综述：微电网能源管理系统中决策方法综述

《Energies》：A Review of Decision-Making Approaches in Microgrid Energy Management Systems

　　

可再生能源在微电网系统中的日益整合推动了能源管理系统（EMS）设计的显著进步，然而所提出方法的多样性使得系统比较具有挑战性。本文对微电网EMS的决策方法进行了全面综述，按三个维度组织：基于架构、基于决策方法和基于应用场景的分类。综述覆盖了确定性数学规划；启发式和元启发式优化；随机和鲁棒优化；数据驱动智能和基于代理的方法，包括模糊逻辑、机器学习、强化学习和多智能体系统；以及模型预测控制及其变体。对于每个类别，研究人员分析了代表性研究在优化目标、不确定性处理、关键组件和控制架构方面的特点。结果表明，经典方法提供透明性和最优性保证，但在不确定性和非线性条件下受限，而基于人工智能和MPC的方法提供适应性和实时性能，但以更高的数据需求为代价。本比较分析旨在指导研究人员和从业者为微电网应用选择合适的EMS策略。

1. 引言
由于当前对使用可再生能源（RESs）的关注，混合系统集成到智能电网中的数量显著增加。这些来源减少温室气体排放，并消除传统的基于化石燃料的发电。作为一种实用选择，微电网可以永久连接主电网运行、与主电网隔离运行，或根据需要在这两种模式之间切换。结构上，微电网将互连的负载和RESs（包括分布式发电机（DGs）、储能系统（ESSs）和可控负载）组合在一起。根据所管理源的性质，它可以构建为直流（DC）、交流（AC）或混合系统，而其布局可以遵循放射状、环状或网状拓扑。近年来，微电网保护和可再生能源整合方面的进展进一步扩展了微电网系统的适用性。基于RES的微电网的优势不仅限于环境效益，还包括财务收益：它们有助于减少峰值负载、增强供电可靠性和改善电能质量。然而，RES发电的随机性和间歇性引入了可靠性和稳定性挑战。能源管理系统（EMS）是一种基于信息的控制系统，旨在管理生产、消耗、存储以及电池充放电，目标是在每日规划范围内最小化运营成本和相关排放。EMS协调预测、优化、数据分析和人机界面（HMI）等模块，并得到能源服务接口（ESI）和通信协议的支持。尽管有这些能力，EMS仍然面临来自RES发电、负载需求和电力市场条件不确定性的重大挑战，使得微电网之间具有成本效益和可靠的协调变得困难。能源管理是公用事业、工业、商业和住宅领域的关键课题。最近的综述从互补的角度讨论了EMS，包括广泛的EMS综述、以优化为中心的综述和以智能控制为中心的综述。虽然这些贡献提供了有价值的基础，但缺乏专门针对决策方法（涵盖经典优化、启发式方法、随机规划、人工智能、多智能体系统和模型预测控制）及其与EMS架构和应用场景关系进行系统综述的文献。本综述通过分析决策方法的选择如何影响不同微电网配置和运行条件下的可扩展性、不确定性处理、实时可行性和实现准备度来填补这一空白。继续EMS研究的动机包括：通过最小化微电网损耗降低运营成本，间接降低消费者电费；通过直接监控和控制可控负载及能源来降低成本，实现生产和消耗的优化调度；重新规划微电网发展和扩展策略；减少对社会和环境产生不利影响的温室气体排放。过去十年中，EMS研究的数量和方法多样性显著增长。元启发式方法（PSO、GA和ABC）在基于优化的贡献中占比最大，其次是数学规划、多智能体系统和模型预测控制。主导范式已逐渐从基于规则和确定性调度转向数据驱动和基于学习的方法，对2011-2025年间2150条Scopus索引记录进行的专门文献计量分析报告了基于AI的微电网EMS的加速产出，同时表明可解释性导向的研究增长速度超过计算节俭性研究。本综述反映了这一轨迹，并相应地对所综述的方法进行组织。本文其余部分组织如下：第2节提出EMS分类框架，沿三个互补维度：基于架构、基于决策方法和基于应用场景的分类。第3节综述基于优化的EMS方法，涵盖确定性数学规划、启发式和元启发式方法，以及随机、鲁棒和分布鲁棒优化。第4节讨论数据驱动、智能和基于代理的EMS方法，包括模糊逻辑、神经网络和机器学习预测、强化学习以及多智能体系统。第5节考察预测性和分层控制方法，包括模型预测控制、分布式和网络化MPC以及AI辅助MPC。第6节对所综述的方法进行比较讨论，并指出未解决的研究空白。第7节总结全文。

