DOI: https://doi.org/10.1016/j.apenergy.2026.127469
تاريخ النشر: 2026-02-04
المؤلف: S. Madrigal وآخرون
الموضوع الرئيسي: تكنولوجيا المعلومات الخضراء والاستدامة
نظرة عامة
تقدم البحث إطارًا قائمًا على البيانات لتخصيص الطاقة الديناميكي في مجتمعات الاستهلاك الذاتي الجماعي (CSC)، تم التحقق منه من خلال دراسة حالة في مجتمع الطاقة البلدي (MEC) في كتالونيا. باستخدام XGBoost للتنبؤ في الوقت الفعلي بمعاملات التخصيص التكيفية، يعزز هذا النهج بشكل كبير من استخدام الطاقة المحلية، محققًا زيادة بنسبة 8.4% في الاستهلاك الذاتي (من 42,664.86 كيلوواط ساعة إلى 46,234.03 كيلوواط ساعة) وتقليص بنسبة 34% في الطاقة الزائدة (من 10,560.69 كيلوواط ساعة إلى 6,991.52 كيلوواط ساعة). يتماشى هذا المنهج مع إطار CSC الإسباني، مما يضمن الجدوى التشغيلية من خلال الالتزام بقيود الحفظ مع الحاجة فقط إلى بيانات القياس الساعية القياسية.
تسلط الدراسة الضوء على الآثار العملية للتخصيص الديناميكي، الذي لا يحسن الكفاءة فحسب، بل يعمل أيضًا كاستراتيجية لتخفيف المخاطر ضد فترات التعويض غير المواتية للصادرات الزائدة. يُقترح العمل المستقبلي لمعالجة القيود مثل الاعتماد على بيانات القياس الكاملة، والحاجة إلى التحقق عبر أنواع مجتمعية متنوعة، واستكشاف هياكل التعلم الآلي البديلة. بالإضافة إلى ذلك، تدعو الأبحاث إلى دمج أطر اتخاذ القرار متعددة الأهداف لتحقيق توازن بين أولويات المجتمع المختلفة، مما يعزز الشفافية وقبول أصحاب المصلحة للمنهجية المقترحة للتخصيص الديناميكي. بشكل عام، تؤكد النتائج على إمكانية دمج التعلم الآلي في عمليات CSC لتعزيز مجتمعات الطاقة الأكثر كفاءة ومرونة ضمن الأطر التنظيمية الحالية.
الطرق
تركز المنهجية الموضحة في هذا القسم على تعزيز تخصيص الطاقة داخل مجتمعات الاستهلاك الذاتي الجماعي (CSC) مع الالتزام بالقيود التشغيلية. يستخدم النهج الانحدارات XGBoost لتعلم معاملات التخصيص المتغيرة مع الزمن، والتي تهدف إلى تقليل الفجوة بين الطاقة المخصصة لأعضاء المجتمع وطلبهم الفعلي. يهدف هذا التقليل في عدم التطابق إلى الحد من حقن الطاقة الزائدة في الشبكة.
لتدريب النماذج، تستخدم المنهجية بيانات تاريخية عن استهلاك الطاقة وتوليد الطاقة الشمسية، مدعومة بوصف تقويمي ومتغيرات تشغيل متأخرة. يسهل هذا النهج القائم على البيانات تقدير معاملات التخصيص قبل ساعة واحدة مع جهد حسابي ضئيل. يوضح القسم أيضًا خط الأنابيب لمعالجة البيانات، وإجراءات التعلم والتحقق، وخطوات المعالجة اللاحقة المطبقة لضمان الجدوى والحفاظ على الطاقة قبل تطبيق السياسة المتعلمة في السياق التشغيلي لمجتمع الطاقة.
النتائج
توضح قسم النتائج نتائج تطبيق منهجية مقترحة لتوقع معاملات التخصيص داخل مجتمع الطاقة البلدي (MEC) باستخدام نماذج التعلم الآلي الخاضعة للإشراف، وبالتحديد تعزيز التدرج الأقصى (XGBoost). يتم تقييم أداء النموذج من خلال مقارنة توقعاته مع التوزيع الثابت الاسمي الحالي واستراتيجيات التخصيص الديناميكية البديلة المستمدة من نفس إطار التعلم.
تستخدم التحليل أدلة رسومية ورقمية لتقييم فعالية استراتيجيات التخصيص، باستخدام مؤشرات محددة في القسم 4.5 تقيس الكفاءة الفنية، وإدارة الفائض، واستخدام الأعضاء على مستوى الأفراد. تشمل النتائج الأولية نتائج التدريب والتحقق لنموذج XGBoost، موضحة بروتوكول التقييم ومقاييس الخطأ. بعد ذلك، يناقش القسم أداء استراتيجيات التخصيص تحت ظروف تشغيلية واقعية، مدعومة بملخصات سنوية وتفتيشات زمنية مفصلة.
المناقشة
تستعرض قسم المناقشة من الورقة الأدبيات الموجودة حول التخصيص الديناميكي وآليات مشاركة الطاقة ضمن أطر الاستهلاك الذاتي الجماعي (CSC)، خاصة في سياق التأثيرات التنظيمية والمنهجيات التشغيلية. يبرز أنه بينما تُستخدم معاملات التخصيص الثابتة بشكل شائع لسهولة إدارتها، إلا أنها يمكن أن تؤدي إلى عدم الكفاءة من خلال عدم التكيف مع عدم التطابق الزمني بين توليد الطاقة واستهلاكها. تشير الدراسات إلى أن المعاملات الديناميكية، التي يمكن أن تتغير مع الزمن، تعزز كفاءة التخصيص والجدوى الاقتصادية، خاصة عندما تدعمها بنية تحتية رقمية متقدمة. على سبيل المثال، تُظهر الأبحاث في إسبانيا وفرنسا أن استراتيجيات التخصيص الديناميكية يمكن أن تحسن بشكل كبير من معدلات الاستهلاك الذاتي والنتائج المالية مقارنة بالنهج الثابت.
