《Energy Strategy Reviews》：Artificial intelligence and data-driven approaches in renewable energy: A review of achievements and challenges
编辑推荐：
本综述系统回顾了2020-2025年间人工智能（AI）与数据驱动方法在可再生能源系统（RES）中的最新进展，提出了创新的四维分类法（算法类型-集成方法-系统用例-政策考量），重点分析了神经网络（CNN、RNN、LSTM、GNN）、强化学习（RL）、随机森林（RF）等关键技术在预测建模、运行优化和电网集成等方面的突破性应用，为研究人员、工程师和政策制定者提供了加速全球可持续能源系统发展的实用路线图。
综述方法论
本综述遵循PRISMA指南，对2020年至2025年间发表在ScienceDirect、Scopus和IEEE Xplore等数据库的约150篇核心研究进行了系统分析。通过结构化筛选流程，重点关注了应用于可再生能源系统（RES）特定领域、采用成熟AI或数据驱动方法、并经过真实或模拟数据验证的研究。
人工智能方法论及其在可再生能源系统中的应用
机器学习（ML）
作为人工智能的基础组成部分，机器学习通过统计和算法模型使计算机能够从数据中学习。近年来，可再生能源系统中的机器学习应用显示出对混合算法的明显偏好。例如，Zahedi等人应用机器学习对加拿大圣阿尔伯特寒带社区的能源供需平衡进行建模，成功利用光伏（PV）发电满足峰值热负荷和电动汽车（EV）充电需求。Zhou开发了一种基于机器学习的新方法，用于在可变可再生能源充电周期和需求依赖放电条件下预测电池老化，其提出的框架显示出更高的可靠性和预测性能。
人工神经网络（ANN）
人工神经网络是受生物大脑结构启发的计算系统，作为深度学习的基础。Khanmohammadi等人采用人工神经网络作为主要建模框架，创建了一个连接六个性能指标和九个设计变量的数字孪生，实现了地热能源系统在各种运行条件下的全面优化。该人工神经网络显示出强大的统计一致性，后续的敏感性分析有助于量化单个性能指标的循环影响。
深度神经网络（DNN）
深度神经网络通过在传统人工神经网络基础上增加多个层，实现了分层数据表征的学习。Samal等人引入了一个混合控制框架，将深度神经网络与粒子群优化（PSO）相结合，以增强具有车网（V2G）集成功能的微电网中的负载频率调节。他们的实验结果表明，该控制器在动态电网条件下实现了更高的效率和更快的响应速度。
卷积神经网络（CNN）
卷积神经网络是一种核心的深度学习架构，广泛应用于计算机视觉和序列数据处理。Christy等人提出了一种基于图扩张CNN的新型自适应Lyapunov函数，用于能量流优化。在IEEE 68节点系统上的仿真验证了该框架的优越性，与传统功率流控制方法相比，电压稳定性提高了12.7%，线路损耗减少了18.3%。
循环神经网络（RNN）与长短期记忆网络（LSTM）
循环神经网络是专为处理顺序和时间序列数据而设计的人工神经网络。为了解决标准RNN在训练长序列时出现的梯度消失问题，LSTM网络作为一种先进的RNN架构被开发出来。Bai等人提出了一个将RNN的时间处理与图注意力网络（GAT）的拓扑推理相结合的新框架，用于高可再生能源渗透率的电力系统。他们的案例研究证实，与传统的深度强化学习方法相比，该方法在时间泛化能力上提高了23.7%，在拓扑适应性上增强了18.2%。
图神经网络（GNN）
图神经网络是专门为图结构数据开发的深度学习方法。Taghizadeh等人引入了一个基于多保真度GNN的模型进行潮流计算，降低了训练成本的同时提高了性能。Kim等人开发了一个基于自适应图卷积循环网络（AGCRN）的时空模型，显著提高了可再生能源预测的准确性。
强化学习（RL）
