霍龍，張譽寶，陳欣*

（1.西安交通大學(xué)電力設(shè)備電氣絕緣國家重點實驗室新型儲能能量轉(zhuǎn)換納米研究中心，陜西省 西安市 710049；2.西安交通大學(xué)電氣工程學(xué)院，陜西省 西安市 710049）

0 引言

為順利實現(xiàn)2030年的“碳達峰”和2060年的“碳中和”目標，發(fā)展以可再生、分布式、聯(lián)起來、開放式、融進去為特征的能源互聯(lián)網(wǎng)至關(guān)重要[1]。分布式儲能是有效改善間歇性可再生能源功率波動、能量供需平衡以及電壓/頻率穩(wěn)定性等問題的關(guān)鍵支撐技術(shù)之一。同時，隨著電氣廣域量測技術(shù)的發(fā)展和外部信息(環(huán)境、氣象、社會等)等大量數(shù)據(jù)的接入，各環(huán)節(jié)全面數(shù)字化和調(diào)控體系高度智能化推動了人工智能(artificial intelligence，AI)在電力系統(tǒng)中的廣泛應(yīng)用。將人工智能應(yīng)用于分布式儲能的建模、分析和控制已成為近年來的熱點研究方向。

分布式儲能是一種容量小且普遍靠近負荷側(cè)的儲能配置形式，常應(yīng)用于中低壓配電網(wǎng)及智能微電網(wǎng)中。相較于集中式儲能，分布式儲能安裝地點靈活、投資費用低，功率介于幾千瓦至幾兆瓦之間，持續(xù)放電時間較短，且容量一般不大于10 MW·h[2]。近年來，國內(nèi)外政府、企業(yè)已展開分布式儲能的工程項目實踐和配套政策制定。2018年，由國網(wǎng)江蘇省電力有限公司主導(dǎo)實施的全國最大規(guī)模用戶側(cè)分布式儲能項目正式在鎮(zhèn)江新區(qū)落地，總投資金額達5億元，充電功率合計3.15萬kW，電池容量合計25.2萬kW·h[3]。2020年，美國特斯拉公司開發(fā)了電池儲能管理軟件平臺Autobidder，該平臺融合了機器學(xué)習(xí)、優(yōu)化算法等技術(shù)，其目標是最大化用戶利益，在市場環(huán)境下根據(jù)不同用戶的需求以及風(fēng)險大小進行電池組運行優(yōu)化[4]。2022年，加拿大政府和洛克希德·馬丁公司投資1 900萬美元用于太陽能+儲能項目，太陽能板和電池產(chǎn)生的電能將輸入到阿爾伯塔互聯(lián)電網(wǎng)系統(tǒng)，補償電網(wǎng)高峰供電需求[5]。澳大利亞分布式光伏以及集中式可再生能源發(fā)展迅速，推動了數(shù)萬套配套分布式光伏的小型家用儲能系統(tǒng)的安裝，澳大利亞能源市場委員會于2021年發(fā)布規(guī)則草案，允許電網(wǎng)公司在網(wǎng)絡(luò)阻塞時對用戶上網(wǎng)電量進行收費，這進一步激發(fā)了市場對家用儲能的需求[6]。截至2020年年底，德國的光伏電池儲能系統(tǒng)已經(jīng)超過5萬臺，由于德國電池儲能系統(tǒng)和光伏系統(tǒng)價格下降，上網(wǎng)電價下降，銷售電價上升，光伏電池儲能系統(tǒng)具有良好的經(jīng)濟性[7]。