2. EMS分类框架
微电网中EMS的分类可以沿三个互补维度进行：基于架构、基于决策方法和基于应用场景的分类。基于架构的分类描述决策权如何分布在系统中；基于决策方法的分类捕捉用于推导控制动作的算法方法；基于应用场景的分类反映运行环境和部署规模。这些维度共同提供了评估可扩展性、通信需求、不确定性处理和实时适用性的结构化基础——EMS研究应报告所有三个维度，而不仅仅是所使用的算法。本文综述的决策方法分为三大类：基于优化的EMS，包括确定性、启发式和随机方法；数据驱动、智能和基于代理的EMS，包括模糊逻辑、机器学习、强化学习和多智能体系统；以及基于模型预测控制及其变体的预测性和分层EMS。

2.1. 基于架构的分类
本综述中讨论的主要EMS架构类别——集中式、分布式和分层式——不仅在计算结构上不同，而且在它们最适合的应用场景上也有所不同。集中式架构主导并网单微电网部署，其中单个监督控制器具有完全可观测性；分布式架构适用于多微电网集群，其中隐私、通信延迟或可扩展性阻碍了集中化；分层架构则出现在需要协调多个时间尺度优化的情况下。每个架构都通过具体的部署示例进行说明。从架构角度来看，微电网EMS可分为集中式、分散式、分布式或分层式。集中式EMS将所有测量和预测收集到监督控制器，求解系统级优化问题，并将决策发回本地控制器。分散式EMS将决策分配给本地控制器，减少通信负担，但可能限制全局最优性。分布式EMS通过本地通信和协商协调决策，提高了网络化微电网的可扩展性。分层式EMS按时间尺度组织决策，通常分离初级控制、次级恢复和三级经济调度。代表性的集中式实现包括符合IEEE 2030.7标准的社区和医院微电网、基于MILP的住宅控制器（通过Power Hardware-in-the-Loop验证，PLC周期120 ms，成本降低超过50%）以及基于OOBO优化的并网光伏-柴油-电池EMS（与PSO、GA和DE相比成本降低20-48%）。分散式和分布式实现包括三代理点对点市场EMS（高峰时段电网进口减少70.3%）、基于Raspberry Pi + OPAL-RT硬件在环的AC/DC微电网集群EMS（与模糊逻辑EMS相比成本降低54.95%）以及基于共识和ADMM的网络化微电网协调。代表性的分层和多微电网实现包括四个微电网LLM协调集群、21微电网虚拟电厂优化（跨越2050年时间范围）、混合电池-氢能EMS（在12个场景下验证）以及离岸孤立DC微电网EMS（比较基于规则、PSO和MINLP策略）。

2.2. 基于决策方法的分类
从决策方法角度来看，EMS可分为确定性数学规划、元启发式和混合优化、随机和鲁棒优化、数据驱动智能方法、多智能体协调以及模型预测控制。这一分类将数学决策机制与关键实现属性（如最优性保证、不确定性处理、数据需求、可解释性和计算负担）联系起来。实现和执行决策所需的时间是一个关键参数：离线平台和实时平台是EMS决策的两种主要运行模式。这些方法的比较概述见表1（此处省略表格）。

2.3. 基于应用场景的分类
从应用场景角度来看，EMS根据运行模式、微电网拓扑、能源载体和部署规模而不同。重要类别包括并网、孤岛和过渡模式微电网；AC、DC和混合AC/DC微电网；单能源和多能源系统；以及住宅、商业、工业和社区微电网，无论是孤立的、网络化的还是组织为多微电网系统。这一维度很重要，因为最合适的EMS方法在很大程度上取决于目标是经济调度、弹性、电能质量支持、实时控制还是多微电网之间的协调。三维分类框架总结见表2（此处省略表格）。

