多能源区域社区机器学习研究与应用

能源与人工智能10（2022）100187审查机器学习在多能源区域社区中的研究进展--机理、应用与展望周跃宽a，b，c，*a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，中国广东b中国香港特别行政区清水湾香港科技大学机械与航天工程系c香港科技大学深港协同创新研究院，深圳H I G H L I G H T S• AI在能源供应、存储、区域需求和能源管理中的应用。• 分类、回归和聚类的监督和无监督学习。• 强化学习用于在线优化调度和能源管理。• 电池充电状态、寿命估算、故障检测和诊断。• 微电网自适应控制、智能能源交易和决策。• 人工智能在从可再生能源到可再生能源供应存储的低碳转型中的应用。A R T I C L EI N FO保留字：机器学习可再生能源储能需求侧管理动态电力调度技术经济环境 性能A B标准能源范式向碳中和的转变需要在清洁电力生产、先进的能源储存、灵活的区域能源需求和能源管理策略方面的联合和持续努力。先进的机器学习技术的应用可以通过先进的故障检测和诊断（FDD）、基于Agent的强化学习的自动化、模型预测控制的灵活性等来提高系统的可靠性。本研究从能源供应、能源储存、区域需求和能源管理。已经展示了ML技术的分类和底层机制，包括监督，无监督，强化和深度学习。随后，ML的实际应用进行了审查，在可再生能源供应，混合能源存储，区域能源需求和先进的能源管理。结果表明，监督学习主要应用于分类和回归，而非监督学习主要应用于聚类。强化学习主要应用于建筑能源管理的在线优化调度。在清洁能源供应方面，太阳能和风能系统中的机器学习主要包括太阳辐照度预测、风资源预测、光伏功率预测、最大功率点跟踪（MPPT）智能控制、故障检测和诊断。燃料电池的机器学习主要包括性能预测、材料选择、组合等;而电化学电池的机器学习则包括动态热/电行为、电池尺寸和优化、荷电状态预测、电池寿命估计、故障诊断等检测和诊断分析。智能储能主要包括负荷预测和储能容量确定、节省成本的动态调度、热分层分析和动态性能预测。ML在能源管理方面的进展主要包括随机和间歇性可再生能源的调度，微电网自适应控制，智能能源交易控制和决策。近几年的研究趋势表明，低碳能源系统的关键领域从单一的可再生能源系统（2016年为59.4%）向可再生能源供应和储能（分别为35.1%和34.1%）过渡，如电池、电容器/超级电容器、显热/潜热* 通讯作者：香港科技大学（广州），广州南沙，511400，广东省，中国。电子邮件地址：yuekuanzhou@ust.hk，yuekuan. outlook.com。https://doi.org/10.1016/j.egyai.2022.1001872022年7月21日在线提供2666-5468/© 2022由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/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-aiY. 周能源与人工智能10（2022）1001872±±储存、压缩空气储存和氢储存。本研究可以为人工智能在碳中和区转型中的应用提供一个整体的1. 介绍作为一种先进的碳消除策略，部署可再生能源系统和清洁发电可以解决日益加剧的能源短缺危机，并缓解全球变暖问题[1，2]。对于具有随机能源需求的区域能源共同体，可再生能源供应的间歇性与随机区域需求的时空差异要求高密度储能，以提高能源独立性，降低当地电网的进出口压力。机器学习通过多元线性回归、支持向量回归和反向传播在学习非线性动态方面具有超强的能力，可以为随机需求[1]、间歇性可再生能源供应[4]、智能电网、储能规模方法、先进需求侧控制器的开发[1]的预测提供新的数学工具，以避免性能低估[4]，降低电网输入的峰值功率[1]，并通过不确定性分析[5]和优化[6，7]提高系统鲁棒性。此外，人工智能还被应用于建筑行业的碳足迹建模[8]。作为最关键的组件，使用数据驱动ML技术的代理模型开发通常由三个阶段组成，即，培训、测试和验证过程。通过从错误中学习，机器学习可以有效地探索潜在的可能性，并高度利用自域。的ML主要分为有监督、无监督和强化三种。学习。有监督学习主要应用于分类和回归问题，无监督学习主要应用于聚类问题。深度学习应用于加热/冷却[9]/电气[10]需求的预测。