综述：人工智能在混合可再生能源系统中的应用：技术、场景与挑战全景综述

《Energy Strategy Reviews》：Artificial intelligence applications in hybrid renewable energy system: A comprehensive review of techniques, applications, and challenges

　　

研究人员针对2010–2025年发表的270项相关研究展开系统梳理，构建了人工智能赋能混合可再生能源系统（HRES）的研究图谱。研究对比了遗传算法（GA）、粒子群优化（PSO）等元启发式算法，人工神经网络（ANN）、长短期记忆网络（LSTM）等机器学习方法，卷积神经网络（CNN）、Transformer等深度学习架构，以及深度Q网络（DQN）、近端策略优化（PPO）等强化学习技术在HRES容量配置、出力预测、运行控制与系统管理四大核心任务中的应用效能。实证数据显示，经优化的AI驱动方案可实现40%–80%的成本削减，部分预测模型的拟合优度R2值超过0.99。当前研究仍存在可扩展性不足、实时部署受限、大规模实地验证缺失等关键瓶颈。基于此，研究人员提出了涵盖可扩展AI模型开发、实时能量管理系统（EMS）构建、政策感知型系统设计三大方向的未来发展路线图，为HRES的智能化升级与全球脱碳目标实现提供学术支撑。

1. Introduction

全球人口预计2030年达85亿、2050年增至97亿、2080年代中期峰值接近103亿，能源供需矛盾与化石能源主导的供给结构（占比近80%）加剧了环境压力，推动可再生能源成为脱碳核心路径。2014–2024年全球能源消费从560 EJ增长至662 EJ，中国、美国、印度位列2024年一次能源消费前三。国际能源署（IEA）数据显示2023年能源相关CO₂排放达374亿吨，现有国家承诺难以满足《巴黎协定》温控目标。可再生能源固有的间歇性缺陷推动了多源混合可再生能源系统（HRES）的发展，但其设计、选型与运行面临随机资源波动、多时间尺度动态耦合、成本-排放-可靠性多目标冲突等技术挑战。传统优化方法存在早熟收敛、计算效率低、可扩展性差等局限，人工智能技术因其在不确定性建模与复杂决策支持中的优势成为破解上述难题的关键工具。2010–2025年HRES领域发文量呈指数级增长，2024年达316篇，新冠疫情期间仍保持上升态势，反映出该领域的战略重要性。现有综述多孤立关注预测、容量配置或控制单一环节，缺乏对AI技术与HRES全链条任务的系统性关联分析。本研究基于PRISMA框架筛选270项研究，整合文献计量与共现分析，构建了机器学习（ML）、深度学习（DL）、强化学习（RL）的统一分类体系，覆盖传统优化、现代智能优化及混合算法，为研究人员、系统设计师与政策制定者提供跨维度的决策参考。

2. Material and methods

2.1. Data collection

研究数据源自Web of Science、SCOPUS与ScienceDirect数据库，检索词按“AI方法论-应用场景-技术约束”三层逻辑组合，通过“AND”“OR”运算符精准定位HRES管理优化领域文献，排除单一光伏、风电技术及非能源领域AI应用研究，最终形成270篇核心文献数据集。

2.2. Keyword co-occurrence analysis

基于VOSviewer的关键词共现网络显示，“可再生能源”为核心枢纽，与电力、储能形成紧密集群；太阳能、风能作为最成熟技术，通过光伏电池、风力发电机等节点与混合系统优化研究深度关联；算法、机器学习、神经网络等计算方法贯穿资源评估与系统管理全流程；储能、氢能、能量转换技术支撑高比例可再生能源渗透；电池主导短时平衡，氢能成为长时储能与部门耦合的重要选项；可行性研究、案例分析与预测研究凸显研究的实践导向，形成技术-数字工具-系统方案深度融合的研究生态。

2.3. Commonly used open-source datasets for HRES

现有研究数据集分为三类：一是全球/区域风光资源数据库，以美国国家可再生能源实验室的NSRDB为代表，提供长序列小时级全球水平辐照度数据，支撑离网HRES长期性能评估；二是国家气象与负荷公开平台，如韩国气象厅数据与政府开放数据门户，为净计量场景下的ML预测与容量配置提供本地化数据基础；三是建筑、交通等特定场景数据集，如车辆能量数据集（VED）用于燃料电池混合动力系统的能量管理策略训练，城市开放数据平台的多年度负荷与气象序列支撑社区微电网的多智能体RL调度研究。

