2.793

2018影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

比特驱动的瓦特变革——信息能源系统研究综述

孙秋野 王一帆 杨凌霄 张化光

孙秋野, 王一帆, 杨凌霄, 张化光. 比特驱动的瓦特变革——信息能源系统研究综述. 自动化学报, 2020, 46(x): 1−14. doi: 10.16383/j.aas.c200634
引用本文: 孙秋野, 王一帆, 杨凌霄, 张化光. 比特驱动的瓦特变革——信息能源系统研究综述. 自动化学报, 2020, 46(x): 1−14. doi: 10.16383/j.aas.c200634
Sun Qiu-Ye, Wang Yi-Fan, Yang Ling-Xiao, Zhang Hua-Guang. Bit-driven watt revolution: a review of cyber energy system. Acta Automatica Sinica, 2020, 46(x): 1−14. doi: 10.16383/j.aas.c200634
Citation: Sun Qiu-Ye, Wang Yi-Fan, Yang Ling-Xiao, Zhang Hua-Guang. Bit-driven watt revolution: a review of cyber energy system. Acta Automatica Sinica, 2020, 46(x): 1−14. doi: 10.16383/j.aas.c200634

比特驱动的瓦特变革——信息能源系统研究综述


DOI: 10.16383/j.aas.c200634
详细信息
    作者简介:

    东北大学信息科学与工程学院教授. 主要研究方向为网络控制技术, 分布式控制技术, 分布式优化分析及其在能源互联网, 微网, 配电网等领域相关应用. 本文通信作者. E-mail: sunqiuye@mail.neu.edu.cn

    东北大学信息科学与工程学院硕士研究生. 主要研究方向为机器学习及其在能源互联网、微网和配电网等领域相关应用. E-mail: effortking@163.com

    东北大学信息科学与工程学院博士研究生. 主要研究方向为机器学习及其在能源互联网、微网和配电网等领域相关应用. E-mail: ylxiao66@163.com

    东北大学信息科学与工程学院教授. 主要研究方向为自适应动态规划, 模糊控制, 网络控制, 混沌控制. E-mail: zhanghuaguang@mail.neu.edu.cn

  • 基金项目:  国家重点研发计划(2018YFA0702200), 国家自然科学基金(62073065)

Bit-driven Watt Revolution: A Review of Cyber Energy System

More Information
  • Fund Project:  Supported by National Key R&D Program of China under grant (2018YFA0702200), National Natural Science Foundation of China (NSFC) under Grant(62073065)
  • 摘要: 本文采用科学知识图谱的方法系统梳理了信息能源系统研究的整体概况, 以数据和知识混合驱动的方式展现了信息能源系统专业领域的热点领域和学术链条, 并聚焦4个重点研究领域: 一致控制、优化调度、用户驱动的优化管理、信息能源深度融合系统, 在共被引分析基础上, 依据文献重要性和贡献度人工筛选出高影响力文献, 梳理了信息能源系统研究演化发展趋势. 分析表明, 当前信息技术作为有力的支撑驱动了能源系统的发展, 但信息与能源之间的联系仍不够紧密, 对能源数据价值的充分挖掘等问题亦需进一步研究.
  • 图  1  2001-2019年发文数统计

    Fig.  1  Statistics of published papers from 2001 to 2019

    图  2  CNKI关键词共现分析

    Fig.  2  CNKI keywords co-occurrence analysis

    图  3  WoS关键词共现分析

    Fig.  3  WoS keywords co-occurrence analysis

    图  4  信息能源系统与热点研究领域

    Fig.  4  Cyber energy system and hot research fields

    图  5  优化相关领域的聚类

    Fig.  5  Clustering of optimize related fields

    图  6  控制相关领域的聚类

    Fig.  6  Clustering of control related fields

    图  7  管理相关领域的聚类

    Fig.  7  Clustering of manage related fields

    图  8  CPS相关领域的聚类

    Fig.  8  Clustering ofCPSrelated fields

    表  1  本地高被引文献

    Table  1  High LCS references

    作者文献时间LCSGCSLCRCR
    Mancarella P [9]2014714462167
    Huang A Q, Crow M L,
    Heydt G T, et al. [10]
    201162667032
    Sun Q Y, Han R K,
    Zhang H G, et al. [11]
    201532152244
    Wang K, Yu J, Yu Y, et al. [12]201823726113
    Bui N, Castellani A P,
    Casari P, et al. [13]
    201220113015
    Mathiesen B V, Lund H,
    Connolly D, et al. [14]
    2015193840120
    Liu X Z, Mancarella P [15]20161980340
    Sun Q Y, Zhang Y B,
    He H B, et al. [16]
    20171752244
    Bao Z J, Zhou Q,
    Yang Z H, et al. [17]
    20151695024
    Zhou K L, Yang S L, Shao Z [18]201616793137
    下载: 导出CSV

    表  2  中英文混合关键词突现分析

    Table  2  Emergence analysis of keywords in Chinese and English

    关键词强度起始时间终止时间2001-2020
    信息物理系统9.3920152017
    智能电网7.9020142016
    能源系统5.1020052015
    Control4.6720032013
    分布式能源4.6420052016
    家庭能源管理系统4.5020142017
    分布式能源系统4.1220152016
    能源路由器4.1020152017
    电动汽车4.0120012017
    优化3.9320042017
    energy3.8920082014
    可再生能源3.5020072016
    全球能源互联网3.2120162017
    优化运行3.1920152018
    大数据3.1020152016
    新能源电力系统3.1020152016
    控制3.0120072016
    electricity market2.9320062017
    optimization2.8120092011
    优化规划2.7820042016
    coordination2.7520172018
    reduction2.7220162018
    smart grid2.6420142015
    design2.4020092010
    cyber-physical system2.3620102014
    能源管理2.3520112016
    solar2.3220092014
    下载: 导出CSV
  • [1] 周孝信. 新一代电力系统与能源互联网. 电气应用, 2019, 38(01): 4−6

    Zhou Xiao-Xin. New generation power system and energy Internet. Electrotechnical Application, 2019, 38(01): 4−6
    [2] 慈松. 数字储能系统. 全球能源互联网, 2018, 1(03): 338−347

    Ci Song. Digital energy storage system. Global Energy Interconnection, 2018, 1(03): 338−347
    [3] Sun Q Y, Yang L X. From independence to interconnection - A review of AI technology applied in energy systems. CSEE Journal of Power and Energy Systems, 2019, 5(1): 21−34
    [4] 孙秋野, 滕菲, 张化光. 能源互联网及其关键控制问题. 自动化学报, 2017, 43(2): 176−194

    Sun Qiu-Ye, Teng Fei, Zhang Hua-Guang. Energy internet and its key control issues. Acta Automatica Sinica, 2017, 43(2): 176−194
    [5] 白昱阳, 黄彦浩, 陈思远, 张俊, 李柏青, 王飞跃. 云边智能: 电力系统运行控制的边缘计算方法及其应用现状与展望. 自动化学报, 2020, 46(03): 397−410

