多能源系统中的人工智能可再生能源集成的挑战、未来与前景

能源与人工智能10（2022）100195审查人工智能为碳中和过渡的多能源系统中的大规模可再生集成提供动力：挑战和未来前景刘正轩a，b，*，孙颖c，*，邢超杰a，刘佳d，e， f，何英东 a，周跃宽g，h，i，*，张国强aa湖南大学土木工程学院，国家建筑安全与环境国际合作研究中心，长沙，410082b荷兰代尔夫特工业大学建筑与建筑环境学院，地址：Julianalaan 134，2628 BL，Delft，c加拿大蒙特利尔康考迪亚大学建筑、土木和环境工程系能源和环境小组d广州大学土木工程学院，中国广州香港理工大学建筑环境与能源工程系，香港，中国广州大学广东省建筑节能与应用技术重点实验室g可持续能源与环境推进，功能中心，香港科技大学（广州），广东南沙，511400，中国h香港科技大学机械与航天工程系，清水湾，中国香港特别行政区i香港科技大学深港协同创新研究院，中国深圳H I G H L I G H T S• 讨论了人工智能技术对大规模可再生能源集成的功能贡献• 分析了各种人工智能技术的实际应用和有效性• 总结了使用人工智能技术进行大规模可再生能源整合的局限性和挑战• 提出了一些有前景的研究方向和建议A R T I C L EI N FO保留字：人工智能技术可再生能源大规模集成能源转型碳中和A B标准大力推广可再生能源作为化石能源的替代品是实现全球碳中和的主要行动路线然而，多能源建筑区的清洁能源供应仍处于能源范式转变的初级阶段。特别是，在智能控制管理方面，大规模可再生能源整合的技术和方法仍然不够成熟。人工智能（AI）技术驱动的可再生能源系统可以从生物启发的教训中学习，并为电力系统提供智能。然而，对于人工智能技术在多能源系统中大规模整合可再生能源和脱碳的作用，很少有深入的剖析和讨论。本研究总结了常用的人工智能相关方法，并讨论了其应用于不同可再生能源部门时的功能优势，以及它们对优化可再生能源运营控制模式和提高整体运营效率的功能贡献。本研究还介绍了各种人工智能技术在大规模可再生能源集成系统中的实际应用，并通过理论解释和各种案例研究分析了它们的有效性。此外，本研究还介绍了使用相关人工智能技术进行大规模可再生能源整合以实现碳中和过渡的局限性和挑战，并提出了进一步有前途的研究前景和建议。这项全面的审查点燃了先进的人工智能技术，用于大规模可再生能源整合，并为不同的利益相关者提供了有价值的信息说明和指导方针（例如，工程师、设计师和科学家）进行碳中和过渡。* 通讯作者。电子邮件地址：Z.liu-tudelft.nl（Z. Liu），sunyingca95@gmail.com（Y. Sun），yuekuanzhou@ust.hk，yuekuan. outlook.com（Y。Zhou）。https://doi.org/10.1016/j.egyai.2022.100195接收日期：2022年7月4日;接收日期：2022年8月2日;接受日期：2022年8月2日2022年8月5日在线发布2666-5468/© 2022作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可从ScienceDirect获取目录列表能源与AI期刊主页：www.sciencedirect.com/journal/energy-and-aiZ. Liu等人能源与人工智能10（2022）10019521. 介绍传统能源系统的使用（例如，煤、石油和天然气）的使用导致了二氧化碳排放量的急剧上升，并导致了全球变暖[1全球能源和环境问题需要大规模部署可再生能源。如今，可再生能源发电（特别是太阳能和风能）作为缓解能源和环境问题的最常见技术，已经引起了相当大的关注和大规模应用[4然而，太阳能和风力发电技术存在间歇性和连续性困难[7电力输出的这种间歇性可用性对电网系统具有重要意义，例如电压波动、频率波动、无功功率、系统中断和电气设备的频繁切换，以及预测和调度、负载管理和存储系统[10，11]。大规模的可再生能源发电可能导致电网电压升高，这在并网光伏（PV）发电的情况下非常重要[12]。此外，太阳能的间歇性可用性可能导致不均匀的发电，因此可能使连接的变压器的能力过载，还可能导致电网范围的相位不平衡[13目前，太阳能和风能发电已成为一个重要组成部分，智能电网、智能微电网和智能建筑在电力供应中所占的份额越来越大[16，17]。