人工智能在國內新能源領域中的應用研究進展與趨勢

摘 要：隨著深度學習、自然語言處理等人工智能技術的發展，人工智能在新能源領域的應用日益廣泛。為了探究人工智能在我國新能源產業中的發展軌跡，利用CiteSpace軟件對中國知網（CNKI）中關于人工智能與新能源交叉領域的文獻進行了計量分析。分析結果表明：新能源領域賦能人工智能研究可分為初步應用、技術發展和全面應用3個階段，并且研究熱點主要集中在智能電網建設、新能源并網消納、新能源汽車和綜合能源系統等領域；人工智能在新能源領域的應用呈現精細化和全面化趨勢，在攻克技術瓶頸、提高新能源利用效率和實現智能化優化方面具有巨大潛力。基于現有文獻回顧，進一步展望了人工智能在未來新能源領域的應用前景。

關鍵詞：人工智能；新能源；文獻計量；知識圖譜

中圖分類號：F424;TK01+9

文獻標識碼：A

DOI：10.3969/j.issn.1672-2272.202501058

英文標題

Research Progress and Trends of Artificial Intelligence Application in Domestic New Energy Field： Knowledge Graph Analysis Based on CiteSpace

Wu Xiangfan， Liu Yuxin， Rebiguli· Baikeli， Liu Huayu

（School of Business Administration， Xinjiang University of Finance and Economics， Urumqi 830013， China）

英文摘要Abstract： With the rapid development of artificial intelligence technologies such as deep learning and natural language processing， the application of AI in the new energy sector has become increasingly widespread. In order to explore the development trajectory of AI in China's new energy industry， this paper utilizes CiteSpace software to conduct a deep bibliometric analysis of literature related to the intersection of artificial intelligence and new energy in the China National Knowledge Infrastructure （CNKI） database.The analysis results show that： the research on empowering AI in new energy field can be divided into three stages： preliminary application， technology development and comprehensive application， and the research hotspots are mainly concentrated in the fields of smart grid construction， new energy grid integration， new energy automobile and comprehensive energy system; the application of AI in the new energy field presents the trends of refinement and comprehensiveness， and has great potential to overcome the bottlenecks of technology， improve the efficiency of new energy utilization， and The application of AI in the field of new energy presents two trends of refinement and comprehensiveness， which have great potential in overcoming technical bottlenecks， improving the efficiency of new energy utilization and realizing intelligent optimization. Based on the existing literature review， this paper further looks forward to the future application prospects of AI in the field of new energy.

英文關鍵詞Key Words：Artificial Intelligence; New Energy; Bibliometrics; Knowledge Graphs

0 引言

作為全球最大的能源消費國之一，中國面臨著外部能源依賴度高所帶來的能源安全風險及經濟可持續發展的挑戰。因此發展新能源成為保障中國能源安全、促進經濟綠色轉型的關鍵戰略。2005年《中華人民共和國可再生能源法》的頒布，標志著中國新能源產業發展步入快車道。及至2020年，“雙碳”目標的明確提出，以及《“十四五”能源領域科技創新規劃》與《國家能源局關于加快推進能源數字化智能化發展的若干意見》的發布，不僅彰顯了中國深化能源結構改革的決心，也預示著中國新能源發展邁入了一個以高質量增長和低碳轉型為特征的新階段。在這一新階段中，技術的持續進步與應用的不斷拓展成為推動新能源產業發展的關鍵力量。其中人工智能（Artificial intelligence，AI）作為科技創新的核心領域之一，已成為新能源領域高質量增長、低碳發展轉型以及智能化升級的核心驅動力。

人工智能具有強大的數據處理能力、自主學習能力和決策優化能力［1］。在新能源領域，人工智能技術的應用研究逐年增長，覆蓋電力系統、綜合能源系統、新能源汽車等多個方面。其核心應用環節包括預測（如利用AI精準預測天氣［2］、新能源發電功率以及負荷［3］等）、監測與診斷（如利用智能感知設備監測能源設施提升設備的可靠性和運行效率［4］）、優化控制（如AI實現發電及多能互補的優化［5-6］）及決策支持（如為電力運營商提供市場趨勢、負荷預測及風險評估等決策支持［7］）。