    Bai Yu-Yang, Huang Yan-Hao, Chen Si-Yuan, Zhang Jun, Li Bai-Qing, Wang Fei-Yue. Cloud edge intelligence: edge computing method of power system operation control and its application status and prospect. Acta Automatica Sinica, 2020, 46(03): 397−410
    [6] 胡旭光, 马大中, 郑君, 张化光, 王睿. 基于关联信息对抗学习的综合能源系统运行状态分析方法. 自动化学报, 2020, 46(09): 1783−1797

    Hu Xu-Guang, Ma Da-Zhong, Zheng Jun, Zhang Hua-Guang, Wang Rui. An operation state analysis method for integrated energy system based on correlation information adversarial learning. Acta Automatica Sinica, 2020, 46(09): 1783−1797
    [7] 张化光, 孙宏斌, 刘德荣, 王剑辉, 孙秋野. 分布式信息能源系统理论与应用专题序言. 自动化学报, 2020, 46(09): 1767−1769

    Zhang Hua-Guang, Sun Hong-Bin, Liu De-Rong, Wang Jian-Hui, Sun Qiu-Ye. Introduction to the theory and application of distributed information energy systems. Acta Automatica Sinica, 2020, 46(09): 1767−1769
    [8] 管晓宏. 智能时代的信息物理融合系统. 网信军民融合, 2020, 1: 14−17

    Guan Xiao-Hong. Cyber physical system in the intelligent era. Civil-Military Integration on Cyberspace, 2020, 1: 14−17
    [9] Mancarella P. MES (multi-energy systems): an overview of concepts and evaluation models. Energy, 2014, 65: 1−17 doi:  10.1016/j.energy.2013.10.041
    [10] Huang A Q, Crow M L, Heydt G T, Zheng J P, Dale S J. The future renewable electric energy delivery and management (FREEDM) system: the energy internet. Proceedings of the IEEE, 2011, 99(1): 133−148 doi:  10.1109/JPROC.2010.2081330
    [11] Sun Q Y, Han R K, Zhang, H G, Zh ou, J G, Guerrero J M. A multiagent-based consensus algorithm for distributed coordinated control of distributed generators in the energy internet. IEEE Transactions on Smart Grid, 2015, 6(6): 3006−3019 doi:  10.1109/TSG.2015.2412779
    [12] Wang K, Yu J, Yu Y, Qian Y R, Zeng D Z, Guo S, Wu J S. A survey on energy internet: architecture, approach, and emerging technologies. IEEE Systems Journal, 2018, 12(3): 2403−2416 doi:  10.1109/JSYST.2016.2639820
    [13] Bui N, Castellani A P, Casari P, Zorzi M. The internet of energy: a web-enabled smart grid system. IEEE Network, 2012, 26(4): 39−45 doi:  10.1109/MNET.2012.6246751
    [14] Mathiesen B V, Lund H, Connolly D, Wenzel H, Østergaard P A, Möller B, Nielsen S, Ridjan I, Karnøe P, Sperling K, Hvelplund F K. Smart energy systems for coherent 100% renewable energy and transport solutions. Applied Energy, 2015, 145: 139−154 doi:  10.1016/j.apenergy.2015.01.075
    [15] Liu X Z, Mancarella P. Modelling, assessment and sankey diagrams of integrated electricity-heat-gas networks in multi-vector district energy systems. Applied Energy, 2016, 167: 336−352 doi:  10.1016/j.apenergy.2015.08.089
    [16] Sun Q Y, Zhang Y B, He H B, Ma D Z, Zhang H G. A novel energy function-based stability evaluation and nonlinear control approach for energy internet. IEEE Transactions on Smart Grid, 2017, 8(3): 1195−1210 doi:  10.1109/TSG.2015.2497691
    [17] Bao Z J, Zhou Q, Yang Z H, Yang Q, Xu L Z, Wu T. A multi time-scale and multi energy-type coordinated microgrid scheduling solution-part i: model and methodology. IEEE Transactions on Power Systems, 2015, 30(5): 2257−2266 doi:  10.1109/TPWRS.2014.2367127
    [18] Zhou K L, Yang S L, Shao Z. Energy internet: the business perspective. Applied Energy, 2016, 178: 212−222 doi:  10.1016/j.apenergy.2016.06.052
    [19] 李杰, 刘家豪, 汪金辉, 冯长根. 基于FSJ的火灾安全学术地图研究. 消防科学与技术, 2019, 38(12): 1760−1765 doi:  10.3969/j.issn.1009-0029.2019.12.034

    Li Jie, Liu Jia-Hao, Wang Jin-Hui, Feng Chang-Gen. Academic map of fire safety science based on the fire safety journal. Fire Science and Technology, 2019, 38(12): 1760−1765 doi:  10.3969/j.issn.1009-0029.2019.12.034
    [20] Li H T, Burer M, Song Z P, Favrat D, Marechal F. Green heating system: characteristics and illustration with multi-criteria optimization of an integrated energy system. Energy, 2004, 29(2): 225−244 doi:  10.1016/j.energy.2003.09.003
    [21] Bai L Q, Li F X, Cui H T, Jiang T, Sun H B, Zhu J X. Interval optimization based operating strategy for gas-electricity integrated energy systems considering demand response and wind uncertainty. Applied Energy, 2016, 167: 270−279 doi:  10.1016/j.apenergy.2015.10.119
    [22] Quelhas A, Gil E, McCalley J D, Ryan S M. A multiperiod generalized network flow model of the us integrated energy system: part i-model description. IEEE Transactions on Power System, 2007, 22(2): 829−836 doi:  10.1109/TPWRS.2007.894844
    [23] Quelhas A, McCalley J D. A multiperiod generalized network flow model of the us integrated energy system: part ii-simulation results. IEEE Transactions on Power Systems, 2007, 22(2): 837−844 doi:  10.1109/TPWRS.2007.894845
    [24] Li G Q, Zhang R F, Jiang T, Chen H H, Bai L Q, Li X J. Security-constrained bi-level economic dispatch model for integrated natural gas and electricity systems considering wind power and power-to-gas process. Applied Energy, 2017, 194: 696−704 doi:  10.1016/j.apenergy.2016.07.077
    [25] Mashayekh S, Stadler M, Cardoso G. A mixed integer linear programming approach for optimal der portfolio, sizing, and placement in multi-energy microgrids. Applied Energy, 2017, 187: 154−168 doi:  10.1016/j.apenergy.2016.11.020
    [26] Capuder T, Mancarella P. Techno-economic and environmental modelling and optimization of flexible distributed multi-generation options. Energy, 2014, 71: 516−533 doi:  10.1016/j.energy.2014.04.097
    [27] 王成山, 于波, 肖峻, 郭力. 平滑可再生能源发电系统输出波动的储能系统容量优化方法. 中国电机工程学报, 2012, 32(16): 1−8

