可再生能源系统中的人工智能应用及未来前景综述

能源与人工智能10（2022）100182透视可再生能源系统中的人工智能，用于向智能建筑周跃宽可持续能源与环境主题，功能中心，香港科技大学（广州），广州南沙，511400，广东，中国香港科技大学机械与航天工程系，香港特别行政区清水湾，中国香港科技大学深港协同创新研究院，深圳福田H I G H L I G H T S G R A P H I C A LA B标准• 人工智能在可再生系统中应用的整体概述。• 人工智能算法的底层学习机制和对动态环境的适应。• 功率预测、随机不确定性分析和智能控制。• 用于故障检测和诊断的半经验和数据驱动模型。• 基于人工智能的非线性能源系统的单目标和多目标优化。• AI在建筑和可再生能源系统中的路线图和未来前景。A R T I C L EI N FO关键词：可再生能源发电量预测故障检测与诊断多目标优化机器学习A B标准建筑行业的碳中和过渡需要可再生系统和人工智能（AI）的组合，以实现鲁棒性，可靠性，自动化和灵活性。在这项研究中，对人工智能在可再生系统中的应用进行了全面的回顾，以报告当前的进展，趋势和挑战。研究了基于人工智能的各种应用的基本学习机制，包括太阳能预测建模技术、多级随机不确定性分析、智能控制、故障检测和诊断、单目标和多目标优化以及智能建筑。此外，人工智能技术在可再生能源利用已明确审查，在太阳能潜力评估，多层次随机不确定性分析，智能控制，故障检测和诊断，单目标和多目标优化。结果表明，与物理模型相比，数据驱动模型在模型简化和修改、预测精度和计算效率方面具有优势。为了提高系统在多层次情景不确定性下的运行鲁棒性，提出了一种基于人工智能的通用方法，包括非线性数据驱动模型开发、基于不确定性的能量性能预测、随机不确定性和统计分析。此外，人工智能也可以应用于可再生系统的安全性，可靠性和稳定性。这项研究提供了一个明确的路线图，历史发展，最新进展，尖端技术和进展，以及未来电子邮件地址：yuekuanzhou@ust.hk，yuekuan. outlook.com。https://doi.org/10.1016/j.egyai.2022.1001822022年7月16日在线发布2666-5468/© 2022作者。由爱思唯尔有限公司出版。这是一篇开放获取的文章，获得了CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表能源与AI期刊主页：www.sciencedirect.com/journal/energy-and-aiY. 周能源与人工智能10（2022）1001822人工智能在可再生能源系统中应用的挑战，为开发智能和弹性的可再生能源系统铺平道路，以实现建筑物的脱碳1. 介绍在应对能源短缺危机和全球气候变暖的过程中，采用优化设计和智能运行策略的清洁发电被认为是最有效的解决方案之一。此外，随着中国2030年碳达峰和2060年碳中和的目标，安装太阳能光伏和风力涡轮机等可再生系统将成为最先进的碳消除战略，除了碳抵消战略（例如，碳捕获和储存、通过植树造林进行光合作用转换）。然而，可再生能源系统面临着一些关键的技术挑战。例如，由于情景参数的多层次不确定性[1]，可再生系统的确定性设计和运行策略的实用性和可行性是值得怀疑的。其次，可更新系统在运行过程中会出现各种故障，如系统错误（如公用事业损失、隔离故障、电网电压故障、接地电流故障和电网频率故障）和逆变器错误（继电器检查故障、光伏电池过温保护和过压保护）。快速、准确地识别和系统地分类各种光伏故障是排除这些故障，实现安全、可靠、稳定运行的必要条件。第三，多准则性能之间的矛盾[2]要求优化方法的进步，而传统的优化方法，通过呼吁原始人的机制，最终的数学模型与预定义的可变参数的数千倍[3]。传统优化方法的界面并不友好，如MOBO[3]、jPlus，以及几种已实现的优化算法，如粒子群优化、非支配排序遗传算法等，人工智能模仿人类智能，由机器演示，避免人类情感，在解决上述挑战方面发挥着至关重要的作用根据工作条件，可再生能源系统的热力学和能量文献[4]中气象参数的相关系数分析结果表明，太阳辐照度的相关系数最高，为0.984，其次是气温和露点，相关系数分别为0.7615和0.6386。热物理分析[5]表明，PV/T/nano-PCM（质量分数为10%）可使电效率提高22%。在几何参数方面，PV输出功率与水流量和PV电池覆盖因子正相关，但与管间距负相关[6]。