（HRES）产生的电力对这些变量有负面影响。为了确保系统在Oda Roba环境条件下的稳定性，风速在2.508米/秒到5.852米/秒之间变化，太阳辐射在3.624千瓦时/平方米/天到8.456千瓦时/平方米/天之间变化，温度在11.83摄氏度到27.61摄氏度之间变化。如图11（a）所示，随着风速从2.508米/秒增加到5.852米/秒，NPC从269,816.1美元下降到224,436.5美元，而LCOE从0.3344美元/千瓦时下降到0.2782美元/千瓦时。从基线4.18米/秒开始，这两个参数均下降了10.7%。这表明更高的风速使风力涡轮机能够产生更多能量，减少对其他电源的依赖，并降低整体系统成本。

图11（b）显示了NPC和LCOE对太阳辐射的反应。太阳辐射从基线6.04千瓦时/平方米/天增加到8.456千瓦时/平方米/天，NPC从251,302美元下降到242,035美元（下降了3.8%），LCOE从0.3115美元/千瓦时下降到0.3美元/千瓦时。然而，较低的辐射水平会导致NPC和LCOE升高，这表明系统依赖于太阳能资源的可用性。此外，图11（c）展示了温度变化对S3 HRES的影响。温度从11.83摄氏度上升到27.61摄氏度，NPC从249,428.10美元略微上升到252,911.30美元，LCOE从0.3091美元/千瓦时上升到0.3134美元/千瓦时。这是因为高温对光伏板的性能有负面影响。总体而言，风速对NPC和LCOE的影响与太阳辐射和温度密切相关。Biswas等人[49]也发现了类似的结果。

3.7. 利用机器学习预测LCOE和二氧化碳排放
机器学习的模拟是通过改变光伏（PV）、电池储能（BT）、风力涡轮机（WT）、柴油发电机（DG）和常规能源（CONV）的容量，并使用5折交叉验证和42次随机状态洗牌来完成的。数据来自模拟，并使用Excel组织以便进一步进行机器学习分析。在Python环境中，使用机器学习了1938种数据组合来预测LCOE和二氧化碳排放（EM）。数据的行为如图12所示，使用相关矩阵图表示。

为了预测HRES的LCOE和二氧化碳排放，测试了5种回归模型。每种机器学习的性能在表5中进行了总结。对于LCOE和二氧化碳预测，使用了决策树、随机森林、梯度提升（Gradient boosting）、XGBoost和LightGBM等算法。为了评估机器学习预测的准确性，使用了RMSE、R2和MAE。

表5. 不同机器学习模型对LCOE和二氧化碳排放的预测结果
目标模型 RMS R2 MAE 训练时间（秒）
决策树 0.0001 0.9998 0.0000 2.1578
随机森林 0.0002 0.9997 0.0001 4.0096
梯度提升 0.0000 1.0000 2.3336
XGBoost 0.0003 0.9994 0.0002 0.6451
LightGBM 0.0002 0.9997 0.0001 9.1254

如表5所示，所使用的回归模型与模拟数据表现出了高度一致。值得注意的是，XGBoost的训练时间相对较短，仅为0.6451秒。相比之下，LightGBM的训练时间最长，为9.1254秒，其次是随机森林（4.0096秒）。在预测LCOE方面，梯度提升模型的准确性最高，训练时间为2.3336秒，其决定系数最高（为1），RMSE和MAE最低。这是因为模拟数据是确定的，不存在数据泄露或过拟合的问题。梯度提升对LCOE的残差图如图13所示。决策树回归模型排名第二，决定系数为0.9998，RMSE为0.0001，MAE为零。因此，梯度提升成为预测HRES LCOE的最佳选择。实际LCOE和预测LCOE如图14（a-e）所示。

此外，表5展示了机器学习回归模型对二氧化碳排放预测的结果，以及它们在5折交叉验证下的性能指标。所有模型对二氧化碳的预测结果都与能源软件得到的结果相近。决策树模型在其他模型中训练时间最短，为0.1057秒。相比之下，LightGBM的训练时间最长，为5.4772秒。XGBoost在预测二氧化碳排放方面表现得最好，训练时间为0.9981秒，其决定系数最高，RMSE和MAE最低。XGBoost的高R2值是由于来自HOMER Pro模拟的数据的确定性。