尽管如此，由于太阳能和风能的高随机性、低可预测性和间歇性特征，大规模并网可再生能源系统（RES）的可靠性和安全性已被视为需要解决的最关键问题[18，19]。因此，利用智能技术对可再生能源进行调度、管理和优化，将是稳定电网功率、确保电网供电安全的必要有效措施[20]。智能技术，例如，人工智能（AI）是解决全球能源转型复杂性、提高系统效率、降低成本和加快脱碳转型速度的强大工具[21，22]。它们主要应用于可再生能源发电和需求预测，电网运行优化和能源需求管理[23，24]。许多研究人员已经研究了集成应用人工智能技术与可再生能源，包括风能和太阳能互补发电，风电接入电网系统和太阳能储能配电网[25，26]。人工智能技术的出现为可再生能源耗散、电网频率调节和调峰带来了新的机遇，使可再生能源发电能够顺利接入电网[27]。Hua等人[28]指出，人工智能技术是支撑电力系统的最佳运行控制策略之一。他们的研究试图解决如何将人工智能技术纳入智能电网，以促进专业消费者为了实现这一目标，他们审查了如何设计政策设计，为化石燃料发电产生的二氧化碳排放定价，以鼓励专业消费者与可再生能源相结合。然后，他们讨论了人工智能技术如何加强电力系统运行过程中的状态监测和确定。Ghadami等人[29]提出了一个使用人工智能和可再生能源的智慧城市概念，例如。 例如，在一个实施例中，PV技术。该研究旨在使用基于机器学习的工具评估伊朗马什哈德地区的电能消耗，并提出了一项动态战略，以提高公民的意愿，基于专家知识的可再生能源发电的必要性-边缘.结果表明，人工神经网络模型可以成功地预测夏季和冬季的总用电量，准确率为99%。然后，根据太阳能光伏系统中的计算，可以在最热和最冷的月份控制电力消耗的峰值。Abdallaetal.[24日]全面了综述考虑到AI技术的RES和储能系统（ESS）的集成。本文从可再生能源系统的技术特点出发，总结了可再生能源系统的功能、分类、设计优化方法及其在电力系统中的应用，并对人工智能技术在优化系统配置、能量控制策略及不同可再生能源系统适用性方面的应用进行了深入梳理，为今后大规模集成可再生能源系统的研究方向提供了新的思路和启示。可再生能源与碳捕集的共存为碳捕集提供了一条新的途径，其中碳捕集的部署可以提供额外的灵活性，以优先容纳可再生能源，同时剩余的可再生能源可以用于降低碳捕集的运营成本[30，31]。Chen等人[32]提出了一种基于人工智能的发电厂和碳捕集系统在可再生能源渗透方面的优化调度策略，以表明当碳捕集过程完全可调时，可以实现一个具有人工智能的神经网络被用来反映发电厂碳捕获系统中碳、热和电之间的多个运营目标，如运营成本最小化，可再生能源的减少，和碳排放量，被认为是在调度，粒子群启发式优化方法被用来找到最佳的解决方案。根据上述综合总结，根据这些解释，可以看出，大力推广可再生能源作为化石能源的替代品是当前实现全球碳中和的主要行动路线[33但是，可再生能源在整个能源供应网络中的应用仍处于能源转型的初级阶段。特别是，大规模可再生能源应用的综合技术和方法还不够成熟[36，37]。此外，常用RES的间歇性（例如，太阳能和风能）导致难以匹配能源生产、供应和利用，因此这些系统的实际运行效率将严重受损[38，39]。为了解决这个问题，将人工智能技术集成到RES中可以被认为是实际应用中的一个可行选择[40]。近年来，人工智能技术与RES的结合受到了相当大的关注，并从不同的角度进行了大量的研究。例如，Milidonis等人[41]详细概述了人工智能技术在太阳能塔系统分析、设计、优化、控制、操作和维护中的应用。Al-Othman等人[42]全面综述了人工智能技术在混合可再生能源系统（HRES）中的应用，特别是太阳能光伏和风能与燃料电池的集成。这项研究进一步阐明，人工智能解决方案的主要优势围绕着预测HRES在高峰负荷期间以及间歇性能源发电第然而，对于人工智能技术在不同场景下大规模集成RES应用程序的作用，很少有深入的剖析和讨论。可再生能源的大规模集成与传统的RES不同，后者通常具有更复杂的系统集成和控制策略。此外，对于人工智能技术在大规模RES碳中和过渡应用中的研究现状、存在的问题和面临的挑战，也缺乏全面的总结和分析。为了解决上述科学空白，本研究将对人工智能技术在大规模可再生能源应用中的应用进行系统概述，为相关利益相关者提供前沿指导和能源规划策略，特别是制定相关能源政策和蓝图倡议。