3. Literature review

3.1. Various combinations of renewable energy systems

HRES通过多源互补缓解单一能源间歇性缺陷，配置涵盖双可再生能源组合、可再生能源-储能系统（ESS）组合、多源可再生能源-ESS组合及高级多源混合系统。国际可再生能源署预测2030年ESS装机将增长42%–68%，中印引领市场。典型配置包括：

3.1.1. Photovoltaic (PV)-wind

光伏出力昼间峰值与风速夜间/季节性高值形成天然互补，分为并网与离网两类。优化算法是提升系统效率的核心，研究涵盖并网系统的电网支撑能力与离网系统的能量管理策略，需解决环境因素导致的电能质量波动问题。

3.1.2. PV-energy storage system (ESS)

储能系统平抑光伏发电的昼夜波动，提升供电可靠性。技术经济性分析聚焦于平准化度电成本（LCOE）与净现值（NPV）优化，在泰国等新兴市场及无电地区电气化项目中展现显著优势，电池寿命优化是提升经济性的关键方向。

3.1.3. Wind-ESS

储能系统存储高风速时段过剩电能，保障低风速期供电连续性。中国南澳岛128 MW风电-ESS项目验证了功率平衡能力，河北孤岛微电网多目标优化、青海99 MW风电场混合ESS（HESS）配置研究表明，电池-超级电容混合储能可显著提升运行效率与经济性。

3.1.4. PV-wind-ESS

风光储协同系统通过多时间尺度互补实现稳定出力，过剩电能存入ESS应对峰荷与出力短缺。粒子群-遗传混合算法（PSO-GA）、离散傅里叶变换（DFT）频率调节等技术已实现成本降低与可靠性提升，是当前高比例可再生能源系统的主流配置。

3.2. Artificial intelligence techniques

AI技术通过高精度预测、多目标优化与自适应控制破解HRES运行难题，其效益发挥依赖于金融发展、制度透明度、人力资本等支撑条件，早期AI扩散可能因能耗增加产生环境负面影响，成熟应用阶段则可显著提升能源效率。

3.2.1. Metaheuristic algorithms

元启发式算法适用于高维、非凸、非线性HRES优化问题。遗传算法（GA）模拟自然选择机制，在多目标容量配置中可同步优化生命周期成本与失电概率（LPSP）；粒子群优化（PSO）基于群体智能，在实时能量管理中收敛速度快于序列二次规划；模拟退火（SA）通过控制冷却过程避免局部最优，在分布式电源选址中全局搜索能力强于PSO；蚁群优化（ACO）及其连续域改进版本（ACOR）在整数规划问题中计算效率优于传统方法。混合算法如PSO与小波变异结合（HPSOWM）、GA与模型预测控制（MPC）双层优化（BMINLP）等，通过融合不同算法优势提升求解精度与收敛稳定性，在独立HRES的容量配置与运行调度中表现突出。

3.2.2. Machine learning

机器学习通过历史数据驱动预测与决策，长短期记忆网络（LSTM）可精准预测光伏发电功率，支撑EMS前瞻调整；知识-数据互补学习框架（KDCL）融合惩罚式竞价模型与动态误差量化方法，在日前市场中较传统鲁棒优化提升经济性；向量自回归（VAR）与神经网络结合的动态不确定性集，可降低鲁棒优化的保守性，实现16.4%成本削减与8.1%可靠性提升；贝叶斯优化堆叠深度学习模型在风光辐照度预测中，使度电成本降至4.65卢比/kWh，可再生能源渗透率达87.88%；卷积神经网络（CNN）可将电力系统可靠性评估时间缩短90%以上，准确率达97.5%；人工神经网络（ANN）在剩余使用寿命（RUL）预测中优于支持向量机（SVM）与高斯过程回归（GPR），优化运维调度。误差指标分析显示，集成模型如CatBoost、LightGBM的预测R²可达0.99以上，线性递归特征消除（RFECV）可将MSE降至1.04×10^-7。