图13. 预测LCOE的梯度提升残差图。
图14. 使用模拟数据集，不同机器学习方法预测的LCOE与实际LCOE对比。

表5还展示了机器学习回归模型对二氧化碳排放预测的结果，以及它们在5折交叉验证下的性能指标。所有模型对二氧化碳的预测结果与能源软件得到的结果相近。决策树模型的训练时间最短，为0.1057秒。相比之下，LightGBM的训练时间最长，为5.4772秒。XGBoost的训练时间最快，为0.9981秒，其决定系数最高，RMSE和MAE最低。XGBoost的高R2值是由于来自HOMER Pro模拟的数据的确定性。

图15. XGBoost预测二氧化碳排放的残差图。
图16. 使用模拟数据集，不同机器学习方法预测的二氧化碳排放与实际二氧化碳排放对比。

3.8. 网格扩展的盈亏平衡距离限制
图17展示了S3系统的盈亏平衡距离限制。如图所示，如果村庄距离国家电网的距离小于3.13公里，则扩展国家电网到研究地点（Oda Roba）是有利的。

在埃塞俄比亚，大多数人生活在农村地区，无法获得清洁能源。Oda Roba村距离国家电网16公里，这表明实施独立的混合可再生能源系统比扩展国家电网更具经济效益。此外，可再生能源价格的持续下降和电网扩展成本的持续上升使得独立系统更具竞争力。然而，所提出系统的LCOE远高于埃塞俄比亚国家电网的LCOE。埃塞俄比亚国家电网的LCOE为0.1美元/千瓦时[50]，而所提出系统（S3）的LCOE为0.311美元/千瓦时。集成可再生能源的成本增加是由于需要电池储能和备用发电机，在太阳能光伏和风力涡轮机不可用时使用。这意味着微电网并不总是能提供最便宜的电力。

3.9. 与以往研究的比较
比较显示，射频（RF）、LCOE和简单投资回收期（PBP）存在显著差异，这些因素受到系统组件、经济条件和特定地点的可再生资源可用性的严重影响，如表6所示。在索马里，一个100%依赖可再生能源的PV/WT/PHES混合系统实现了最低的LCOE（0.03845美元/千瓦时）和简单的PBP（0.31年[51]）。然而，在埃塞俄比亚进行的类似混合设计的研究报告的LCOE为0.130美元/千瓦时[52]，高于索马里的研究结果。这可以归因于该地区丰富的太阳能和风能资源，以及抽水蓄能的结合。同样，在孟加拉国，Mojumder等人[53]研究了国家电网/PV/WT系统，该系统实现了85.1%的射频和低LCOE（0.0436美元/千瓦时）。Abri等人[54]的研究报告称，国家电网的整合在降低系统LCOE方面发挥了关键作用。此外，Nigeria的研究[55]报道了一个多组件HRES（PV/WT/BDG/DG/BT）的LCOE为0.148美元/千瓦时，射频为85.1%，PBP相对较长（5.28年）。这些发现表明，虽然增加可再生能源组分可以提高射频和可靠性，但可能导致较高的投资成本、系统复杂性和较长的投资回收期。

表6. 本研究与其他不同地理位置研究的比较
| 地点 | 配置 | RF (%) | LCOE（美元/千瓦时） | 简单投资回收期（年） |
|--------------|-----------------|------------|----------------|-------------|
| 索马里 | PV/WT/PHES | 100 | 0.0384 | 0.31 |
| 埃塞俄比亚 | PV/WT/PHES | 100 | 0.130 | [52] |
| 孟加拉国 | 国家电网/PV/WT | 85.1 | 0.0436 | 3.05 |
| 阿曼 | PV/WT/DG | 70 | 0.257 | 3.26 |
| 尼日利亚 | PV/WT/BDG/DG/BT | 85.7 | 0.148 | 5.28 |