强化学习主要应用于建筑能源管理的在线优化调度。在学术界，由于基于物理的模型和实际数据之间的预测差异，研究人员正在采用先进的ML技术，采用单一或混合算法来准确预测非线性建筑能源系统的冷/热/电负荷。在单算法应用方面，Li和Yao[11]采用核支持向量回归机对某住宅建筑的冷负荷进行预测。结果表明，数据驱动模型是一种有效的工具，训练时间小于35s，归一化平均绝对误差小于4%。混合方法也已被应用，与每个算法的协同功能，复杂的负荷预测。Roy等人[12]开发了一种混合模型来预测热负荷。与单一模型相比，混合模型可以提高预测精度，减少计算时间。Chen和Tan[13]开发了一种混合支持向量回归来预测商业建筑和酒店建筑的电力负荷。所提出的混合方法在短期电力需求预测中表现出优异的性能。除了对地区负荷的预测，ML还被应用于需求侧管理，通过被动热容量存储[14]、主动存储[15]、可调室内设定点温度[16]、智能电器[17]等为电网提供能量灵活性。通过采用AI辅助调度策略[18]。ML技术也被应用于可再生能源供应的预测。考虑到多变量的情景不确定性，Zhou等人[4]开发了一种替代模型来预测有源光伏系统的动态功率性能。基于ML的代理模型可以为成千上万的不确定性案例分析提供新的工具，具有较高的效率和准确性。此外，ML也可以应用于确定性[19]和随机性的优化。不确定性[6]。除太阳能光伏系统外，ML技术还广泛应用于风力发电[20] 、 燃 料 电 池 [21] 和 太 阳 能 热 能 系 统 [22] 。 Marvuglia 和Messineo[20]使用机器学习方法开发了一种非参数模型来估计风电场的发电量。通过对输入数据进行适当的预处理，非参数模型显示出良好的功率预测性能。随着Elman神经网络在性能预测中的应用，Guo等人[21]采用了基于混合Yaïci和Entchev[22]采用反向传播学习算法，从分层温度、有用得热、辅助热量和衍生太阳能分数的角度进行太阳能热能性能预测。测试结果表明，基于人工神经网络模型的层结温度和太阳能分数的相对误差分别小于3%和10%。由于间歇性可再生能源发电与随机区域需求之间的时空差异，设计混合储能系统是提高供电可靠性、增强需求灵活性、减轻电网进出口压力的必要手段。 在能源储存中实施先进的ML技术可以避免容量过大[23]，确保运行稳定性[24]，并促进先进控制的发展，以改善能源储存的技术经济性能[25]。在学术界，ML技术主要应用于电能和热能存储。电能存储主要包括电化学电池和电容器/超级电容器。蓄热主要包括显热蓄热和潜热蓄热.在电能存储方面，研究人员主要关注动态电气[26]行为，电池尺寸和优化[27]，充电状态预测[28]，电池寿命估计[29，30]，故障检测和诊断分析[31，32]。关于热能储存，研究人员主要集中在动态热性能预测[33]、负荷预测、储存容量大小[34]、节省成本的动态调度[35]、热分层分析[36]等。此外，先进的能源管理策略，学习技术近来吸引了越来越多的兴趣。ML应用领域包括操作、优化、控制、调度和管理。ML工具主要包括强化学习、深度学习、迁移学习、并行学习、混合学习、逆向学习和集成学习[37]。Zhou et al.[38]从可再生能源管理、协同运营和需求侧管理的角度全面回顾了数据驱动的智能能源管理策略。机器学习在智能能源管理方面很有前途，但挑战需要解决。目前，机器学习在多能源系统能源管理中的三个新兴应用领域包括：1）可再生能源调度; 2）微电网自适应控制; 3）智能能源交易。机器学习在可再生能源调度中的应用主要包括功率预测[40]、智能发电控制、最优潮流[41]和智能调度[42]。此外，在潮流中集成先进的优化算法充满了能源[43]和成本节约[44，45]的前景。ML在智能电网中的应用主要包括先进的微电网控制器[46-针对可再生能源系统的广泛部署，基于产消者的P2P能源交易有利于提高可再生能源的自耗性和负荷覆盖率，平滑电力供应发电，降低功率波动。ML可以帮助市场预-措辞和市场生产消费者的运作，博弈论和拍卖理论Y. 周能源与人工智能10（2022）1001873IJIJ能源交易[56]，产消者投标行为和市场反应的相互作用关系[57]，以及采用状态-行动-奖励-状态-行动（SARSA）强化学习方法的决策行为基于文献综述，可以发现研究差距：1）不同ML技术在解决多能源系统非线性问题时的潜在机制尚不清楚; 2）ML在智能低碳领域的作用尚未得到全面阐述，特别是在“源-网-需-储”框架下本研究的最终目的是对机器学习在多能源地区社区中的应用进行最新的回顾，并提出进一步发展的观点。