3. 基于优化的EMS
3.1. 确定性数学规划
下面综述的数学规划方法主要部署在集中式EMS架构中，用于并网日前调度：LP和MILP需要单个监督代理收集所有数据、求解全局问题并在调度时间范围内发布设定点。在孤岛或多微电网场景中，相同方法需要分解或分层聚合。经典方法，也称为传统方法，基于线性、非线性和混合整数规划技术。线性规划用于建模由线性约束和需要最大化或最小化的目标函数定义的系统。如果约束是非线性的，则可以使用非线性规划。另一方面，当决策变量被约束为取整数值（例如-1,0,1,2）时，问题被归类为混合整数规划（MIP）。由于整数变量的约束，优化问题变为非凸，增加了计算挑战和复杂性。动态规划是指通过逐步将决策分解为一系列决策阶段来简化决策的过程。与不重用类似子问题解的方法相比，动态规划减少了求解问题所需的计算时间。因此，在控制器管理电压和频率的情况下，动态建模对于确定控制算法对各个微电网组件运行性能的影响至关重要。此外，动态模型用于证明符合法规要求和特定标准，如IEEE标准1547或适用的本地电网规范。在动态建模中，通常使用软件包来选择预制组件模型或开发来自各种软件包的独特模型。多能源微电网模型将电力和热力网络与光伏板、电池、热电联产（CHP）单元和燃气锅炉集成。应用了两种类型的需求响应计划（基于激励和基于价格）和三种场景。问题被表述为混合整数规划模型，并使用优化求解器CPLEX、GUROBI和CBC求解。在法国Belle ?le en Mer实施的一个案例研究表明，“仅CHP”场景和需求响应策略显著降低了电力和总能源成本。GUROBI被确定为大规模问题的最有效求解器。一项研究提出了一种用于微电网集群的两层EMS，利用需求侧灵活性和共享电池ESS来降低运营成本和排放，同时确保备用电源以防止停电。下层调度最优日前运行，而上层协调整个集群以提高整体效率。问题被表述为具有线性约束的混合整数二次规划（QP）模型。澳大利亚的一个三微电网集群作为真实案例研究验证了该方法的有效性。另一项研究提出了一种“混合模式”EMS，联合使用线性规划（LP）和混合整数线性规划（MILP）来处理目标函数，同时粒子群优化（PSO）作为确定电池存储容量（千瓦时）的尺寸调整例程。由于存储容量直接影响运营成本，该方案同时优化EMS和电池尺寸。一个基于终端用户灵活性概念的集中式公式被报告，其中基于QP的功率调度方法被细化以提供最优电池调度。在包含光伏电站和电池的并网微电网上进行验证，配电网被处理为可调度源；同一架构进一步在容纳多个微电网的修改的IEEE 33总线配电馈线上进行检验，并显示适用于实时使用。另外，MILP被用于优化包含RESs（如风能、柴油、电池存储和电动汽车（EVs））的混合微电网。模型包括来自排放、电池和EV不确定性的成本。MILP实现了高效、协调的控制，非常适合规划和调度。然而，其准确性依赖于预测质量，特别是对于RESs。另一篇论文解决了配备ESSs的微电网的最优EMS问题。QP被用作一种有效的优化技术，以优化微电网盈利能力和电网支持需求。提出了一个扩展的QP成本函数，以更好地反映实际运行条件，保留重要好处，如减少峰值功率使用和确保足够的功率储备。该方法也可扩展到EVs。一项研究通过求解线性规划模型来实现所研究微电网（包含光伏、储能和分布式资源）的最优运行。作者提出了虚拟电厂（VPP）的概念，用于资源调度的决策，如储能的充放电模式，从而降低总成本。另一篇论文提出了一个线性电池退化模型，用于基于随机MILP的微电网尺寸调整，考虑了各种因素，如不同能源发电和负载、成本、约束和电网拓扑。Rahbar等人提出了一种用于具有独立RESs和ESSs的合作微电网的实时EMS，以最小化总能源成本。使用拉格朗日对偶性求解一个离线线性优化问题，然后提出两种低复杂度在线算法：先存储后合作和先合作后存储，每种算法适用于不同的成本节约场景。