分布式儲能類型多樣，內(nèi)部的物理和化學(xué)反應(yīng)機理復(fù)雜，且需要協(xié)同運行，加之配套的高比例可再生能源和高比例電力電子裝備等設(shè)備，使得儲能具有系統(tǒng)強非線性、不確定性和時空尺度多樣性等復(fù)雜技術(shù)特征。傳統(tǒng)基于數(shù)學(xué)模型的儲能系統(tǒng)分析和控制手段需要獲取系統(tǒng)內(nèi)部具體的參數(shù)和狀態(tài)，但實踐過程中精確的參數(shù)辨識較為困難，很多狀態(tài)往往不可觀測，此外，大規(guī)模、多尺度和高維的數(shù)值模擬仿真也對算力提出了較高要求。作為數(shù)據(jù)驅(qū)動方法代表，人工智能及其相關(guān)的大數(shù)據(jù)、云計算和先進傳感計算技術(shù)有望成為解決分布式儲能建模、分析和控制的新型解決方案，從而避免復(fù)雜的數(shù)學(xué)建模過程，提升計算效率和準確性。

針對人工智能在分布式儲能技術(shù)中的應(yīng)用問題，本文簡要回顧了人工智能在電力領(lǐng)域的發(fā)展歷程及其在分布式儲能技術(shù)中的應(yīng)用適配性，歸納總結(jié)了人工智能在微電網(wǎng)、智能樓宇和車網(wǎng)協(xié)同(vehicle-to-grid，V2G)3種不同尺度場景下的分布式儲能中的具體應(yīng)用方向和研究成果，并對未來人工智能在分布式儲能中的應(yīng)用前景進行了展望，以期為分布式儲能的智能化研究和發(fā)展提供有益參考。

1 人工智能技術(shù)

人工智能是一種機器系統(tǒng)，對于人為給定的目標，可以做出影響真實或虛擬環(huán)境的預(yù)測、建議或決策。作為智能機器系統(tǒng)，人工智能嘗試去理解人類智能的實質(zhì)，像人那樣思考，并且可能超過人的智能[8]。電力行業(yè)是人工智能的重要應(yīng)用發(fā)展領(lǐng)域。在構(gòu)建新型電力系統(tǒng)的過程中，各環(huán)節(jié)全面數(shù)字化和調(diào)控體系高度智能化成為其主要技術(shù)特征，體現(xiàn)了電力系統(tǒng)對人工智能技術(shù)的需求性。智能傳感芯片、通信技術(shù)與物聯(lián)網(wǎng)、邊緣計算與云邊融合等是新型電力系統(tǒng)正在發(fā)展的共性關(guān)鍵技術(shù)，將有力支撐人工智能在電力系統(tǒng)中的落地部署。

人工智能在電力系統(tǒng)中的應(yīng)用方向可總結(jié)為分類、擬合和優(yōu)化三大類問題。就具體場景而言，人工智能已應(yīng)用于負荷和新能源發(fā)電預(yù)測[9-10]、暫態(tài)穩(wěn)定性分析[11]、電力設(shè)備故障診斷[12]、電網(wǎng)優(yōu)化運行[13]和儲能控制方法[14]等多種不同場合。從20世紀80年代開始，人工智能在電力系統(tǒng)的早期研究集中在專家系統(tǒng)的應(yīng)用，例如：電氣操作票的自動開出和校核[15]。專家系統(tǒng)對數(shù)據(jù)量需求小，但知識獲取依賴領(lǐng)域?qū)＜业慕?jīng)驗，自主學(xué)習(xí)能力差。同期相關(guān)技術(shù)還包括形式簡單的反向傳播(back propagation，BP)人工神經(jīng)網(wǎng)絡(luò)[16]。受限于當時電力系統(tǒng)的數(shù)據(jù)采集存儲和算力瓶頸，BP人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需樣本短缺，且無法滿足在線使用需求。隨著電力系統(tǒng)中先進通信和計算機硬件技術(shù)的不斷更新發(fā)展，以及海量電力大數(shù)據(jù)的積累，新一代人工智能由傳統(tǒng)知識表示轉(zhuǎn)向深度、自主知識學(xué)習(xí)，深度學(xué)習(xí)成為電力系統(tǒng)近期研究熱點[17]。