强化学习是机器学习的一个关键分支，其原理是智能体通过与环境进行试错迭代交互，以最大化累积奖励的方式学习最优策略。Kharat等人提出了一种将生成对抗网络（GAN）与强化学习相结合的热管理策略。通过使用GAN生成合成训练场景，与基线热管理策略相比，燃料电池系统的热效率提高了15.2%，运行寿命延长了23.7%，并在负载波动下保持了89.4%的稳定性。
随机森林（RF）
随机森林是一种集成方法，它结合了众多决策树的预测以提高整体准确性。Shams等人在对风能和太阳能限电预测的研究中，建立了一个使用多种机器学习方法的预测框架，包括回归树、梯度提升树、随机森林、人工神经网络、长短期记忆网络和支持向量回归（SVR）。他们的研究结果表明，随机森林模型的预测误差最小，在比较的算法中表现最佳。
自适应神经模糊推理系统（ANFIS）
自适应神经模糊推理系统是一种将模糊逻辑的推理能力与神经网络的自适应学习能力相结合的混合模型。Mehta等人应用ANFIS开发了一种最大功率点跟踪（MPPT）算法，通过动态调整占空比来提高功率输出。他们全面的仿真和实验验证证明了该控制器在不同运行条件下的卓越稳定性和性能，显著优于传统方法。
应用与混合方法论的合成分析
随着可再生能源系统变得日益复杂，单一算法解决方案通常难以处理多目标优化和不确定性问题。这推动了混合方法的发展，这些方法将人工智能与数据驱动技术相融合，促进了更深层次的跨学科协同。
混合数据驱动算法，例如结合CNN和LSTM的深度学习模型，已被证明能有效捕捉可再生能源发电的时空特征，显著提高预测精度。将改进的优化算法与神经网络相结合的预测模型，在风电预测等领域也展现出优越性能。
在系统层面，混合方法在燃料电池、太阳能和风能装置以及微电网等多种系统中得到广泛应用，用于改进系统评估、预测精度和运行优化。例如，Liu等人开发了一种结合计算流体动力学（CFD）和数据驱动建模的混合框架，用于质子交换膜燃料电池（PEMFC），实现了高精度的电流密度预测和增强的运行能力。在微电网优化中，Durairasan等人成功应用EHO-ANFIS方法，在能源分配方面表现出色，实现了97%的最优解获得率。
关键分析与比较
不同的AI和数据驱动技术展现出独特的属性，分别适用于不同的可再生能源系统场景。神经网络架构——尤其是CNN、GNN和LSTM——已成为AI驱动可再生能源系统中的领先建模方法，其性能优于其他算法范式。
混合人工智能算法与数据驱动方法相结合，已成为越来越多研究人员的首选方案，其应用超过了单一方法技术。这些集成模型被广泛应用于燃料电池、太阳能和风能装置以及微电网等不同系统，改善了系统评估、预测精度和运行优化，从而带来更强的系统可靠性和更精确的预测。
元启发式算法，如遗传算法（GA）、差分进化（DE）、和声搜索（HS）和蚱蜢优化算法（GOA），已在多项研究中证明了其显著效益。应用这些元启发式算法进行可再生能源系统优化的研究表明，其可平均降低运营成本18-22%，降低碳强度12-15%，并将电压偏差减少约23%。
结论性评述与未来方向
基于对现有文献的分析，可以得出结论：神经网络架构以及结合元启发式算法的混合算法已成为该领域的主导方法。在可再生能源领域，混合数据驱动方法在分析电池循环老化、管理负载频率控制和优化能源管理系统（EMS）等应用中已被证明是可行且高度准确的。
然而，该领域仍面临一些持续存在的挑战，主要包括缺乏准备好的测量数据、缺乏结果比较方法以及缺乏真实环境测试。未来的工作应优先开发统一的评估框架，鼓励跨学科的方法论整合，并将应用扩展到新兴的能源技术。混合建模、迁移学习和物理信息神经网络（PINN）已成为当前人工智能与可再生能源协同领域的核心工具。通过将数据驱动方法与物理原理相结合，这些技术提高了模型在动态环境中的适应性和可靠性，为未来的技术进步奠定了重要基础。
推动该领域发展的建议包括：利用标准化测试案例进行系统性能基准测试；系统集成和开发新型混合算法；以及将人工智能应用扩展到可再生能源领域的新技术，如氢系统和海洋能源。这些措施对于充分发挥人工智能和数据驱动方法在推动全球向可再生能源转型方面的创新潜力至关重要。