具體到應用場景中，為了促進新能源高效接入電網，降低電力供應的波動性和隨機性，目前利用人工智能在智能電網以及微電網中預測電力需求，并且優化發電和儲能系統［8-9］，加強了電力系統的安全與控制［10-11］；在新能源汽車領域，人工智能助力于電池技術開發、智能駕駛與輔助系統［12-13］，以及車網互動（V2G）技術［14］，提升電池性能、駕駛安全性和電網穩定性；在綜合能源管理中，人工智能被應用于風光儲多能互補優化以及能源互聯網人工智能平臺的建設［15-16］，提高能源使用效率，促進新能源消納；此外，在新能源市場交易中，多智能體決策模型通過模擬和優化新能源企業在電力市場中的投標、報價和風險管理策略，輔助企業做出更科學和合理的市場決策［17］。

人工智能在新能源領域的研究正迅速增長，涉及多個核心環節與應用場景。然而，現有研究多集中于某一具體應用或環節，缺乏對整體發展框架和趨勢的系統性分析。為此，本研究通過文獻計量法，基于中國知網（CNKI）數據庫中的相關文獻，利用CiteSpace軟件構建知識圖譜，系統梳理和分析人工智能在新能源領域的研究成果，整合分析現有文獻的研究現狀與發展趨勢，以期為人工智能賦能新能源領域的研究提供一個較為清晰、系統的研究趨勢現狀，并對未來研究進行展望。

1 研究方法與數據來源

借助 CiteSpace 6.2.R4 軟件對中國知網（CNKI）數據庫中新能源領域人工智能相關文獻進行計量分析，以探索該領域的研究熱點與趨勢前沿。具體而言，通過發文量、發文作者、發文機構來描繪分析研究概況及合作網絡；通過關鍵詞共現及關鍵詞聚類來定位分析當前領域內的研究熱點及主題；根據關鍵詞時間線分析及關鍵詞突現來探尋演進趨勢和前沿方向，來揭示目前的研究現狀并展望分析人工智能賦能新能源領域的研究前景及潛在方向。

本研究數據來自中國知網（CNKI）數據庫，以“人工智能”和“新能源”為主題檢索詞，不設置起始檢索時間，檢索結果為1 059篇，在篩選掉無關鍵詞以及無作者的文獻后剩余406篇，CiteSpace去重處理后剩余文獻406篇，時間跨度為2010-2024年（檢索日期為2024年7月31日）。

2 人工智能賦能新能源研究的基本情況

2.1 發文量分析

中國知網數據庫中相關研究文獻的發文量總體呈現顯著增長趨勢。

2010-2016年，相關研究處于起步階段，發文量較少，主要聚焦于人工智能在新能源微電網、工程管理、光伏功率預測和電動汽車自診斷系統中的應用。此期間的研究多為探索性研究，內容分散。

2017-2020年，發文量顯著增長，可能與國家政策支持和宏觀經濟推動有關。在此階段，隨著深度學習和大數據分析技術的發展，人工智能在新能源發電優化、電力系統調度、分布式可再生能源管理和新能源汽車中的應用逐漸增多。

2021-2024年，發文量總體平穩，略有波動。2022年受疫情和供應鏈中斷影響，發文量降至46篇。然而，隨著生成式人工智能技術的突破，特別是多模態預訓練大模型的發展，以及國家對能源數字化智能化的重視，2023年發文量迅速回升至73篇，創下近年來最高。發文量情況見圖1。