目前，人工智能在電力系統(tǒng)中的應(yīng)用研究已經(jīng)廣泛涵蓋了網(wǎng)、源、荷、儲各個環(huán)節(jié)，未來分布式電源替代出力不確定性和電動汽車(electric vehicle，EV)的時空不確定性將帶來更多隨機性。傳統(tǒng)分析方法在調(diào)度、交易、管理等方面將面臨諸多挑戰(zhàn)，人工智能將是解決這一類問題的有力措施[18]。特別是在儲能側(cè)，人工智能技術(shù)在其建模、分析和控制應(yīng)用中適配性高，具體體現(xiàn)為：1）儲能設(shè)備內(nèi)部物理和電化學(xué)機理復(fù)雜，傳統(tǒng)數(shù)學(xué)模型法難以完整且準確地描述多變的真實工況[19]，而人工智能則是以數(shù)據(jù)驅(qū)動方法構(gòu)建儲能模型，將儲能視作“黑箱”系統(tǒng)進行輸入與輸出的關(guān)系擬合，這個過程中僅需儲能外部端口的電壓、電流等可觀測變量，即可重構(gòu)系統(tǒng)內(nèi)外的復(fù)雜映射關(guān)系；2）儲能類型多樣，具有多時空尺度特點，且常與電力電子設(shè)備耦合，在進行穩(wěn)定性和暫態(tài)響應(yīng)分析時，一般使用數(shù)值積分法和實驗分析，但算力和成本代價要求高，當可以獲取足夠多的數(shù)據(jù)作為樣本時，人工智能能夠高效率、低成本地深度挖掘儲能的靜態(tài)和動態(tài)特性，實現(xiàn)穩(wěn)定性能分析；3）大規(guī)模、分布式儲能的協(xié)調(diào)控制是一個多變量、多目標的時序控制問題，經(jīng)典優(yōu)化方法、基于規(guī)劃的方法和啟發(fā)式算法難以求解。人工智能中的深度強化學(xué)習(xí)(deep reinforcement learning，DRL)主要優(yōu)點是不依賴于先驗知識，可以滿足實時調(diào)度要求，將儲能協(xié)調(diào)控制轉(zhuǎn)化為動態(tài)規(guī)劃問題，通過數(shù)據(jù)和環(huán)境交互，實現(xiàn)價值函數(shù)的不斷優(yōu)化，表現(xiàn)出高效、準確的求解性能。

2 人工智能在車網(wǎng)協(xié)同中的應(yīng)用

電動汽車的迅猛發(fā)展給電網(wǎng)的經(jīng)濟、安全運行帶來了巨大的機遇與挑戰(zhàn)。V2G作為分布式儲能參與電網(wǎng)調(diào)度，引導(dǎo)其有序充放電，可以提供輔助服務(wù)[20]、平穩(wěn)負荷[21]，促進可再生能源吸納[22]。充放電調(diào)度控制策略是發(fā)揮V2G效益實現(xiàn)的基礎(chǔ)和先決條件；采用人工智能技術(shù)對V2G實施合理調(diào)度，可以減少負荷對電力系統(tǒng)造成的負面影響，發(fā)揮V2G充放電控制的移動儲能效益[20]。