在这项研究中，通常使用的方法，优势和功能的作用，智能技术在各个部门的RES总结，以及其功能的贡献，优化操作控制模式的RES和提高这些系统的整体运行效率。此外，本研究还介绍了各种人工智能技术在Z. Liu等人能源与人工智能10（2022）1001953大规模可再生能源集成系统，并分析这些方法的有效性，通过理论解释和不同的案例研究。此外，本研究还分析了使用相关AI技术大规模集成RES的限制和挑战，并提出了进一步有前途的研究前景和建议。这一全面的概述展示了先进的人工智能技术对RES的大规模集成应用和相应的后续发展的贡献。2. 人工智能技术的常用方法、优势和功能作用2.1. 常见的AI相关方法随着人工智能技术的迅速发展，人工智能技术与资源大规模利用的结合已成为一个越来越有前途和迫切的趋势。一般来说，人工智能技术表明一台计算机或机器模仿人类认知功能的能力，例如，学习和解决问题的能力[41，42]。它们可用于性能或属性预测、操作控制、编程和优化等。本节介绍一些受人脑启发的先进人工智能技术（例如，人工神经网络（ANN）和模糊逻辑）或动物行为（例如，例如，在一个实施例中，粒子群优化（PSO）和蚁群优化（ACO））[43]。2.1.1. 人工神经网络人工神经网络是各个领域中最广泛使用的人工智能技术之一，例如可再生能源技术（例如，太阳能、风能、地热能等）[44]、空调系统（例如，负载预测、故障检测）[45，46]等。一个典型的神经网络模型通常由输入层、隐层和输出层组成每一层都包含一组神经元，它们使用激活函数根据前一层的输入计算输出反向传播（BP）算法通常用于ANN训练以优化单个神经元的权重和偏置然而，最佳ANN结构，包括隐藏层和隐藏神经元的数量以及激活函数，在大多数情况下使用试错法确定[43]。在大规模能源系统优化中，开发基于ANN的代理模型绕过了使用计算扩展模型，与实际工程模型相比，优化任务的计算时间大大减少[47]。一些研究表明，使用ANN的代理模型可能会将系统优化的计算速度提高100倍以上，同时实现高达90%的准确率[48]。为了实现HRES的环境影响最小化和经济效益最大化，并建立政府和居民之间的权衡，Luo等人。[49]开发了一种新的基于人工神经网络的混合算法（ABHA，其工作流程如图所示。 1）替换下层优化问题，将两级优化问题转化为单级优化问题，提高了计算效率。结果表明：（i）ABHA方法与传统方法相比，计算精度高，计算时间短;（ii）在最优补贴政策下，太阳能可以满足独立式HRES的大部分能源需求;（iii）增加补贴可以扩大光伏装机规模，减少碳排放;但是，当补贴超过一定阈值时，HRES的设计和运行2.1.2. 模糊逻辑控制模糊逻辑控制（FLC）是一种流行的非线性和自适应控制技术，在存在参数不确定性的情况下提供鲁棒性能。模糊逻辑有助于将系统中的模糊性概念化为明确的可量化参数[50]。因此，基于FLC的模型可用于有效的能源管理规划，从而得出实用的解决方案。近年来，基于FLC的推理系统已被广泛用于太阳能光伏控制/智能电网系统。FLC算法还用于太阳能光伏/风能控制系统，并用于寻找风能发电的最佳地形。模糊专家系统和神经模糊专家系统是用于识别最佳能源或最大化可用资源的AI应用程序[51]。FLC与其他经典专家系统由于在控制器结构中引入多个输入变量的可能性，具有较低的复杂性[52]。此外，预期的FLC性能可以很容易地以文本方式描述，这避免了对整个输入范围的数学表达式的要求。Vigneysh和Kumarappan[53]提出了一种简单的结构，该结构利用FLC和PI控制器的鲁棒性和自适应性来有效地改善电网Fig. 1. 基于人工神经网络的混合算法（ABHA）的流程图[49]。Z. Liu等人能源与人工智能10（2022）1001954交互式转换器（GIC）的不确定性。PI控制器的输入增益由基于模糊逻辑的监控系统的运行条件动态调整。因此，它提供了快速的动态响应，并减少了扰动期间的过冲。Cai等人[54]利用模糊随机区间规划模型确定了多不确定性下的能源管理系统规划最优策略。该方法综合了区间线性规划、模糊随机规划和混合整数规划的思想.因此，模糊逻辑可以有助于有效地捕获和压缩与能源建模相关的数据和不确定性Athari和Ardehali[55]研究了时变电价对由基于预测的优化调整FLC管理的并网混合可再生能源系统（HRES）的储能组件性能的影响。FLC管理的并网HRES能量存储部件性能的优化过程的流程图如图2所示，其中使用每周和每日预测数据来确定FLC的最佳隶属函数。