综述：利用人工智能开展现代能源韧性研究以助力能源转型

《Cell Reports Physical Science》：Modern energy resilience studies with artificial intelligence for energy transitions

本文围绕能源韧性展开，探讨了其量化方法、与能源转型及碳中和的关系，分析了大数据和人工智能（AI）在提升能源韧性中的作用，同时指出面临的挑战并给出建议，对推动能源可持续发展有重要参考价值。

　　### 现代能源韧性研究背景
在全球环境恶化和能源短缺危机加剧的当下，可持续发展面临着巨大挑战。气候变化和极端事件对综合能源系统的能源效率和电力可靠性产生了显著影响。例如，可再生能源因高度依赖天气，其间歇性和波动性会影响局部电网的电力稳定性 ；终端用户随机的能源使用行为和能源消耗，也对电网提出了更高要求。

为了应对气候变化，实现碳中和转型的目标愈发迫切，而能源韧性作为其中的关键组成部分，在气候适应方面发挥着重要作用。先进能源技术在现代能源韧性中占据重要地位，但现代能源系统的动态模型、家庭电力消耗和光伏发电数据等，给电力系统韧性带来了更大挑战。此外，网络攻击等危害也促使现代能源系统必须从预防、检测和缓解等策略方面提升网络韧性。

为了增强综合能源系统对气候变化和极端事件的适应性，人们广泛探索了能源韧性增强策略，涵盖从规划到运营阶段，涉及多种场景、分类和补救措施。同时，大数据和 AI 在现代能源系统中得到了积极应用，如在智能能源管理、智能建筑和碳中和区域转型等领域。然而，目前仍存在一些关键科学问题有待解决。一是在不可逆的气候变化和全球变暖背景下，集成城市能源系统在不同时空跨度下的响应和应对策略仍在探索中，相关先进技术和关键系统组件也在开发过程中。二是现代能源系统向分散化、电气化和氢化转型，能源效率、可靠性、稳健性、灵活性与能源韧性之间的关系尚不明确，需要深入研究它们之间的相互联系，以应对供电可靠性、中断恢复能力、可再生能源渗透率、电网独立性等方面的挑战。三是大数据和 AI 技术虽然在能源领域发挥着重要作用，但 AI 与能源韧性之间的最终相互影响还不清楚，需要深入研究两者之间的权衡解决方案。

现代能源韧性与未来能源转型的先进技术和关键组件

1. 能源韧性量化方法和指标：能源韧性的定义在全球范围内并不统一。能源韧性指标主要关注停电或大规模停电的幅度、时间跨度、系统规模和频率等方面。相关量化方法可分为对自适应能力、吸收能力和恢复能力的评估，以及对韧性成本和电力稳定性的考量。例如，通过计算系统在中断后恢复阶段的性能变化与目标性能的比值来衡量恢复能力 ；用系统在正常和中断条件下的累积性能差异来评估稳定性等。
2. 现代能源韧性与未来能源转型的关系：现代能源系统具有能源效率、可靠性、稳健性、灵活性和韧性等多个维度。分布式电力系统和高能效的能源网络拓扑结构能够有效提升能源韧性。例如，供热、制冷、储能充放电的能源效率与气候条件相关，能源灵活性在根据电网需求调整需求时高度依赖具体情况。终端用户参与储能、控制和能源管理策略，将能源灵活性与能源稳健性联系起来。在自然灾害中，峰值功率阈值关联着能源稳健性和可靠性。在极端事件下，供热、制冷、电力和氢能系统的协同作用可以提高能源韧性和能源可靠性。通过光伏电池建筑、储能、能源共享网络、源 - 网 - 荷 - 储系统以及分布式能源产消者等，可以清晰地展示能源效率、可靠性、稳健性、灵活性和韧性之间的相互联系。可以将能源系统类比为人体系统，能源效率如同人体的工作能力，能源灵活性类似自我调节能力，能源稳健性好比生病时的工作能力，能源可靠性犹如免疫力，能源韧性则像人体的自我修复能力。在实际应用中，当能源系统遭遇极端事件时，就像人体受伤或感染后启动伤口愈合和免疫机制一样，会激活能源韧性和能源可靠性来恢复正常状态；当外界气候发生变化时，能源系统也能像人体一样，通过激活能源灵活性和能源稳健性来适应变化。
3. 增强能源韧性的先进技术：增强能源韧性的先进技术涵盖能源供应侧、需求侧、储能侧和电网侧。在能源供应侧，采用带有电网形成逆变器的分布式可再生能源、分布式储能、跨部门互操作性、分布式优化以及气候 - 能源集成建模和能源规划、能源互补与协同等策略，可以增强可再生能源电力系统在气候风险下的韧性，保障可靠的能源供应，有效应对突发事件。需求侧方面，利用管道存储的热惯性和智能建筑的热需求响应，以及集体智能等方式，能够在气候变化下提升城市能源韧性。各类能源存储技术，如独立电池存储、基于氢的微电网、基于轨道的移动储能等，可以提高能源韧性，增强电网在气候不确定性下的可靠性。在电网侧，通过优化能源资源配置提升电网韧性，采用物理加固、提升运行能力、发展可再生能源和储能、应用物联网（IoT）和 AI 技术等策略，能够增强电网的可靠性和韧性。例如，较大的电池存储容量通常可以提供更高的能源韧性，长时储能可以降低高可变可再生能源电网的能源平准化成本。此外，预测资源可用性和灾害频率，规划储能基础设施和电动汽车充电站（EVCS）基础设施，也是增强综合能源系统能源韧性的有效策略。
4. 碳中性与能源韧性的可持续发展目标：为了实现联合国可持续发展目标，从基于化石燃料的经济向具有能源韧性的可再生能源经济转型至关重要。可持续性与韧性的融合需要更全面地考虑效率和安全性，对可持续技术提出更高要求，并吸引更多利益相关者参与。在可持续性转型过程中，必须考虑能源韧性。可再生能源和能源效率可以部分抵消气候变化导致的能源需求增长。能源韧性与联合国可持续发展目标之间的协同作用涉及物理和社会基础设施以及管理等方面。例如，V2G 交互可以有效降低电网进口成本和等效 CO₂排放 ；逐步淘汰化石燃料汽车并向电动汽车转型，可以增强环境韧性，推动城市和地区道路燃料的可持续发展。在欧洲，通过复杂的多区域能源系统模型对能源系统的稳定性、灵活性、充足性、韧性和稳健性进行研究发现，部署可再生能源和公共基础设施（如 EVCS、储能）可以提高清洁能源消费，促进低碳转型，平衡碳中性和能源韧性对于确保综合能源系统的可持续性至关重要。