为了实现这一目标，本文对低碳区域能源系统中的前沿ML技术进行了全面的综述，并报告了研究趋势和未来展望。对机器学习技术的分类、类型/算法、机制和应用进行了系统综述。ML主要可以分为监督学习、无监督学习和强化学习。有监督学习主要应用于分类和回归问题，无监督学习主要应用于聚类问题。深度学习应用于加热/冷却/电力需求的预测。强化学习主要应用于建筑能源管理的在线优化调度。最后，从可再生能源系统、混合储能系统、区域负荷预测和区域能源管理等方面，综述了机器学习技术在区域能源系统中的实际应用。先进的能源管理战略。的新颖性和独创性这项研究显示如下：1) 提供了一个清晰的路线图，介绍了低碳区域能源系统中2) 介绍了不同机器学习技术的基本原理、主要应用领域，并讨论了区域能源系统中的研究问题;3) 研究了ML技术在可再生能源系统、混合储能、区域负荷预测和先进能源管理策略中的作用。最后，对未来的研究方向、展望和建议进行了展望。这篇评论分为六个主要部分。第一部分概述了机器学习技术的分类、类型/算法、机制和应用。在第二部分中，ML技术在可再生能源供应系统中的应用进行了研究，关于电力和热能系统。在第三部分中，作为能源供应和区域能源需求之间的互联组件，智能储能系统，包括热存储和电存储，以及机器学习进行了综述。第四部分从供热/制冷/电力负荷预测和需求侧管理两个方面综述了最大似然估计在区域能源需求中的应用。 第五部分讨论了基于机器学习的先进能源管理策略，包括间歇性可再生能源的调度、微电网自适应控制和带决策的智能能源交易。最后，对未来的研究趋势、展望和建议进行了阐述，为今后的研究做好铺垫2. 方法机器学习已广泛应用于区域能源系统，以智能和智能的能源整合促进碳中和过渡。本文就目前的研究进展、研究趋势和展望作一综述。 总体框架如图所示。 1(a)详细结构见图1（b）。如图1（b）所示，有六个主要部分，包括分类和机器上的机构学习（ML）技术、可再生能源供应系统、混合能源存储系统、区域能源需求和先进的能源管理。在第一部分中，概述了分类、类型/算法和机制。第二部分研究了ML在可再生能源供应中的应用，包括电力和热能系统。作为能源供应和区域能源需求之间的互联组件，能量存储系统，包括热和电存储，与机器学习进行了审查，在第三部分。电存储主要包括电化学电池存储和电容器/超级电容器。蓄热主要包括显热蓄热和潜热蓄热。第四部分从供热/制冷/用电负荷预测和需求侧管理两个方面综述了最大似然估计在区域能源需求中的应用。第五部分讨论了基于机器学习的先进能量管理策略，包括间歇性可再生能源的调度、微电网自适应控制和带决策的智能能量交易。最后，对未来的研究趋势、展望和建议进行了阐述，为今后的研究做好铺垫。3. 机器学习技术综述机器学习技术的快速发展为准确的建筑需求估计和智能能源管理策略提供了机会。表1显示了机器学习的分类、类型/出租、机制和应用的整体概述机器学习主要分为监督学习、无监督学习、深度学习和强化学习。监督学习主要应用于分类和回归问题，非监督学习主要应用于聚类问题。深度学习（DL）应用于加热/冷却[9]/制冷[10]需求的预测。强化学习主要应用于建筑能源管理的在线优化调度作为机器学习的一个DL是用于更高级别特征提取的一类ML算法[79]。DL类型主要包括深度神经网络[80]，深度信念网络[9]，极端学习机[72]，卷积神经网络和递归神经网络[10]。DL主要应用于供热/制冷/电能需求的预测，以提高预测精度。3.1. 监督学习监督学习中的训练是更新权重矩阵和偏差以最小化误差。e=min|d-x×W|（ 一）图2展示了用于性能预测的监督机器学习的原理。前向传播是基于输入和权重因子来预测性能，如等式（2）所示。如图2（b）所示，反向传播是更新权重矩阵，遵循最小化预测结果与实际数据之间的相对差异的原则。机器学习的准确性和效率高度依赖于不同的激活函数。yi=w（n）xj（ 2）其中xj和yi表示输入和输出;w（n）是权重矩阵X。3.1.1. 随机梯度下降（SGD）函数和批处理函数SGD函数是一种迭代方法，用于优化具有适当平滑特性（例如，可微或次可微）的目标函数，其使用以下形式更新权重：Y. 周能源与人工智能10（2022）1001874Fig. 1. 机器学习在多能源地区社区中的应用方法：（a）总体框架;（b）结构。Y. 