    Wang Cheng-Shan, Yu Bo, Xiao Jun, Guo Li. Sizing of energy storage systems for output smoothing of renewable energy systems. Proceedings of the CSEE, 2012, 32(16): 1−8
    [28] Cesena E A M, Mancarella P. Energy systems integration in smart districts: robust optimisation of multi-energy flows in integrated electricity, heat and gas networks. IEEE Transactions on Smart Grid, 2019, 10(1): 1122−1131 doi:  10.1109/TSG.2018.2828146
    [29] Li Z M, Xu Y. Temporally-coordinated optimal operation of a multi-energy microgrid under diverse uncertainties. Applied Energy, 2019, 240: 719−729 doi:  10.1016/j.apenergy.2019.02.085
    [30] Yang Y, Jia Q S, Deconinck G, Guan X H, Qiu Z F, Hu Z C. Distributed coordination of EV charging with renewable energy in a microgrid of buildings. IEEE Transactions on Smart Grid, 2018, 9(6): 6253−6264 doi:  10.1109/TSG.2017.2707103
    [31] 贾庆山, 杨玉, 夏俐, 管晓宏. 基于事件的优化方法简介及其在能源互联网中的应用. 控制理论与应用, 2018, 35(1): 32−40 doi:  10.7641/CTA.2018.70064

    Jia Qing-Shan, Yang Yu, Xia Li, Guan Xiao-Hong. A tutorial on event-based optimization with application in energy internet. Control Theory & Applications, 2018, 35(1): 32−40 doi:  10.7641/CTA.2018.70064
    [32] Zhang H G, Li Y S, Gao D W, Zhou J G. Distributed Optimal Energy Management for Energy Internet. IEEE Transactions on Industrial Informatics, 2017, 13(6): 3081−3097 doi:  10.1109/TII.2017.2714199
    [33] 司方远, 汪晋宽, 韩英华, 赵强. 信息物理融合的智慧能源系统多级对等协同优化. 自动化学报, 2019, 45(1): 84−97

    Si Fang-Yuan, Wang Jin-Kuan, Han Ying-Hua, Zhao Qiang. Multilevel peer-to-peer co-optimization for cyber-physical intelligent energy systems. Acta Automatica Sinica, 2019, 45(1): 84−97
    [34] 王毅, 张宁, 康重庆. 能源互联网中能量枢纽的优化规划与运行研究综述及展望. 中国电机工程学报, 2015, 35(22): 5669−5681

    Wang Yi, Zhang Ning, Kang Chong-Qing. Review and prospect of optimal planning and operation of energy hub in energy internet. Proceedings of the CSEE, 2015, 35(22): 5669−5681
    [35] S un, Q Y, Zhang N, You S, Wang J W. The dual control with consideration of security operation and economic efficiency for energy hub. IEEE Transactions on Smart Grid, 2019, 10(6): 5930−5941 doi:  10.1109/TSG.2019.2893285
    [36] 孙秋野, 滕菲, 张化光, 马大中. 能源互联网动态协调优化控制体系构建. 中国电机工程学报, 2015, 35(14): 3667−3677

    Sun Qiu-Ye, Teng Fei, Zhang Hua-Guang, Ma Da-Zhong. Construction of dynamic coordinated optimization control system for energy internet. Proceedings of the CSEE, 2015, 35(14): 3667−3677
    [37] 滕菲, 单麒赫, 李铁山. 智能船舶综合能源系统及其分布式优化调度方法. 自动化学报, 2020, 46(9): 1809−1817

    Teng Fei, Shan Qi-He, Li Tie-Shan. Intelligent ship integrated energy system and its distributed optimal scheduling algorithm. Acta Automatica Sinica, 2020, 46(9): 1809−1817
    [38] 张彦, 张涛, 刘亚杰, 郭波. 基于模型预测控制的家庭能源局域网最优能量管理研究. 中国电机工程学报, 2015, 35(14): 3656−3666

    Zhang Yan, Zhang Tao, Liu Ya-Jie, Guo Bo. Optimal energy management of a residential local energy network based on model predictive control. Proceedings of the CSEE, 2015, 35(14): 3656−3666
    [39] Sun Q Y, Zhou J G, Guerrero J M, Zhang H G. Hybrid three-phase/single-phase microgrid architecture with power management capabilities. IEEE Transactions on Power Electronics, 2015, 30(10): 5964−5977 doi:  10.1109/TPEL.2014.2379925
    [40] Dou C X, Yue D, Han Q L, Guerrero J M. Multi-agent system-based event-triggered hybrid control scheme for energy internet. IEEE Access, 2017, 5(99): 3263−3272
    [41] Ramirez H, Maschke B, Sbarbaro D. Modelling and control of multi-energy systems: an irreversible port-hamiltonian approach. European Journal of Control, 2013, 19(6): 513−520 doi:  10.1016/j.ejcon.2013.09.009
    [42] Pan Z G, Wu J Z, Sun H B, Guo Q L, Abeysekera M. Abeysekera M. Quasi-dynamic interactions and security control of integrated electricity and heating systems in normal operations. Power and Energy Systems, CSEE Journal of Power and Energy Systems, 2019, 5(1): 120−129
    [43] Liu Y, Gao S, Zhao X, Zhang C, Zhang N Y. Coordinated operation and control of combined electricity and natural gas systems with thermal storage. Energies, 2017, 10(7): 1−25
    [44] 辛斌, 陈杰, 彭志红. 智能优化控制: 概述与展望. 自动化学报, 2013, 11: 1831−1848

    Xin Bin, Chen Jie, Peng Zhi-Hong. Intelligent optimized control: overview and prospect. Acta Automatica Sinica, 2013, 11: 1831−1848
    [45] 陈刚, 李志勇. 集合约束下多智能体系统分布式固定时间优化控制. 自动化学报, 在线发表

    Chen Gang, Li Zhi-Yong. Distributed fixed-time optimization control for multi agent systems with set constraints. Acta Automatica Sinica, to be published.
    [46] 石庆升, 张承慧, 崔纳新. 新型双能量源纯电动汽车能量管理问题的优化控制. 电工技术学报, 2008, 23(8): 137−142 doi:  10.3321/j.issn:1000-6753.2008.08.023

    Shi Qing-Sheng, Zhang Cheng-Hui, Cui Na-Xin. Optimal control of energy management in novel electric vehicles with dual-source energy storage system. Transactions of China Electrotechnical Socirty, 2008, 23(8): 137−142 doi:  10.3321/j.issn:1000-6753.2008.08.023
    [47] 陈杨杨, 田玉平. 多智能体沿多条给定路径编队运动的有向协同控制. 自动化学报, 2009, 35(12): 1541−1549

    Chen Yang-Yang, Tian Yu-Ping. Directed coordinated control for multi-agent formation motion on a set of given curves. Acta Automatica Sinic, 2009, 35(12): 1541−1549
    [48] Hua H C, Qin Y C, Hao C T, Cao J W. Stochastic optimal control for energy internet: a bottom-up energy management approach. IEEE Transactions on Industrial Informatics, 2019, 15(3): 1788−1797 doi:  10.1109/TII.2018.2867373
    [49] 艾欣, 赵阅群, 周树鹏. 空调负荷直接负荷控制虚拟储能特性研究. 中国电机工程学报, 2016, 36(6): 1596−1603