然而，实验数据中存在大量噪声、数据冗余、数据缺失和不准确等问题，需要采用数据过滤和关联技术为性能分析、仿真建模等准备高质量的数据，数据过滤和关联技术主要包括负数据归零、缺失输入输出排除和数据归一化。预处理技术主要包括时间序列技术[7]、统计工具[8]、傅立叶级数变换[9]、归一化[1]、小波变换[10]、生成对抗网络[11]和天气分类[12]。数据预处理的必要性包括预测精度改进，具有高计算速度，保留了输入数据，，快速收敛。相应地，后处理是必要的，以提高预测精度，通过模型适应实时或二手数据。后处理技术主要包括反归一化[13]和小波重构[14]。然而，目前的文献未能考虑其他输入参数，如空气气压、湿度、日照时数、云指数，这些因素可能会导致训练和测试过程中与集中式可再生能源系统（如光伏发电场，风力发电场等）相比，分布式可再生能源系统（如建筑集成光伏发电）可以避免长距离输电[15]与建筑立面的动态热传递[16]和HVAC系统的快速响应[17]。Zhou等人[18]全面审查了屋顶PV散热的机械通风。Tang等人[19]将排气用于冷却双层玻璃光伏幕墙，使光伏输出增加0.35%。在高纬度地区，太阳能光伏的预热也可以减少空间加热负荷[20]。Sellami等人[21]开发了一种合适的太阳能PV/T系统配置，能够提供能源自给自足和电网独立性。此外，从实际应用的角度来看，现场可再生能源供应可以实现从纯粹消费者到能源消费者的角色转变。Liu等人[22]对能源区剩余可再生能源进行了多目标优化。电力系统潮流的动态调度可以有效地降低运行成本和碳排放。然后，在多变量的基础上，采用数据处理的方法，太阳能发电预测的建模技术已得到广泛研究。已经开发的模型可以分为物理模型，遵循基于主题的机制和原则。随着人工智能的快速发展，广泛的应用已经被注意到，包括HVAC控制[23]，能源和碳足迹[24]，微电网控制[25]和智能管理[26]。与物理模型相比，ANN和ML模型在建模开发方面要简单得多，并且在模型修改方面更灵活[1，27]。基于ANN的训练的基本机制是通过自动决策，计算和解决问题的能力与可调数量的隐藏层的自我纠错过程。机器学习的基本机制是根据它在人工干预下从数据中学到的知识进行决策。ANN包括前馈、递归、卷积和模块化神经网络，而ML包括监督、无监督和强化学习。不同建模技术的预测精度可以通过一系列统计指标来评价。Zhou等人[1]开发了一种基于监督学习的模型来预测现场光伏发电。可达到0.9992的决定系数。然而，没有通用的方法来 协助选拔 的 某些或 混合算法，这适合于具体的案例研究。基准或通用具有类似特征的算法选择或预测问题的方法对于在可再生系统中推广人工智能的广泛接受是非常必要的。此外，人工智能（AI）已广泛应用于能源系统，如太阳能热水，HVAC系统，发电和负荷预测[28]。人工智能已经从各个方面应用于可再生能源系统，如太阳能潜力预测，多级随机不确定性分析，智能控制，故障检测和诊断，单目标和多目标优化。人工智能在随机不确定性分析和鲁棒设计中的应用，主要包括非线性数据驱动的模型开发、基于不确定性的能量性能预测、不确定性和统计分析。人工智能的智能控制也已经在太阳能光伏（例如最大功率点跟踪，光伏终端电压转换为确定的最佳电压），风力涡轮机（例如被动失速控制和主动变桨控制策略）和自然冷却/加热能量存储（例如智能充电/放电策略）上进行了研究。为了确保可再生能源系统的安全、可靠和稳定运行，基于人工智能的故障检测和诊断可以提供高度自动化的在线系统监控深度神经网络Y. 周能源与人工智能10（2022）1001823模型主要用于永久可见的故障（如电池裂纹、分层和变色），而浅层神经网络模型用于其他故障（如阴影、结构故障和电气故障）。作为最关键的突破口，人工智能在单和多目标优化的非线性可再生系统，显示出优越的建模简化，预测精度高，计算效率与替代模型取代原来的物理模型。Fig. 1. 人工智能在可再生能源系统中应用的研究方法综述。Y. 周能源与人工智能10（2022）1001824--在这项研究中，对人工智能在建筑集成可再生系统中的应用进行了全面的回顾，以报告当前的进展，趋势和挑战。从光伏发电预测、太阳能发电潜力预测、多层次随机不确定性分析、智能控制、故障检测与诊断、单目标和多目标优化等建模技术方面，研究了人工智能各种应用的基本学习机制。人工神经网络（ANN）和机器学习（ML）是人工智能中的两种典型技术，从算法、类型、结构、底层学习机制和具体技能等方面进行了比较。