作者将EMS表述为智能住宅内三级控制的MILP问题，包括不平衡需求的惩罚项、能源交换成本、EV电池成本和EV里程焦虑。负载通过三种轮廓表示——可调、可移和关键。里程焦虑在这里定义为驾驶员对电池在到达目的地之前耗尽的担忧，并测试了该参数的三个水平，以探索EV电池的平均荷电状态（SOC）如何与微电网的总能源成本权衡。Luna等人提出了一种基于MILP的EMS，用于混合并网微电网，根据DER的运行模式细化发送给它们的功率参考信号。他们的设计结合了一个成本最小化优化模型、一个ESS两阶段充电过程和一个模糊监督单元，通过调整DER参考来补偿公用事业功率不匹配。对于一个社区微电网，文献开发了一个双层分层EMS，表述为MILP，以经济地协调运行。在较低层，每个微电网通过调度DER输出、ESS充放电以及与主电网交易的功率来最小化其自身运营成本。然后上层使用这些结果为整个社区设置设备功率水平，并控制微电网之间以及与外部网络的功率流，以最小化整个社区的总运营成本。模型中的非线性通过线性化处理，而非凸性通过添加隐式逻辑约束来解决。文献首先应用长短期记忆（LSTM）网络从光伏-储能微电网的运行记录中预测光伏发电和负载需求。然后构建一个微电网优化模型，以在相关运行约束下最小化每日总运营成本，特别注意电网功率交换的安全要求。该问题被重新表述为MILP，并使用计算求解器求解，以产生具有成本效益的日前调度计划。大多数使用LP、NLP或MILP表述的EMS假设集中式监督控制。这种方法的优点包括实现简单和易于理解。对于中小型系统，计算效率高，并且在理想条件下可以提供全局最优解。此外，许多经典/传统方法在应用于实际问题时面临挑战，例如忽略一阶或二阶导数计算中的数值困难、发散风险或与微电网元件建模不足相关的方面。此外，使用日前预测数据是处理不确定性最常见的方法。虽然这种方法实现简单，但精度往往较低。如表3所示，确定性数学规划方法，包括LP、MILP和QP表述，最常用于并网微电网的日前调度，在定义良好的约束条件下提供最优性保证。总的来说，当EMS问题可以用定义良好的约束、可靠输入数据和适度数量的决策变量来表述时，经典优化方法最为合适。它们的透明性使它们对规划和基准测试具有吸引力；然而，当微电网运行涉及强非线性、高不确定性或实时适应需求时，它们的性能会下降。因此，未来的研究应不仅将经典方法用作独立解决方案，还应作为混合、不确定性感知和学习辅助EMS设计的基线。综述的公式在计算需求、最优性保证和适用性方面存在显著差异。LP（无二进制变量）最快：文献报告LP计算时间为1853秒，而等效MILP在0%最优性间隙下为5652秒。MILP在具有开关切换的并网调度中占主导地位，并在相同住宅成本指标上优于PSO和LP。MINLP对于电化学组件最准确但要求高：文献报告在三次迭代（21.96秒）内收敛，而PSO需要超过200次迭代（178.5秒），成本比最近的基于规则基线降低36.53%。元启发式（PSO、GA、DE和OOBO）自然处理非凸性，但不提供正式的最优性保证：文献报告成本降低20-48%，比PSO/GA/DE快30-45%，而MTBO方案在相同测试微电网上报告运营成本比PSO低21.6%，排放低13.12%，且持续优于GWO和SSA。分布式分解（ADMM）实现了可扩展的多微电网协调，但对非凸问题没有收敛保证，而混合分层工具（HOMER Pro + MATLAB）在不同时间尺度上解决协调问题。图4综合了这些权衡供从业者参考。

3.2. 基于启发式和元启发式方法的能源管理系统
