高比例风电与光伏（PV）并网电力系统的经济调度（ED）与需求侧管理（DSM）：方法分类、性能证据与未来议程（2018—2024）

《Sustainability》：Market Organization, Producer Prices, and Fossil-Fuel Consumption in an Offshore Fishery: Evidence from Vietnamese Skipjack Tuna Gillnet Vessels

　　

本系统综述考察含风电与光伏（PV）发电的电力系统中经济调度（ED）和需求侧管理（DSM）的进展。研究人员通过检索Scopus和Web of Science核心合集，识别了2018—2024年发表的同行评议期刊论文。由于风电和PV发电的波动性及其预测不确定性给功率平衡和运行调度带来挑战，本综述聚焦于风电和PV发电。ED协调发电侧资源以降低运行成本和排放，而DSM调整电力需求的时间与幅度以提供互补灵活性。因此，本综述对传统优化方法和人工智能（AI）方法进行分类，评估其已报道的性能和实际局限性，并识别在可再生能源电力系统中协调发电侧调度与需求侧灵活性的研究方向。

1 Introduction（引言）：全球碳减排、联合国可持续发展目标（SDGs）及风电和PV并网使电力系统运行面临成本、排放与灵活性压力。ED用于发电侧资源优化配置，DSM通过峰谷调节、负荷转移等提供需求侧灵活性。既有综述多聚焦单一算法、单一可再生能源或特定DSM应用，缺乏连接可再生能源不确定性、预测、发电侧ED与需求侧灵活性的统一框架。本综述据此构建整合证据框架，提出两个研究问题（SQ1、SQ2），基于89篇筛选文献评估从预测与不确定性表征到调度决策及可持续性结果的完整方法链。

2 Materials and Methods（材料与方法）：采用系统综述与定量、定性分析结合的方法，遵循材料选择、信息过滤、描述分析和信息评价四阶段流程，并结合PRISMA（系统综述和荟萃分析优先报告条目）与PICOS（人群、干预、比较、结果、研究设计）框架。2.1 Material Selection（材料选择）：从Scopus和Web of Science Core Collection检索，使用VOSviewer等工具开展作者、机构与关键词聚类分析，未设置期刊白名单或影响因子阈值。2.2 Information Filtering（信息过滤）：纳入2018—2024年同行评议英文期刊论文，围绕人工智能与智能优化、风电和PV系统、ED或DSM构建检索式，排除会议论文、预印本及非直接相关研究。2.3 Descriptive Analysis（描述分析）：分析年度发文、作者合作网络、地理分布、关键词和引用关系。2.4 Information Evaluation（信息评价）：采用Cohen's kappa评估筛选一致性，按六项标准进行0—5分加权质量评价；设置六机组ED算例，基于IEEE 30节点系统常用机组数据，但并非完整网络约束最优潮流，使用MATLAB R2021a，随机种子为1，种群规模30、最大迭代200；将方法分为七类并评估选择偏倚与证据库偏倚。初检200 183条记录，经筛选最终纳入89篇。

3 Bibliometric Data Analysis（文献计量分析）：3.1 Basic Descriptive Analysis（基础描述分析）：2018—2024年ED和DSM发文量持续增长，检索记录覆盖IEEE Transactions系列、Applied Energy、Energy等能源与电力系统期刊，最终89篇涵盖DSM、风电ED、PV ED及混合多能系统。3.2 Thematic Findings（主题发现）：将方法归纳为经典解析与确定性优化、数学规划、元启发式、鲁棒与不确定性感知优化、机器学习（ML）与深度学习（DL）、强化学习（RL）及混合方法七类。3.3 Clustering Analysis（聚类分析）：国家与作者合作网络显示中国引用量最高，关键词网络中“optimization”“algorithm”“power system”等较突出，而“wind”“PV”网络显著性相对较低，表明方法研究强于可再生系统应用整合。3.4 DSM for Wind and PV Integration（风电与PV集成中的DSM）：DSM包括价格型和激励型需求响应，聚合商、电动汽车（EV）与车辆到电网（V2G）可提供灵活性；RL、深度Q网络（DQN）、近端策略优化（PPO）、多智能体RL和安全RL推动自适应DSM，Transformer与图神经网络（GNN）用于基线和负荷预测。3.5 Mathematical Formulation of Modern ED Problem（现代ED问题的数学表述）：现代ED为多时段决策问题，目标可联合发电成本、碳成本、弃风弃光惩罚和DSM调整成本；约束包括功率平衡、机组出力与爬坡、可再生可用出力上限、DC潮流及线路容量；凸二次规划在特定条件下适用，阀点效应、禁止运行区、机组组合和AC潮流等引入非凸性。