    Ai Xin, Zhao Yue-Qun, Zhou Shu-Peng. Study on virtual energy storage features of air conditioning load direct load control. Proceedings of the CSEE, 2016, 36(6): 1596−1603
    [50] 梅生伟, 朱建全. 智能电网中的若干数学与控制科学问题及其展望. 自动化学报, 2013, 39(2): 119−131 doi:  10.1016/S1874-1029(13)60014-2

    Mei Sheng-Wei, Zhu Jian-Quan. Mathematical and control scientific issues of smart grid and its prospects. Acta Automatica Sinica, 2013, 39(2): 119−131 doi:  10.1016/S1874-1029(13)60014-2
    [51] 陈来军, 王任, 郑天文, 司杨, 梅生伟. 改善独立微网频率动态特性的虚拟同步发电机模型预测控制. 电力系统自动化, 2018 doi:  10.7500/AEPS20180108004

    Chen Lai-Jun, Wang Ren, Zheng Tian-Wen, Si Wei, Mei Sheng-Wei. Model predictive control of virtual synchronous generator to improve dynamic characteristic of frequency for isolated microgrid. Automation of Electric Power Systems, 2018 doi:  10.7500/AEPS20180108004
    [52] Liu B L, Zha Y B, Zhang T. D-Q frame predictive current control methods for inverter stage of solid state transformer. IET Power Electronics, 2017, 10(6): 687−696 doi:  10.1049/iet-pel.2016.0011
    [53] Long S, Marjanovic O, Parisio A. Generalised control-oriented modelling framework for multi-energy systems. Applied Energy, 2019, 235(1): 320−331
    [54] Eynard J, Grieu S, Polit M. Predictive control and thermal energy storage for optimizing a multi-energy district boiler. Journal of Process Control, 2012, 22(7): 1246−1255 doi:  10.1016/j.jprocont.2012.05.011
    [55] Paris B, Eynard J, Grieu S, Talbert T, Polit M. Heating control schemes for energy management in buildings. Energy & Buildings, 2010, 42(10): 1908−1917
    [56] 李晖, 康重庆, 夏清. 考虑用户满意度的需求侧管理价格决策模型. 电网技术, 2004, 28(23): 1−6 doi:  10.3321/j.issn:1000-3673.2004.23.001

    Li Hui, Kang Chong-Qing, Xia Qing. Price based decision making for demand side management considering customer satisfaction index. Power System Technology, 2004, 28(23): 1−6 doi:  10.3321/j.issn:1000-3673.2004.23.001
    [57] 薛禹胜, 罗运虎, 李碧君, 罗建裕. 关于可中断负荷参与系统备用的评述. 电力系统自动化, 2007, 31(10): 1−6 doi:  10.3321/j.issn:1000-1026.2007.10.001

    Xue Yu-Sheng, Luo Yun-Hu, Li Bi-Jun, Luo Jian-Yu. A review of interruptible load participating in system reserve. Automation of Electric Power Systems, 2007, 31(10): 1−6 doi:  10.3321/j.issn:1000-1026.2007.10.001
    [58] 卢强, 陈来军, 梅生伟. 博弈论在电力系统中典型应用及若干展望. 中国电机工程学报, 2014, 34(29): 5009−5017

    Lu Qiang, Chen Lai-Jun, Mei Sheng-Wei. Typical applications and prospects of game theory in power system. Proceedings of the CSEE, 2014, 34(29): 5009−5017
    [59] 王瑞琪, 张承慧, 李珂. 基于改进混沌优化的多目标遗传算法. 控制与决策, 2011, 26(9): 1391−1397

    Wang Rui-Qi, Zhang Cheng-Hui, Li Ke. A sort of iterative learning control algorithm for tracking of robot trajectory. Control and Decision, 2011, 26(9): 1391−1397
    [60] Gabrielli P, Gazzani M, Martelli E, Mazzotti M. Optimal design of multi-energy systems with seasonal storage. Applied Energy, 2018, 219: 408−424 doi:  10.1016/j.apenergy.2017.07.142
    [61] Salah C B, Chaabene M, Ammar M B. Multi-criteria fuzzy algorithm for energy management of a domestic photovoltaic panel. Renewable Energy, 2008, 33(5): 993−1001 doi:  10.1016/j.renene.2007.05.036
    [62] 贾星搭, 窦春霞, 岳东, 徐式蕴. 基于多代理系统的微电网多尺度能量管理. 电工技术学报, 2016, 31(17): 63−73 doi:  10.3969/j.issn.1000-6753.2016.17.007

    Jia Xing-Da, Dou Chun-Xia, Yue Dong, Xu Shi-Yun. Multiple-time-scales optimal energy management in microgrid system based on multi-agent-system. Transactions of China Electrotechnical Society, 2016, 31(17): 63−73 doi:  10.3969/j.issn.1000-6753.2016.17.007
    [63] 别朝红, 胡国伟, 谢海鹏. 考虑需求响应的含风电电力系统的优化调度. 电力系统自动化, 2014, 38(13): 115−119 doi:  10.7500/AEPS20131014001

    Bie Zhao-Hong, Hu Guo-Wei, Xie Hai-Peng. Optimal dispatch for wind power integrated system considering demand response. Automation of Electric Power Systems, 2014, 38(13): 115−119 doi:  10.7500/AEPS20131014001
    [64] 窦春霞, 罗维, 岳东, 齐航, 孟驰华, 张亚民, 张占强, 张博, 刘丽. 基于多智能体的微网群内电力市场交易策略. 电网技术, 2019, 43(5): 1735−1744

    Dou Chun-Xia, Luo Wei, Yue Dong, Qi Hang, Meng Chi-Hua, Zhang Ya-Min, Zhang Zhan-Qiang, Zhang Bo, Liu Li. Multi-agent system based electricity market trading strategy within microgrid groups. Power System Technology, 2019, 43(5): 1735−1744
    [65] Lund H, Ebbe M. Integrated energy systems and local energy markets. Energy Policy, 2006, 34(10): 1152−1160 doi:  10.1016/j.enpol.2004.10.004
    [66] Chen X Y, Kang C Q, O'Malley M, Xia Q, B J H, Liu C, Sun R F, Wang W Z, Li H. Increasing the flexibility of combined heat and power for wind power integration in china: modeling and implications. IEEE Transactions on Power Systems, 2015, 30(4): 1848−1857 doi:  10.1109/TPWRS.2014.2356723
    [67] Chicco G, Mancarella P. Matrix modelling of small-scale trigeneration systems and application to operational optimization. Energy, 2009, 34(3): 261−273 doi:  10.1016/j.energy.2008.09.011
    [68] Kienzle F, Ahcin P, Andersson G. Valuing investments in multi-energy conversion, storage, and demand-side management systems under uncertainty. IEEE Transactions on Sustainable Energy, 2011, 2(2): 194−202 doi:  10.1109/TSTE.2011.2106228
    [69] Zhou K L, Yang S L, Shao Z. Energy internet: The business perspective. Applied Energy, 2016, 178: 212−222 doi:  10.1016/j.apenergy.2016.06.052
    [70] Ilic M D, Xie L, Khan U A, Moura J M F. Modeling of future cyber-physical energy systems for distributed sensing and control. IEEE Transactions on Systems Man and Cybernetics Part A-systems and Humans, 2010, 40(4): 825−838 doi:  10.1109/TSMCA.2010.2048026
    [71] 郭庆来, 辛蜀骏, 孙宏斌, 王剑辉. 电力系统信息物理融合建模与综合安全评估: 驱动力与研究构想. 中国电机工程学报, 2016, 36(6): 1481−1489

