
-
生物通官微
陪你抓住生命科技
跳动的脉搏
智能能源系统中混合预测、可解释人工智能与多智能体优化的系统级整合综述
《ARTIFICIAL INTELLIGENCE REVIEW》:Toward unified intelligence in renewable-dominant power systems: a survey of hybrid forecasting, explainable AI, and multi-agent optimization
【字体: 大 中 小 】 时间:2026年10月22日 来源:ARTIFICIAL INTELLIGENCE REVIEW 18.8
编辑推荐:
摘要向以可再生能源为主的电力系统的转变引入了重大的运行挑战,这是由于不确定性增加、系统惯性降低以及分布式能源资源的大量涌现。虽然人工智能(AI)技术已广泛应用于可再生能源预测和电网优化,但现有研究主要孤立地处理这些组件,导致系统级智能的碎片化。本文提出了一项全面综述,系统地整
向以可再生能源为主的电力系统的转变引入了重大的运行挑战,这是由于不确定性增加、系统惯性降低以及分布式能源资源的大量涌现。虽然人工智能(AI)技术已广泛应用于可再生能源预测和电网优化,但现有研究主要孤立地处理这些组件,导致系统级智能的碎片化。本文提出了一项全面综述,系统地整合了现代智能能源系统的三个关键维度:混合预测、可解释人工智能(XAI)和多智能体优化。首先,我们回顾了先进的混合学习架构,包括基于分解的模型、集成框架以及深度学习与元启发式混合方法,强调它们在捕捉非线性和随机可再生能源动态方面的有效性。其次,我们检查了增强 AI 驱动能源系统透明度、可解释性和信任的 XAI 技术。第三,我们分析了从集中式优化到使用多智能体强化学习(MARL)、群体智能和联邦学习范式的分布式集体智能的演变。与常规综述不同,本工作通过明确将预测不确定性与去中心化决策和可解释性机制联系起来,提供了统一的系统级视角。提出了一个概念集成框架,展示概率预测、风险感知的 MARL 策略和可解释模型如何共同实现稳健且可扩展的电网运行。此外,我们确定了与可扩展性、计算效率、不确定性传播和实时部署相关的关键研究挑战。本综述为研究人员和从业者提供了结构化的参考,并概述了迈向可信、自适应和协作型 AI 驱动能源系统的未来方向。
向以可再生能源为主的电力系统的转变引入了重大的运行挑战,这是由于不确定性增加、系统惯性降低以及分布式能源资源的大量涌现。虽然人工智能(AI)技术已广泛应用于可再生能源预测和电网优化,但现有研究主要孤立地处理这些组件,导致系统级智能的碎片化。本文提出了一项全面综述,系统地整合了现代智能能源系统的三个关键维度:混合预测、可解释人工智能(XAI)和多智能体优化。首先,我们回顾了先进的混合学习架构,包括基于分解的模型、集成框架以及深度学习与元启发式混合方法,强调它们在捕捉非线性和随机可再生能源动态方面的有效性。其次,我们检查了增强 AI 驱动能源系统透明度、可解释性和信任的 XAI 技术。第三,我们分析了从集中式优化到使用多智能体强化学习(MARL)、群体智能和联邦学习范式的分布式集体智能的演变。与常规综述不同,本工作通过明确将预测不确定性与去中心化决策和可解释性机制联系起来,提供了统一的系统级视角。提出了一个概念集成框架,展示概率预测、风险感知的 MARL 策略和可解释模型如何共同实现稳健且可扩展的电网运行。此外,我们确定了与可扩展性、计算效率、不确定性传播和实时部署相关的关键研究挑战。本综述为研究人员和从业者提供了结构化的参考,并概述了迈向可信、自适应和协作型 AI 驱动能源系统的未来方向。