2.2 作者合作網絡

作者合作網絡反映了核心作者及其合作情況。節點大小代表發文量，連線表示作者之間的合作，線寬代表合作強度，顏色從冷色到暖色代表首次合作時間由遠到近。盡管國內發文量呈增長趨勢，但總體較少，導致各作者的發文量也偏低。國內發文量最高的作者是葛磊蛟［18］，發表4篇，主要研究人工智能在新能源系統中的應用。其次是王成山和周博文，發文量均為3篇。王成山聚焦智能電網和數字電網的構建與優化，楊東升等［19］則專注于電力系統研究，特別是人工智能在電力系統中的應用和泛在電力物聯網的關鍵技術與應用，具體見圖2。

3 研究熱點分布與趨勢分析

3.1 研究熱點分析

對新能源領域人工智能相關的現有文獻進行關鍵詞共現分析，可以揭示該領域的研究熱點及熱點的演進。關鍵詞共現分析如表1所示。

中心度越高，表示關鍵詞與其他關鍵詞的聯系越密切，反映其在網絡中的“橋梁”作用。中心度最高的關鍵詞是“新能源”，是整個研究領域的核心概念，連接不同主題。其次是“大數據”和“碳中和”，中心度均為0.27，表明它們是當前研究的關鍵技術和對象。另一個值得注意的高頻關鍵詞是“電力系統”（中心度0.18），由于我國新能源發電面臨適應性不足等問題，構建新型電力系統成為研究重點。通過分析這些關鍵詞，可以揭示人工智能在新能源領域的研究重點和作者關注的方向，見圖3。

3.2 主要研究歷程分析

通過關鍵詞時間線圖，我們可以深入理解人工智能研究在不同發展階段的演進趨勢，以及人工智能與各領域的融合情況和研究熱點的變遷。通過觀察時間線圖譜，結合人工智能技術的發展脈絡及其在新能源領域的應用范圍，本研究將人工智能賦能新能源發展的過程大致分為3個階段，分別是初步應用階段、技術創新階段以及全面應用階段，見圖4。

3.2.1 初步應用階段（2010-2017年）：人工智能在智能電網中的應用探索

《能源發展“十二五”規劃》中明確提到要加快推進智能電網建設，著力增強電網對新能源發電、分布式能源等能源利用方式的承載和適應能力。智能電網的建設

有助于提高新能源的接入能力、優化新能源的分配和利用，從而促進新能源的大規模開發和高效利用。這一階段的研究表明，傳統機器學習和人工智能技術在新能源與智能電網的應用顯著提升了預測精度和管理效率。

在這一階段，學者重點探討了傳統機器學習算法的理論與實踐應用，包括遺傳算法、神經網絡、數據挖掘等。機器學習的監督算法可以識別分類模式，而無監督學習則可以識別數據內在結構、群體特征或相關性，適用于探索性數據挖掘［20］。在初步應用方面，傳統機器學習算法在新能源功率預測的預處理階段起到了不錯的作用［21-22］。

人工智能推動了智能電網的高效可靠發展。隨著風力和光伏發電裝機規模的增加，電網面臨調峰能力不足和“棄光棄風”問題，電力系統的不確定性增加，消納能力明顯不足［23-24］。人工智能的數據處理技術能夠實時監測和分析電網數據，有效預測和管理新能源波動，提升電網調節能力［25］。在這一階段，研究主要集中在利用機器學習和數據挖掘方法分析電力系統數據，提高智能電網的調度效率和智能化水平，推動智能電網的初步發展［26］。

3.2.2 技術發展階段（2017-2021年）：深度學習引領新能源智能化發展

這一時期的研究表明，由淺層人工神經網絡演化而來的深度學習等人工智能算法進一步提高了新能源預測精度，增強了新能源協同優化以及儲能優化調度。

首先，隨著人工智能技術的創新與突破，以深度學習、跨界融合、人機協同、群智開放、自主操控等新特征為標志的新一代人工智能技術引領新能源智能化的浪潮。一方面，進一步提高新能源預測的廣度和精度。深度學習在解決復雜時間序列預測問題、提高風力、光伏發電預測精度以及負荷預測精度與穩定性中發揮重要作用［27- 28］。另一方面，人工智能技術從簡單的分類回歸轉向更復雜的擬合優化。強化學習能夠提供決策和優化建議，優化智能電網中的新能源管理策略、優化充電站的調度策略等；群體智能算法求解風光儲集群協同優化調度模型，提高風光儲集群聯盟收益，保障集群聯盟穩定性［29］。