    Guo Qing-Lai, Xin Shu-Jun, Sun Hong-Bin, Wang Jian-Hui. Power system cyber-physical modelling and security assessment: motivation and ideas. Proceedings of the CSEE, 2016, 36(6): 1481−1489
    [72] Dong Z Y, Luo F J, Liang G Q. Blockchain: a secure, decentralized, trusted cyber infrastructure solution for future energy systems. Journal of Modern Power Systems and Clean Energy, 2018, 6(5): 958−967 doi:  10.1007/s40565-018-0418-0
    [73] Palensky P, Widl E, Elsheikh A. Simulating cyber-physical energy systems: challenges, tools and methods. IEEE Transactions on Systems Man Cybernetics-systems, 2014, 44(3): 318−326
    [74] 孙秋野, 胡旌伟, 杨凌霄, 张化光. 基于GAN技术的自能源混合建模与参数辨识方法. 自动化学报, 2018, 44(5): 901−914

    Sun Qiu-Ye, Hu Jing-Wei, Yang Ling-Xiao, Zhang Hua-Guang. We-energy hybrid modeling and parameter idenfication with GAN technology. Acta Automatica Sinica, 2018, 44(5): 901−914
    [75] Moradi-Pari E, Nasiriani N, Fallah Y P, Famouri P, Bossart S, Dodrill, K. Design, modeling, and simulation of on-demand communication mechanisms for cyber-physical energy systems. IEEE Transactions on Industrial Informatics, 2014, 10(4): 2330−2339 doi:  10.1109/TII.2014.2326080
    [76] Georg H, Muller S C, Rehtanz C, Wietfeld C. Analyzing cyber-physical energy systems: the inspire cosimulation of power and ict systems using HLA. IEEE Transactions on Industrial Informatics, 2014, 10(4): 2364−2373 doi:  10.1109/TII.2014.2332097
    [77] 汤奕, 陈倩, 李梦雅, 王琦, 倪明, 梁云. 电力信息物理融合系统环境中的网络攻击研究综述. 电力系统自动化, 2016, 40(17): 59−69

    Tang Yi, Chen Qian, Li Meng-Ya, Wang Qi, Ni Ming, Liang Yun. Overview on cyber-attacks against cyber physical power system. Automation of Electirix Power Systems, 2016, 40(17): 59−69
    [78] 刘烃, 田决, 王稼舟, 吴宏宇, 孙利民, 周亚东, 沈超, 管晓宏. 信息物理融合系统综合安全威胁与防御研究. 自动化学报, 2019, 45(1): 5−24

    Liu Ting, Tian Jue, Wang Jia-Zhou, Wu Hong-Yu, Sun Li-Min, Zhou Ya-Dong, Sheng Chao, Guan Xiao-Hong. Integrated security threats and defense of cyber-physical systems. Acta Automatica Sinica, 2019, 45(1): 5−24
    [79] Wang H Z, Ruan J Q, Ma Z W, Zhou B, Fu X Q, Cao G Q. Deep learning aided interval state prediction for improving cyber security in energy internet. Energy, 2019, 174: 1292−1304 doi:  10.1016/j.energy.2019.03.009
    [80] 王宇飞, 高昆仑, 赵婷, 邱健. 基于改进攻击图的电力信息物理系统跨空间连锁故障危害评估. 中国电机工程学报, 2016, 36(6): 1490−1499

    Wang Yu-Fei, Gao Kun-Lun, Zhao Ting, Qiu Jian. Assessing the harmfulness of cascading failures across space in electric cyber-physical system based on improved attack graph. Proceedings of the CSEE, 2016, 36(6): 1490−1499
    [81] Wang H Z, Meng A J, Liu Y T, Fu X Q, Cao G Z. Unscented kalman filter based interval state estimation of cyber physical energy system for detection of dynamic attack. Energy, 2019, 188: 1−15
    [82] 温景容, 武穆清, 宿景芳. 信息物理融合系统. 自动化学报, 2012, 4: 507−517

    Wen Jing-Rong, Wu Mu-Qing, Su Jing-Fang. Cyber-physical system. Acta Automatica Sinica, 2012, 4: 507−517
    [83] Rahman M S, Mahmud M A, Oo A M T, Pota H R. Multi-agent approach for enhancing security of protection schemes in cyber-physical energy systems. IEEE Transactions on Industrial Informatics, 2017, 13(2): 436−447 doi:  10.1109/TII.2016.2612645
    [84] 薛禹胜, 赖业宁. 大能源思维与大数据思维的融合 (二)应用及探索. 电力系统自动化, 2016, 40(8): 1−13 doi:  10.7500/AEPS20160311004

    Xue Yu-Sheng, Lai Ya-Ning. Integration of macro energy thinking and big data thinking part two applications and explorations. Automation of Electric Power Systems, 2016, 40(8): 1−13 doi:  10.7500/AEPS20160311004
    [85] 刘东, 盛万兴, 王云, 陆一鸣, 孙辰. 电网信息物理系统的关键技术及其进展. 中国电机工程学报, 2015, 35(14): 3522−3531

