1.引言

为响应全球碳中和战略，可再生能源（RE）的使用正在迅速增加。预计到2050年，风能和太阳能将占发电量的60%以上。然而，可再生能源发电的不确定性可能导致电力供应的波动性和间歇性。进而可能导致限电等故障。

可再生能源电力系统（RPSO）是有效支持可再生能源电力大规律利用的关键。它包括四个关键组成部分。1）准确的预测，充分了解可再生能源的不同特征，以减轻其波动性和间歇性影响。2）精准的调度，协调可再生能源、传统发电机、电网、储能和可调负载的调度，以平衡发电与需求。3）有效的控制，必须能够控制可再生能源系统，以克服与可再生能源导致的频率和电压变化等不稳定性。4）健康的市场，了解可再生能源对电力市场的影响，支持可再生能源的使用。

传统方法在可再生能源电力系统中面临挑战。而人工智能（AI）已经成为一种在改善电力系统预测、调度、控制和市场的有前景的技术。

表1 人工智能在可再生能源电力系统中的应用

2.预测

准确的预测对于可靠和高效的RPSO至关重要，因为它可以提供确保电网稳定、优化资源分配和电力调度所需的信息。RPSO中有三种类型的预测：可再生能源、需求和电价，分别反映了发电模式、需求侧消费者特征和未来电力市场行为。

基于人工智能的方法已经引领了RPSO发电预测的发展。在短期预测方面，CNN是最流行的深度学习（DL）模型之一。它可以通过在输入数据的时间轴上的滑动内核来有效地提取短期（分钟到小时）的时间变化。

在长期预测方面，Transformer等基于注意力的方法是最有前景的DL方法之一。注意力机制优先考虑输入数据中的重要样本，而不是平等对待整个输入序列。使其能够对可再生能源发电进行可靠的长序列预测。

3.调度

电力系统调度的目标是在满足电力系统安全等运行约束的同时，通过最小化运行成本和电力损失来安排可用电力资源，以实现最优运行。为了使用可再生能源，传统发电机、储能系统、电网和可调电力负载（如电动汽车充电以及供暖、通风和空调）的调度必须在不同的时间窗口内进行协调。电力系统调度包括优化潮流（OPF）、经济调度和最优机组组合（图2）等任务，其中OPF每5分钟进行一次，经济调度提前1至4小时进行，机组组合通常提前24小时进行。

3.1最优潮流

优化潮流（最优潮流，OPF）是电力系统中通过调整控制变量（如发电机功率、变压器抽头等），在满足安全约束的前提下，使系统运行成本、网损等目标函数达到最优的数学优化方法。

由于允许直接映射系统拓扑、负载和线路导纳，DL在OPF任务中快速而精确，已成为最有前景的OPF方法之一。

确保系统安全也是OPF的另一个关键方面。贝叶斯神经网络等人工智能技术可以解决OPF安全约束问题。

3.2经济调度

经济调度的目标是通过确定发电机和储能装置的功率输出以及可调负载的数量，最大限度地降低发电成本，同时最大限度地利用可再生能源为系统负载服务。

DNN和LSTM等DL方法将经济调度的输出（即发电机的功率和储备）映射到可再生能源的生产和经济要求。但这种方法需要一个包含各种操作条件的多样化数据集，以做出稳定和无偏见的决策。但此类数据具有挑战性。

因此，依赖于交互而非历史数据的强化学习（RL）算法被广泛用于解决经济调度问题。如在没有任何先验信息的情况下，Q学习、双深度Q网络和深度确定性策略梯度（DDPG）等RL方法可以处理非线性效应或随机实体，以在每个决策时隙获得最优解。

3.3机组组合

机组承诺在比OPF和经济调度更长的时间段内运行，即提前24小时，并确定发电机提前一天的最佳开/关状态，以满足电力需求。机组承诺旨在通过确定所需发电机的最佳状态来最大限度地降低电力系统的总运营成本，同时支持可再生能源的使用。它为视为一个混合整数规划（MIP）优化问题。

使用人工智能进行机组组合的研究很少。但人工智能技术在解决MIP问题方面显示出很大的潜力，特别是通过使用基于图的模型，如图神经网络，它可以用二分或三分模型来表示MIP问题。