预测数据包括电网电价、电力负荷和环境参数，如风速、太阳辐射和环境温度。仿真结果表明，并网HRES储能模块的性能受到电网电价的强烈影响。FLC的优化可以减少波动并改善平均充电状态，从而延长预期的电池寿命。当使用并网HRES时，基于较短预测期的FLC优化是首选，因为较短的预测期将导致更准确的数据预测，并且不会导致超过一天的FLC调整是其最佳性能。2.1.3. 粒子群优化算法PSO算法是一种基于种群的优化方法，其灵感来自于鸟群和鱼群寻找食物的社会行为，这意味着群体中的个体根据对环境的适应而移动到良好的区域[56]。粒子的维度由每个问题中的变量数量决定，每个粒子的解决方案的质量由适应度函数衡量。通常认为，PSO是一种集群智能，它可以被纳入一个多学科优化系统[57，58]。在实际应用中，粒子群优化算法有多种改进，如进化粒子群优化算法（EPSO）、量子行为粒子群优化算法（QPSO）、混沌达尔文粒子群优化算法（CDPSO）等。García-TrivinBagio等人[59]研究了基于PSO的PI控制器，HRES由两个可再生能源（风力发电机和光伏太阳能电池板）和两个ESS（燃料电池和电解槽集成的电池和氢气系统）组成。图3示出了基于PSO的在线PI控制器的控制方案。实现了3种基于PSO的PI控制器：1）基于积分时间绝对误差指标的PSO算法离线整定的常规PI控制器; 2）基于误差指标的PSO算法在线自整定的PI控制器; 3）基于积分时间绝对误差指标的PSO算法在线自整定的PI控制器。Lorestani和Ardehali[60]研究了冷却、加热和电力三代可再生能源图二. FLC优化过程的流程图：为并网HRES设计储能组件的性能管理[55]。Z. Liu等人能源与人工智能10（2022）1001955图3.第三章。 使用基于PSO的在线PI控制器的 逆 变 器 功 率 控 制 [59]。采用最新开发的E-PSO算法，对基于光伏热板、风力发电机和热能自治的三联产冷热电联产系统的不同配置方案进行了优化，以满足冷热电负荷。因此，它同时实现了零排放和提高发电和消费的能源效率的好处。Nuvvula等人[61]对印度维沙卡帕特南的一个基于可再生能源技术的智慧城市进行了全面评估，包括浮动太阳能、双面屋顶、风能转换系统和固体废物发电。采用基于变异的自适应局部吸引子量子粒子群算法（ALA-QPSO），以技术经济指标最小化为目标，对光伏和风能转换系统进行优化。Srilatha和Yesuratnam[62]应用CDPSO算法来确定在存在可再生能源的情况下输电线路上的需求响应负载的最佳调度以及常规发电机的重新调度以减轻电力负荷。该优化算法采用CDPSO算法，以保证更好的搜索能力和避免早熟局部收敛。图4示出了在存在可再生能源的情况下使用重新调度和需求响应来实现实时分级拥塞管理的这种方法的仿真过程。2.1.4. 蚁群算法蚁群算法是一种在图中搜索最优路径的概率算法，是一种具有许多优良性质的模拟进化算法[63]。ErogZaglu和Seçkiner[64]提出了一种基于信息素更新方案的启发式ACO优化过程只是一个非线性最大化问题。以农场布局为例，说明了该算法的最优解是更精确的布局设计和更少的能量损失，并在三个基准问题上对该算法的性能进行了评估。结果表明，采用蚁群算法可以更好地进行识别风电场布局比以往的研究，而不会陷入局部最大值的选择问题在合理的解决时间。所提出的ACO算法一般优于现有的算法提出的连续问题。Fetanat和Khor- asaninejad[65]基于整数规划的连续域ACO算法优化了混合光伏-风力发电系统的尺寸结果表明，该算法在求解最优解和效率方面明显Ju等人。[66]提出了一种具有改进的ACO算法的多出价游戏模拟系统。采用改进的蚁群算法模拟不同主体在不同阶段的竞价博弈过程，确定风电场和光伏发电出力波动最小和微网总供电成本最小。多目标优化能使投标收益最大化、预订费用最小化，并能快速、准确地得到整体最优解。Güven等人[67]提出了一种基于和声搜索算法、Jaya算法和ACO算法的多变量启发式算法，用于优化由光伏、风力涡轮机、电池、柴油发电机和逆变器组成的HRES，其相应的工作流程如图5所示。本研究的主要优化目标是充分满足离网大学校园的能源需求，以最大限度地减少系统运行的年度总成本，并确定最佳的光伏电池板功率，风力涡轮机功率和电池数量。2.1.5. 其他常见的AI相关方法除了上述方法之外，其他AI方法（例如，遗传算法（GA）、模拟退火（SA）和布谷鸟搜索算法（CSA）等）。