    Liu Dong, Sheng Wan-Xing, Wang Yun, Lu Yi-Ming, Sun Chen. Key technologies and trends of cyber-physical systems for power grid. Proceedings of the CSEE, 2015, 35(14): 3522−3531
    [86] Cheng L F, Yu T. Smart dispatching for energy internet with complex cyber-physical-social systems: a parallel dispatch perspective. International Journal of Energy Research, 2019, 43(8): 3080−3133 doi:  10.1002/er.4384
    [87] Wang F Y. The emergence of intelligent enterprises: from CPS to CPSS. IEEE Intelligent Systems, 2010, 25(4): 85−88 doi:  10.1109/MIS.2010.104
  • [1] 夏元清, 高润泽, 林敏, 任延明, 闫策. 绿色能源互补智能电厂云控制系统研究[J]. 自动化学报, doi: 10.16383/j.aas.c190581
    [2] 张化光, 孙宏斌, 刘德荣, 王剑辉, 孙秋野. 分布式信息能源系统理论与应用专题序言[J]. 自动化学报
    [3] 黄博南, 王勇, 李玉帅, 刘鑫蕊, 杨超. 基于分布式神经动态优化的综合能源系统多目标优化调度[J]. 自动化学报, doi: 10.16383/j.aas.c200168
    [4] 李玉帅, 李天义, 高炜, 高文忠. 基于异步动态事件触发通信策略的综合能源系统分布式协同优化运行方法[J]. 自动化学报, doi: 10.16383/j.aas.c200172
    [5] 滕菲, 单麒赫, 李铁山. 智能船舶综合能源系统及其分布式优化调度方法[J]. 自动化学报, doi: 10.16383/j.aas.c200176
    [6] 胡旭光, 马大中, 郑君, 张化光, 王睿. 基于关联信息对抗学习的综合能源系统运行状态分析方法[J]. 自动化学报, doi: 10.16383/j.aas.c200171
    [7] 刘烃, 田决, 王稼舟, 吴宏宇, 孙利民, 周亚东, 沈超, 管晓宏. 信息物理融合系统综合安全威胁与防御研究[J]. 自动化学报, doi: 10.16383/j.aas.2018.c180461
    [8] 司方远, 汪晋宽, 韩英华, 赵强. 信息物理融合的智慧能源系统多级对等协同优化[J]. 自动化学报, doi: 10.16383/j.aas.2018.c180368
    [9] 孙秋野, 胡旌伟, 杨凌霄, 张化光. 基于GAN技术的自能源混合建模与参数辨识方法[J]. 自动化学报, doi: 10.16383/j.aas.2018.c170487
    [10] Zhang Yan, Zhang Tao, Wang Rui, Liu Yajie, Guo Bo. A Model Predictive Control Based Distributed Coordination of Multi-microgrids in Energy Internet[J]. 自动化学报, doi: 10.16383/j.aas.2017.e150300
    [11] 孙彦广, 梁青艳, 李文兵, 贾天云. 基于能量流网络仿真的钢铁工业多能源介质优化调配[J]. 自动化学报, doi: 10.16383/j.aas.2017.c170184
    [12] 张俊, 高文忠, 张应晨, 郑心湖, 杨柳青, 郝君, 戴潇潇. 运行于区块链上的智能分布式电力能源系统:需求、概念、方法以及展望[J]. 自动化学报, doi: 10.16383/j.aas.2017.c160744
    [13] 孙秋野, 滕菲, 张化光. 能源互联网及其关键控制问题[J]. 自动化学报, doi: 10.16383/j.aas.2017.c160390
    [14] 邓建玲, 王飞跃, 陈耀斌, 赵向阳. 从工业4.0到能源5.0:智能能源系统的概念、内涵及体系框架[J]. 自动化学报, doi: 10.16383/j.aas.2015.c150259
    [15] 温景容, 武穆清, 宿景芳. 信息物理融合系统[J]. 自动化学报, doi: 10.3724/SP.J.1004.2012.00507
    [16] 谭连生, 尹敏. 计算机高速互联网中一类基于速率的PD拥塞控制方法[J]. 自动化学报
    [17] 冯玉才, 宋恩民, 刘宏, 孙小薇, 韩力. 地图自动化识别系统中识别车站标记的环界算法[J]. 自动化学报
    [18] 单云生. 变结构系统的频率域综合[J]. 自动化学报
    [19] 许晓鸣, 席裕庚. 具有最经济信息结构的分散控制系统综合[J]. 自动化学报
    [20] 涂序彦. 最经济控制系统结构综合[J]. 自动化学报
  • 加载中
计量
  • 文章访问数:  18
  • HTML全文浏览量:  12
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-08-10
  • 修回日期:  2020-10-13

比特驱动的瓦特变革——信息能源系统研究综述

doi: 10.16383/j.aas.c200634
    基金项目:  国家重点研发计划(2018YFA0702200), 国家自然科学基金(62073065)
    作者简介:

    东北大学信息科学与工程学院教授. 主要研究方向为网络控制技术, 分布式控制技术, 分布式优化分析及其在能源互联网, 微网, 配电网等领域相关应用. 本文通信作者. E-mail: sunqiuye@mail.neu.edu.cn

    东北大学信息科学与工程学院硕士研究生. 主要研究方向为机器学习及其在能源互联网、微网和配电网等领域相关应用. E-mail: effortking@163.com

    东北大学信息科学与工程学院博士研究生. 主要研究方向为机器学习及其在能源互联网、微网和配电网等领域相关应用. E-mail: ylxiao66@163.com

    东北大学信息科学与工程学院教授. 主要研究方向为自适应动态规划, 模糊控制, 网络控制, 混沌控制. E-mail: zhanghuaguang@mail.neu.edu.cn

摘要: 本文采用科学知识图谱的方法系统梳理了信息能源系统研究的整体概况, 以数据和知识混合驱动的方式展现了信息能源系统专业领域的热点领域和学术链条, 并聚焦4个重点研究领域: 一致控制、优化调度、用户驱动的优化管理、信息能源深度融合系统, 在共被引分析基础上, 依据文献重要性和贡献度人工筛选出高影响力文献, 梳理了信息能源系统研究演化发展趋势. 分析表明, 当前信息技术作为有力的支撑驱动了能源系统的发展, 但信息与能源之间的联系仍不够紧密, 对能源数据价值的充分挖掘等问题亦需进一步研究.

English Abstract

孙秋野, 王一帆, 杨凌霄, 张化光. 比特驱动的瓦特变革——信息能源系统研究综述. 自动化学报, 2020, 46(x): 1−14. doi: 10.16383/j.aas.c200634
引用本文: 孙秋野, 王一帆, 杨凌霄, 张化光. 比特驱动的瓦特变革——信息能源系统研究综述. 自动化学报, 2020, 46(x): 1−14. doi: 10.16383/j.aas.c200634
Sun Qiu-Ye, Wang Yi-Fan, Yang Ling-Xiao, Zhang Hua-Guang. Bit-driven watt revolution: a review of cyber energy system. Acta Automatica Sinica, 2020, 46(x): 1−14. doi: 10.16383/j.aas.c200634
Citation: Sun Qiu-Ye, Wang Yi-Fan, Yang Ling-Xiao, Zhang Hua-Guang. Bit-driven watt revolution: a review of cyber energy system. Acta Automatica Sinica, 2020, 46(x): 1−14. doi: 10.16383/j.aas.c200634
  • 可再生能源高速发展、信息智能技术深度融合以及终端用能的多样化需求使得能源生产、分配及消费形式均出现显著变化, 呈现出时空异步、信能融合、多能互补以及智物协同的新趋势[1], 这使得终端信息能源系统的平衡、协同、管控必须与之相适应. 如何在需求侧通过源网荷储协同、多种能源互补、信息能源耦合实现终端的能源绿色高效利用成为全球广为关注的焦点问题[2]. 早在2008年, 美国北卡罗莱纳州立大学提出能源互联网理念雏形, 并开展“未来可再生电能传输与管理系统”项目以实现能源的高效利用; 同年, 德国联邦经济和技术部提出E-Energy理念和能源互联网计划. 近些年, 在信息技术和能源技术的高速发展下, 日本在2016年发布的《能源环境技术创新战略》中提出利用大数据分析、人工智能、先进传感和IoT技术构建多种智能能源集成的管理系统. 欧盟在2018年提出了综合能源系统2050愿景, 即建立低碳、安全、可靠、灵活、经济高效、以市场为导向的泛欧综合能源系统. 据2018年的统计报告显示, 有可再生能源目标和支持政策的国家数量攀升至179个. 到2017年底, 有87个国家制定了适应经济发展的可再生能源发电目标, 而我国政府也针对综合能源系统先后出台了一系列支持政策, 开展重大研发项目进行技术研究, 并部署了一批多能互补集成优化示范工程和“互联网+”智慧能源(能源互联网)示范项目.