周能源与人工智能10（2022）1001875N2n=1预测输出。 wT2是转置向量。下标2表示表1全面概述机器学习的分类、类型、机制和应用高斯处理回归支持向量机因 变 量 y EX 显 式 均 值 函数，基本退化模型的捕获函数形式[70]最小铰链损失函数，以减少两个平行超平面之间的分类误差（边缘）回归分析预测电池健康状态更高的估计精度随机梯度下降存储器在高维空间决策树一个具有信息增益（比率）的特征的根节点，以及基于不同特征值的子节点。随机森林（RF）对每个分支的后果进行综合分析，并确定决策节点无监督学习k-均值聚类算法层次聚类基于密度的噪声应用空间聚类（DBSCAN）[71]成本函数最小化（E。G.样本与质心之间的距离），通过基于质心移动的欧氏距离进行相似性识别由扫描半径ε当成本函数最小化或达到当聚类数减少到给定值时当扫描完所有数据点时，学习过程结束。集群的问题很简单。高收敛能力容易适应新环境易于理解和实现形状相似的聚类;对数据库中点的排序不敏感;非线性可分聚类深度学习深度神经网络（DNN）通过遵循梯度下降的一种新的深度神经网络框架短期负荷预测[80]提高预测精度深度信念网络（DBN）[72]第七十二话卷积神经网络梯度下降算法DBN被训练用于提取数据伪逆方法随机参数和更新伪逆卷积核转移学习（TL）和集成学习（EL）冷负荷预测[9]建筑能耗预测[73]图像识别和物体识别。基于集成方法和动态贝叶斯网络的混合预测器可以提高预测精度与遗传规划（GP）和人工神经网络（ANN）相比，ELM方法可以提高预测精度特征提取与表示强化学习递归神经网络深度Q网络（DQN）策略梯度算法用于输入变量模式预测的连续的Q质量值，以解决Q学习基于策略功能的下一步操作反馈连接以记忆先前时间步具有深度Q学习和深度策略梯度的建筑用电量预测[10]建筑能源管理系统的在线调度优化[82]深度RNN模型的性能优于3层感知器神经网络模型。实时反馈，鼓励消费者更有效地使用电力Actor-Critic算法策略调整批评无模型的行动者-批评者对政策的强化学习方法，在不访问建筑物最佳建筑能源管理[83]通过访问建筑物的热动力学，比适当的动态规划方法更具竞争力的性能公式[84]：wij （ n ） =wij （ n-1 ） +αxj （ n ）[d （ n ） -xj （ n ） ×wij （ n-1 ）]（2）其中n是训练次数; wij（n）和wij（n-1）是第n次和第（n-1）次训练的权重向量;Xj（n）是输入参数;α是学习率（0batch函数遵循公式[84]：w ij（n）=w ij（n-1）+1∑N [αx j（n）[d（n）-x j（n）×w ij（n-1）]]（三）能源系统问题。然而，多层神经网络最具挑战性的问题之一是隐层的错误识别。反向传播算法可以帮助确定隐藏节点的误差[76]，如等式（4）所示：e（i1）=wTδi（ 4）其中ei（1）是隐藏层中第上标（1）表示输入变量与第一个隐藏层之间的接口.i是第i个节点的实际数据与其中N是指总数。3.1.2. 平方误差和交叉熵函数除了单层神经网络外，多层神经网络也可用于解决更复杂的非线性问题。隐藏层和输出结果之间的接口平方误差和交叉熵函数的和分别在等式（6）和（7）中示出[84]。wij（n）=wij（n-1）+αxj（n）J（5）分类类型/算法机制方法应用优势监督线性、多项式回归分析量化系数更新以最小化问题基本而简单学习和指数回归的关系自变量x和绝对偏差观测值和拟合数据分类和回归算法Y. 周能源与人工智能10（2022）1001876∑[…]i=12=2个i=1i（）-j（）×（ -） +| |JN-di（n）× ln。xj（n）× wij（n-1））-（1-di（n））× ln.1-xj （n）×wij（n-1））]+λ1（∑|W|）2图二. 机器学习的原理：（a）正向传播;（b）反向传播。（七）除上述算法外，目前在非线性能量系统中比较流行和有效的算法还有线性回归、树型回归、支持向量机、包络和高斯过程回归等。为了提供准确的特征提取和分类，可以通过比较分析来确定最适合的算法的选择。3.2. 无监督学习无监督学习在没有预先存在的标签的数据集中搜索先前未检测到的模式，并且具有最少的人类监督。如图3所示，与具有训练数据集和期望输出的监督学习相比，无监督学习没有训练数据集和未知输出。无监督学习主要应用于聚类问题。无监督学习算法主要包括聚类、异常检测、神经网络和潜变量模型学习方法。