ANN包括前馈、递归、卷积和模块化神经网络，而ML包括监督、无监督和强化学习。本研究的新颖性和独创性如下：1) 一个清晰的路线图，历史发展，最近的进展，提供了人工智能在可再生能源系统中应用的进展和未来挑战2) 在热力学和电气性能的多准则预测方面，提供了用于准确性评估的基本机制和统计指标，在基于ANN和ML的数据驱动模型方面，以及与传统物理模型相比的优越性和先进性分析（例如建模简化、计算效率和预测准确性）。3) 对可再生能源利用中的人工智能进行了清晰的回顾，包括太阳能潜力评估、多级随机不确定性分析、智能控制、故障检测和诊断、单目标和多目标优化。对人工智能应用进行了深入分析，以提高系统的稳健性、可靠性、自动化和灵活性。全文共分四个部分，第一部分是对多变量因素和数据处理技术的文献综述。在第二部分中，对建模技术进行了系统的回顾（即，物理模型、人工神经网络模型和机器学习模型），以及用于准确性分析的基本机制和统计指标。第三部分介绍了人工智能在可再生能源利用中的应用，包括太阳能潜能评估、多层次随机不确定性分析、智能控制、故障检测与诊断、单目标和多目标优化等。提供了挑战、展望和建议，例如扩展预测模型可靠性的输入参数，开发用于特定案例分析的适当ML算法的选择方法，开发具有高收敛速度的高级优化算法，以及用于碳中和过渡的国家太阳能潜力预测。2. 方法人工智能在可再生能源系统中得到了广泛的应用，以提高系统对各种不确定性场景的鲁棒性和适应性。目前的状况，技术挑战和未来的展望将按照路线图进行展示，如图1所示。主要包括三个部分，包括多变量因素和数据处理，光伏发电功率预测技术和实际应用。在第一部分中，变量包括气象、热物理和几何参数。数据处理技术包括预处理和后处理。在第二部分，在光伏发电预测方面，建模技术（如物理模型，人工神经网络模型和机器学习模型）和应用程序进行了审查，在统计指标。神经网络和机器学习的基本机制，学习的动态非线性性能预测行为，进行了分析。第三部分介绍了人工智能在可再生能源系统中的应用，包括太阳能潜能预测、不确定性鲁棒设计、智能控制、故障检测与诊断以及优化等。3. 多变量因子及数据处理技术综述3.1. 气象、热物理和几何参数PV输出功率取决于各种参数，例如气象、热物理和几何参数。表1列出了气象参数与光伏功率之间的相关系数如表1所示，太阳辐照度的相关系数最高，为0.984，其次是气温和露点，相关系数分别为0.7615和0.6386。值得注意的是，云型和相对湿度对光伏发电有负面影响，相关系数为0.4847和0.4918。除了气象参数外，光伏系统的热和电性能还取决于热物理参数。Savvakis等人[29]采用风力和PCM相结合的方式进行光伏冷却。参数分析表明，相变材料可使光伏发电系统的输出功率提高4.24%，光伏效率提高4.19%。Zhou等人[30]研究了太阳能电池的主动冷却，并在不同程度上提高光伏效率。Abdelrazik等人[5]指出，含有10wt%的PV/T/na-noPCM可以将电效率提高22%。几何参数对光伏输出功率的影响也进行了研究。研究人员主要关注PV/T系统的几何参数。Gang等人[6]对PV/T热管进行了参数分析。结果表明，光伏输出功率与水流量和光伏电池覆盖因子呈正相关，与管间距呈负相关。Herez等人[31]研究了PV/T系统的热效率和功率效率，包括接收器的边长和管长以及吸收器的厚度。Elsheniti等人[32]探索了PV/PCM系统的最佳PCM厚度和倾角，以最大化输出功率。PCM的最佳厚度为30 mm。3.2. 数据处理技术由于季节变化、功率波动、系统故障（如传感器缺陷）和操作错误（如错误记录），可以在输入数据库中注意到间歇性静态或尖峰元素[33]。Wang等人。[11]采用生成对抗网络和卷积神经网络进行日前光伏发电预测。数据过滤和关联技术包括：1）当太阳辐射为负值时，辐射和PV输出值为零; 2）剔除缺失的输入和输出功率数据; 3）对回归误差进行数据归一化，保持高度相关性。图2展示了数据分析的概述，包括数据加载、数据和统计分析、数据处理、数据分类/分割、知识发现、解释和应用。在数据处理方面，主要包括数据清洗、数据填充、字符串替换、数据连接和保存、降维、数据转换和数据规范化。为了减少数据冗余和数据噪声，表1气象参数与光伏发电的相关系数[4]。气象因子相关系数太阳辐射0.984气温0.7615云型-0.4847露点0.6386相对湿度-0.4918含水量0.3409风向0.1263风速0.197空气压力0.0815Y. 