    在国际和国内能源系统发展战略的大力推进下, 智慧能源的建设势在必行, 而以信息驱动的能源系统高度清洁化、高效化、智能化发展是其至关重要的研究课题.

    • 当前的能源系统正经历一个多世纪以来最大的“瓦特变革”. 首先, 新能源的高比例渗透以及分布式的接入方式使其控制优化问题充满挑战. 其次, 产消者的兴起使用户由单一消费模式转变为生产消费一体化模式, 能源的双向传输以及多能源网络的叠加使其交互模式更加复杂. 再者, 能源网络分布式、扁平化的发展态势使数据、分析和连通性成为能源网络外围产消者的重要决策信息. “瓦特变革”呈现出由“集中”向“分布”、“垂直”向“扁平”、“电源驱动”向“用户驱动”、“高碳”向“低碳”的发展特点, 能源系统趋于自下而上的, 以用户为主导的能源信息化发展模式. 利用信息技术来满足能源系统发展的内在需求日益增长[3].

      同时, 互联网技术、云技术、大数据技术、物联网技术等信息技术也进入阶跃式发展的快车道. 信息时代的发展驱动自动化技术的进步, 信息化、网络化、智能化的特征越来越明显. 新兴信息技术和互联网生态为能源系统的发展提供了有力的支撑. “比特驱动”成为能源变革强大的推动力.

      “比特驱动”主要体现在, 大数据技术可快速、有效地处理海量能源信息, 实现系统的精准建模和特征提取, 从而保障能源系统协同控制的可靠性. 人工智能技术可应对参与优化调度的能源终端更为智能化、灵活化、自主化的发展需求. 云计算、边缘计算则可提高能源系统的计算能力, 实现系统运行的低延时和高可靠性, 由此满足能源系统在用户驱动下的实时管理和资源分配. 5G无线技术、物联网技术在通信方面具有超可靠、低延时、广域连接的优势, 有利于能源系统高度自动化和精准控制, 可推动产业数字化和智慧城市的发展.

      作为与国民经济、人民生活息息相关的重要领域, 能源系统是信息技术发展的一个理想载体. 清洁低碳、安全可靠、泛在互联、高效互动、智能开放的能源系统将推动信息技术与先进能源技术的深度融合. 由此, 实现信息和能源的一体化发展成为了研究的热点[4].

      国内外对于信息能源系统的研究主要从“比特驱动”和“瓦特驱动”两类视角分别进行. “比特驱动”主要从信息及互联网角度, 研究如何利用先进的信息处理技术与能源系统相叠加, 优化计算资源和信息处理能力, 以人工智能、云计算、移动应用等新兴技术为手段[5-6], 力争使能源系统运行在最优工作点. “瓦特驱动”从电气热多能互补网络的角度, 研究如何通过现代优化控制及电力电子技术, 实现多能梯次利用、可再生能源高效消纳以及源网荷储立体协同, 达到保证信息能源系统安全高效运行的目的[7].

      信息与能源系统的深度耦合协同、高度智能化仍然是一个亟待深入研究的广阔领域[8]. 随着未来一次能源逐步由有限化石能源转变为风光等永续清洁能源, 能源的稀缺性将被打破. 通过高速发展的现代信息技术, 充分发挥能源终端的互动调节能力, 构建互联网模式下的能源生态, 将信息与能源深度融合, 实现能源的安全、高效、经济消纳成为核心需求.

      本文针对信息能源系统, 运用科学知识图谱进行数据挖掘、信息处理、知识计量和图形绘制, 从而研究和揭示信息能源系统的发展趋势, 并进一步展示其相关热点领域的结构特点和研究内容. 文中数据来源于中国知网(CNKI)和Web of Science (WoS), 针对2000年-2020年的论文, 其中CNKI检索关键词为“信息能源系统”、“能源互联网”和“综合能源系统”共1114条中文文献记录(SCI来源期刊、EI来源期刊、核心期刊、CSSCI和CSCD); WoS检索关键词为“Cyber Energy System*”、“Energy Internet”、“Internet of Energy”、“Integrat* Energy System”、“Comprehensive Energy System”、“Energy Integration”和“Energy Interconnect*”, 共2019条英文文献记录(WoS核心集, 文献类型为Article或Review). 通过对文献进行数据清洗, 包括对文献合并除重, 去除或补全缺失信息及去除领域不相关的文献, 最终得到675篇密切相关中文文献和1013条密切相关英文文献.

      通过对文章的参考文献数据进行分析, 可以快速找到领域内的研究热点, 见表1. 其中GCS(Global Citation Score)表示全球施引次数, 此处表示WoS网站上给出的引用次数; 进一步计算可得到该文章的本地施引次数LCS(Local Citation Score), 表示该文章在本地文献库(即本文选取的密切相关文献)中的施引次数, 通过这些值可以快速得到信息能源领域内的重要英文文献, 例如, 某文献的LCS值很高, 意味着它非常可能是该研究领域内的重要文献. 因此相比而言, LCS比GCS能更清晰的反应该文献对于细分领域的贡献度, LCS高的文章极有可能是研究领域内的里程碑文献. CR(Cited References)表示该文章引用的参考文献数量; LCR(Local Cited References)表示本地参考文献数量, 即该文章引用的所有文献中, 存在于当前本地文献库的文章数. 通过LCR可以快速找出最新的文献中与领域内研究方向最相关的文章.

      表 1  本地高被引文献

      Table 1.  High LCS references

      作者文献时间LCSGCSLCRCR
      Mancarella P [9]2014714462167
      Huang A Q, Crow M L,
      Heydt G T, et al. [10]
      201162667032
      Sun Q Y, Han R K,
      Zhang H G, et al. [11]
      201532152244
      Wang K, Yu J, Yu Y, et al. [12]201823726113
      Bui N, Castellani A P,
      Casari P, et al. [13]
      201220113015
      Mathiesen B V, Lund H,
      Connolly D, et al. [14]
      2015193840120
      Liu X Z, Mancarella P [15]20161980340
      Sun Q Y, Zhang Y B,
      He H B, et al. [16]
      20171752244
      Bao Z J, Zhou Q,
      Yang Z H, et al. [17]
      20151695024
      Zhou K L, Yang S L, Shao Z [18]201616793137

      通过CiteSpace软件对CNKI和WoS的混合数据进行关键词突现分析[19], 得到表2中2000年后引文强度最高的27个关键词, 这些关键词通常为某时间段的研究热点(表中红色加粗部分). 表中强度值越大表示该关键词在该领域某个时段的热点程度越高, 起始时间和终止时间分别表示该关键词成为研究热点的开始和结束时间.