其次，人工智能技術賦能新能源汽車以及儲能發展。在這一時期，“動力電池”“儲能”等關鍵詞逐漸顯現。人工智能技術能夠輔助電池新材料設計［30］，對動力電池的健康狀態進行評估［31］，提高荷電狀態預測精度與實時性。在儲能方面，將人工智能應用于分布式儲能的建模、分析和控制成為近年來的熱點研究方向。人工智能支持多種分布式儲能設備的協同優化管理，能夠實現多變量、多目標的控制問題；還能夠制定分布式儲能系統的充放電策略，以應對負荷需求、削峰填谷，優化分布式儲能調度［32］。

3.2.3 全面應用階段（2021年至今）：人工智能與多技術融合推動新能源系統智能化升級

這一時期，人工智能在新能源領域的應用不僅僅局限于局部技術突破，而是邁向了系統化應用和深度整合。無論是提出建設以新能源為主體的新型電力系統還是加快形成能源系統智能感知與智能調控體系，都表明了智能化浪潮已從局部走向整體，人工智能技術將逐步融入能源系統的各個環節，并實現整體優化與調控。

首先，人工智能與物聯網、大數據、云計算等技術的結合，使得新能源系統能夠實時采集、處理和分析海量數據，從而提升了能源生產、傳輸和消費的效率。此外，數字孿生技術作為人工智能在新能源領域的重要應用，進一步推動了新能源系統的智能化管理。通過對物理設備和系統的虛擬化映射，數字孿生技術能夠提供精準的實時監控和模擬分析，幫助研究人員和工程師優化設備的運行狀態，提前識別潛在風險，最終引導物理空間按照最優策略運行［33］，數字孿生技術在智能電網、新能源發電系統優化以及新能源項目全生命周期管理等方面發揮重要作用［34］。此時人工智能的應用不再局限于用算法來解決技術上的建模、優化等問題，而是與其他新技術相結合，形成一個強大的智能系統。

其次，人工智能技術促進了源網荷儲一體化和多能互補的發展，有助于提升新能源消納能力、優化能源結構和提高供應可靠性。通過精確的負荷預測、儲能優化調度和智能電網管理，人工智能確保不同能源的平衡與協調［35］。在儲能方面，AI根據電力需求和儲能容量實時調整充放電策略，提高效率并減少能源浪費。在多能互補中，AI通過數據融合和深度學習實時監測和預測不同能源的發電與需求，提供最佳能源調度方案，推動風能、太陽能、水能、氫能等能源形式的協同發展［36］。

人工智能在新能源領域的研究經歷了3個階段。從初期傳統機器學習在電力系統中的應用，到深度學習和優化算法等新技術在提高新能源預測精度和智能電網、儲能優化中的應用。隨著技術突破，人工智能進入全面應用階段，與物聯網、大數據等技術深度融合，實現了新能源系統的智能感知、調度與優化管理，并推動了源網荷儲一體化、多能互補等綜合能源管理模式，提升了新能源利用效率和能源系統整體協同能力。

3.3 研究主題分析

關鍵詞聚類揭示了研究領域的主題結構和趨勢，幫助理解知識領域的主要焦點和關聯。通過對關鍵詞進行對數似然法聚類，聚類編號越小表示聚類規模越大。統計數據顯示，Modularity Q值為0.852 3，說明網絡聚類結構顯著；Mean Sihouette值為0.952 3，表明聚類文獻在主題上高度同質。根據聚類分析，本研究將聚類結果總結為3類：能源系統演變與轉型、智能技術賦能新能源、智能管理與未來預測，見圖5。