周能源与人工智能10（2022）1001825AT SAWm-1i=1i=1我我图二. 演示数据分析。对于预测精度来说，降维与将原始高维空间中的数据点映射到低维空间具有重要意义.降维的原理是一个映射函数.线性降维是最常用的降维方法，而非线性降维方法在本研究中没有介绍。主成分分析（PCA）：将高维数据通过一定的线性投影映射到低维空间，投影维度上的数据方差最大。这种方法使用较少的数据维度，并保留原始数据点的特征。网络[11]和天气分类[12]。数据预处理的必要性包括预测精度的提高，具有高计算速度，保持输入相关性和快速收敛。相应地，后处理是必要的，以提高预测精度，通过模型适应实时或二手数据。后处理技术主要包括反归一化[13]和小波重构[14]。4. 光伏发电功率预测建模技术综述Max1∑m .WT（xi-x））2（1）与物理模型相比，人工神经网络模型的优点包括高效准确的性能预测，以及capa-其中m是原始数据的数量;xi和x是输入和平均值。W是包含所有映射向量作为列向量的矩阵X上标T表示转置矩阵X。线性判别分析（LDA）：与PCA不同，LDA侧重于容易区分的特征。比内斯 为 具有挑战性的预测问题 的 无法解决物理模型，如太阳能电池上复杂的湿度模型和基于不确定性的稳健优化。考虑到研究绝对湿度和相对湿度对性能的影响的困难，Sohani等人[34]开发了一种ANN模型，其校准来自实验通过驱动神经网络模型，多类J（ a）=aTSBa（二）分析结果可为光伏发电性能的提高提供有益的指导。 在 这 区段，一 整体 审查 是 上进行物理模型、人工神经网络和机器学习模型，SW=∑cS i=∑c ∑（x-μ）（x-μ）T（3）i=1i=1i光伏发电预测为预测精度的估计提供了潜在的机制和统计指标。SB =∑cni（μ-μ）（μ-μ）T（4）其中μ是指用于评估类间距的映射中心。S是指映射点与中心之间的距离之和，以评估类内距离。数据归一化：在学术界，预测热电性能的物理模型主要分为CFD模型和简化的有限差分节点模型。数学模型是基于经典的x比例x-xminx最大-x最小（五）传热传质机理有限差分法通过每个时间步上的收敛计算的每个离散点的状态将用作下一个时间步的初始状态然而，在这方面，其中xmin和xmax是指输入的最小值和最大值。表2列出了数据预处理和后处理技术的总结。预处理技术主要包括时间序列技术[7]、统计工具[8]、傅立叶级数变换[9]、归一化[1]、小波变换[10]、生成对抗由于传热传质过程的复杂性和热物理参数的不确定性，假设会导致测量结果与预测结果之间的差异。图3示出了PV模块的等效电路模型。I=Iph-Id-Ish（ 6）=4.1. 物理模型Y. 周能源与人工智能10（2022）1001826G，IccrefnVtRsh图三. 太阳能电池的等效电路。Iph=G .I phref+.T-T参考））（7）Id=Isat（exp（V+RsI）-1）（8）我... =V+ R s（九）其中G和T分别为工作的辐照度和温度条件，Gref和Tref为标准试验条件（STC）下的辐照度和温度：1000 W/m2和25° C，Iph，ref为STC下的光生电流，μIcc为电流的温度系数。我坐是二极管的反向饱和电流。n和Vt是指二极管理想因子和热电压。Rsh和Rs是指电阻。在数学模型方面，研究了CFD和简化的有限差分节点模型。基于CFD的模型可以提供整个领域的详细信息，但计算量非常高。Gan和Riffat[35]开发了一个计算流体动力学模型来研究光伏系统的气流和温度分布。结果表明，屋顶光伏的有效冷却是提高性能的必要条件。Maadiel at. [36]开发了一个热光学数值模型，使用了CFD和双波段辐射离散坐标模型。参数分析可以为系统设计提供指导。Zhou等人[37]开发了一个基于有限元法的计算流体动力学模型，以研究PV/T系统的温度分布。参数分析表明，管间距对温度分布影响最大。与基于CFD的模型相比，简化的有限差分节点模型由于将一个区域（垂直于传热方向）简化为一点，在性能预测方面更有效。然而，计算结果不能提供关于区域（垂直于传热方向）的详细信息。Zhou等人[38]开发了一种基于熵的建模方法，以表征分布式光伏系统中潜热存储的传热机制。所建立的数学模型是有效的。用于动态热性能和电性能预测。