近年來，中低壓配電網(wǎng)中采用人工智能技術(shù)的V2G實時調(diào)度策略受到了廣泛關(guān)注。在實時調(diào)度的研究中，文獻[23]采用分布式人工智能算法中的交替方向乘子法制定了大規(guī)模EV的實時調(diào)度策略。文獻[24]實現(xiàn)了EV儲能與樓宇風(fēng)電的實時統(tǒng)籌優(yōu)化調(diào)度，但策略沒有研究風(fēng)力的時間波動性；文獻[25-26]利用集群電動汽車平抑新能源波動，但實時調(diào)度的滾動優(yōu)化造成了計算資源的消耗與浪費。Yao等人[27]開發(fā)了一種基于二進制編程的策略，以協(xié)調(diào)充電站中的多輛電動汽車充電，以響應(yīng)電網(wǎng)公司的實時限電請求。Binetti等人[28]提出了協(xié)調(diào)電動充電問題的策略，其中考慮了插入和關(guān)閉頻率；然后，設(shè)計了一種實時貪心算法，分布式求解該問題。Liao等人[29]采用隨機動態(tài)規(guī)劃方法，使運營商的利潤最大化，以便實時調(diào)度配備光伏板的電動汽車充電站。Huang等人[30]提出了電動汽車調(diào)度問題的馬爾可夫決策過程公式，同時考慮了風(fēng)能出力的不確定性和動態(tài)性。上述方法將電動汽車儲能調(diào)度問題描述為基于模型的控制問題。這些基于模型的人工智能方法對電動汽車的分布式儲能調(diào)度問題具有良好的效果。

最近，人工智能中不需要任何系統(tǒng)模型信息的無模型方法在復(fù)雜決策應(yīng)用中取得了巨大成功[31]。這一成功啟發(fā)了智能電網(wǎng)應(yīng)用的無模型方法的發(fā)展[31-33]。與人工智能算法中的基于模型方法相比，無模型人工智能方法的優(yōu)勢在于，它可以基于強化學(xué)習(xí)學(xué)習(xí)良好的控制策略，并且不依賴于系統(tǒng)的先驗知識[34]。例如，Wen等人[31]使用Q表對電價和收費行為進行離散化，從而估算該函數(shù)。這種方法的局限性在于它只能處理少量的狀態(tài)和操作。為了克服Q表的缺點，采用線性基函數(shù)的組合來近似其中的作用值函數(shù)。然而，線性逼近器無法處理現(xiàn)實分時電價和通勤行為中的非線性[32]。除此線性近似器外，Chis等人[33]還應(yīng)用非線性核平均回歸算子來擬合作用值函數(shù)。這種方法的缺點是核函數(shù)及其參數(shù)的確定對其性能有很大影響。總之，上述人工智能方法的有限近似能力阻礙了它們在現(xiàn)實場景中的實現(xiàn)。人工智能算法中的神經(jīng)網(wǎng)絡(luò)具有通用逼近器的潛力，并已廣泛用于強化學(xué)習(xí)[35-37]。

近年來，人工智能中的深度神經(jīng)網(wǎng)絡(luò)在從高維數(shù)據(jù)學(xué)習(xí)復(fù)雜映射方面取得了令人鼓舞的成果。通過利用深度神經(jīng)網(wǎng)絡(luò)，DRL在復(fù)雜的決策應(yīng)用中取得了顯著的成就。例如，深度Q網(wǎng)絡(luò)已經(jīng)達到了與Atari 2600中的專業(yè)人員相當?shù)乃絒38]。EV優(yōu)化調(diào)度的本質(zhì)是對分布式儲能進行充放電狀態(tài)的最優(yōu)時空調(diào)度，而DRL適用于在復(fù)雜場景下做出最優(yōu)決策[39]，有限制反饋中實現(xiàn)序列決策問題的優(yōu)化[40]。文獻[41]開展了新能源場景下基于DRL優(yōu)化EV充電控制研究，但對EV的儲能和時空特性并未進行研究。文獻[42]提出了考慮用戶個人特性和動態(tài)電價的DRL實時調(diào)度方法，但所提策略僅靠獎懲函數(shù)反映車主需求，不能保證策略滿足用電需求。