3.3.1 能源系統演變與轉型

能源系統演變與轉型研究領域主要聚焦“電力系統（#0）”“新能源（#2）”“能源轉型（#6）”。聚類“電力系統（#0）”是本次聚類結果中規模最大的聚類。這一聚類主要涉及電力系統的設計、運行和優化。它主要涵蓋了與電網、電力傳輸和分配相關的研究，討論如何提高電力系統的穩定性和效率，特別是在接入大規模新能源時的挑戰。新能源（#2）的聚類規模位居第三位，是研究主題的核心，代表了能源系統的演變方向，這一聚類專注于新能源的開發、利用和技術創新。能源轉型（#6）則體現了我國關注如何實現從化石能源向可再生能源的過渡。

3.3.2 智能技術賦能新能源

智能技術賦能新能源的研究集中在人工智能、大數據、機器人和智能化技術的應用上。人工智能（#1）主要探討其在能源領域的應用，如智能調度、故障預測和優化控制等［37］。大數據（#4）作為AI的基礎，支持新能源技術變革，通過能源需求預測、設備監控和優化運行，提高管理效率和決策準確性。機器人（#7）作為AI的實踐應用，主要應用于設備檢測、維修和自動化操作，提高能源生產效率［38］。智能化（#8）則體現了AI在新能源領域的成果，推動了智能電網、智慧能源的發展，實現了能源的高效、安全、經濟和清潔利用，為社會的可持續發展提供保障［39-40］。

3.3.3 智能管理與未來預測

智能管理與未來預測聚焦于“數字孿生（#3）”“發展路徑（#5）”“數字化（#9）”和“區間預測（#10）”。數字孿生通過創建物理實體的虛擬模型，促進物理和信息世界的融合，主要應用于風電場和光伏電站的生命周期管理，優化能源傳輸過程中的控制能力。發展路徑聚焦于新能源發展戰略、可再生能源推廣和能源結構轉型等方面。數字化轉型關注提升能源企業運營效率，如數字化供應鏈和運營監控。區間預測側重于新能源系統中的不確定性預測和決策支持，特別是在電力負荷預測和可再生能源發電預測中，以應對能源系統的波動性和不確定性。

3.4 發展趨勢分析

突變詞是指在短時間內某個關鍵詞的被引頻次突然增多，代表該領域的研究趨勢。根據表2所示，突變強度最大的關鍵詞是“新基建”，在2020-2021年間突變強度為3.18。自2020年提出后，“新基建”迅速成為學術界和產業界的研究熱點，標志著中國經濟向新型基礎設施轉型。新基建推動了數字經濟和高科技產業的發展，尤其在新能源領域。“智能電網”的突變強度為3.17，表明2014-2019年間對智能電網的研究顯著增加。智能電網提高了能源利用效率，保障了電力系統穩定運行，促進了清潔能源的大規模應用，并有助于碳減排和環境保護。同時，它還推動了相關產業鏈的創新發展，成為經濟增長的新動力。“碳中和”的突變強度為2.33（2021-2022年），在新能源領域的研究中，不僅關注提高能源生產效率和清潔度，還致力于實現能源生命周期中的碳中和，推動能源系統綠色轉型，通過技術創新和政策引導實現碳減排目標。“數字孿生”的突變強度為2.26（2022-2024年）。數字孿生技術廣泛應用于設備建模、系統優化和預測性維護等方面，提升了能源利用效率，保障了系統安全穩定，推動了新能源產業的可持續發展。“智能化”，其在2022-2024年的突變強度為1.65。智能化已成為推動新能源領域創新的關鍵力量，提高了能源利用效率，降低了成本，增強了系統穩定性和安全性，在新能源的各個環節都發揮著重要作用。