为了为了在不牺牲预测精度的情况下降低CFD模型的计算复杂度，Elsheniti等人[39]通过增强等效导热系数开发了一种新的数学模型。4.2. 机器学习方法4.2.1. 人工神经网络方法除了物理模型之外，还研究了由ANN训练的数据驱动模型。Elsheikh等人[40]系统地回顾了不同类型的ANN在太阳能系统中的应用，包括多层感知器（MLP），小波神经网络，径向基函数（RBF）和Elman神经网络（ENN）。他们的结论是，人工神经网络是预测和优化太阳能系统的有用工具。图4展示了由ANN训练的数据驱动模型的一般原理，包括前向传播（图4a）和反向传播（图4b）。通过迭代计算更新权重因子和偏差，可以训练出具有最小预测误差的精确模型。表2数据处理技术数据处理技术时间序列技术统计工具傅立叶级数变换归一化小波变换生成对抗网络天气分类反归一化小波重构类型目的研究结果预处理处理太阳能发电系统太阳辐照度数据太阳辐照度数据集基于不确定性的光伏发电功率预测用于信号分解与重构的信号时频表示法日前光伏发电功率预测太阳能发电预测基于SVM的基于小波分解和神经网络的Kemmoku等人[7]莱卡德[8]Boland[9]Zhou et al. [1]第一章Aghajani等人[10]Wang等人[11]Chen等人[12]时间序列技术是一种完善晴空指数信息修正的学习率可以提高预测精度0和1之间的归一化可以限制回归误差并保持数据集中的高相关性此外，归一化可以提高计算速度，保持输入相关性并保证快速收敛。可以提高风电场的预测精度。增强数据集（缺失数据生成或输入的时间序列数据增强）可以提高分类性能。通过针对不同地点和气候的最佳方法改进光伏性能预测反归一化可以描述实际预测的光伏功率。对新的实时或次级数据的模型自适应可以提高预测精度。后处理Y. 周能源与人工智能10（2022）1001827NK=×ij×IJ+Kwij（ n）= wij（n-1）+Nαxj（nd（n）-xj（n）×wij（n-1）n-1图四、ANN训 练数据驱动模型的 一般 原 则：（a）前向传播;（b）反向传播。y f（∑m（X（10）j=11∑[][]其中i和j分别指神经元和突触的数量反向传播是通过动态更新加权因子来最小化预测误差。在这里，SGD函数和批处理函数如等式2所示。(12) 以及（13）用于动态加权因子更新。Mine=|d-x× W|（十一）SGD函数使用以下形式公式更新权重：wij（ n）= wij（n- 1）+α xj（n）[d（n）-xj（n）×wij（n- 1）]（12）X和b k指的是输入和偏置。wij和α表示加权因子和学习率。激活函数主要包括线性，sigmoid，高斯和高斯补[41]。图5展示了四种经典ANN的结构配置。在平衡随机森林（BRF）神经网络中，如图5（a）所示输出层采用线性函数，它是所有径向基函数的加权和，如等式10所示。（十四）、batch函数遵循以下公式：（十Y. 周能源与人工智能10（2022）1001828∑=jyKj=1.wjk×Xj），K= 1， 2...，K（14）Y. 周能源与人工智能10（2022）1001829∑=图五. （a）平衡随机森林（BRF），（b）小波神经网络，（c）多层感知器（MLP），（d）嵌入神经网络（ENN）的结构[40]。小波神经网络，如图所示。 5（b），由饲料组成-计算输出。前向神经网络，以及具有来自正交小波族的激活函数的隐藏层[42]。输出层采用yN-=1（wi×γi）+y′，k=1，2，...，K（15）小波激活函数的加权线性组合，其中y′是偏差。Y. 周能源与人工智能10（2022）10018210（-）如图5（c）所示，多层感知器（MLP）接收输入数据，然后传递到下一个隐藏层，直到输出。 通过加权和函数将信息从每一层传递到下一层，所有加权输出的加权和最终可以生成预测结果。通过将预测结果与实际数据进行比较，更新隐含层中的加权矩阵，以使预测结果最小化。如图5（d）所示，嵌入神经网络（ENN）在隐藏层中包含递归网络。与前馈神经网络不同，递归网络利用内部存储器来处理输入序列，使其能够处理具有挑战性的任务。ENN通过来自递归层中隐藏层的自反馈输出显示出学习和构建时间和空间模式的高能力[43]。与其他神经网络不同，ENN有四个计算层，即，输入、隐藏、循环和输出。x （k ） = f （w2 xc （k ） + w1 u （k- 1 ） ）（16）其中x（ k）和xc（k）表示隐藏层和递归层的输出。uk 1是神经网络的输入w1和w2是指加权因子。