4.控制

在传统的电力系统中，惯性是由同步发电机的旋转质量提供的。当电力需求增加时，同步发电机旋转得更快，当需求减少时，它们旋转得更慢。这种惯性有助于稳定电网的频率。可再生能源技术通常通过逆变器连接到电网。逆变器的惯性和阻尼特性与同步发电机不同；它们不能为电网提供相同水平的稳定性。因此，控制电力系统稳定性的有效方法对于支持RE的使用至关重要。

基于人工智能的发电到需求控制（即发电、输电和配电、需求和储能组件软件）技术可以有效地处理不确定性，并将故障诊断和检测的准确性提高到99%以上，增强了可再生能源系统的稳定性。 

4.1发电

可再生能源的固有不确定性给发电机的运行稳定性带来了挑战。太阳能和风能是间歇性和可变的；因此，它们的功率输出可能会出现大幅且不可预测的波动。当可再生能源输出突然下降时，电网运营商可能需要实施控制措施，快速使额外的发电机上线，以保持稳定的电力输出。

保证电力系统稳定性的一种方法是直接控制风力发电机输出频率。基于AI的控制器能够发现并拟合风力涡轮机的机械和电气特性及其耦合关系，从而精确调节风力发电的频率。

光伏逆变器的瞬态频率受到多种因素的影响，如太阳辐照度。基于人工智能的控制器可以被设计为将这些因素带入状态空间。同时人工智能方法可以从复杂的高维数据中提取信息，以分析输出频率和其他协变量之间的复杂关系。进而为太阳能光伏设备生成控制信号，以调节其输出频率。

为了实现电力系统的稳定性，电压调节几乎与频率调节同样重要。基于人工智能的技术，如循环神经网络、Q-learning和双深度Q-networks，可以生成最佳控制策略并执行实时电压调节，通过利用从传感器和监测设备（如电压、电流和功率测量）收集的数据来减轻这种不确定性的不利影响。

4.2输电与配电

输电和配电是电力输送的两个关键阶段。输电涉及在高压下长距离的大规模电力输送，而配电涉及将这种高压电力转换为较低的电压，以便适合家庭和企业等负载使用。必须在整个输配电过程中控制电压和频率，以确保稳定的电网的稳定。

使用人工神经网络和物理感知神经网络等神经网络，及注意力机制，可以拟合可再生能源电力系统的状态（如风速和太阳辐照度）与输出电压和频率之间的关系（即响应模型）。并监测输配电系统中变压器状态的电压和频率。

为了避免上述方法对精确系统模型的需要，引入了无模型控制策略，如基于深度强化学习（DRL）的算法，来调节电压和频率。这些策略从环境相互作用和经验中学习控制技术，使其能够适应系统变化和不确定性。这些技术有效学习响应模型的能力使其非常适合处理复杂的系统。

4.3需求

传统电力系统的电压和频率是通过控制发电机来调节的，以确保系统的稳定性。然而，随着可再生能源比例的增加，可以参与频率和电压控制的传统发电厂的可用性将减少。因此，柔性负载（即可以及时调整或移动以响应电力系统变化的负载）对于控制可再生能源系统的稳定性变得越来越重要。

但柔性负载是多样化和复杂的；使得传统的控制方法无法使用。人工智能技术被用来控制各种柔性负载。如利用深度Q-learning、极限学习机和反向传播神经网络等人工智能技术来控制电动汽车的充电。双深度Q网络、二深度Q网络和基于注意力的多智能体等人工智能技术也控制其他灵活的负载（如电热水器和暖通空调系统）来调节电力供需平衡。

4.4储能系统

将储能系统集成到可再生能源系统中，已成为缓解RE固有不确定性带来的运营风险的可行方法。基于人工智能的技术可以提高储能系统控制器的实时响应能力。如径向基函数和自适应模糊神经网络已被采用在电力系统中充当虚拟同步发电机来指导储能系统的运行。

DL算法可以准确地预测可再生能源系统中的电压和频率波动，从而建立响应模型，并且可以通过模型预测控制等技术进一步增强。基于DRL的算法能够实现灵活和适应性强的储能系统控制。

5.电力市场

电力市场是一个复杂的社会、经济和技术系统，包括电力的生产、分配和消费。它通过物理输配电网络促进电力从发电机流向最终用户，旨在通过竞争机制最大限度地降低系统运营成本或实现利润最大化。