人工智能算法中的多智能體強化學(xué)習(xí)(multiagent deep reinforcement learning，MADRL)遵循隨機博弈過程，經(jīng)過數(shù)年的發(fā)展創(chuàng)新，MADRL誕生了眾多算法、規(guī)則、框架，并已廣泛應(yīng)用于各類現(xiàn)實領(lǐng)域。文獻[43-44]制定單臺EV最優(yōu)策略與整體EV最優(yōu)MADRL策略后，根據(jù)優(yōu)化結(jié)果的權(quán)重，在局部最優(yōu)與整體最優(yōu)二者間選擇最終決策，影響策略的具體應(yīng)用。文獻[45]基于MADRL的多層電價響應(yīng)機制對不同層級上復(fù)雜的源、網(wǎng)、荷結(jié)構(gòu)進行協(xié)調(diào)，充分發(fā)揮高比例可再生能源和EV分布式儲能的潛力。

3 人工智能在微電網(wǎng)儲能中的應(yīng)用

典型微電網(wǎng)通常包含分布式電源、儲能裝置、負荷、能量轉(zhuǎn)換器，以及監(jiān)控、保護裝置和控制器等[46]。其中，各種類型的分布式電源和電力電子設(shè)備會給微電網(wǎng)帶來功率波動和低慣性問題，合理配置儲能系統(tǒng)，是提升微電網(wǎng)穩(wěn)定性和可靠性的重要手段。此外，儲能裝置還能提高微電網(wǎng)和微電網(wǎng)群的運行經(jīng)濟性。人工智能在含儲能的微電網(wǎng)中主要用于規(guī)劃和調(diào)度環(huán)節(jié)。在規(guī)劃環(huán)節(jié)，人工智能可以優(yōu)化儲能配置，制定合理選型方案，進而提高系統(tǒng)慣性和電能質(zhì)量，降低建設(shè)成本；在調(diào)度環(huán)節(jié)，人工智能可以提供儲能和其他電源的協(xié)調(diào)控制策略，進而實現(xiàn)削峰填谷，改善電壓/功率分布，降低運行成本。

儲能合理配置主要涉及儲能的類型、容量、數(shù)量、位置和充放電規(guī)則等變量，屬于混合整數(shù)優(yōu)化問題。文獻[47]提出模糊邏輯算法對儲能容量、數(shù)量和充放電時間進行優(yōu)化，有效降低了微電網(wǎng)的投資和運行成本。然而，對于多變量和多目標優(yōu)化，模糊邏輯算法的維數(shù)災(zāi)問題仍有待解決。文獻[48]采用多層感知器對儲能的容量和位置進行優(yōu)化，能夠改善系統(tǒng)的電壓/功率分布，降低微電網(wǎng)的總成本。文獻[49]應(yīng)用輕量級神經(jīng)網(wǎng)絡(luò)和Q學(xué)習(xí)方法對儲能電池健康狀態(tài)(state of health，SOH)進行定量評估，在此基礎(chǔ)上優(yōu)化儲能容量和充放電規(guī)則，兼顧了微電網(wǎng)的經(jīng)濟性和電池壽命，提高了微電網(wǎng)的運行性能，但是沒有考慮新能源和負荷變動的影響。此外，相關(guān)學(xué)者已嘗試使用各種啟發(fā)式智能算法，如粒子群算法、和聲搜索、人工蜂群等[50]，來獲取儲能配置問題的優(yōu)化解。啟發(fā)式智能算法不依賴模型內(nèi)部機理，適用儲能類型廣，但無法保證優(yōu)化解的質(zhì)量和求解穩(wěn)定性。