近年来也经常用于可再生能源系统。这些人工智能技术在以往的大多数研究中表现出令人满意的性能，如高计算效率，解决复杂优化问题和模糊不确定性的能力，并有利于充分利用Z. Liu等人能源与人工智能10（2022）1001956见图4。 使用CDPSO算法的需求响应辅助的实时分层拥塞管理流程图[62]。可再生能源潜力[26，68]。遗传算法是一种进化算法，通过模仿自然选择过程和遗传机制来解决优化问题。它可以解决单目标和多目标优化问题[69]。例如，为了解决多目标优化问题，可以使用非支配排序遗传算法II（NSGA-II）[70]。虽然GA算法可能是相对较低的效率相比，一些传统的优化算法，它是不太可能被困在一个局部最优。因此，它成为在许多领域搜索优化解决方案的流行工具，包括可再生能源，储能和其他场景，如太阳能，风能，地热和燃料电池[43，71，72]。此外，最近引入的SA算法作为一种有效的优化技术，已被广泛应用于可再生能源和储能技术的混合系统的优化氢存储、燃料电池）[73]、风能和太阳能海水淡化系统的优化[74]、智能建筑综合能源系统的优化[75]等。这些应用证明了其在ESS的优化规划、充电和调度以及能源管理能力方面的优越性。CSA算法是一种受布谷鸟繁殖行为启发的启发式优化算法。该方法可用于优化电网容量，可再生能源发电，并在经济、技术和环境约束下实现综合系统的多目标优化[76]。此外，多目标CSA算法可以通过最小化年度总成本和最大化可再生能源份额来建立国家能源转型战略[77]。虽然人工智能方法在大多数情况下可以实现可再生能源系统及其集成应用的优化和/或性能预测，但每种方法都有自己的缺点，在实际应用中可能会遇到不同的障碍[78]。在复杂集成系统的情况下，由于目标函数复杂，通过单一人工智能方法实现良好的优化或预测可能是一项具有挑战性的任务。它揭示了结合不同人工智能方法的必要性和可行性[79因此，将不同的人工智能技术集成到大规模可再生能源系统的能源管理中似乎是必要的，以最大限度地利用可持续能源，实现碳中和。2.2. 智能技术的优势和功能作用人工智能技术在大多数以前的研究中已经表现出有前途的性能，例如提高计算效率，解决具有模糊性的复杂优化过程，Z. Liu等人能源与人工智能10（2022）1001957图五. 基于Jaya-Harmony Search和ACO算法的绿色能源系统设计流程图[67]。不确定性，并有助于充分利用可再生能源的潜力[82，83]。近年来，人工智能技术在信息检索、决策、自动化、智能识别和管理方面发挥了重要作用[84，85]。在人工智能技术的帮助下，智能大规模RES为研究和应用开辟了新的途径。EXP研究已经证明了人工智能技术对大规模RES应用的巨大影响，它用数据驱动技术取代了传统的基于规则的方法，以帮助其科学预测和决策过程[20，32]。基于人工智能的预测模型显示出从数据中发现模式的优势，而不需要关于预测问题的专业知识[86]。因此，基于人工智能的可再生能源预测模型显示出计算环境/社会经济影响的能力。此外，基于人工智能的预测模型可以用作能源管理或设备控制的基础。Mahmoud等人[87]回顾了常用的智能微电网控制策略，如模型预测控制器（MPC）和鲁棒控制器。同时，Rostami等人[88]总结了调整控制参数的智能优化方法。综述的优化方法包括模糊逻辑、粒子群算法和细菌搜索算法。模糊逻辑的主要优点是可以解决非线性优化问题，而粒子群算法在优化非线性、不可微和多峰函数方面表现出了很强的优势。基于AI的MPC的优势主要包括：• 快速计算。• 能够控制变量之间的约束和相互作用• 系统动态行为的可预测性。适用于大型多变量过程。用户友好的非专业研究人员和跨学科的研究。另一方面，鲁棒控制器的优点包括：• 适用于多输入和多输出模型。• 避免干扰干扰。• 可用于交叉耦合。此外，人工智能技术可用于检测可再生能源综合电力系统的孤岛状况，孤岛状况是指分布式发电（DG）即使与配电网断开连接仍能提供电力的异常状况[88]。Panigrahi等人[89]提供了一个多可再生能源集成电力系统中孤岛的示例，如图6所示。然后，他们将基于AI的孤岛检测方法与传统方法进行了比较，并总结了AI技术的优势如下：更准确。较小的非检测区（NDZ），即，发生孤岛之后的检测失败的时间段• 易于应用于多个DG单元。• 不需要选择阈值。