基于人工神经网络的性能预测模型可以基于实验数据或数值模型驱动的数据来开发根据实验数据，Al-Waeli et al.[44]开发了一种基于人工神经网络的多层感知器（MLP）模型来预测纳米流体/纳米PCM系统的Al-Waeli等人[45]开发了ANN模型来预测纳米PCM PV系统的性能。对隐含层数的敏感性分析有助于建立准确的预测模型。Zhou等人[46]数据驱动模型基于人工神经网络对PCMs-PV系统的发电量进行预测采用田口L18（21，37）标准正交表，相关系数接近1.在实际应用方面，Al-Waeli等人[47]开发了三种基于人工神经网络（ANN）的模型，使用多层感知器，自组织特征映射和支持向量机来预测光伏系统的冷却性能该网络结构良好，训练良好，可以准确预测光伏性能，降低过高的实验成本。Al-Waeli等人。[48]采用自组织特征映射网络（SOFM）来预测纳米PCM冷却的PV系统，通过机制来最小化输入向量和其他神经元之间的维度空间。通过与数学模型的比较，验证了神经网络模型的准确性。Zhou等人[46]开发了一种基于人工神经网络的数据驱动模型，用于预测PCMs-PV系统的热性能和电气性能。与传统的“lsqcurvefit”拟合方法相比除了纯人工神经网络算法，混合算法也被应用于解决更复杂的预测问题。与纯ANN模型相比，混合粒子群优化-ANN模型可以将训练阶段的决定系数从0.9982提 高 到 0.9997 ， 并 将 测 试 阶 段 的 决 定 系 数 从 0.9980 提 高 到0.9997[49]。4.2.2. 其他方法根据实验结果，SVM小波方法更准确，可以推广到PV/T系统的电气和热性能预测[50]。 Zamen等人。[51]优化ML al-租金，以提高预测精度的PV/T系统的热效率。预测模型的均方误差（MSE）和决定系数（R2）值分别为0.009和1.0。除了性能预测，机器学习还通过替代模型开发应用于参数优化。基于机器学习的优化的底层机制是将代理模型集成到高级优化算法中。优化算法不需要传统的数学模型，而是调用代理模型，以显著降低计算负荷[27]。PCMs-PV系统中ML的另一个突破是，可以通过经过良好训练的多标准ML模型进行多目标优化，减少整个优化过程的持续时间[52]。PCMs-PV系统中ML的进步也可以应用于基于不确定性的鲁棒优化[53]。4.3. 光伏发电功率预测的人工智能方法机理机器学习的基本机制是在人工干预下根据从数据中学到的知识进行决策。类似地，人工神经网络的基本机制是通过自动决策、计算和解决问题的能力以及可调节的隐藏层数量来进行自我纠错过程。机器学习主要包括有监督、无监督和强化学习，其中人工神经网络主要包括前馈、递归、卷积和模块化神经网络。有监督机器学习方法用于非线性系统性能预测的基本机制是在多个输入和输出之间建立直接的数学关联，并动态更新权重因子和最小预测误差。不必要的连接将被消除，以解决过拟合，如图所示。 六、4.4. 业绩预测评价为了评价所开发模型的预测精度，表3列出了统计指标，并给出了物理意义、数学方程和应用。准确的模型显示出较高的预测精度，静态指标在适当的范围内。5. 人工神经网络和机器学习在可再生能源系统和智能建筑在过去的几十年里，人工智能已经广泛应用于可再生能源系统，如图7所示。其主要应用领域包括太阳能资源和潜力估计、城市光伏发电潜力下的太阳能光伏输出功率预测、随机不确定性分析和鲁棒设计、智能系统控制、故障检测和诊断（FDD）以及系统优化。在本节中，人工神经网络和机器学习在光伏系统中应用的方法和基本机制已经被证明，为即将到来的研究铺平道路太阳辐射作为太阳能热发电系统的主要驱动因素，引起了人们的广泛关注，但由于其时空分布的不均匀性、不确定性和随机不确定性，太阳辐射研究面临着挑战。在只有气温预报的情况下，Feng等人[62]开发了一种混合思维进化算法和人工神经网络模型来预测每日全球太阳辐射。混合模型具有较高的预测精度。Yu等人[63]开发了一种基于机器学习的预测模型来预测太阳能密度，可以为太阳能安装数据库做准备。Khosravi等人[64]开发了基于机器学习的预测模型来预测每小时的太阳辐射，包括具有本地时间输入变量的第一个模型和用于太阳辐照度时间序列预测的第二个模型所采用的神经网络可以产生准确的预测结果，相关系数大于0.95。研究了机器学习和先进算法的混合解决方案，用于预测太阳辐射。Olatomiwa等人[65]采用混合支持向量与混合神经网络和遗传规划的比较表明，Y. 