聚类方法主要包括层次聚类、k-means、混合模型、基于密度的噪声应用空间聚类（DBSCAN）[1]、OPTICS算法。Brodley等人。[77]用交叉投影归一化方案解决了特征选择问题。Xiao等[78]采用无监督学习的方法进行特征提取J1[∑N [d nx nw n[12]λ（∑w2）]（6）从大型数据集中提取建筑物比较结果表明自动编码器优于其他算法（主成分分析和t-分布随机邻域嵌入），交叉熵（英语：Cross-entropy）是信息论领域的一种度量，它建立在熵的基础上，通常计算两个概率分布之间的差异。捕获非线性并避免过度的数据压缩。3.3. 强化学习强化学习（RL）是指智能体在环境中采取的行动，以最大化累积奖励[81]。通过与周围环境的动态交互，智能体将选择最优算法，并对最佳行为进行奖励，图三. 监督学习和无监督学习的比较。Y. 周能源与人工智能10（2022）1001877如图4所示。强化学习的算法主要包括深度Q网络、策略梯度算法和行动者-评论者算法。Mocanu等人[82]将RL应用于建筑能源管理系统的在线调度优化。其工作原理是不断增加Q质量值，以解决Q学习的计算成本呈指数级增长的问题结果表明，实时反馈可以鼓励消费者采取有效的能源使用行为。Rahimpour等人[83]采用行动者-批评者算法进行下一步行动和策略调整。最优的建筑能源管理策略显示出有竞争力的能源性能。4. 可再生能源系统与AI图5显示了数据驱动模型设计和开发的一般步骤，主要包括网络配置的初始化、网络训练、验证和应用。在本节中，审查了机器学习技术在可再生能源供应中的应用，涉及电力和热能系统。4.1. 电力系统4.1.1. 太阳能发电系统在学术界，机器学习技术已被用于太阳辐照度预测，光伏发电建模，最大功率点跟踪（MPPT），以获得出色的学习能力和快速收敛，以适应环境变化和模型不确定性[86在本小节中，对太阳能中的ML进行了简要回顾。Feng等人[90]开发了一种混合粒子群优化和极端学习机（PSO-ELM），用于预测黄土高原地区的太阳总太阳能预测的流程图如图6所示。通过最大迭代的训练和检验过程，预测结果表明，西北地区是太阳能利用的有利场所，全球太阳辐射和能源潜力丰富。在预测太阳辐射的基础上，研究了基于最大似然法的光伏发电功率预测。Li等人[91]采用混合小波包分解-长短期记忆网络（WPD-LSTM）模型进行短期光伏功率预测，其中WPD是将光伏输出功率分解为低频和高频，如图7所示。LSTM网络通过多步预测方法作为深度学习预测单元。然后，根据预测结果和预测的组合权重，采用线性加权法预测最终的光伏发电量预测值。此外，ML还可以通过PV端电压的转换和开/关控制模式应用于智能控制。关于神经网络在PV系统中的应用，图8（a）示出了PV系统中的基于ANN的MPPT，其中MPPT连接PV模块和DC电机。人工神经网络是根据太阳辐射和太阳能电池组件温度的输入来识别最大光伏功率。从电位差产生的最大功率来自在NN中，控制信号将通过将PV端子电压移位到其识别的最佳电压来使PV功率图8（b）示出了最大功率控制器在PV系统中的应用。功率晶体管由外部驱动电路以可调占空比驱动，具有开和关模式。基于来自神经网络的PV模块操作功率和最大功率之间的误差信号来更新占空比据报道，采用人工神经网络进行MPPT可以在晴朗的晴天将输出能量提高约45.2%[88]。为了保证系统的可靠性和稳定性，当遭受各种故障时，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），故障检测和诊断（FDD）是解决关键问题的关键。Mellit等人[24]系统地回顾了光伏系统的FDD方法，包括统计和信号处理方法[93，94]，I-V特性分析[95，31，32]，电压和电流测量方法[26，96，97]，功率损耗分析[28，33]和人工智能技术（AIT）[27，98，99]。与其他对小型光伏电站进行离线监测的方法相比，AIT可以自动进行在线系统监测，而无需任何额外的努力。Garoudja等人。[92]开发了一种基于概率神经网络（PNN）分类器的增强型机器学习方法，用于直流（DC）侧的FDD 如图所示。 9.建立了四个输入（T，G，Impp和Vmpp）的PNN检测网络和PNN诊断网络。输出包括PNN检测网络的健康状态和故障状态（如图1所示）。 9（a）），和 三个故 障 运 行 情 况 下的 PNN 诊 断 网 络 （ 如 图 9 （ a ） ） 。 