4 Economic Dispatch of Wind Power Generation（风电发电的经济调度）：风电ED依据预测风电可用性制定发电侧计划，DSM吸收波动并降低平衡需求。4.1 Classical Optimization and Mathematical Programming Methods（经典优化与数学规划方法）：Lagrange乘子、lambda迭代、线性规划（LP）和动态规划（DP）结构透明、计算负担较低，但依赖凸性、可微性和准确预测。4.2 Metaheuristic Optimization Methods（元启发式优化方法）：粒子群优化（PSO）、模拟退火（SA）、非洲秃鹫优化算法（AVOA）和鲸鱼优化算法（WOA）可处理非凸、不连续和多目标调度，但收敛随机且参数敏感。4.3 Machine-Learning and Deep-Learning Methods（ML与DL方法）：人工神经网络（ANN）、循环神经网络（RNN）、长短期记忆（LSTM）、GNN和Transformer主要用于风电预测、特征提取和代理建模，依赖数据质量且可解释性有限。4.4 Reinforcement-Learning Methods（RL方法）：将风电ED表述为马尔可夫决策过程，Q学习、DQN和深度强化学习（DRL）可学习序贯调度策略，离线训练成本高且需保证约束可行性。4.5 Robust and Hybrid Approaches（鲁棒与混合方法）：随机规划、鲁棒优化、模糊方法和预测—优化混合框架用于处理风电预测误差和市场不确定性，但保守性与计算成本需权衡。4.6 Comparative Synthesis of Wind-Integrated ED Methods（风电集成ED方法的比较综合）：无单一方法全面占优；数学规划适合结构化约束密集问题，元启发式适合非凸问题，ML适合预测，RL适合序贯决策，鲁棒与混合方法强化不确定性管理，实时适用性需以平台相关延迟、可行性率和样本外稳健性证明。

5 Economic Dispatch of PV Power Generation（PV发电的经济调度）：PV出力受日照、天气和季节影响，具有间歇性，ED需协调发电、储能与备用，DSM可将柔性需求移至光伏高发时段。5.1 Classical Optimization and Mathematical Programming Methods（经典优化与数学规划方法）：Lagrange乘子、LP、混合整数线性规划（MILP）和DP为PV—储能调度提供透明基准，但高维不确定性、非线性和离散决策增加求解难度。5.2 Metaheuristic Optimization Methods（元启发式优化方法）：遗传算法（GA）、萤火虫算法（FA）、教与学优化算法（TLBOA）和蝙蝠算法（BA）用于PV经济排放调度和多目标发电分配，需参数调优与可行性校验。5.3 Machine-Learning and Deep-Learning Methods（ML与DL方法）：ANN、RNN、LSTM、分解预测、模糊信息粒化、分位数回归、GNN和Transformer用于PV出力、负荷和不确定性预测，提升调度输入信息但不等同于调度决策。5.4 Reinforcement-Learning Methods（RL方法）：Q学习、DQN和DRL用于PV—电池系统、虚拟电厂（VPP）及预测—调度集成，可在训练后快速生成决策，但依赖仿真环境保真度和安全约束。5.5 Robust and Hybrid Approaches（鲁棒与混合方法）：概率、模糊、机会约束、混合元启发式和预测—优化框架表征辐照度与预测误差，需评估成本、排放、弃光、备用充裕性和极端天气表现。5.6 Comparative Synthesis of PV-Integrated ED Methods（PV集成ED方法的比较综合）：PV调度应理解为预测、不确定性表征、决策和可行性检查的链式任务；数学规划适合显式约束，元启发式适合非凸搜索，RL适合重复日内和实时决策，评价应区分训练与在线计算。5.7 Comparative Synthesis of Wind and PV Studies（风电与PV研究的比较综合）：跨研究比较表明优化策略受发电类型和约束复杂度影响；目标由单目标成本转向多目标；不确定性表征由确定性向随机、鲁棒、模糊和学习型演进；AI方法在不确定性处理、收敛质量和灵活性方面常具优势，但计算开销更大。

6 Discussion and Future Direction（讨论与未来方向）：6.1 Sustainability Implications of AI-Based ED（AI驱动ED的可持续性含义）：AI优化可带来至少约3%燃料成本下降，多目标ED可降低5—15%的CO₂排放，改进预测可减少弃风弃光，RL型DSM可使消费者电费下降4—10%，尤其在EV/V2G和住宅暖通空调（HVAC）场景。6.2 Future Direction（未来方向）：现有研究存在预测目标与调度后果脱节、发电侧调度与需求侧灵活性多时间尺度整合不足、学习型调度缺乏显式可行性安全稳定性保证、跨网络拓扑与资源条件和市场结构可迁移性不足等理论缺口；未来应发展决策导向预测、多阶段滚动框架、风电与PV相关不确定性联合表征、约束安全且可扩展可迁移的AI调度方法，以及连接经济、环境与需求侧灵活性的综合估值框架。

7 Conclusions（结论）：本综述基于89篇筛选文献构建整合证据框架，连接风电或PV预测、发电侧ED与需求侧灵活性，归纳传统优化与AI方法的运行约束、计算需求和可持续性结果。研究表明AI驱动ED可通过降低成本、减少CO₂排放、降低弃风和消费者支出等路径促进可持续目标；经典方法适合凸或小规模问题，AI方法适应复杂搜索空间但依赖数据和算力，混合策略具有潜力。综述同时存在选择偏倚和证据报告偏倚，受英文数据库和期刊论文限制，未来应扩展数据库与语言覆盖，并标准化数据集、测试系统、硬件、停止准则、可行性率和样本外性能报告。