4 結論與展望

4.1 研究結論

通過對中國知網（CNKI）數據庫中新能源領域人工智能研究文獻的分析，得出以下結論：①2017年之前，新能源領域人工智能研究較少，隨著技術發展，相關研究逐年增加，并在2018年迎來爆發式增長。②新能源領域人工智能研究可分為3個階段：初步應用階段（2010-2017年）、技術創新階段（2017-2021年）和全面應用階段（2021至今）。③研究熱點主要集中在智能電網建設、新能源并網消納、新能源汽車和綜合能源系統等領域。人工智能技術的應用提升了能源系統的運行效率與安全性，支持了能源結構轉型和“雙碳”目標的實現。④人工智能在新能源領域的應用呈現精細化和全面化趨勢：在細分場景中深入應用，解決具體問題并提升效率；同時人工智能在整個能源系統中加強了協調調度，通過大數據和優化算法實現能源資源的優化配置。

4.2 未來研究展望

第一，完善數據治理機制，解決數據孤島與高質量數據稀缺問題。人工智能應用需要大量數據支持，但新能源行業面臨數據孤島問題，缺乏統一的數據治理機制，限制了人工智能的應用效果。為打破數據孤島，需要建立高效的數據共享平臺，如中國大唐集團通過風電數據治理體系，利用云平臺實現數據采集、系統互聯和業務協同，促進數據共享。未來研究應關注如何推動跨部門、跨行業的數據共享與互聯互通，構建完善的數據治理框架，并制定質量控制標準。借助人工智能技術進行數據清洗和修正，確保數據質量持續優化。通過跨行業合作，推動數據共享，提高數據資源的質量和利用效率，為新能源和人工智能領域的可持續發展提供數據支持。

第二，建立健全人工智能安全監管體系，有效保障數據隱私和安全性。人工智能技術應用中，保障數據隱私和安全性面臨多維度挑戰，涉及技術、政策和倫理。當前的安全措施包括訪問控制、數據加密、數據備份以及匿名化、脫敏和差分隱私技術，可在一定程度上確保數據安全和隱私。然而，隨著技術發展，新的安全威脅如模型竊取和成員推斷攻擊出現，現有技術在隱私保護方面仍有不足。未來研究應著重開發更先進的模型安全技術，如模型加密和隱私保護機器學習技術。此外，結合人工智能芯片與邊緣計算可以加速計算并減少數據傳輸，降低數據泄露風險。提高人工智能模型的可解釋性和透明度，開發易解釋的模型和可視化技術，有助于理解決策過程。同時，推動國際合作，制定統一的數據保護標準和法規，強化監管，確保法規實施，為充分利用人工智能技術帶來的益處提供保障。

第三，優化人工智能技術能源消耗，降低環境成本。人工智能技術的能源消耗問題，特別是在大型深度學習模型訓練中，日益引起關注。大規模訓練需要大量電力，尤其是使用多個GPU進行并行計算時，導致能源消耗上升，可能加劇全球能源緊張并對環境產生負面影響。未來研究應關注如何在推動技術發展的同時，降低能源消耗和環境成本。可以通過優化算法和模型減少能源消耗，例如采用增量學習或遷移學習等技術減少計算需求，使用模型壓縮（如權重剪枝、低秩分解）來降低能耗。同時，推動數據中心使用新能源（如風能、太陽能）來減少碳排放和能源消耗，實現人工智能與新能源的融合，推動綠色計算和可持續技術的發展。

第四，人工智能技術推動新能源領域的跨行業技術創新與產業融合，為能源產業帶來全新的發展機遇。人工智能技術推動新能源領域的跨行業技術創新與產業融合，提升了能源生產和消耗效率，并促進了電動汽車、智慧建筑、綠色金融等領域的發展。例如，人工智能可通過信息實時監測和風險預警解決綠色金融中的風險管理問題，提高金融監管效率，并優化投資組合，支持可再生能源項目融資。然而，人工智能在新能源領域的應用面臨數據整合、技術落地成本和人才短缺等挑戰。未來研究應聚焦如何克服這些技術壁壘，推動深度融合，并探索跨行業協同創新的路徑。在人才方面，需關注產學研合作培養跨學科人才，并提升現有從業人員的技術素養，推動知識更新，以促進人工智能與新能源領域的深度融合。

參考文獻參考文獻：

［1］ 崔雍浩， 商聰， 陳鍶奇， 等. 人工智能綜述：AI的發展［J］. 無線電通信技術， 2019，45（3）： 225-231.