微電網(wǎng)中儲能的協(xié)調(diào)控制和能量管理屬于典型的時序控制，學(xué)者們通常采用經(jīng)典優(yōu)化方法、基于規(guī)劃的方法和啟發(fā)式算法進行控制，但是當實際場景較為復(fù)雜，難以用明確數(shù)學(xué)模型描述，且數(shù)據(jù)量巨大時，這些算法將很難適用。近年來興起的深度強化學(xué)習(xí)算法則為處理復(fù)雜微網(wǎng)控制提供了新的思路。經(jīng)典強化學(xué)習(xí)方法之一的深度Q學(xué)習(xí)(deep Q-learning network，DQN)已被用于微電網(wǎng)儲能協(xié)調(diào)控制的分析中，例如：文獻[51]應(yīng)用DQN實現(xiàn)微電網(wǎng)儲能調(diào)度策略，同時還使用深度卷積神經(jīng)網(wǎng)絡(luò)提取微電網(wǎng)調(diào)度時間序列信息特征，使微電網(wǎng)獲得最大運行收益；文獻[52]針對含有多種異質(zhì)類型電池的微電網(wǎng)場景，采用DQN控制不同電池系統(tǒng)的充放電周期，提高了微電網(wǎng)運行效率，但對于大量特性截然不同的電池，該方法需要額外的計算時間；文獻[53]提出了一種改進DQN模型指導(dǎo)微電網(wǎng)儲能的動態(tài)調(diào)度，使用蒙特卡洛樹搜索來估計DQN期望的最大動作值，并在DQN中內(nèi)嵌了一些調(diào)度規(guī)則指導(dǎo)訓(xùn)練；文獻[54]采用DQN制定微電網(wǎng)儲能系統(tǒng)在并網(wǎng)和孤島模式下的最優(yōu)運行策略，并網(wǎng)模式下，目標是利潤最大化，孤島模式下，使整個系統(tǒng)的減載量最小。DQN本身存在顯著高估(overestimation)問題[55]，文獻[14,46,56]引入雙層深度Q網(wǎng)絡(luò)(double deep Q-learning network，DDQN)方法，緩解了訓(xùn)練過程中的高估問題。其中，文獻[46]考慮了蓄電池(短期儲能)和儲氫設(shè)備(長期儲能)的時序安排方案，對于不同時刻、天氣、季節(jié)的場景均能有效處理，但沒有考慮并網(wǎng)的情況、電價以及規(guī)劃的部分；文獻[14]以儲能的實時充放電功率為控制變量，訓(xùn)練得到儲能控制的優(yōu)化策略，驗證了所提方法在優(yōu)化購電費用上的有效性；文獻[56]提出儲能分布式運行策略，考慮了功率的不確定性，在并網(wǎng)和孤島場景的微電網(wǎng)中均具有良好的穩(wěn)定性和經(jīng)濟性。針對高估問題，還有學(xué)者使用TD3(twin delayed deep deterministic policy gradient)強化學(xué)習(xí)進行光儲充電站儲能系統(tǒng)全壽命周期優(yōu)化運行[57]，制定基于移動儲能車的協(xié)調(diào)微網(wǎng)系統(tǒng)調(diào)度和微網(wǎng)資源調(diào)度的綜合業(yè)務(wù)恢復(fù)策略[58]。

除了強化學(xué)習(xí)，已有工作表明，還有多種人工智能方法適用于微電網(wǎng)儲能調(diào)控。文獻[59]提出結(jié)合注意力機制的模糊邏輯算法，能夠快速、準確平抑母線功率波動的同時保護儲能系統(tǒng)，提高微電網(wǎng)的經(jīng)濟性和可靠性。文獻[60]則提出基于深度置信網(wǎng)絡(luò)的含儲能微電網(wǎng)電能質(zhì)量評估方法。針對利用儲能實現(xiàn)微電網(wǎng)削峰填谷問題，文獻[61]引入基于決策樹的峰值負載管理算法，在不同負載的孤島微電網(wǎng)場景下，均有穩(wěn)健的性能表現(xiàn)，但沒有考慮儲能系統(tǒng)最佳規(guī)模的配置。文獻[62]提出采用雙層多智能體算法實現(xiàn)含儲能的微電網(wǎng)能量管理，在底層，智能體決定單個微電網(wǎng)實體(如儲能、備用發(fā)電機和負載)的最優(yōu)運行策略；在上層，利用中央微電網(wǎng)協(xié)調(diào)器協(xié)調(diào)多個智能體，進而使整個微電網(wǎng)能夠匹配電網(wǎng)運營商要求的減載。文獻[63]采用含卷積層的長短時記憶網(wǎng)絡(luò)進行孤島微電網(wǎng)的光伏和儲能的分布式協(xié)調(diào)控制，結(jié)果表明，相對于傳統(tǒng)集中式控制，該算法可以有效降低通信成本，保護用戶信息隱私。針對風(fēng)電微電網(wǎng)中的電池能量管理系統(tǒng)，文獻[64]提出多層多核極限學(xué)習(xí)機自編碼器算法，提升了蓄電池壽命，且滿足本地負荷需求和電網(wǎng)調(diào)度，同時確保在風(fēng)力發(fā)電差異下電池堆性能得到優(yōu)化。

