《2023人工智能在能源互联网中的应用》由会员分享，可在线阅读，更多相关《2023人工智能在能源互联网中的应用（5页珍藏版）》请在金锄头文库上搜索。
1、人工智能在能源互联网中的应用0 引言能源是现代社会发展的基础。全球能源危机与环境污染的双重压力，导致能源使用行为的变革。通过开发可再生能源解决能源和环境问题已成为全球共识。各国积极启动新能源技术的研究项目，特别是针对太阳能、1风能、生物质能和其他可再生能源的研究 。针对传统能源输送基础设施的重构，近年来能源互联网（energy Internet, EI）的概念越25来越流行。EI 是一个涉及先进电力电子技术、信息技术和智能管理技术的综合性互联网，并使用大量分布式能量收集装置、新的电网节点、分布式储能装置、各种类型的 负载，以实现双向能量流和点对点网络共享。EI 的突出优点包括开放性、健壮性和可
2、靠性。在未来，EI 将逐步取代传统电网，因为它可以为消费者提供灵活的能源共享。由于可再生能源的间歇性和波动性，传统的电网难以适应大规模接入可再生能源的需求。此外，传统微电网（micro grid, MG） 和分布式发电机都无法最大限度地利用可再生能源。只有实现由通信网络信息流控制的分布式 MG 的能量共享，才能有效、经济、6安全地使用可再生能源 。 人工智能(artificial intelligence, AI)技术，如深度学传统上使用工程方法和统计方法进行7习89、模糊逻辑、人工神经网络(artificial负荷预测。工程方法的不足之处在于它的复neural network, ANN)10
3、11、支持向量机(support vector machine, SVM)12和粒子群杂性，使其难以实际应用，且缺乏输入信息。3031统计方法包括时间序列、相似日优化 算法 (particle swarm optimization,3234法35和回归方法等。一般来说，这些PSO)1314等，以及一些混合 AI161915方法为2024方法基本上是线性模型，而负荷模式通常是36EI 的设计、模拟、预测2527、控制、外生变量的非线性函数。因此统计方法优化、评估、检测28、故障诊断和容错、29在负荷预测的准确性和灵活性上具有不足需求侧管理大的工具。和消费者分类等提供了强之处。为了获得理想的预测效
4、果，AI 技术在负荷预测中正发挥着越来越重要的作37本文介绍人工智能技术在能源互联网中用。16,19,38的典型应用。图 1 简约地描述了一个典型的近年来包括深度学习在内的 AIEI 系统。图 2 描述了本文中介绍的使用 AI技术改进性能和更好地管理MG 的可能领域。技术在负荷预测领域取得了很好的效果。随着 ANN 预测方法的发展，深度学习技术有望通过更高层次的抽象来提高预测精度。此PG39MG3MG2MG1外模糊逻 辑4041、遗传算 法和SVM4243 等也广泛地应用到了负荷预测中。这些技术与深度学习的结合应用得到1744了很高的负荷预测精度。1.1.2 太阳辐照度预测太阳辐照度预测对于并
5、网光伏电站的最45优运行和功率预测具有重要意义。太阳辐照受多种气象特征的影响，导致其结构复46杂，意味着其预测效率和准确度低。AI图 1 EI 简图AI应用于光伏发电及风力发电的布局和规模AI应用于太阳辐照度的预测风力发电光伏发电AI应用于需求侧管理AI应用于负荷预测AI应用于检测和诊断电力传输用户用户传统电厂AI应用于输出功率预测Fig. 1 The diagram of EIAI应用于优化AI应用于调度AI应用于用户分类图 2 AI 在 MG 不同方面的应用Fig. 2 Application of AI in different aspects of MG1 人工智能在能源互联网中的应用
6、1.1 预测1.1.1 负荷预测负荷预测对电力系统制定经济、可靠、安全的运行策略起着关键的作用，对 EI 中能源的高效管理是非常必要的。技术在解决复杂问题方面的突出优点对提高太阳辐照度预测效果发挥着越来越重要的作用。为了减少特征集中的信息冗余，提高预测精度，文献46提出了一种基于条件互信息和高斯过程回归的短时辐照预测特征选择方法，降低了最优特征集的维度，取得了很高的预测精度。考虑一天内连续数小时的相关性，文献47采用长短时记忆网络进行训练，获得了很好的效果。这项研究为将先进的机器学习算法应用于太阳辐射预测提供了一种新的替代方法。但该研究没有考虑由于天气预报误差而导致的太阳辐射预报误差。文献48
7、使用静态网络和具有外部输入的非线性自回归模型预测太阳辐射，与静态神经网络相比，非线性自回归模型能够有效地预测太阳辐射。文献49对不同输入参数组合的 SVM、ANN 和经验太阳辐射模型的精度进行了评价，降低了数据的维数，提高了预测精度。为了进一步提高预测精度，可进一步研究通过采用 K-NN、回归树和随机森林方法进行太阳辐射预测。文献50通61Ascione 等人通过将遗传算法与 ANN 相过结合聚类数据和自适应神经模糊推理系 统模型，实现了提前一小时的太阳辐射预测， 取得了很好的效果。1.1.3 输出功率预测光伏电站的功率取决于太阳辐射和温度。这使得预测输出功率成为光伏科学家研究45的热门话题。