［2］ 代倩， 段善旭， 蔡濤， 等. 基于天氣類型聚類識別的光伏系統短期無輻照度發電預測模型研究［J］. 中國電機工程學報， 2011，31（34）： 28-35.

［3］ 梁智， 孫國強， 李虎成， 等. 基于VMD與PSO優化深度信念網絡的短期負荷預測［J］. 電網技術， 2018，42（2）： 598-606.

［4］ 李根， 劉珊珊. 基于大數據和人工智能的儲能系統故障預測與診斷方法研究［J］. 儲能科學與技術， 2024，13（10）： 3653-3655.

［5］ 晏創. 基于人工智能算法的風光互補發電系統優化設計與實現［J］. 電氣技術與經濟， 2024（7）： 95-97.

［6］ LIU T， TIAN J， ZHU H， et al. Key technologies and developments of multi-energy system： three-layer framework， modelling and optimisation ［J］. Energy， 2023，277： 127697.

［7］ 畢可強， 屈寶平， 范永忠. 售電公司電力現貨交易輔助決策系統關鍵技術研究［J］. 山東電力高等專科學校學報， 2024，27（2）： 14-18.

［8］ 張宇涵， 杜貴平， 雷雁雄， 等. 直流微網混合儲能系統控制策略現狀及展望［J］. 電力系統保護與控制， 2021，49（3）： 177-187.

［9］ 劉金華， 柯鐘鳴， 周文輝. 基于強化學習的微電網能源調度策略及優化［J］. 北京郵電大學學報， 2020，43（1）： 28-34.

［10］ 范士雄， 李立新， 王松巖， 等. 人工智能技術在電網調控中的應用研究［J］. 電網技術， 2020，44（2）： 401-411.

［11］ 趙晉泉， 夏雪， 徐春雷， 等. 新一代人工智能技術在電力系統調度運行中的應用評述［J］. 電力系統自動化， 2020，44（24）： 1-10.

［12］ 許晶， 王宇琦， 符曉， 等. 基于大數據的電池新材料設計［J］. 儲能科學與技術， 2024，13（9）： 2920-2932.

［13］ YAO Y， ELLA A， MATTHEW J， et al. BiTraP： bi-directional pedestrian trajectory prediction with multi-modal goal estimation［J］. IEEE Robotics and Automation Letters， 2021，6（2）： 1463-1470.

［14］ 梁云龍， 羅朝旭， 劉澤宇， 等. 基于V2G技術的電動汽車充電器分層控制策略［J］. 智慧電力， 2024，52（10）： 64-69.

［15］ 邢翔宇， 江善和， 徐小艷. 基于改進粒子群算法的風光儲多能互補微網調度優化研究［J］. 安慶師范大學學報（自然科學版）， 2024，30（3）： 29-36.

［16］ 唐躍中， 夏清， 張鵬飛， 等. 能源互聯網價值創造、業態創新與發展戰略［J］. 全球能源互聯網， 2022，5（2）： 105-115.

［17］ 竇熙皓. 基于多智能體的新能源參與市場輔助決策模型研究［D］. 北京： 華北電力大學（北京）， 2024.

［18］ 葛磊蛟， 范延赫， 來金鋼， 等. 面向低碳經濟的人工智能賦能微電網優化運行技術［J］. 高電壓技術， 2023，49（6）： 2219-2238.

［19］ 楊東升， 王道浩， 周博文， 等. 泛在電力物聯網的關鍵技術與應用前景［J］. 發電技術， 2019，40（2）： 107-114.