Memon等人[90]回顾了九种常用的生物启发智能算法（BIA），用于在将可再生能源产生的直流电调节为交流电····Z. Liu等人能源与人工智能10（2022）1001958图六、多可再生能源综合电力系统中 的孤 岛 问 题[89]。动力.审查的技术如图7所示。然后，他们评估了五种最好的生物启发智能算法的性能，发现它们都很容易实现。其中，粒子群算法表现出最好的精度，最快的收敛速度，和最低的计算成本。此外，它适用于生成训练人工神经网络的数据集和搜索b型输出波形的触发角。然而，重要的是要注意，人工智能技术并不是在所有情况下都是最佳选择。当可用数据样本稀疏或受控系统需要保持不复杂时，常规方法可能是优选的选择[43]。在实践中，传统的基于人工智能的模型面临的最大挑战是表征复杂的风电功率波动，导致风电功率预测精度不佳[16]。因此，在未来的研究中，应考虑一些先进的基于深度学习的模型，以促进开发功能更强大的风电功率预测软件。3. 人工智能技术在大规模可再生能源集成上述广泛的分析表明，人工智能技术可以使大规模可再生能源发电更 加 智 能 和 可 靠 ， 优 化 需 求 响 应 ， 管 理 电 力 并 提 高 计 算 效 率 。Acharya[91]将RES大集成中的常见问题分为两类，即，供需问题和配电网侧问题。供需问题主要包括可再生能源生产和消费过程中的节能和/或减少CO2的产生。另一方面，配电网侧问题通常与配电网规划、可再生能源在电网中的渗透率和元件分配等有关。此外，我们认为， 布拉比约 et al. [九十二] 总结 的 要求从发电机、功率转换和电网的角度设计/操作RES。风力涡轮机电力和光伏电力系统的这些要求如图11和12所示。8和9所示。他们还审查了电网集成要求，要求RES启用被动地将提取的电力注入电网，并主动地管理发电单元与电网之间的电力交换此外，Serban和Lytras[93]分别就发电机侧、电网侧和用户侧总结了RES大规模集成中的AI技术应用，如图10所示。通过人工智能技术模拟可再生能源部门可以实现更好的可再生能源监测，运营，维护和存储。例如，基于人工智能的可再生能源发电预测可以为需求侧管理提供基础，以缩小能源生产和消费之间的差距，从而提高电网稳定性。因此，在下一节中，从发电机侧、配电网侧和需求侧的角度对可再生能源研究中的人工智能技术进行了概述。3.1. 发电机侧3.1.1. 配置优化对于典型的太阳能或风能系统，需要考虑间歇性供电所带来的缺点和限制。这表明更强大，弹性，可管理和可靠的解决方案，考虑到经济和系统能量吸收的一个精心设计的HRES。简化的系统涉及高投资成本和与大系统占地面积相关联的额外困难。否则，一个规模较小的系统可能只涉及很少的投资成本，但操作上的限制可能导致能源供应不足。为了有效地利用可再生能源，进行HRES的优化设计至关重要，特别是考虑到可用于在可靠性和成本约束下提供负载要求以确定其优化设计的智能技术[94]。Mercado等人。[95]应用遗传算法优化包含风力涡轮机、PV板和电池存储系统的HRES的大小。HRES的详细配置如图11所示。最佳数量的风力发电机，光伏电池板和电池组的计算，以平衡所提出的系统的成本和可靠性。换句话说，目标函数包括电力供应的损失，初始资本成本和寿命周期成本。Z. Liu等人能源与人工智能10（2022）1001959见图7。 选择性谐波消除技术[90]。Al-falahi等人[96]对基于独立太阳能和风能混合能源系统的优化方法进行了全面的审查和批判性比较。这项研究揭示了对独立的HRES开发优化算法的兴趣越来越大。迄今为止，已报道的优化方法可以大致分为经典算法、现代技术和软件工具。基于单一人工智能算法的现代技术由于其解决一些复杂问题的能力而比经典算法更受青睐。最近，一个值得注意的趋势是使用混合算法，而不是单一的算法，主要是由于他们的能力，提供更有前途的优化结果。此外，该研究还提供了混合算法、单一算法和软件工具的严格比较，以确定独立太阳能和风能HRES的规模。还介绍了对独立太阳能和风能系统的所有潜在组合的评估，包括其经济和可靠性方面的评估参数，以及环境和社会考虑因素。3.1.2. 可再生能源预测随着光伏发电技术的日益进步，光伏发电并网规模也在不断扩大。然而，光伏发电的间接性、随机性以及受气候因素影响的波动性，给其并网带来了诸多问题[97]。电力预测一直是一项重要的任务，然而，短期预测（例如，每小时到每天）在不同的预测时间尺度上对电网实时调度起着重要的决定作用，直接影响到电网的安全和系统运行的稳定性。