《European Journal of Operational Research》：Optimization under uncertainty for energy infrastructure planning: A synthesis of methods, tools, and open challenges
编辑推荐：
在不确定性下，随机混合整数模型（stochastic mixed-integer models）在容量扩展（capacity expansion）中占主导。较高时间分辨率常伴随较低空间粒度。多能载体系统（multi-vector systems）、尾部风险（t
在不确定性下，随机混合整数模型（stochastic mixed-integer models）在容量扩展（capacity expansion）中占主导。较高时间分辨率常伴随较低空间粒度。多能载体系统（multi-vector systems）、尾部风险（tail risks）和长期不确定性仍研究不足。输电规划（transmission planning）很少整合政策与可靠性考量。机器学习（machine learning, ML）可支撑可扩展、高保真的不确定性建模（uncertainty modeling）。
能源转型要求对电力、天然气、氢等基础设施进行长期扩容与协调规划，而容量扩展模型（capacity expansion models, CEMs；用于确定主要基础设施资产投资时序、地点和规模的优化模型）是评估投资路径的核心工具。传统CEMs常采用确定性表述并以点估计替代不确定参数，原因包括概率信息不足、较准确预测值可接受以及计算可处理性。随着可变可再生能源（variable renewable energy, VRE）渗透、终端电气化和多能载体耦合加深，确定性规划局限被放大；既有综述又较少把基础设施类型、不确定性处理、建模保真度与实际实施放在一起考察。因此，研究人员开展本综述以综合不同不确定性来源与时间尺度在不同建模范式中的表达，并将其与建模保真度、求解方法和开源工具实现相联系。
研究人员系统梳理2015年以来能源基础设施规划与不确定性优化交叉文献，重点覆盖随机规划（stochastic programming, SP；以情景优化期望成本）、鲁棒优化（robust optimization, RO；在不确定集内防护最坏情形）和分布鲁棒优化（distributionally robust optimization, DRO；在模糊集内优化最坏分布），涵盖发电扩展问题（generation expansion problem, GEP）、输电扩展问题（transmission expansion problem, TEP）和发电与输电联合扩展问题（generation and transmission expansion problem, GTEP），并比较代表性开源CEM工具。结论是：随机混合整数模型在不确定性下容量扩展中占主导，小时分辨率常与分解算法和混合整数线性规划（mixed-integer linear programming, MILP）共现；时空分辨率存在反向关系；多能载体、尾部风险、长期不确定性和输电规划中的政策/可靠性整合仍不足；机器学习（ML）可作为可扩展高保真不确定性建模的使能层。其意义在于为研究者提供综合参考，并为可扩展、风险感知和多部门决策提供路线图。
关键技术方法（不超过250字）：研究人员主要采用系统文献综述与分类法：在主要书目数据库以发电/输电扩展、SP、RO、DRO等关键词组合检索，重点纳入2015年以来运筹学、电力与能源系统领域同行评议期刊论文，并按模型范式、不确定参数、求解方法、时空粒度与关键建模特征归纳；采用条件共现分析识别主导组合与薄弱交叉；利用 Open Energy Transition Tool Tracker 并按公开文档、2025年5月仍维护、GitHub互动、下载量和不依赖专有软件等标准筛选开源CEM工具进行比较。未涉及样本队列。
研究结果：
4.1 电力发电扩展问题：通过对GEP文献归类，发现SP长期占主导，2020年后DRO采用增多；不确定参数多集中于电力需求和风电，太阳能、价格和技术成本不确定性较少；研究以条件风险价值（conditional value-at-risk, CVaR）等风险约束、政策约束和可靠性约束刻画风险与政策影响。
4.2 电力输电扩展问题：早期TEP研究多用两阶段RO，近期更多采用DRO和SP；最常见不确定变量为需求、VRE发电和装机容量；少数研究纳入组件故障概率、峰值需求、可变运维成本和野火点火风险，说明输电规划对可靠性与极端事件的处理仍有限。
4.3 电力发电与输电扩展问题：GTEP文献覆盖SP、RO和DRO；SP多用于水文气候路径、需求与成本轨迹、飓风和组件故障等事件情景；RO多用于需求、VRE和净负荷爬坡；DRO近年以矩信息和Wasserstein距离模糊集处理长期/短期不确定性。研究通过Benders分解（Benders decomposition, BD）、割平面与列生成（cut-and-column generation, CCG）、逐步对冲算法（progressive hedging algorithm, PHA）、随机对偶动态规划（stochastic dual dynamic programming, SDDP）等处理大规模实例。
4.4 其他能源基础设施扩展模型：多能载体扩展文献稀疏；电力-天然气联合GTEP多采用SP或RO，部分考虑极端事件、数据隐私、DRO和氢需求；独立天然气与氢基础设施研究更少，氢生产、储存、运输及多能载体耦合开始被纳入。
4.5 开源容量扩展建模工具：研究人员通过工具跟踪库筛选并比较活跃开源CEM，发现多数工具支持完美预见（perfect foresight）和情景枚举，部分支持两阶段SP和代表性时段聚合；对多阶段SP、RO及多能载体支持有限；支持某类公式并不保证大规模实例可解。
5 挑战与研究空白：通过主题综述和共现分析，研究人员从建模保真度、不确定性表征、求解方法、验证与决策影响四方面识别缺口：多能载体、GTEP协调、其他基础设施耦合、时空分辨率、市场结构与策略互动、政策监管、建设与并网延迟、储能、能源运输、火电机组运行、备用和需求侧措施；离散情景与不确定集选择、内生不确定性、尾部风险与连锁故障；分解算法、启发式、GPU加速和量子计算；决策价值、保真度阈值和情境边界验证。
6 机器学习的作用：通过综述ML在规划中的潜在应用，指出其可用于预测与分布漂移处理、对抗场景生成、学习代理高保真运行建模；但目前ML较少作为规划模型的结构组件，多用于输入预测或降维，生成场景仍需物理一致性与可信度验证。
讨论部分总结：主导模式是混合整数随机规划占主导，小时分辨率与分解方法和MILP强共现；时间分辨率提高常以空间粒度下降为代价；多能载体规划、尾部风险、长期不确定性、输电规划中的政策与可靠性整合仍属薄弱交叉；风险规避需与储能、机组组合（unit commitment, UC）等运行灵活性共同设计；ML可弥补不确定性组合、尾部风险、多能载体和计算瓶颈等弱环节。研究结论翻译：本文系统综述了不确定性下能源系统规划的最新进展并诊断了方法学和结构性研究缺口。方法学上，对应用于不同容量扩展类别的不确定性表征范式进行了统一综述，对跨时空与运行维度的建模保真度进行了比较评估，并分析了求解技术。结构上，进行了文献共现映射，识别了不确定性类型、运行特征和计算架构中的主导建模特征与研究不足交叉。通过结合主题综述与缺口分析，本文旨在为研究者提供综合参考，并为推进可扩展、风险感知和多部门能源基础设施规划决策提供路线图。