4 人工智能在智能樓宇儲能中的應(yīng)用

相對于傳統(tǒng)大容量集中式發(fā)電，分布式新能源和儲能技術(shù)更靠近用戶側(cè)，伴隨著數(shù)字化家居的不斷發(fā)展，智能樓宇(社區(qū))用電結(jié)構(gòu)促進了能源局域網(wǎng)的用戶側(cè)主動需求響應(yīng)。近年來，家庭能量管理系統(tǒng)(home energy management system，HEMS)、樓宇能源局域網(wǎng)(building energy local network，BELN)[65]以 及 云 儲 能(cloud energy storage，CES)[66]等相關(guān)新興概念受到學(xué)者高度關(guān)注。分布式儲能技術(shù)提供了能量雙向流動條件，新能源發(fā)電低谷時儲能可以填補電能缺額，新能源發(fā)電高峰時段，儲能多余的電能可以通過與大電網(wǎng)互聯(lián)，將電能輸送給大電網(wǎng)，使樓宇能量形成小型局域網(wǎng)，獨立儲能裝置能提升局域網(wǎng)的運行穩(wěn)定性。

對于智能樓宇場景中的配套儲能，人工智能主要用于解決對應(yīng)的主動需要響應(yīng)、協(xié)同調(diào)度控制和合理配置等問題。我國電力市場改革通過合理的價格機制引導(dǎo)用戶通過儲能和可調(diào)節(jié)負荷，主動參與需求側(cè)響應(yīng)，緩解了電網(wǎng)的供需壓力。文獻[67]基于分時電價的儲能電池需求響應(yīng)，采用BP神經(jīng)網(wǎng)絡(luò)和粒子群算法配置光儲容量，構(gòu)建了以用戶用電成本最小化為目標的儲能運行策略和容量配置的協(xié)同優(yōu)化模型。智能樓宇微網(wǎng)系統(tǒng)存在的非線性、時變、分布式發(fā)電不確定性等特點導(dǎo)致傳統(tǒng)數(shù)學(xué)建模方法難以全面反映系統(tǒng)復(fù)雜的運行狀態(tài)，文獻[65]提出了一種基于啟發(fā)式動態(tài)規(guī)劃算法用于儲能系統(tǒng)調(diào)度，建立數(shù)據(jù)驅(qū)動的智能樓宇儲能模型，結(jié)果表明，該算法能夠節(jié)約用電成本、避免蓄電池深度充放電，具有良好的經(jīng)濟收益。文獻[68]提出一種能夠應(yīng)對復(fù)雜環(huán)境的基于深度強化學(xué)習(xí)的家庭能量管理分層優(yōu)化策略，通過調(diào)節(jié)儲能系統(tǒng)的充放電功率，解決因滿足用戶用電需求和減少電費所造成負荷集中至低電價時段導(dǎo)致的功率越限。云儲能是用戶側(cè)儲能領(lǐng)域的共享經(jīng)濟儲能商業(yè)模式，不再由用戶自建儲能，而是由云儲能提供商投資建設(shè)實體儲能和云平臺，需要進行統(tǒng)一調(diào)度和控制。文獻[69]提出了一種基于門控循環(huán)單元多步預(yù)測技術(shù)的云儲能充放電策略形成方法，并在此基礎(chǔ)上建立了云儲能充放電決策滾動優(yōu)化模型。文獻[65]以含有光伏和儲能裝置的樓宇為對象，采用改進離散二進制粒子群優(yōu)化算法優(yōu)化了可調(diào)度負荷的工作時間。