大数据和 AI 助力能源韧性提升

1. 基于机器学习（ML）的能源韧性系统：通过持续的强化学习，能源韧性系统可以实现智能能源导航，具备可解释的推理、能源诊断、运营优化和能源政策制定等功能。例如，通过结构特征提取的迁移学习，能够使电网高效、可靠地适应新系统的扩展。从能源需求侧来看，利用长短期记忆神经网络驱动的代理模型和深度强化学习（DRL），对热泵和家用热水存储进行先进的数据驱动控制，可以有效降低 23% 的峰值能源需求 。还可以开发高效的安全弹性需求侧管理引擎，基于实时能源信息优化能源利用；采用基于 ML 的混合需求侧控制器，能够降低峰值功率，提高能源灵活性。在区域电气和供热系统中，应用先进的 DRL 方法优化能源转换，可以节省大量成本。通过历史数据和混合整数线性规划求解器构建专家轨迹，训练生成对抗模仿学习（GAIL）算法，能够做出关于电力 - 氢转换、氢 - 电力转换和燃料电池电动汽车加油的战略决策，使系统利润最大化。

AI 在智能能源系统中应用广泛，包括监督学习、无监督学习、强化学习、集成学习、优化算法、概率模型和统计方法、时间序列分析以及深度学习等。监督学习算法主要用于通过代理模型开发进行性能预测；无监督学习可用于电力故障后的弹性恢复服务；强化学习基于代理与环境之间的动态交互和动作进行惩罚和奖励，广泛应用于高效综合能源系统的模型预测控制；集成学习通过组合多个基础估计器的预测结果，在故障诊断和性能预测中得到广泛应用。此外，优化算法、概率模型和统计方法、时间序列分析算法以及深度学习算法等，也被广泛用于最小化运营成本、预测多种能源动态变化、优化能源系统设计和运行等方面。ML 在综合能源系统的性能预测、基础设施规划和优化运行等方面发挥着重要作用。它可以帮助预测气候变化和极端事件，凭借强大的计算能力指导基础设施规划，包括优化可再生能源 - 储能部署、确定 EVCS 的最佳位置和资源分配、缓解消费者的电动汽车里程焦虑等。在优化运行方面，ML 主要应用于通过 AI 控制实现高效电动汽车运行、保障道路安全、优化交通流量以及智能电网管理等。基于 ML 的能源韧性增强涵盖自适应能力、吸收能力、恢复能力、稳定性和韧性成本等多个方面。
2. 数据信息通信和组件间交互：生成式人工智能（GenAI）在智能电网通信中具有重要作用，它可以减轻通信负担，通过匿名数据传输增强隐私保护，提高效率和可扩展性。通过微调基础模型，能够生成考虑电网所有收集数据的合成数据，用于训练特定任务的全局 ML 模型，如异常检测和能源优化。在综合能源系统中，实时信息的共享和实施对于采取行动和控制至关重要，包括能源交易的数量和价格、电力削减以及电网运营商的实时状态等信息。智能电网中的数据信息通信和组件间交互技术包括电动汽车电池的智能充电 / 放电、需求侧管理、分布式能源资源集成、退役电池再利用、电力分配、传输和运行等。基于中间 EVCS，电动汽车电池的智能充电 / 放电可以实现可再生能源、电网、电动汽车和建筑物之间的多向功率交互，能源和信息流在各个主体之间流动，用于电力调度和能源管理。需求侧管理通过智能终端和家用电器，根据可再生能源供应、能源需求和电网要求提供能源灵活性。能源枢纽整合多种能源，需要电力系统运行和资源再利用，以实现能源效率和低碳转型。通过政策制定者、城市规划者和利益相关者的共同努力，信息通信技术在多利益相关者的参与下，有助于建设可持续和有韧性的社区。
3. GenAI 助力区域能源韧性提升：GenAI 利用生成模型学习训练数据的潜在模式和结构，生成文本、图像、视频或其他形式的数据。具有大语言模型（LLMs）的 GenAI 能够创建令人信服的文档和图像，甚至编写合理的 Python 代码用于命令执行。GenAI 工具还可以改进安全措施，包括网络防御自动化、报告、威胁情报、安全代码生成和检测、攻击识别、制定道德准则和事件响应计划以及恶意软件检测等。GenAI 助力区域能源韧性提升主要包括多源数据收集、数据处理、模型选择和设计、人在回路（human-in-the-loop）、GenAI 能源以及在实际能源系统中的应用等方面。多源数据包括历史数据、实时数据、领域知识和多模态数据等。针对不同形式的多源数据，数据处理方法主要有数据清洗、数据融合、归一化、特征提取和分类等。模型选择和设计可以采用生成模型和物理模型。在 LLM 中加入人在回路，能够提高模型的准确性和适应性，但人与机器之间的伦理和信任问题仍需进一步研究。GenAI 在区域能源韧性方面的应用主要包括自动建模和计算、可视化、能源消耗预测、智能能源管理、优化和能源韧性分析等领域。