Hu等[98]采用间接预报方法提取天空云的动力学特征，并根据不同的气象特征对输入数据进行处理，然后通过径向基函数神经网络对PV输出进行预报。事实上，传统的机器学习理论需要大量的训练的数据量，并且当数据量小时表现不令人满意。因此，为了简化预测过程， 增强 的 短期 预测 精度 的 光伏发电Z. Liu等人能源与人工智能10（2022）10019510见图8。 风力涡轮机电力系统的设计/运行要求[92]。图9.第九条。光伏电源转换系统的设计/运行要求[92]。输出，需要一个先进的模型，具有较少的自动参数和更高的泛化能力，作为小样本的预测模型。Li等人。[99]提出了一种混合改进的多元优化器（HIMVO）算法，其运行过程如图12所示，以提高支持向量机（SVM）的光伏预测性能。混合HIMVO-SVM模型的性能优于PSO-SVM，多元优化SVM，反向传播和径向基函数神经网络。预测输出可进一步用于维持电力系统稳定。结果表明，该模型具有较高的预测精度和稳定性。HIMVO-SVM模型的平均平方误差值至少分别降低了0.0026、0.0030和0.0012，相 应的 平均 绝对 百分 误差 至少 分别 降低 了 3.6768% 、1.9772%和2.7165%。该方法有利于输出功率的预测，有利于电网的经济调度和电力系统的稳定维护。关于可再生能源发电和电力Xia等人[100]提出了一种自适应叠加门控递归单元递归神经网络（GRU-RNN）来预测风力发电量。GRU-RNN的结构见图13。 在这项研究中，AdaGrad和mobilizable综合各变量对训练算法进行自适应学习率修正，以提高训练效果。然后使用构建的GRU-RNN在监测参数与可再生能源发电或电力负荷之间建立准确的映射。所开发的预测方法可以满足多变量和单变量的情况。改进后的GRU-RNN可以通过使用较少的参数来降低模型的复杂度，从而节省计算成本，并需要较少的训练数据。实际风力发电量和电力负荷预测的实验结果表明，该方法与其他先进的数据驱动预测方法相比，具有可行性和优越性。然而，这种方法仍然存在一些局限性，例如一些超参数是经验确定的，训练时间比浅层模型长得多，以及需要大量的训练样本。在未来，预测性能可以通过进一步升级训练的策略和调查其他监测参数来提高。此外，还可以对多种可再生能源的发电量进行先进的建模和准确的预测，并检测极端条件下造成的电力负荷异常Shami和Cuffe[101]发现了预测市场Z. Liu等人能源与人工智能10（2022）10019511图10个。人工 智能技术在RES中的 应 用 [93]。见图11。 HRES的配置[95]。可再生能源价格预测。他们提出的二元预测市场被应用于概率陆上风电预测。在澳大利亚的三个陆上风电场建立了测试案例。结果表明，所提出的方法优于单独的模型，在减少电力市场的不平衡成本。此外，利用人工智能技术进行可再生能源预测的研究也很多，对这些研究的详细综述可参见[1023.2. 配网侧3.2.1. 功率转换过程中的谐波消除（HE）逆变器在电力系统的动态稳定控制和电压调节方面发挥着重要作用，广泛应用于可再生能源和电力行业，在大型能源系统中具有许多优势[106，107]。然而，传统逆变器的输出电压包含大量的不想要的谐波，其可能负面地影响系统的机械和电气部件。逆变器中谐波的存在增加了能量开关的开关损耗，从而降低了RES效率并恶化了整体系统性能[108，109]。Mohamed等人[110]提出了一种用于并网光伏发电系统中DC-AC逆变器的自适应控制器，用于提供脉冲AC负载，如图14所示。预测神经网络控制器（PNNC）通过跟踪电网电流和直流基端电压的均方误差来预测控制参数，并在有限时间内消除这些误差。结果表明，所提出的自适应控制器提供了一个更快的动态响应与更短的稳定时间和更小的最大超调的电流和电压变量。此外，这些数据还Z. Liu等人能源与人工智能10（2022）10019512见图12。 HIMVO算法的运行过程[99].表明注入电网的谐波显着减少，显示只有1.97%的总谐波失真相比，传统的控制器的5.06%。这使得所使用的光伏系统能够满足电力系统谐波控制的国际标准IEEE519Rao等人[111]提出了一种自适应神经模糊干扰系统（ANFIS），以消除多电平逆变器中存在的电压谐波。通过扩充的知识规则库，建议ANFIS产生合适的电压变化，这可以通过降低多电平逆变器输出电压的总谐波失真（THD）来实现的开关角。并与多电平逆变器无控制器和具有神经模糊控制器（NFC）。