为克服上述问题，启发式和元启发式技术于20世纪70年代初被提出。元启发式算法是一类搜索算法，采用各种通用启发式来解决复杂优化问题。元启发式算法最吸引人的方面是它们的应用不需要特定优化问题的知识。因此，它们可用于描述优化问题或相关问题的通用问题求解方法。启发式和元启发式方法应用于各种工程领域，包括通信、电力系统、微电网EMS和交通运输。遗传算法（GAs）和粒子群优化（PSO）是微电网能源管理系统开发中两种常用的元启发式方法，主要由于它们的并行计算能力。除了成熟的PSO和GA技术外，还出现了更新的方法，如灰狼优化（GWO）。微电网能源管理利用了蚁群优化（ACO）、细菌觅食优化（BFO）、人工免疫系统（AISs）、人工蜂群（ABCs）和灰狼优化（GWO）等技术。一项研究提出了一种使用秃鹰搜索（BES）优化算法的有效EMS，用于独立和并网太阳能微电网。微电网包括光伏板、燃料电池和BESSs。BES优化一日调度，以最小化运营成本、维持直流母线电压稳定、提高效率并保护电池免受过充和深度放电。与其他优化器（如PSO）相比，BES实现了更低的能源成本、更高的效率和更好的电池荷电状态管理。尽管有上述优点，但其性能依赖于适当的参数调整，并且可能需要针对不同系统设置重新优化，限制了其通用性和实时应用。Dufo-López等人提出了一种基于遗传算法的混合系统最优能源管理控制策略。系统包括可再生能源（太阳能、风能和水能）、交流发电机、电解槽和燃料电池。能源管理被优化以降低运营成本，允许可再生能源产生的多余能量用于给电池充电或在电解槽中生产氢气。无法由可再生能源供应的负载可以通过电池放电或使用燃料电池来覆盖。蝴蝶优化算法被用于微电网组在并网和离网模式下的经济优化调度。使用帐篷混沌映射和单纯形搜索技术通过管理分布式能源来提高成本节约。然而，它缺乏对实时数据的适应性，并且随着规模扩大运行时间更长。Luna等人提出了一个实时实现的可适应EMS的设计和实验验证。所采用的架构使得测量、预测和优化模块之间能够交互，其中通用发电侧数学问题被建模，目标是最小化运营成本和负载断开。整个EMS已在测试台上在并网和孤岛模式下进行了实验测试。此外，其性能已在涉及预测发电和负载显著不匹配的场景中得到验证。提出的多目标智能EMS旨在最小化微电网的运营成本和环境影响，考虑其预运行变量，如RESs的未来可用性和负载需求。使用人工神经网络（ANN）分别提前24小时和1小时预测光伏和风力发电，以及负载需求。电池调度使用基于模糊逻辑的专家系统获得。文献提出了一种针对高可再生能源渗透率工业微电网的日前最优能源管理策略，可在孤岛和并网两种模式下运行。使用重组粒子群优化（RegPSO）按小时间隔，该方法考虑了预测的可再生发电和负载需求。微电网满足本地需求并与主电网交易能源，买卖电力。目标包括最小化燃料、运行、维护和能源购买成本，同时最大化能源销售利润。在一项研究中，一个微电网集成了风力发电、燃料电池、柴油发电机和电解槽。当能源需求未被风力涡轮机覆盖时，使用燃料电池来确保能源平衡，同时运行柴油发电机以降低运营成本。燃料电池运行以满足高负载需求，考虑经济和环境效益，成本节约约70%。使用改进的多目标PSO算法来求解模型。Marzband等人提出了一种多周期ABC优化算法用于经济调度，包括发电、存储和需求响应报价，以及太阳能和风能资源的间歇性。该算法优于修改后的传统EMS，在微电网测试平台上验证，实现了约30%的成本降低。使用ANN-马尔可夫链模型来预测不可调度发电和负载需求。一项研究提出了一种新颖的并网微电网多目标优化方法，将基于模糊逻辑的专家系统与GWO相结合。该方法旨在通过优化电池容量和减少化石燃料使用来最小化发电成本和化石燃料排放。作者开发了一个微电网EMS的多目标优化模型，包括退化成本和碳交易机制。使用混合储能系统和需求响应，该模型平滑可再生能源波动并减少排放。人工蜂鸟优化算法找到最优策略，与传统系统相比，成本降低20.2%，碳排放减少4.5%，电池寿命延长32.6%。另一篇论文提出了一种元启发式优化方法，用于优化微电网，重点关注发电和存储组件的选择和尺寸调整。该论文应用了两种元启发式算法：进化算法和PSO。所提出的方法确保了技术可行性和经济可行性。此外，它也认识到使用RESs的不确定性。在另一篇论文中，作者提出了一种用于微电网的实时EMS，采用GA最小化运营总成本和排放，同时最大化RES利用。