Sonam

Ioannis Antonopoulos、Valentin Robu、Benoit Couraud、Desen Kirli、Sonam Norbu 等人。人工智能和机器学习方法在能源需求侧响应中的应用：系统评价。《可再生和可持续能源评论》，2020 年，130，第 109899 页。�10.1016/j.rser.2020.109899�。�hal- 03601421�

随着间歇性可再生能源发电在能源结构中的占比不断增加以及负载类型更加不稳定（如电动汽车充电），近年来人们对能源需求侧响应 (DR) 的兴趣日益浓厚。需求侧响应计划被认为能够以经济高效的方式提供所需的灵活性，从而提高能源系统的可靠性。大规模需求侧响应服务的需求通常由需求侧响应聚合器来满足，即提供聚合服务并充当系统运营商和最终消费者之间的中介的实体。需求侧响应相关任务的高度复杂性，加上它们对大规模数据的使用以及对近乎实时决策的频繁需求，意味着人工智能 (AI) 和机器学习 (ML)——人工智能的一个分支——最近已成为实现需求侧响应的核心技术。人工智能方法可用于应对各种挑战，包括选择最佳消费者响应集、了解他们的属性和偏好、动态定价、设备调度和控制、学习如何激励需求响应计划的参与者以及如何以公平和经济高效的方式奖励他们。本文基于对 160 多篇论文（发表于 2009 年至 2019 年之间）、40 家公司和商业计划以及 21 个大型项目的系统回顾，概述了用于需求响应应用的人工智能方法。这些论文根据所使用的人工智能/机器学习算法和能源需求响应的应用领域进行分类。接下来，介绍了商业计划（包括初创公司和老牌公司）和大型创新项目，其中人工智能方法已用于能源需求响应。本文最后讨论了所审查的人工智能技术在不同需求响应任务中的优势和潜在局限性，并概述了这一快速增长领域未来研究的方向。