结果表明，ANFIS控制器的性能优于NFC，所提出的方法具有较小的THD在各种负载条件下。Rahmani和Deihimi[112]提出了一种基于外生输入和小波分析的非线性自回归模型的智能系统。所提出的系统可以被视为一个监测器，消除敏感负载，从而降低了最佳数量的电能质量监测器和监测成本的配电网。3.2.2. 故障和孤岛检测当可再生DG在电网断开后向负载供电时会发生孤岛，这对现场人员和相关机械来说是危险的，因为维护工人不知道他们是由DG连接和供电的[113，114]。对这种意外孤岛的关键解释是诸如电网故障、为维护而故意断开断路器以及导致断路器向电网断开的其他事件[115，116]。可以使用人工神经网络对不平衡条件下的孤岛检测、非检测区和故障误操作进行有效诊断。Mohapatra等人[117]使用具有决策树特征和多级感知神经网络（MLPNN）的人工神经网络技术。采用反向传播方法训练多层神经网络进行故障诊断。研究表明，人工神经网络技术在故障诊断中的准确率为99.1%。现有的SVM、Bagging、随机森林（RF）和决策树算法（DTA）的准确率分别为97.8%、98.9%、98.9%和83.33%。因此，在这项研究中提出的方法具有更高的准确性，导致更好的诊断质量比现有的方法。Darab等人[118]他指出，通常使用的人工智能技术-人工神经网络（ANN）、支持向量机（SVM）、模糊逻辑（FuzzyLogic）和遗传算法（GA）等传统故障诊断方法由于需要大量的训练数据集，且数据采集和模型训练时间长，难以应用于配电网故障诊断。他们提出了一种新的人工智能算法，即小波变换，以在短时间内基于频率变化瞬时检测孤岛状况，如图15所示。所提出的方法使用频域和时域分析来检查电网中的电压变化。与传统孤岛检测方法相比，小波变换方法的优点是能够在短时间内瞬时确定频率变化。总的来说，所提出的检测方法可以克服传统的方法检测平衡和不平衡的电压浪涌/浪涌，以及频率相关的变化在DG网络。3.2.3. 控制可再生能源储存储能作为电网的重要和受监管的组成部分，可以提供短期能量供应，从而实现无缝离网切换[119储能技术被认为是促进可再生能源开发、加强电网控制和确保电网服务安全性和成本效益的重要因素[43，122]。人工智能技术的应用涵盖了许多方面，包括参数估计，优化设计以及储能和RES集成的操作控制[24]。 Zhou等人[123]提出了一种基于误差修正的灰色预测模型来预测可再生能源的存储量。该模型保证了锂离子电池和燃料电池使用寿命预测的长期准确性。考虑到预测结果，可以更早地安排可再生能源存储的维护。Zangeneh等人[124]提出了一种智能多输入/输出FLC来管理HRES所提出的控制器确保电池由太阳能或电网充电，并在特殊天气条件下放电Kermani等人[125]提出了集中式能源管理具有监控和数据采集功能的系统，Z. Liu等人能源与人工智能10（2022）10019513Fig.13. GRU-RNN的结构[100]。图十四岁考虑并 网 光 伏 系 统 的DC-AC电压源逆变器的 控制 方 案 [110]。通过控制电池储能系统中的能量存储，在微电网和主电网之间进行功率交换。拟议的系统降低了每月电费约87%，并导致一个接近零能源的建筑系统。Fikiin等人[126]讨论了利用冷藏仓库作为电网内的智能枢纽的可能性，以提高低温储能的效率，从而在将可再生能源整合到电网中时确保电网的可持续性。所提出的系统的布置在图中示出。 十七岁3.3. 需求侧与可再生能源预测类似，人工智能技术已经广泛应用于负荷需求预测[127能源消费者和供应商的预测结果可以作为需求侧管理的基础，以提高可再生能源的利用率，降低电费，或转移高峰负荷。Shah和Ansari[131]提到，与RESZ. Liu等人能源与人工智能10（2022）10019514图十五岁（a）小波采样表示;（b）算法逻辑表示[118]。图十六岁研究的混合动力系统[124]。可以通过消耗来自高效可再生能源的能量和调度关键能量负载事件来最小化AC电网的能量使用。它的功能是通过智能电子设备来实现的，显示了电力传输，信息交换和负载控制的能力。AL Hadi等人[132]在包含空调、照明、PV板、风力涡轮机系统和铅酸电池组的微电网系统上测试了智能需求响应算法，如图18所示。该算法考虑预测的电池充电状态来控制负载模式，为用户提供不间断的电力供应，同时最大限度地利用可再生能源。他们的实验结果表明，最