随着可再生能源的参与，电力市场结构进一步复杂，市场参与者更加多样化，市场交易数据量增加，这进一步挑战了市场机制设计和监管政策评估。由于其数据处理和优化决策能力，基于人工智能的方法的出现为通过电力市场促进可再生能源的使用提供了机会。

5.1电力批发市场

批发电力市场（WEM）涉及发电商、零售商或大型消费者之间的电力交易，其中价格通过拍卖确定，重点是交易大量电力。作为电力市场的基本组成部分，WEM的作用是确定电价、分配资源和管理市场风险，从而有助于市场的稳定和高效。

因此，对市场交易进行建模和分析竞价行为非常重要，这样市场运营商就可以观察市场趋势或表现，从而最大限度地降低市场风险，提高交易效率。RL和DRL使代理能够在交互式环境中从自己的行为和经验中学习，已被广泛用于此应用。

由于可再生能源的边际生产成本较低，可再生能源参与市场竞争可以降低其清算价格；但它也可能引发问题。例如，可再生能源发电是不确定的；其参与市场将导致实时供需关系的波动，进而导致电价的大幅波动和市场参与者的高风险。使用基于人工智能的方法模拟市场交易可以帮助分析与可再生能源相关的不确定性对市场交易的影响。

监控和数据采集（SCADA）系统可以通过提供更全面和准确的实时系统运行情况。将人工智能方法与SCADA的整合，可以提供更全面的市场信息，以实现更彻底的交易分析和更好的决策，从而提高市场效率，支持可再生能源的进一步整合。

5.2电力零售市场

与WEM不同，零售电力市场（REMs）通常侧重于直接向终端用户（如住宅、商业和工业消费者）交易电力。

随着分布式可再生能源资源的迅速普及，可再生能源管理变得越来越分散。本地电力市场或点对点市场已经成为一种REM，它使参与的产消者和消费者之间能够进行本地、直接的可再生能源交易。人工智能可对集中清算本地电力市场中独立系统运营商的清算决策行为进行建模，探索基于Vickrey–Clarke–Groves的市场机制，分析对等市场中不同拍卖机制的效果。

微电网之间的交易，被视为一种特殊的点对点交易形式，也可以通过人工智能方法来解决。人工智能可以模拟微电网之间的竞价，预测不确定情景下微电网的效用，解决调度和交易决策问题。

6.展望

6.1分布式超高比例可再生能源系统

具有超高比例RE的分布式系统具有很高的空间和时间复杂性。首先，随着RE比例的超高，功率将随着振幅的增加而波动，并且越来越难以捕捉系统的动态特性，如操作时间信息（日前、日内和实时）。其次，可再生能源的分布式地理位置导致了风电场和光伏电站之间复杂的空间依赖关系。此外，每个可再生能源供应商都有定制的配置和容量，从而产生了独特的不确定性特征。复杂的空间信息与每个供应商的独特特征相结合，使得调查和学习不确定性变得困难。

联合学习和图学习分别对先验保持和时空提取有效。因此，将这两个领域应用于理解分布式超高比例RE系统的挑战可以提供新的见解。

6.2多种储能系统的运行

由于未来电力系统中可再生能源渗透率的预期增加，将需要储能系统通过向电网充放电来缓解可再生能源的波动和间歇性。然而，储能系统非常多样化，包括不同的系统类型、充放电速度、储能规模和应用。

由于不同的充放电速度和应用场景的复杂性，储能系统的多样化使得协调调度和控制变得困难。Meta RL可以通过回答何时、何地以及为什么调度和控制某些储能系统的问题来解决这些挑战。为不同的储能系统提供一种统一的操作方法，以确定调度或控制的最佳时间戳、位置和存储类型。

6.3复杂的市场运作

随着可再生能源的快速发展，市场参与者的数量，如储能系统、灵活负载和备用供应商，将迅速增加。这给可再生能源的运营和实施带来了挑战。

模仿学习可以从人类或智能代理中提取知识来复制行为。分布式RL可以在考虑分布式信息（如可能结果的概率分布或与不同行动相关的概率分布）的同时处理不确定性和复杂的决策问题。将模仿学习与分布式RL相结合可以使投标决策分析和未来复杂市场清算问题的快速计算成为可能。