［20］ 朱瓊鋒， 李家騰， 喬驥， 等. 人工智能技術在新能源功率預測的應用及展望［J］. 中國電機工程學報， 2023，43（8）： 3027-3048.

［21］ 王尤嘉， 魯宗相， 喬穎， 等. 基于特征聚類的區域風電短期功率統計升尺度預測［J］. 電網技術， 2017，41（5）： 1383-1389.

［22］ 王偉. 基于小波神經網絡的電力系統負荷預測［J］. 科技創業月刊， 2017，30（5）： 138-140.

［23］ 江潤葉. 風光接入下電力系統不確定性研究綜述［J］. 海峽科學， 2022（9）： 32-36.

［24］ 楊益. 大規模風電入網對電力系統運行及規劃的影響［J］. 科技創業月刊， 2014，27（8）： 193-194.

［25］ 翁桂萍， 宋少群， 程鑫， 等. 電力市場新能源消納分析與思考［J］. 海峽科學， 2022（5）： 58-60.

［26］ 張桂枝， 羅振成， 靳越. 基于人工智能技術的智能電網調度研究［J］. 電源技術， 2013，37（12）： 2212-2213.

［27］ 董彥軍， 王曉甜， 馬紅明， 等. 基于隨機森林與長短期記憶網絡的電力負荷預測方法［J］. 全球能源互聯網， 2022，5（2）： 147-156.

［28］ 司志遠， 楊明， 于一瀟， 等. 基于衛星云圖特征區域定位的超短期光伏功率預測方法［J］. 高電壓技術， 2021，47（4）： 1214-1223.

［29］ 張海寧， 陶以彬， 梅惠， 等. 基于合作博弈的風光儲集群協同優化調度模型［J］. 熱力發電， 2021，50（8）： 87-94.

［30］ 張奇， 彭超， 薛冬峰. 數據驅動儲能電池新材料的篩選和設計［J］. 中國科學：技術科學， 2024，54（4）： 584-600.

［31］ 戴國洪， 張道涵， 彭思敏， 等. 人工智能在動力電池健康狀態預估中的研究綜述［J］. 機械工程學報， 2024，60（4）： 391-408.

［32］ 朱濤， 陳嘉俊， 段秦剛， 等. 基于近似動態規劃的工業園區源–網–荷–儲聯合運行在線優化算法［J］. 電網技術， 2020，44（10）： 3744-3751.

［33］ 趙鵬， 蒲天驕， 王新迎， 等. 面向能源互聯網數字孿生的電力物聯網關鍵技術及展望［J］. 中國電機工程學報， 2022，42（2）： 447-458.

［34］ 王榕泰， 吳細秀， 冷宇寬， 等. 數字孿生技術在新型電力系統中的發展綜述［J］. 電網技術， 2024，48（9）： 3872-3889.

［35］ 王繼業. 人工智能賦能源網荷儲協同互動的應用及展望［J］. 中國電機工程學報， 2022，42（21）： 7667-7682.

［36］ 梁恩豪， 孫軍偉， 王延峰. 基于自適應樽海鞘算法優化BP的風光互補并網發電功率預測［J］. 電力系統保護與控制， 2021，49（24）： 114-120.

［37］ 杜繼成， 白江， 魯功強， 等. 基于人工智能的電網智能調度平臺構建技術研究［J］. 電子器件， 2023，46（2）： 573-577.

［38］ 張兵， 韓天輪. 關稅壁壘、制造業智能化與中國碳排放——工業機器人應用觀察視角［J］. 現代財經（天津財經大學學報）， 2024，44（5）： 62-78.

［39］ 戴彥， 王劉旺， 李媛， 等. 新一代人工智能在智能電網中的應用研究綜述［J］. 電力建設， 2018，39（10）： 1-11.

［40］ 宋璇坤， 韓柳， 鞠黃培， 等. 中國智能電網技術發展實踐綜述［J］. 電力建設， 2016，37（7）： 1-11.

責任編輯（責任編輯：宋勇剛）