9（b））。检测和诊断过程如图9（c）所示，以确保可靠、安全和稳健的PV操作。4.1.2. 风力发电系统在学术界，机器学习技术已被用于风力资源预测、发电建模和预测、最大功率输出的最大功率点跟踪（MPPT）、故障检测和诊断。Stetco等人【100】通过机器学习方法全面回顾了风力涡轮机状态监测技术。通过分类和回归，重新审视了ML在各种任务中的出色性能，例如叶片故障检测，发电机温度和功率曲线监测。与传统方法相比，基于人工智能的技术在预测风速和发电量方面很有前途[101]。Khosravi等人。[85]设计了一种自适应神经模糊利用自适应神经模糊推理系统（ANFIS）预测风速的时间序列，如图10所示。结果表明，ANFIS模型具有良好的预测性能，15 min的R2分别为0.9865和0.8907，30-最小风速间隔数据集。Wang等人[102]开发了一个混合模型，如图11所示，用于10分钟风速预测。在混合方法中，极端学习机见图4。 强化学习原理。Y. 周能源与人工智能10（2022）1001878图五. 数据驱动模型设计和开发的步骤[85]。扭矩和最佳桨距角。开发的控制器是节省成本的最大发电量。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[107]。在学术界，为了识别最大功率点，已经采用了新颖的最大风力功率提取方法，即，叶尖速比（TSR）控制、功率信号反馈（PSF）控制和爬坡搜索（HCS）控制。与常规PID控制器相比，该MPPT控制器在参数不确定的情况下，仍具有良好的稳定性和可靠性。TSR控制的基本机制是调节风力涡轮机转子速度以保持最佳TSR。PSF控制是通过控制机制跟踪风力机的最大功率曲线，而控制受到风速和涡轮机速度测量的约束。HCS控制比其他控制更受欢迎，这是由于用于跟踪风力涡轮机的峰值输出功率的简单性和系统独立性。林和Hong[112]开发了一种基于WilcoX的径向基函数网络见图6。全球太阳辐射预测的粒子群优化和极端学习机（PSO-ELM）模型流程图[90]。(ELM)是为了获得短期风速预测，而ICE- EMDAN算法是将残差序列分解成子序列。自回归模型是为了提取最佳输入变量。 Yu等人[103]采用递归神经网络和支持向量机进行风速预测。实验结果表明，分解技术和提取更深层次的特征是提高预测精度的关键.Demolli等人[104]使用替代模型预测风速。该方法可用于未知地理位置的风电场的风功率预测。Marvuglia和Messineo[20]使用机器学习方法开发了一种非参数模型来估计风电场的发电量。通过对输入数据进行适当的预处理，非参数模型显示出良好的功率预测性能。Wang等人[105]采用统计和机器学习方法来预测风能和时间序列风速。结果表明，由于多变量的复杂非线性预测和不确定性，混合模型是准确、实用、有效和鲁棒的。对于风力涡轮机系统，当风速较高时，可以将ANN应用于主动桨距控制以控制桨距角[106，108]。Sindareh-Esfahani和Pieper[109]开发了一种离散时间分段仿射（PWA）模型，用于风的高级控制涡轮系统Yilmaz和Oüzer[108]开发了一种基于ANN的音高角度控制器，如图12所示，智能控制风速 在高速条件下。结果表明，采用所开发的控制器可以防止风力发电机组的过载和停机。Yin等人[110]基于极限学习机开发了一种预测变桨控制器，以提高风力涡轮机系统的变桨控制性能。Dahhani等人。[111]开发了一种基于支持向量机的滑模控制，以确定最佳电磁（WRBFN）与爬山搜索（HCS）MPPT策略的变速风力发电机控制。其原理是，如果先前Vdc的增加将导致Pm的增加，则最优V*dc的搜索 是沿着相同的方向。否则，最优V*dc的搜索 沿着相反的方向。图13显示了HCS MPPT策略的机制，以及风速从u3->u4->u2将导致从A->B->C->D->E搜索Vdc利用机器学习技术进行风力涡轮机故障检测和诊断是另一个实际应用。由于高水平的测量噪声和快速动态、开关控制和瞬态的稀疏变化，需要先进的故障检测来保证风力涡轮机系统的安全、可靠和连续运行。风力涡轮机中的故障包括结构健康状况、传感器/致动器的测量误差、转子叶片、轴承、轴、齿轮箱、发电机[113]中的不平衡、磨损、疲劳和即将出现的裂纹，如图14所示。赫尔宾和里特。[114]用于风力涡轮机故障检测的系统无监督、监督和深度学习。