该系统集成了MATLAB-dSPACE实时工具和针对挑战性环境设计的ZigBee通信网络。在真实微电网测试平台上的实验验证证明了所提出的RT-EMS在实际条件下的有效性。引入了一种用于微电网能源调度的两层优化算法。其目标是降低总运营成本，包括RESs的投标成本、甩负荷惩罚、机组发电成本和电池成本，以及需求响应负载。该方案依赖于一种能够处理时间相关技术和经济约束的ACO方法。与修改后的传统EMS和基于PSO的EMS相比，所提出的方法分别将能源成本降低了约20%和5%。作者还通过实验测试在几个实时场景中验证了其即插即用行为。对于多微电网系统，Arefifar等人提出了一种基于禁忌搜索算法的集中式EMS，并引入了一个概率指标EMSI，允许同时评估多个能源管理选项。该指标定义为应用EMS前后微电网运营成本之间的差距。几项敏感性研究表明，该方法不仅降低了运营成本，还带来了长期财务收益。表4提供了本综述中审查的启发式和元启发式EMS方法的比较概述，总结了每个参考文献的优化方法、微电网类型、目标、不确定性处理和关键组件。总之，对于传统优化方法难以在合理计算时间内获得可行解的复杂、非线性和多目标问题，启发式和元启发式EMS方法更可取。它们可以处理不完整或不确定的数据，并且易于适应不同的系统模型和规模。它们对于具有许多组件的微电网的尺寸调整、调度和运行规划特别有用。然而，它们也有一些缺点。它们计算成本高，特别是对于实时控制，并且如果未正确调整，可能收敛到局部最优。此外，它们对算法参数、停止条件和特定情况调整的依赖性限制了研究之间的直接可比性；因此，未来的工作应更一致地报告标准化基准、敏感性分析和计算时间。元启发式和DRL方法的收敛特性很少以应用于确定性求解器的严谨性进行记录。文献报告OOBO收敛曲线在比PSO、GA和DE更少的迭代次数内达到最优，匹配初始化（种群100，迭代100次）；MTBO方案同样在相同问题上报告比PSO、GWO和SSA更快的收敛速度和更低的最终成本。作者通过100次随机化模拟验证了他们的EMS，报告平均成本降低54.58%及其标准差。对于基于学习的控制，文献将低收敛率、稀疏奖励和有限可扩展性确定为主要DRL挑战，并记录了一个奖励函数敏感性分析，揭示了未满足负载惩罚和电池磨损之间的明确权衡。报告的成本降低相对于作者定义的基线，由于配置、DER组合、负载曲线和定价假设不同，不能直接跨研究排序；这些数字应视为研究内指标。

3.3. 随机、鲁棒和分布鲁棒优化方法
EMS使用随机和鲁棒规划方法来处理关键变量（如电价、太阳辐射、风速和负载需求）中的不确定性。随机规划使用已知概率分布对这些不确定性进行建模，而鲁棒规划则在不依赖概率数据的情况下处理它们，假设值落在定义的不确定性范围内。两种方法都旨在最小化总运营成本（包括能源交易和系统运行），并支持单个或多个时间段的有效决策。文献提出了一种用于不平衡三相交流微电网最优能源管理的随机混合整数规划模型。它考虑了需求、可再生能源发电和电压的不确定性，并包括用于弹性运行的应急约束。该模型通过线性化和凸求解器求解，管理光伏、储能、EV充电器、负载控制和备用发电。在真实微电网数据上测试，它最小化运营成本，同时最大化本地可再生能源使用并确保孤岛运行期间的弹性。在另一项研究中，提出了同时供应电力和热力的多能源微电网的EMS。MEMG运营商使用博弈论模型设定能源价格和调度，而不同用户优化其能源交易。复杂问题被简化为MILP以便于求解，并使用随机优化方法来处理日前和日内市场协调，包括使用条件风险价值（CVaR）进行风险管理。解决方案涉及将问题分解为更小的部分并行求解，提高了效率。一项研究提出了一种两阶段鲁棒优化EMS，用于结合碳交易和需求响应的微电网，以改善低碳目标、成本效率和稳定性。第一阶段在不完全不确定性的情况下规划能源使用，第二阶段根据实际数据调整。该模型通过鼓励可再生能源减少排放，但可能增加成本。需求响应和存储有助于平衡负载。