能源韧性面临的挑战

1. 气候变化和极端天气：气候变化和极端气候事件可能导致电力供应可靠性下降高达 16%。虽然可再生能源的间歇性和不稳定性令人担忧，但实际上，高渗透率的依赖天气的可再生能源（WD-RESs）在电力系统中往往会减少而不是增加停电次数。在极端天气条件下，停电的主要原因并非 WD-RESs，相反，高渗透率的可再生能源可以增强电力系统的韧性。目前面临的关键研究挑战是开发高分辨率、兼容的模型，将全球气候模型（GCMs）的气候预测与能源模型有效连接，从而将极端气候的影响整合到电力系统动态中。这种模型对于以 WD-RESs 为主导的电力系统的战略规划和运营管理至关重要。实现这种整合需要准确地对气候预测进行降尺度处理，以模拟当地天气对能源基础设施的影响和局部小气候。此外，迫切需要制定利用详细天气预测进行事前调度和事中灵活资源调度的策略，以维持系统平衡和韧性。同时，还必须考虑未来气候条件的不确定性，考虑多种气候情景，以应对气候变化的可变性。城市密度和气候变化带来的挑战要求在能源基础设施等设计阶段提高灵活性，提高可再生能源渗透率。
2. 城市规模信息建模和不可预测的区域 / 国家间战争风险：城市能源系统的城市规模信息模型（CIM）的数据收集、处理和模型开发的效率和准确性，对于在能源战略和政策正式推出前进行测试至关重要。确保高质量、准确和最新的数据意义重大，但城市规模能源信息模型（CIM）的数据收集和处理方法的效率受到巨大计算负荷、系统固有的非线性和非凸性以及它们之间的相互依赖性的限制。此外，全面综合的 CIM 需要对不同的城市子系统进行建模，包括建筑社区能源系统、交通、电网和通信网络等，这些子系统相互耦合，并且可能受到战争风险等极端事件的显著影响。这些系统的复杂性及其相互作用给建模和仿真带来了巨大挑战，需要先进的算法和计算简化方法。而且，CIM 对于城市能源韧性的有效性取决于多个利益相关者的协调，包括政府机构、能源供应商和城市规划者等，因此在 CIM 的评估阶段，需要进行能源交易机制设计和经济可行性分析。区域 / 国家间战争风险的不可预测性增加了不确定性，需要协调响应和稳健的通信策略，以确保 CIM 模型与实时情报集成，能够适应快速变化的条件。
3. 需求侧响应管理：及时有效的电力调度和能源管理通信对于城市能源系统至关重要。城市能源系统的快速数字化转型对高速、多维通信技术的部署提出了很高要求，这些技术需要确保大量数据准确及时地传输到控制中心。电力线通信（PLC）作为关键技术，利用现有的电线进行高速双向数据传输。然而，将控制终端、数据通信和能源传输集成在电网中，PLC 面临着高可靠性、低延迟管理海量数据负载的扩展挑战。多种能源互补的协调能源调度可以提高抵御极端天气的韧性，确保能源供应不间断。此外，数字孪生技术对于多种能源和信息系统的集成至关重要，它可以创建能源系统的虚拟副本，便于进行模拟、预测和性能优化。信息和通信技术（ICT）的集成，包括云计算、大数据、物联网、移动互联网、智能电网和区块链等，对于构建智能能源供应系统框架至关重要，但这也带来了设计强大的 ICT 架构的挑战，该架构不仅要随着新技术的发展而演进，还要确保互操作性、安全性和对能源动态的适应性。