将S3与现有研究进行比较，发现存在显著差异。如表6所示，S3的LCOE高于其他参考研究。然而，在射频和简单投资回收期方面，本研究的表现更好。尽管孟加拉国和索马里的研究显示LCOE更高，这归因于它们的可再生能源资源和可再生能源系统与国家电网的整合。

4. 结论
本研究考察了为埃塞俄比亚东南部的Oda Roba村提供可持续电力的HRES配置，解决了发展中国家的能源挑战。分析了四种混合可再生能源配置方案，包括光伏面板、风力涡轮机、电池储能、柴油发电机和常规能源。根据技术经济性能、社会发育指数和环境可持续性选择了最优设计。对最优设计进行了敏感性分析。此外，应用了5种回归机器学习模型来预测LCOE和二氧化碳排放，使用了1938组模拟数据。本研究的主要发现和贡献总结如下：
- 技术评估显示，结合太阳能光伏、风力涡轮机、电池储能和柴油发电机的S3配置是实现社区电气化的最可持续和经济方案。该配置实现了99.4%的射频，容量短缺为零，燃料依赖性最小（每年仅消耗145升燃料）。
- 从经济评估来看，S1的LCOE（0.279美元/千瓦时）和资本成本（62,281.24美元/年）最低。然而，S3在经济效益方面表现更好，LCOE为0.311美元/千瓦时，NPC为251,306.5美元。值得注意的是，S3的投资回收期仅为1.48年，经济竞争力更强。
- 尽管加入了备用柴油发电机，S3在所有配置中实现了最低的生命周期二氧化碳排放量，为1260.974千克/年。相反，S4系统在所有系统中具有最高的生命周期二氧化碳排放量，为57,423.18千克/年。对 socio-economic 发展参数（如 JCI 和 HDI）的分析表明，S4 为社区带来了显著的好处，其次是 S3。然而，S4 也存在向环境中排放大量二氧化碳的问题。敏感性分析显示，当通货膨胀率从 7% 上升到 15% 时，S3 的 NPC 从 367,862 美元显著增加到 792,426 美元，而 LCOE 从 0.266 美元/千瓦时下降到 0.203 美元/千瓦时。值得注意的是，燃料价格的波动对 NPC 和 LCOE 的影响最小。盈亏平衡距离分析表明，对于距离国家电网约 16 千米的 Oda Roba 村来说，实施 S3 比扩展国家电网更经济，因为超过 3.13 千米的扩展成本过高且不可行。在机器学习预测方面，梯度提升算法在 LCOE 预测上的 RMSE 和 MAE 值最低（R2=1），而 XGBoost 在二氧化碳排放预测方面表现优异，其 RMSE 和 MAE 值也最低（R2=1）。总之，S3 能够提供一种环境可持续的解决方案，且二氧化碳排放量更低。社会经济指标进一步表明，S3 可以为社区带来显著的发展收益。此外，机器学习模型在 LCOE 和二氧化碳排放预测方面显示出很强的预测能力。尽管有这些贡献，但本研究仍存在一些需要在未来工作中解决的问题。首先，机器学习数据是基于 HOMER Pro 提供的确定性模拟数据开发的，这并未完全反映现实世界的不确定性。研究还缺乏实地验证，可能会影响研究结果的适用性。其次，环境分析仅限于生命周期二氧化碳排放，没有考虑全生命周期的影响。第三，社会经济指标是根据文献中的系数确定的，可能无法充分反映埃塞俄比亚的当地情况。最后，敏感性分析仅考虑了经济分析和环境条件的部分参数，排除了许多因素，如组件老化、市场动态和政策变化。此外，S3 设计中的过剩能量被削减了。在未来的研究中，需要探索这些能量的有效利用方式，例如用于氢气生产和热负荷。

作者贡献声明：
Daniel Atomsa Bulti：写作——审稿与编辑、撰写初稿、资源管理、数据分析。
Alemayehu Abate Shawul：写作——审稿与编辑、数据可视化、项目监督、数据分析。
Samson Mekbib Atnaw：写作——审稿与编辑、数据可视化、验证、项目监督、数据分析、方法论研究、概念化。
Tolossa Kebede Tulu：写作——审稿与编辑、撰写初稿、数据可视化、软件开发、方法论研究、数据分析、概念化。