结果表明，监督方法对于高维输入数据非常出色，而深度学习则受到其相对较低维度的限制。具有最小测量变量的多变量统计分析工具对于动态行为表征是有效的，并且主成分分析（PCA）用于降维、特征去相关和噪声抑制。此外，考虑到极端条件下的运行，如零度以下天气，还研究了基于引导超声波和机器学习的模式识别的叶片结冰检测和诊断[115]。4.1.3. 燃料电池作为清洁能源的最佳代表之一，燃料电池氢能在能源向碳中和过渡中发挥着重要作用。机器学习技术在基础知识、机制学习、关联和数学联想等方面显示出广阔的应用前景。燃料电池中机器学习的主要领域包括性能预测[116，117]，材料选择[118]，组合[119]和改进[120Y. 周能源与人工智能10（2022）1001879见图7。 用于光伏发电预测的拟议小波包分解（WPD）-LSTM模型的框架[91]。优化[21，123]，系统控制[124，125]，电源管理[126]，以及PEM燃料电池的运行健康监测[127，128]，以及PEM燃料电池中的主要物理学，用于物理学通知的机器学习[129]。将Elman神经网络应用于性能预测，Guo et al.[21]采用基于混合教-学的优化（TLBO）和差分进化（DE）算法对PEM燃料电池的参数进行Pourrahmani等人的目标是最大限度地提高传热速率并最大限度地减少摩擦损失。[123]利用人工神经网络优化PEMFC的几何参数，包括流固接触面积、冷却液流速和温度分布。 图图15示出 了燃料电池电压预测，与结构配置的人工神经网络和预测结果的支持向量机。与支持向量机相比，人工神经网络的预测结果更准确，R2、RMSE和MAPE分别为0.9995、2.1mV和0.2%。4.2. 热能系统除了电力系统，ML在热能系统中的应用也得到了研究。机器学习在太阳能热利用系统中的应用主要包括太阳能热利用系统的性能预测和优化调度。在预测太阳热能方面，Ahmad et al.[131]比较研究了支持向量回归机（SVR）与随机森林（RF）、额外树（ET）和决策树（DT）。结果表明，RF和ET显示出相当的预测准确性，在测试数据集上的RMSE值分别为6.86和7.12。比较结果表明，DT算法的计算效率最高RMSE为8.76。如图16所示，Yaïci和Entchev[22]采用反向传播学习算法从分层温度、有用得热、辅助热量和导出的太阳能分数的角度预测太阳热能。测试数据结果表明，人工神经网络模型的相对误差小于±3% 和 ±10% 为 分层 温度 和 太阳能部分，Y. 周能源与人工智能10（2022）10018710见图8。 （a）基于神经网络的光伏系统最大功率跟踪原理图;（b）最大功率控制器在光伏系统中的应用[88]。分别强化学习（RL）通过动态决策的优化调度应用。Correa-Jullian等人。[132]通过基于行动奖励反馈的RL表格Q学习优化了操作调度。Q学习算法如图17所示。 通过与周围环境的交互，智能体选择具有最高Q值的动作，并且及时更新奖励，直到达到最大迭代。研究结果表明，在太阳辐射不足的情况下，基于Q学习的优化运行计划比基于名义运行计划的运行计划可产生高21%的能量。5. 使用AI的5.1. 电能储存5.1.1. 电化学电池储能ML技术也已应用于电化学电池存储系统，以解决集成能源系统的建模复杂性和不可行性。表2列出了AI在电池存储中的应用，包括动态热[133]/电[134]行为、电池尺寸和优化[135]、荷电状态预测[136]、电池寿命估计[29，30]、故障检测和诊断分析[137，138]。Chen等人[133]采用SVM模型预测电池温度。结果表明，最大温升可提前22.3s准确预报.Ridha等人[135]对独立的光电池系统进行了多目标技术经济优化。光伏组件和铅酸蓄电池的最佳数量分别为9（串联）、28（并联）和42。Chemali等人。[136]开发了一种用于SOC估计的深度神经网络。所开发的模型可以准确地预测在各种环境温度条件下的SOC。Patil等人[30]开发了一种SVM模型来预测锂离子电池的剩余使用寿命。此外，ML可以应用于电池的故障检测和诊断，以保证运行的稳定性和可靠性。Yao等人[138]设计了一种小波神经网络用于故障诊断电池他们得出结论，电压差与故障发生高度相关。此外，委员会认为， 的电池 老龄在 综合区能源社区已经用机器学习技术进行了量化，以准确分析技术经济绩效。Zhou和Liu[139]采用回归学习器预测电池循环老化。