虽然有效，但该方法需要准确的不确定性数据，且计算需求较高。Che Hu等人提出了一种考虑电力需求和供应不确定性的微电网能源管理模型。他们的两阶段随机程序在GAMS中实现，并在台湾核能研究中心的一个真实网络上验证。第一阶段确定电池容量尺寸，第二阶段确定微电网的最优运行策略。一篇论文提出了一种用于高RES和EV集成并网微电网的两阶段能源管理系统。它使用多层调度用于单个微电网及其社区，最小化日前和实时市场中的运营和风险成本。不确定性通过蒙特卡洛模拟的随机规划建模。该方法在GAMS中使用标准系统进行验证。一项研究提出了一种多目标随机EMS，旨在同时最小化成本、减少损失和最大化RES使用。它求解一个单一的MILP问题，考虑各种风、太阳能和负载场景，以创建一组最优权衡解（帕累托前沿）。操作员可以根据其优先级选择最佳调度。虽然这种方法提高了鲁棒性并捕获了重要的权衡，但它需要大量计算能力、专家决策来选择解决方案，并依赖于准确的概率数据。提出了一种用于耦合微电网的两级定价机制，以实现最优运行性能。该机制基于随机规划，分为两级：上级通过与能源市场运营商交易能源来保证运行质量；下级执行网络化微电网之间的实际交易。作者提出了一种优化模型，旨在使用田口正交矩阵最大化互联微电网的能源交换收益，同时最小化社会成本。不确定性通过区间预测表示。通过针对最坏情况实现，所得调度在大多数不确定性结果中保持鲁棒，通过蒙特卡洛模拟确认。对于包含RESs、柴油发电机、BESS和各种负载的互联微电网，Shen等人开发了一种随机EMS，结构为两层、基于场景的优化。上层执行预测驱动的经济调度，下层处理实时控制。不确定性通过蒙特卡洛框架内的拉丁超立方采样捕获，为分布式资源、负载和电价产生一系列场景，并使用敏感性研究推导出预期电价的标准差和相关的可靠性水平。文献提出了一种微电网在由主电网干扰引起的非计划孤岛事件期间的随机能源管理框架。该论文解决了孤岛持续时间以及需求和可再生能源发电预测误差的不确定性。该模型不是预测固定的断开时间，而是估计概率分布并最小化预期运营成本。该模型还考虑了后续并网运行的影响，并表述为MILP问题。Liu等人提出了两个考虑RESs和负载不确定性的并网微电网能源管理问题。第一个解决保持在预定义能源限制内以保护系统的调度，第二个检查用于频率调节的能源容量的允许实时偏差。为了应对可再生能源整合和波动负载引入的不确定性，两者都被表述为概率约束规划。研究表明这些问题可以使用LP求解，并通过两个真实案例研究验证了该方法。提出了一种用于调度和协调微电网内负载和可调度能源的分层控制方案。它在慢时间尺度上应用随机优化以减轻RES预测误差，而在快时间尺度上运行确定性优化以刷新最优调度决策。作者提出了一种用于偏远混合AC/DC微电网的概率能源管理系统，以确保在可再生能源不确定性条件下具有成本效益的调度。该方法包括热力和电动车辆负载管理，考虑发电机限制、可控负载和电池充放电约束。表5总结了本综述中审查的随机、鲁棒和分布鲁棒优化方法，这些方法显式建模可再生能源发电、负载需求和电价中的不确定性，与确定性方法相比提供了改进的弹性。除了经典的基于场景、随机、概率约束、鲁棒和分布鲁棒公式外，表6还扩展了三个面向学习的系列：贝叶斯和高斯过程不确定性量化、为概率约束MPC提供输入的机器学习、以及产生校准预测区间的集合预测。总之，随机和鲁棒规划方法提供了一种系统的方式将RESs、负载和市场不确定性纳入EMS决策。它们特别适用于日前调度、面向弹性的规划和风险感知运行。它们的主要差距是计算可扩展性，这推动了分解技术、场景缩减以及与更快在线控制器的混合组合。总的来说，基于优化的EMS提供了目标、约束和运行调度之间最清晰的数学联系。确定性编程对于中等规模问题具有实现准备性和可解释性，元启发式提高了非线性和多目标情况下的灵活性，随机/鲁棒方法改进了不确定性处理。它们的主要权衡是计算负担，特别是对于大型场景集、整数变量和实时部署。