4. 数据安全、隐私保护和区块链：数据安全、隐私保护和去中心化架构的要求促使区块链技术应用于城市能源系统。例如，通过区块链技术研究氢和电池储能的综合应用，实现弹性和稳健的频率控制。在公共或无许可网络上运行的区块链系统通常面临可扩展性和交易吞吐量的挑战。在城市能源系统中，大量智能电表、传感器和设备产生的海量数据交易需要区块链解决方案来管理高交易率。此外，采用工作量证明（PoW）共识机制的区块链系统因高能耗和可扩展性问题受到批评。因此，开发节能的共识机制和可扩展性解决方案至关重要，以支持城市能源系统对实时数据处理和交易不断增长的需求。城市能源系统的韧性还涉及设计能源系统的去中心化架构，以减少自然灾害或网络事件等干扰对集中式能源系统的影响，同时配备稳定的区块链系统和网络安全措施。将区块链系统与城市能源系统结合的另一个挑战是确保区块链平台与现有能源基础设施（包括遗留系统和物联网设备等数字技术）之间的互操作性，这需要开发标准化协议和接口，在保护数据安全和隐私的同时促进集成。此外，数字化过程系统风险评估中的不确定性建模充满挑战，需要深入研究社会技术系统中的专家判断和不确定性。

展望与建议

1. 应对气候变化和极端天气的影响：为了应对气候变化和极端天气对电力供应可靠性的影响，开发耦合气候 - 能源模型至关重要，这种模型将极端气候与能源系统动态相结合。应重点发展高分辨率气候模型，以帮助优化系统规划和运营，特别是在高渗透率的依赖天气的可再生能源情况下。将实时天气信息纳入城市能源系统运营对于减轻极端天气事件的影响至关重要，这需要详细的天气预报，以便在事前进行调度，在事件发生时动态调度灵活资源，维持能源供应和韧性。评估不确定性下的气候韧性仍然是一个重大挑战，研究应集中在将 GCMs 的气候预测与能源模型联系起来，考虑未来气候条件的不确定性，包括对 GCM 输出进行降尺度处理，模拟当地天气影响，并使用多种气候情景来管理可变性和计算需求。
2. 改进城市规模信息建模：确保高质量、准确和最新的数据对于有效的 CIM 至关重要，尤其是考虑到快速变化的地缘政治形势可能影响能源基础设施和需求。这需要改进数据收集方法，部署先进的传感技术和数据分析平台。CIM 需要整合各种城市子系统，包括建筑能源、交通、电网和通信网络等，这些系统在压力下的复杂性和相互作用给建模和仿真带来了重大挑战，因此需要先进的算法和计算方法来预测和减轻对城市能源韧性的潜在影响。有效的城市能源韧性 CIM 必须涉及多个利益相关者的合作，包括政府机构、能源供应商和城市规划者等，这种合作对于确保 CIM 与实时情报集成，能够适应快速变化的条件至关重要，特别是考虑到区域间和国际冲突的不可预测性。
3. 提升通信技术和能源调度能力：为了解决 PLC 的可扩展性问题，迫切需要开发能够管理大量数据负载，同时确保高可靠性和低延迟的先进技术。探索优化现有电力基础设施数据传输的新颖算法和硬件解决方案可能特别有益。此外，数字孪生技术的集成值得高度关注，这些虚拟模型可以模拟和预测系统行为，从而优化性能，增强对极端天气事件等干扰的抵御能力。设计灵活的 ICT 架构，纳入云计算、大数据、物联网和区块链等新兴技术也至关重要，该架构必须促进无缝互操作性、强大的