研究的算法包括线性回归、树、支持向量机、Entrance和高斯过程回归（GPR）。不同算法的对比结果表明，指数型探地雷达的预测精度最高. Zhou[140]将机器学习模型应用于不同基于规则的能量管理策略的电池相对容量预测。之后，生命周期技术经济性能[25]表明，基于数据驱动的电池循环老化模型可以避免性能过度，在负能量区（从-1.100 108到-1.083 108HK$），电池放电控制可以使净现值提高1.5%;在正能量区（从4.608 108到5.751 108HK$），电池放电控制可以使净现值提高24.8%。5.1.2. 电容器/超级电容除了电池之外，ML技术还应用于电容器和超级电容器。Zhang等人。[154]提供了超级电容器（SC）建模、估计和应用的整体概述。综述的SC模型包括电化学模型、等效电路模型、人工智能模型、分数阶模型、自放电模型和热模型。SC主要应用于不间断电源（UPS）、电力电子、可再生能源集成、混合储能和工业应用。表3列出了电容器和超级电容器中机器学习应用的整体概述，包括建模和行为分析[155，156]，性能估计[157Dongale等人[155]采用基于人工神经网络的方法预测超级电容器的循环伏安行为，相对误差低于2%。Farsi和Global[159]开发了一种人工神经网络模型，以高效和准确地预测超级电容器的功率和能量密度。在RUL预测方面，Zhou等人。[161]采用了长短期记忆神经网络和dropout算法的混合方法。结果表明，预测结果的均方根误差约为0.0261。Eddahech等人。[163]开发了一种通过反向传播算法训练的单层前馈人工神经网络，用于超级电容器的最佳能量管理。Y. 周能源与人工智能10（2022）10018711见图9。 （a）PNN检测网络;（b）PNN诊断网络;（c）检测和诊断网络的连接[92]。5.2. 热能储存器5.2.1. 智能储能ML在敏感储能中的应用主要包括负载预测和储能容量大小[34]、节省成本的动态调度[35]、热分层分析[36]和动态性能预测[165]，如荷电状态、出口温度和热功率输出。Rahman和Smith[34]开发了一种深度递归神经 网络（RNN ）模型 来预测热负荷 和尺寸罐体积 。Henze 和Schoenmann[35]在电驱动的热能存储系统上开发了一种无模型强化学习控制。通过与环境动态交互，强化学习控制器建立以下各项的统计汇总：见图10。具有两个输入和一个输出的自适应神经模糊推理系统（ANFIS）的结构[85]。持续更新操作时间表以节省成本。G'eczy-Víg和Farkas[36]开发了一种神经网络模型来消除太阳能DHW存储的热分层。可以注意到准确的性能预测，在训练过程中平均偏差为0.22°C， 0.24 ℃。 斯卡皮诺 等人[165]应用人工神经网络预测存储系统的动态行为。Y. 周能源与人工智能10（2022）10018712见图11。 混合ELM-ICEEMDAN-ARIMA模型的结构[102]。见图12。 基于人工神经网络的桨距角控制器对合理的速度和叶片桨距角[108]。（即，传热面积、雷诺数、入口传热温度和时间），和输出（即，总热能）。结果表明，人工神经网络比数值模型的结果更准确，在预测的总热存储。对于系统优化，Ren et al.[171]采用多层感知器神经网络和遗传算法对一个具有PV/T和相变材料存储系统的转轮除湿冷却系统进行了优化。结果表明，所提出的方法可以提高比净发电量，3.77 10.32kWh/m2，太阳能利用率从91.5%提高到10.32kWh/m2。百分之九十九点四此外，应用人工智能发展先进的最优控制也引起了广泛的兴趣。COX等人[172]开发了一种基于神经网络（NN）的模型预测控制（MPC）策略，用于冰蓄冷系统以节省成本。通过有效地适应变化的负荷和变化的价格， 可以 被 减少 通过 approX iphone4 百分之十六 和 百分之十三 下图十三. HCS MPPT策略的机制[112]。5.2.2. 潜在能量储存机器学习技术可以应用于潜在的能量存储，以提高存储和可再生能源利用的效率[19， 气候适应性优化设计 [15]，参数和灵敏度分析[167]、智能控制[168]和优化[4，169]。在储热能力的预测方面，Ermis等人[170]开发了一种前馈反向传播人工神经网络来分析翅片管热能储存的热性能。人工神经网络的结构配置如图所示。 18，包括输入参数实时定价和实时定价。6. 机器学习