8、近期 AI 技术在光伏输出功5153率预测方面取得了不错的效果。为了得到比单个模型预测更稳定的性能， 文献54利用模型组合技术（径向基、传统 前馈网络、自适应神经模糊推理系统和SVM）设计出了一个稳定、有效且准确的风 力涡轮发电量日前预测模型，超越了单个模 型。为分析空间气候变量对模型性能的影响， 文献55提出了一种利用 ANN 预测风力发 电机的功率输出，表明功率的预测很大程度 上取决于场地的特征和风向。结合来评估能源改造，给出了成本最优的解 决方案。为了使工程师能够对建筑进行改造 优化，可以考虑开发用户友好的界面。考虑 到各种资源不确定性，文献62提出了一种 新的多阶段智能能源管理系统（S
9、EMS）架 构，用于 MG 中的最优能量管理，仿真结果说明了所提出的 SEMS 在不同案例研究中的有效性。文献63实现并比较了粒子群优 化求解器和序贯线性规划求解器，提出了一 种产生非线性规划问题的能量分布模型，有 效地节省了能源费用。如果将粒子群优化和 序贯线性规划进行混合，有可能产生一种很 有前途的求解方法。文献64为机组组合开 发了一种自适应划分的情境学习算法，性能 超过了传统 UC 算法。将潮流问题纳入安全潮流的UC 问题中可作为进一步的研究工作。1.3 检测与诊断AI 技术在电力系统故障诊断方面发挥着关键作用。主要使用的 AI 技术包括：模糊1.2 优化优化光伏系统规模的传统方法有直
10、观6567逻辑模型68、广义回归神经网络方法、方法和数值方法，前者是最简单的方法，后者的缺点是需要大量的太阳辐射数据集。利用 AI 技术来优化光伏系统的规模，可以比多核 SVM697170、免疫神经网络、分布传统方法提供更高的精度。文献56利用经验数据，提出了一种最优 PV-STATCOM 布局和规模的方法。针对配电网损耗最小、成本最小化和电压改善这两个目标，分别采用功率损耗指数法和自适应粒子群算法求解配电网布局和配电网规模优化两个子问题。试验结果表明，与蜂群优化算法和闪电搜索算法相比，自适应粒子群算法不仅具有更好的寻优性能，而且收敛速度更快。文献57式机器学习、ANN、神经模糊和小波神727
11、3经网络、隐马尔可夫模型。计算和通信智能的应用有效地提高了智能电网的监控质量。但是，对信息技术的依赖也增加了对恶意攻击的脆弱性。AI 在攻击检测方面发挥了重要的作用。近期用于攻击检测的 AI 方法主要是深度学习技 2526术开发了 一种 结合 递 归神经 网络 和Ornstein-Uhlenbeck 过程的新型混合建模方，取得了很好的效果。此外还有高74法，以获得光伏板和负载的精确功率模型。但需要大量的时间和空间来获得解决方案，斯混合模型、无迹卡尔曼滤波和基于加75因此针对所考虑的能源管理问题需要设计其他算法来解决。AI 技术在光伏系统中最大功率点的跟踪权最小二乘的状态估计算法算法（machi
12、ne learning, ML）、机器学习76等，仿真5860研究上取得了很高的预测精度。结果验证了优于文献中研究的其他传统方法。但文献76没有考虑测量噪声和学习模型的偏差方差特性之间的关系。文献27提出了一种新的深度学习框架， 用于检测和分类孤岛或电网扰动，避免了分布式电源误退出电网的问题。但该方法还没有考虑更复杂的条件，比如更多的干扰和故障，也没有应用这种方法进行细致的微电网监测。文献71提出了一种新颖的基于特征选择的分布式ML 方法来检测不同电力系统事件的动态特征，在一个具有多种能源发电方案的互联两区域 MG 中得到了验证。与传统方法相比，该算法的计算强度较低，显示出良好的应用前景。但在
13、此研究中没有解决负荷的动态性、间歇性发电和故障持续时间的问题。事件的检测主要基于导致转子角度不稳定的一种类型的三相故障，并没有对其他类型的不稳定性进行更全面的分析。1.4 需求侧管理需求侧管理是智能电网中重要的功能 之一，它允许客户对其能源消耗做出明智的 决策，并帮助能源供应商减少高峰负荷需求， 重塑负荷曲线。这样可以提高智能电网的可 持续性，并降低整体运营成本和碳排放水平。传统能源管理系统中现有的需求侧管理策 略大多采用系统特定的技术和算法。此外， 现有的策略只能处理有限数量的有限类型 的可控负载。文献28提出了一种使用 ML 工具的智能充电策略，以确定何时在连接会话期间为 电动汽车充电，证
14、明了经过适当训练的深层 神经网络能够显著降低充电成本，通常接近 于以回顾性方式计算的最佳充电成本。但该 文献没有研究车队对负载曲线的影响。文献77利用标准差偏置遗传算法提出了一个综 合能源管理系统，达到了很好的效果。文献78采用人工免疫算法求解需求侧管理多目 标问题，降低了运行成本和功率峰均比。但 该文献没有在客户之间建立公平的满足客 户需求的分配机制，也没有开发出一种可行 的保护客户隐私的信息交换方法。文献79 提出了一种基于博弈算法的分布式储能规 划方法，对降低智能电网通信网络中峰均比、总成本、用户日常支付和能耗等具有较好的 性能。文献80提出了一种基于人工免疫网 络算法的分布式需求侧管理系统，使系统的消耗都保持在给定负载限制的 1%以内。为了支持智能电网的多级控制，研究人员可以尝试开发分层或复合的人工免疫系统。为了使智能电网中的家庭执行主动的需求侧管理，文献81开发了基于 A