周能源与人工智能10（2022）10018210i= 1N∑（y-d）i ii=1Ni=1Ni=i=i=∑ ∑∑∑N （d-d）i∑Ndii=1i=N-=1Ni=1i=1ii=1）]i=1 1i=1）的情况下]i=1图六、替代模型开发的培训和验证过程。表3业绩预测评价统计指标一览表统计指标物理意义数学方程应用决定系数（右因变量1∑N（yi-di）2高度隔热的气凝胶玻璃窗系统[57];分布式PCM光伏系统[27];2-∑i=1DD2平均绝对误差（MAE）评估模型的一致预测误差∑N |yi - di|建筑能源需求[58]均方根误差（RMSE）归一化平均偏倚误差（NMBE）均方根误差的变异系数（CV-RMSE）衡量预测模型用于比较目的的平均偏倚误差指数的归一化。对因变量的变异进行归一化，以量化预测值与实际数据∑1NNi=1D√̅∑̅N̅(̅y̅ i -̅d̅i)̅2̅D方差系数（Coefficient of Variance，COV）概率分布的离散度，或频率分布RMSE1∑N yi使用支持向量机进行需求预测[59]相关系数（CC）两个变量之间的统计关系N1diyi-N1diN1yi[N∑Nd2-（∑NDi2 N∑Ny2-（∑Nyi2建筑需求预测[60]模型总体指标1[1]RMSE1∑N （yi-di）2]可解释的机器学习性能（OIMP）二维 最大值-d最小值+-i=12i=1数据驱动模型的解释[61]剩余质量（CRM）∑N yi-∑N1di图7.第一次会议。 人工智能在可再生能源系统中的应用概述。5.1. 人工智能在太阳能潜力预测中的应用可以从独立变量中预测（i-）Y. 周能源与人工智能10（2022）10018211±基于预测的太阳辐照度，太阳能发电潜力已经预测与先进的ML技术。通过将地理信息系统（GIS）工具用于数据处理，并将支持向量回归用于太阳能预测，预计年光伏发电量为17.86 TWh，占瑞士电力消耗的28%开发的混合模型表明，西北地区是太阳能应用的有利场所，具有丰富的全球太阳辐射和能源潜力[67]。然而，考虑到太阳辐射和光伏发电预测的非线性和复杂性，不完整的输入变量可能会导致在训练和测试过程中的错误。其他参数，如气压、湿度、日照时数、云指数等，也需要加入到输入中，以提高预测的可靠性和准确性。其次，大多数研究在具体的案例研究中比较了不同算法或混合算法的预测精度。然而，没有一般的方法来帮助选择某些或混合算法，这是适合于特定的案例研究。为具有相似特征的预测问题选择算法的基准或通用方法5.1. 随机不确定性分析与鲁棒设计除了确定性的性能分析，性能预测与输入场景的不确定性是必要的，因为收集的数据充满了不确定性。考虑到输入参数的偶然和认知不确定性，Zhou等人[1]对混合PCM集成可再生系统进行了不确定性分析。通过采用二维马尔可夫链蒙特卡罗方法对多维不确定性进行量化，并开发基于监督学习的代理模型，不确定性分析将增加峰值可再生发电功率和年总电能。Liu等人[68]开发了一种变权组合预测模式（WVCFM）模型，用于短期光伏发电输出和不确定性分析。的该模型可以量化光伏发电预测的不确定性。Khandakar等人。[69]采用相关性和起伏特征选择（ReliefF）技术来训练用于光伏发电预测的机器学习模型。支持向量机（SVM）与随机森林（RF）和额外树（ET）[70]的比较表明，ET在稳定性和计算效率方面的优势使其成为PV产量预测的更合适的候选者基于确定性模型，使用脊分位数回归进行概率光伏功率预测[71]。与传统的预测模型相比，该方法在不同的预测期内都能提高预测精度通过在数据挖掘方法中结合机器学习和地理信息系统，Walch等人。[72]在国家光伏发电预测的所有光伏发电估计阶段都纳入了不确定性结果显示，光伏覆盖面积占瑞士屋顶总面积的55%，瑞士年光伏发电量为249 TWh，占2018年全国电力需求的43%图8证明步骤为多级不确定性分析，包括非线性数据驱动的模型开发、基于不确定性的能源性能预测和不确定性分析。如图1所示，可以开发数据驱动模型来加速非线性性能预测 步 第2 步骤，通过采用多-维度不确定性量化模型（如组件方面的Metropolis-Hastings[57]），基于多级不确定性的性能，如太阳能电池温度、有源功率消耗，设备和太阳能发电，可以产生。此后将采用统计分析方法， 步骤，对于非-确定性分析基于不确定性的性能分析可以促进可靠和鲁棒的系统设计，提高发电量[1]。