علاوة على ذلك، يستكشف القسم دور التعلم الآلي (ML) في تحسين إدارة الطاقة داخل مجتمعات الطاقة. تم استخدام تطبيقات ML بشكل متزايد للتنبؤ، واتخاذ القرار، والعمليات في الوقت الفعلي، ومع ذلك، تركز معظم الدراسات الحالية على المهام التنبؤية بدلاً من معالجة تخصيص الطاقة بين المشاركين بشكل مباشر. تحدد هذه الورقة فجوة بحثية في تطبيق الأساليب القائمة على البيانات لتعلم معاملات التخصيص التي تحكم توزيع الطاقة، مقترحة إطارًا تنبؤيًا جديدًا يقدر معاملات التخصيص الديناميكية من البيانات التشغيلية. يهدف هذا النهج إلى تعزيز الكفاءة التشغيلية لخطط CSC مع ضمان الامتثال للمتطلبات التنظيمية، مما يسهل التبني الأوسع لمبادرات الطاقة المتجددة القائمة على المجتمع.
DOI: https://doi.org/10.1016/j.apenergy.2026.127469
Publication Date: 2026-02-04
Author(s): S. Madrigal et al.
Primary Topic: Green IT and Sustainability
Overview
The research presents a data-driven framework for dynamic energy allocation in Collective Self-Consumption (CSC) communities, validated through a case study in a Municipal Energy Community (MEC) in Catalonia. Utilizing XGBoost for real-time prediction of adaptive allocation coefficients, the approach significantly enhances local energy utilization, achieving an 8.4% increase in self-consumption (from 42,664.86 kWh to 46,234.03 kWh) and a 34% reduction in surplus energy (from 10,560.69 kWh to 6,991.52 kWh). This methodology aligns with the Spanish CSC framework, ensuring operational feasibility by adhering to conservation constraints while requiring only standard hourly metering data.
The study highlights the practical implications of dynamic allocation, which not only improves efficiency but also serves as a risk mitigation strategy against unfavorable compensation intervals for surplus exports. Future work is suggested to address limitations such as reliance on complete metering data, the need for validation across diverse community types, and the exploration of alternative machine learning architectures. Additionally, the research advocates for the incorporation of multi-objective decision-making frameworks to balance various community priorities, thereby enhancing the transparency and stakeholder acceptance of the proposed dynamic allocation methodology. Overall, the findings underscore the potential of integrating machine learning into CSC processes to foster more efficient and resilient energy communities within existing regulatory frameworks.
Methods
The methodology outlined in this section focuses on enhancing energy allocation within Collective Self-Consumption (CSC) communities while adhering to operational constraints. The approach utilizes XGBoost regressors to learn time-varying allocation coefficients, which are designed to minimize the discrepancy between the energy allocated to community members and their actual demand. This reduction in mismatch aims to limit surplus energy injections into the grid.
To train the models, the methodology employs historical data on energy consumption and photovoltaic generation, supplemented with calendar descriptors and lagged operational variables. This data-driven approach facilitates the estimation of allocation coefficients one hour in advance with minimal computational effort. The section further details the pipeline for data processing, the learning and validation procedures, and the post-processing steps implemented to ensure feasibility and energy conservation before the learned policy is applied in the operational context of the energy community.
Results
The results section details the outcomes of applying a proposed methodology for predicting allocation coefficients within a Municipal Energy Community (MEC) using supervised machine-learning models, specifically eXtreme Gradient Boosting (XGBoost). The performance of the model is evaluated by comparing its predictions against the existing nominal static distribution and alternative dynamic allocation strategies derived from the same learning framework.
The analysis employs both graphical and numerical evidence to assess the effectiveness of the allocation strategies, utilizing indices defined in Section 4.5 that measure technical efficiency, surplus management, and member-level utilization. Initial findings include the training and validation results for the XGBoost model, outlining the evaluation protocol and error metrics. Subsequently, the section discusses the performance of the allocation strategies under realistic operational conditions, supported by annual summaries and time-resolved inspections.
Discussion
The discussion section of the paper reviews existing literature on dynamic allocation and energy sharing mechanisms within Collective Self-Consumption (CSC) frameworks, particularly in the context of regulatory influences and operational methodologies. It highlights that while static allocation coefficients are commonly used for their administrative simplicity, they can lead to inefficiencies by failing to adapt to the temporal mismatch between energy generation and consumption. Studies indicate that dynamic coefficients, which can vary over time, enhance allocation efficiency and economic viability, particularly when supported by advanced digital infrastructure. For instance, research in Spain and France demonstrates that dynamic allocation strategies can significantly improve self-consumption rates and financial outcomes compared to static approaches.
Furthermore, the section explores the role of machine learning (ML) in optimizing energy management within energy communities. ML applications have been increasingly utilized for forecasting, decision-making, and real-time operations, yet most existing studies focus on predictive tasks rather than directly addressing the allocation of energy among participants. This paper identifies a research gap in the application of data-driven methods to learn allocation coefficients that govern energy distribution, proposing a novel predictive framework that estimates dynamic allocation coefficients from operational data. This approach aims to enhance the operational efficiency of CSC schemes while ensuring compliance with regulatory requirements, thereby facilitating the broader adoption of community-based renewable energy initiatives.