文獻[70]將樓宇中的空調(diào)聚合成一個虛擬儲能系統(tǒng)，設(shè)計了人工神經(jīng)網(wǎng)絡(luò)模型來預(yù)測虛擬儲能系統(tǒng)的能量容量，在不影響住戶舒適度的情況下，達到預(yù)期的經(jīng)濟性運行。針對電力互聯(lián)的住宅建筑集群中共享屋頂光伏發(fā)電和儲能系統(tǒng)，文獻[71]采用長短時記憶網(wǎng)絡(luò)和Q學(xué)習(xí)，提供了優(yōu)化的電價制定方法。智能樓宇的儲能系統(tǒng)合理配置是優(yōu)化調(diào)度控制的重要前提之一，相關(guān)人工智能算法，如差分進化-粒子群BP神經(jīng)網(wǎng)絡(luò)[72]、人工蜂群算法[73]、遺傳算法和CPLEX聯(lián)合算法[74]和模糊控制算法[75]等，已成功應(yīng)用于儲能系統(tǒng)合理配置，提高了儲能的使用壽命，改善了系統(tǒng)的動態(tài)響應(yīng)特性。除電能存儲外，熱水箱和暖通空調(diào)系統(tǒng)等儲熱系統(tǒng)也是智能樓宇中常見的儲能形式。已有多種人工智能算法分別應(yīng)用于儲熱系統(tǒng)的建模[76]、配置[77]和控制[78]，對應(yīng)的數(shù)據(jù)驅(qū)動模型為傳統(tǒng)耗時的熱力學(xué)數(shù)值仿真提供了替代方案，避免了復(fù)雜的物理建模過程，相關(guān)控制方法提高了數(shù)據(jù)利用率，對不確定性場景具有較強的魯棒性。

5 結(jié)論

人工智能技術(shù)的突破發(fā)展對電力系統(tǒng)分布式儲能環(huán)節(jié)的發(fā)展形式、運行方式和運行模式帶來了變革性的影響，也成為目前電力系統(tǒng)的前瞻性研究方向之一。未來人工智能在分布式儲能中的應(yīng)用前景和研究方向，還有廣闊的探索空間：

1）模型可解釋性是人工智能在電力領(lǐng)域所面臨的共性難點之一，數(shù)據(jù)驅(qū)動的人工智能方法把研究對象視為“黑箱”系統(tǒng)，而實際工業(yè)行業(yè)對方法可靠性的要求需要明確模型內(nèi)部機制。研發(fā)內(nèi)嵌物理知識和專家經(jīng)驗的人工智能以及數(shù)據(jù)-模型融合方法，有望進一步增強人工智能在分布式儲能應(yīng)用中的模型可解釋性。

2）開發(fā)合理配套的算力、數(shù)據(jù)存儲和通信解決方案是將人工智能用于分布式儲能的重要前提。分布式儲能一般處于中低壓配電網(wǎng)和微電網(wǎng)中，統(tǒng)籌協(xié)調(diào)利用系統(tǒng)內(nèi)和用戶側(cè)分散的算力和存儲空間，發(fā)展云計算、邊緣計算、先進傳感器技術(shù)以及分布式智能算法，能加快推動人工智能在分布式儲能中的應(yīng)用落地。

3）分布式儲能類型和形式多樣，但功能性多有交集。研究用于分布式儲能的通用型人工智能方法和遷移學(xué)習(xí)架構(gòu)，能夠更好地解決多元異構(gòu)分布式儲能的協(xié)同優(yōu)化和控制問題。