5.2. 基于人工智能的智能控制由于具有良好的学习能力和快速收敛能力，能够适应参数变化和模型不确定性的环境图8.第八条。多层次不确定性分析的路线图和步骤。Y. 周能源与人工智能10（2022）10018212人工智能已广泛应用于可再生能源系统的智能控制。Karabacak和Cetin[73]系统地回顾了基于人工神经网络的光伏系统功率点跟踪应用，以及风力涡轮机系统的变桨控制器。表4总结了人工智能在可再生能源系统智能控制中的应用，包括太阳能光伏系统、风力涡轮机和自然热能系统。人工神经网络已用于不同天气和操作条件下的最大功率点跟踪（MPPT）[74-76]。据报道，采用人工神经网络的MPPT可以提高约45.2%的输出能量，一个晴朗的晴天。对于风力涡轮机系统，当风速较高时，人工神经网络可用于主动变桨控制以控制桨距角[77，78]。此外，还研究了具有补偿功率系数的基于ANN的MPPT，以在动态和稳态下产生最大机械功率跟踪[79]。在自然热能储存方面，采用了再学习技术[80]对PCM储存器进行智能充电/放电，以实现最大的节能。本节从控制机制、方法和技术的角度全面概述了人工智能在可再生能源系统智能控制中的应用。确定了几个关键的挑战，以阐明未来的研究。关于神经网络在光伏系统中的应用，图。 9显示了光伏系统中基于人工神经网络的MPPT，其中MPPT用于连接光伏模块和直流电机。人工神经网络是识别最大光伏功率与输入。根据测量的操作功率与来自神经网络的最佳最大功率之间的差生成的控制信号将使PV功率最大化就风力涡轮机系统而言，被动（失速控制）和主动（桨距控制）控制策略都可以应用于风力涡轮机中。当风速高得多时，在失速调节风力涡轮机中，所设计的叶片充分利用旋转速度或空气动力扭矩来降低功率产生。在桨距控制中，当风速高得多时，叶片桨距机构将被接收，并且转子叶片立即稍微偏离风而变桨（转向）。人工智能技术已被应用于风力发电机系统的控制。例如，为了实现在参数变化和模型变化表4人工智能在可再生能源系统智能控制中的应用Mayosky等人[81]采用高斯网络开发了一种直接自适应控制策略，结合了基于径向基函数（RBF）网络的自适应控制器和监督控制器，如图10所示。通过返回到传播的涡轮发电机信号（w）以控制基于RBF网络的自适应控制器和监督控制器，可以保证来自涡轮发电机的最大输出功率。Ro和Choi[77]开发了一种用于并网风力涡轮机系统的神经网络（NN）变桨控制器。如图11所示，神经网络桨距控制器的主要功能可以概括为：1）最大功率系数运行模式，以在风速较低时获得最佳功率; 2）改变桨距角，以避免多余的能量，并且输出功率恒定。与PI控制器相比，NN变桨控制器显示出更高的从风中提取的功率人工智能在自然蓄热智能控制中的应用也进行了研究。Gracia等人[80]采用强化学习智能控制通风立面，实现PCM充放电。通过控制放电的开始时间和PCM的量Zhou等人[82]回顾了PCM集成能源系统中的智能控制与机器学习应用5.3. 故障检测与诊断在运行过程中，可再生能源系统将遭受各种故障，如系统错误（如公用事业损失，隔离故障，电网电压故障，接地电流故障和电网频率故障）和逆变器错误（继电器检查故障，过温保护和光伏电池过电压保护）。快速、准确地识别和系统地分类光伏发电的各种故障是排除这些故障，实现安全、可靠、稳定运行的必要条件。故障检测和诊断（FDD）可以解决这些关键问题。Mellit等人[83]系统地综述了光伏系统的FDD方法，包括统计和信号处理方法[84，85]、I-V特性分析[86-88]、电压和电流测量方法[89-91]、功率损耗分析[92，93]和人工智能技术（AIT）[94-96]。相比系统研究办法/技术控制机制结果PV[74]第74话最大功率点跟踪用梯度下降算法训练神经网络控制器，然后确定最大值该自适应控制器可以适用于不同的太阳辐射的不同的操作条件。[75]第 七 十五话太阳能电池阵列对天气信息的准确预测所提出的方法可以提供更准确的与传统的多元回归模型相比，Bahgata等人[76]风力涡轮机Ro和Choi[第七十七章]Mayosky等人[81]基于神经网络（NN）的桨距控制（主动）基于高斯网络与监督控制器人工神经网络在不同工况下检测最佳工况点，向MPPT当风速非常高时，将接收叶片变桨机构，并且转子叶片立即变桨（转向）稍微脱离风在参数变化和模型不确定性下快速收敛到一个简单的线性动态行为通过MPPT可以增加功率输出和操作周期。在晴天时，输出能