4. 数据驱动、智能和基于代理的EMS
4.1. 模糊、神经和机器学习预测
在微电网中，电能质量问题可以使用AI方法解决，如模糊逻辑、ANN、机器学习、深度学习和博弈论。基于AI的EMS的可靠性关键取决于数据质量和足够代表性训练数据集的可用性。纯数据驱动方法在没有物理约束的情况下容易偏离真实系统动态，特别是在数据有限或测量噪声条件下。模糊逻辑使决策类似于人类推理，而神经网络受到人脑结构和功能的启发。与模糊系统相比，神经网络更复杂，通常需要更大、更高质量的数据集进行有效训练。数据稀缺仍然是微电网AI部署中的实际障碍，最近的方法如基于GAN的合成数据生成和物理信息学习已被提出以缓解这一限制。文献中提出的微电网EMS使用AI技术与基于LP的多目标优化。主要目标是使用神经网络策略预测光伏和风力发电来最小化微电网的排放和运营成本，同时使用基于模糊专家的调度方法进行最优电池管理。根据作者的说法，所提出的算法在效率方面优于其他传统多目标模型。一项研究提出了一种用于住宅微电网的分层EMS，使用混合氢-电存储系统。该系统包括用于长期存储的氢气单元和用于日常能源使用的电池，由两个不同时间尺度运行的模糊逻辑控制器管理，不依赖需求或可再生能源预测。使用真实世界数据测试，所提出的EMS显示出比常见的基于PSO和基于规则的EMS更好的成本节约。作者提出了一种基于模糊逻辑的EMS，用于结合光伏、柴油发电机和BESSs的孤立微电网。EMS使用预测和优化算法（粒子群优化和布谷鸟搜索）来改善柴油发电机使用、延长电池寿命和最小化运营成本。厄瓜多尔的一个案例研究表明，该系统有效最大化太阳能使用、保护电池健康并降低成本。该方法通过仿真和硬件测试验证。一项研究提出了一种用于混合光伏和BESS微电网的集中式EMS，使用由增强型浣熊优化算法优化的卷积神经网络（CNN）。基于CNN的控制器能够实现近乎实时的荷电状态平衡，无需复杂计算。MATLAB仿真表明，该方法优于现有技术，实现了显著更低的预测误差和改进的预测精度。一项研究在半监督学习框架内使用生成对抗网络（GANs）来解决微电网EMS中数据缺乏的问题。GAN模型使用标记和未标记输入生成真实数据，如光伏输出，这在真实测量有限时很有用。这些合成数据改善了预测模型训练，并帮助EMS做出更好的调度和运行决策。GANs还与深度学习和强化学习（RL）结合创建自适应EMS架构。然而，训练GANs不稳定，验证生成数据的可靠性仍然是一个挑战，特别是在安全关键系统中。Jia等人提出了一种用于互联微电网的自适应智能技术，使用混合储能系统，结合电池和超级电容器。目标是最小化负载波动并增强可再生能源的自消耗，特别是在不确定的RES发电条件下。该方法引入了可变充放电阈值来管理能量流，无需依赖精确预测。使用真实RES数据的仿真结果表明，与传统的基于PSO的方法相比，负载平滑得到改善，反馈回主电网的功率减少。一篇论文讨论了用于住宅并网微电网能源管理的低复杂度模糊逻辑控制策略的开发。该系统利用发电和需求预测来优化功率交换，考虑电池SOC和预测误差。在纳瓦拉公立大学的真实世界住宅微电网中的实验验证证实了该策略的可靠性和有效性。表7提供了模糊、神经和ML方法的比较概述。

4.2. 强化学习
在一项研究中，作者使用强化学习（RL）创建了一个自学习微电网EMS。在RL中，代理通过与环境的交互学习，根据奖励调整其动作以随时间改善性能。这种方法由于可变需求和可再生能源输出而非常适合微电网。RL对于能源调度、定价和需求管理等任务很有用，并且不需要详细的系统模型。然而，它可能很慢且计算要求高，尤其是在复杂系统中，并且依赖于设计良好的奖励函数以实现有效学习和稳定性。最近的基于RL的EMS研究表明从基本基于值的学习向深度、策略梯度、安全和多智能体RL公式的转变。Alabdullah和Abido将微电网EMS表述为有限时域马尔可夫决策过程，并使用深度Q网络（DQN）在随机负载、发电和电价信号