基于深度学习的农业园区综合能源系统运行优化方法

摘要

【目的】农业园区可再生能源资源禀赋丰富，在“双碳”目标驱动下，其综合能源系统(IES)的高效运行对于推动绿色低碳转型具有重要意义。然而，当前农业园区普遍存在能源利用效率低、多能源系统调配不均、可再生能源就地消纳能力不足等问题，严重制约了农业生产效率和可持续发展水平。为此，提出了一种基于深度学习的农业园区IES运行优化方法，旨在构建更具经济性与低碳性的能源调度机制。【方法】首先，构建农业园区IES多目标优化调度模型，综合考虑燃气轮机燃料成本、电网交互成本及设备运维成本，形成涵盖多种能源形式的系统数学模型；其次，针对风光(风电、光伏)出力及负荷预测需求，设计改进型长短时记忆(LSTM)神经网络功率预测模型，并引入量子粒子群优化算法(QPSO)对网络的隐含单元数量、学习率等超参数进行动态优化，以提升预测精度；最后，针对传统黄金正弦算法(GSA)易陷入早熟收敛的问题，引入Lévy飞行机制提升更新效率，结合动态权重策略优化全局与局部搜索能力，构建改进GSA实现系统调度优化。【结果】在实例分析中，改进的QPSO-LSTM预测模型将预测误差稳定控制在5%以内，相较传统方法具有更高的预测精度和更强的全局搜索能力。在调度优化方面，改进GSA使系统日运行成本较未优化方案下降69.7%,风光就地消纳率提升27.9%,显著优于传统GSA,展现出优良的多能调度协调能力。【结论】所提出的基于深度学习的农业园区综合能源系统运行优化方法，能够实现对系统功率的高精度预测，并在此基础上有效降低系统运行成本，提升可再生能源就地消纳能力，在经济性与低碳性协同优化方面具有显著优势，为农业园区IES的高效、绿色运行提供了可靠的技术路径。

关键词

农业产业园区 / 综合能源系统 / 运行优化 / 数学模型 / 量子粒子群优化算法 / 长短时记忆神经网络 / Lévy飞行 / 黄金正弦算法