3.2.3. Deep learning

深度学习在处理高维时序与非结构化数据中优势显著。LSTM网络通过捕捉时序依赖关系，在日前调度中实现23%能耗降低；双向LSTM（BiLSTM）结合注意力机制的优化模型（OABLSTM-ESS），在电价、风光出力预测中计算时间低至0.47分钟，RMSE为2.31；卷积-长短期记忆网络（CNN-LSTM）融合空间特征提取与时序建模能力，在用户负荷预测中RMSE达0.53，优于K近邻（KNN）的0.56；Transformer架构通过自注意力机制捕捉长程依赖，结合季节性自回归积分滑动平均模型（SARIMA）的混合模型（H-Transformer）在多元可再生能源预测中RMSE与MAE均低于LSTM、GRU等基准模型；生成对抗网络（GANs）可生成合成风光出力场景，缓解数据稀缺问题，支撑仿真规划与分布式能源交易优化。

3.2.4. Reinforcement learning

强化学习（RL）通过智能体与环境交互实现自适应决策，适用于连续动作空间的HRES控制。深度Q网络（DQN）在离散动作空间中优化能量调度，提升电网稳定性；近端策略优化（PPO）通过剪切目标函数限制策略更新幅度，在含海水淡化负荷的混合能源系统中降低14.17%运行成本，在工业氯碱过程中实现32.8%成本削减与28.5% CO₂减排；软演员-评论家（SAC）算法在多能源系统（电-热-气）调度中较DQN、深度确定性策略梯度（DDPG）降低21.66%运营成本；多智能体深度确定性策略梯度（MADDPG）通过边际贡献奖励机制，在微电网能源交易中提升盈利性，减少对外网依赖；深度强化学习结合量子启发遗传算法（DRL-QIGA）在最优潮流问题中降低燃料成本至620.45美元，电压偏差降至0.065；针对混合动作空间（连续充放电+离散启停）的分层多智能体深度强化学习（MADRL）框架，在离网建筑能源系统中提升60%运行效率，减少80%电池不安全运行时长。

4. Discussion

AI与HRES的融合历经三个阶段：2010–2015年以元启发式算法主导的容量配置研究为主；2016–2019年机器学习在预测与数据辅助管理中应用增多；2020年后深度学习与强化学习推动研究向实时自适应控制转型，混合AI模型（预测-优化-控制一体化）成为最新趋势。HRES配置从早期双源系统（PV-风电）向多源复合系统（PV-风电-储能-氢能-生物质）演进，漂浮式、半潜式等海上平台适应沿海区域地理约束。但当前研究存在显著“验证鸿沟”：49.6%研究仅基于仿真验证，31.5%采用基准数据集，硬件在环、试点测试与实地部署分别仅占7.9%、5.5%与2.4%。尽管部分研究报道R²超0.99、成本降低80%、CO₂减排70%的优异结果，但缺乏跨气候区验证与标准化性能基准。未来需重点关注边缘计算赋能的分布式智能、电-热-氢多能源系统集成、生成式AI的数据增强应用，同时强化公平性指标（能源负担、停电公平性、社区参与度）评估，完善可解释AI（XAI）以提升调度员信任度，建立适配物理约束的合成数据验证机制，推动AI-HRES从仿真走向实地部署。

5. Conclusion

本研究通过对270篇文献的系统分析，证实AI技术通过智能优化、高精度预测与自适应控制显著提升HRES的效率、经济性与可靠性。元启发式算法、机器学习、深度学习与强化学习的协同应用已实现40%–80%成本削减，部分预测模型R²突破0.99。但数据稀缺、实地验证不足、高计算负荷仍是主要瓶颈。未来研究需聚焦可扩展、低能耗、可解释的AI模型开发，融合政策与社会技术视角的跨学科研究，构建公平、韧性的可持续HRES，支撑全球脱碳目标实现。当前多数AI方案仍停留在仿真阶段，亟需开展大规模实地试点验证；同时需关注算法伦理与能源正义，确保技术红利普惠共享。