      表 2  中英文混合关键词突现分析

      Table 2.  Emergence analysis of keywords in Chinese and English

      关键词强度起始时间终止时间2001-2020
      信息物理系统9.3920152017
      智能电网7.9020142016
      能源系统5.1020052015
      Control4.6720032013
      分布式能源4.6420052016
      家庭能源管理系统4.5020142017
      分布式能源系统4.1220152016
      能源路由器4.1020152017
      电动汽车4.0120012017
      优化3.9320042017
      energy3.8920082014
      可再生能源3.5020072016
      全球能源互联网3.2120162017
      优化运行3.1920152018
      大数据3.1020152016
      新能源电力系统3.1020152016
      控制3.0120072016
      electricity market2.9320062017
      optimization2.8120092011
      优化规划2.7820042016
      coordination2.7520172018
      reduction2.7220162018
      smart grid2.6420142015
      design2.4020092010
      cyber-physical system2.3620102014
      能源管理2.3520112016
      solar2.3220092014

      截止2020.08, 统计2001年-2019年CNKI及WoS每年发文的数量见图1. 可以发现信息能源系统密切相关的文献数量正处于稳步上升趋势, 且2015年开始增长趋势加快.

      图  1  2001-2019年发文数统计

      Figure 1.  Statistics of published papers from 2001 to 2019

      通过关键词搜索和聚类, 对其研究热点分布进行可视化展示, 图2为基于CNKI的中文论文研究热点分布, 图3为基于WoS的SCI论文研究热点分布.

      图  2  CNKI关键词共现分析

      Figure 2.  CNKI keywords co-occurrence analysis

      图  3  WoS关键词共现分析

      Figure 3.  WoS keywords co-occurrence analysis

      图2图3中, 圆圈表示关键词, 圆的大小表示关键词出现的频次; 连线表示节点与节点间曾经共现过; 连线的密集程度表示该研究主题与其他主题联系的紧密程度. 图中, 通过进行聚类可视化操作, 将信息物理系统的研究领域聚集成颜色不同的多个集群. 这些集群将联系程度更紧密的关键词结合在一起, 并根据其意义进行标注, 标注排序代表该集群主题内文献的多少.

      基于图2图3的聚类分析, 可以看出, 从信息的相关方法层面聚类, 信息能源系统的热点研究领域主要包括: 一致控制、优化调度、用户驱动的优化管理、信息能源深度融合系统.

      图4所示, 一致控制的研究主要针对信息能源系统的底层能源终端, 考虑如何实现设备间的协调运行; 优化调度的研究建立在能源网与信息网的交互环境下, 研究多源信息融合的(准)实时的能源优化, 以实现经济、高效、低碳运行; 用户驱动的优化管理则进一步上升至云平台, 研究在大数据、云计算支撑下, 能源市场的配置和用户资源的管理; 而信息能源深度融合系统则更深度聚焦信息技术与能源网络, 研究计算、通信、物理过程高度集成的系统运行模态.

      图  4  信息能源系统与热点研究领域

      Figure 4.  Cyber energy system and hot research fields

      从能源领域的发展路径看, 瓦特变革的初期, 是由于社会的发展和技术的推进下, 分布式能源大规模接入能源网络, 终端能源主动参与的需求日益增加, 能源结构由传统的单一能源向清洁的综合能源转变. 随之, 不同类型的能源终端之间耦合更加紧密, 多种能源的时空差异使能源网络趋于复杂、灵活, 催生出海量信息, 对信息技术的依赖逐渐增强. 在近几年信息技术的飞速发展下, 以综合能源系统为依托, 信息物理系统逐渐受到关注. 由此, 在总体技术路径的驱动下, 上述4个重点研究领域对应于信息能源系统中的4个研究阶段, 其从底层能源终端到能源网与信息网的交互, 再到云平台的广域协同, 最终延伸至信息和能源系统的深度融合, 自下而上地反映了信息能源系统中各层级的研究重点和技术价值.

      本文将针对这4个热点研究领域进行深入可视化分析和文献综述, 以挖掘其研究趋势.

    • 研究信息能源系统的优化问题有助于发挥多能互补效应, 保障系统高效安全运行. 随着通信技术发展、信息能源耦合程度加深, 如何适应通信技术发展带来的信息类型变化、信息能源深度融合带来的能源主体变化, 实现信息能源系统的优化运行成为国内外学者的研究热点. 截止至2020年8月的数据, 我们检索到相关论文1185篇. 如图5所示, 核心关键词“优化运行”和“multi-energy systems”相互结合, 表明此研究方向得到了众多学者的关注. 早期通信网络低带宽、高延时限制了系统数据传输和处理的能力, 针对少量的静态能流数据, “混合线性整数规划”是较为常用的方法. 随着通信技术向高带宽、低延时的发展, 可再生能源接入和电动汽车的随机充电行为所产生的实时数据可以被挖掘和利用, 关键词 “不确定性”、“uncertainty”成为研究热点. 信息网络和能源网络的深度融合赋予了能源终端更高的智能性, “能源枢纽”、“energy hub”等成为优化研究领域的关注热点. 其中, 文献[20]于2004年以包含可逆供热模式的绿色供暖系统为背景, 基于电热耦合多能网络的静态能流信息, 对综合能源网络的优化运行进行了初步研究. 文献[21]基于风力发电的实时信息, 研究基于区间优化的电-气耦合网络的优化运行策略, 在该领域研究获得了广泛关注.

      图  5  优化相关领域的聚类

      Figure 5.  Clustering of optimize related fields

      上述分析结果表明, 随着“比特”技术的发展, 信息类型实现了从静态能流数据到实时动态数据的转变, 这种转变驱动了优化从日前优化转向更实时的优化. 然而, “比特”信息不仅体现在数据上, 还体现在信息能源深度融合下终端能源的智慧性和自主能力, 从论文的关键词可以看出, 在这类 “比特” 信息驱动下, 能源网络实现了从传统终端能源到智慧能源枢纽的“瓦特变革”. 随着能源主体智慧性和自主性的提升, 能源的交互不再是自上而下的模式, 而是自下而上的. 相应地, 优化研究也从集中式优化逐渐转向分布式优化. 针对综合能源系统的优化研究, 国内外学者基于信息类型变化和终端能源发展, 从静态能流信息、实时动态信息和新型信息能源耦合主体的角度入手, 对能源网络优化运行进行了研究.

    • 早期通信网络低带宽和高时延大大限制了系统对动态信息的捕捉和处理能力, 能源系统的优化问题大多基于静态能流信息. 部分学者基于静态网络能流信息, 从经济性、安全性和环保性等角度对能源网络的优化进行了研究. 文献[22]和[23]考虑煤炭和天然气供应端到电力负荷中心的传输损耗, 提出一种多阶段广义能量流模型及其仿真模型. 该文献集中于对电力能流模型的刻画, 未考虑多能耦合交互的影响和多能流交织的特点, 其提出的模型不能够很好地适应当前的能源系统结构. 文献[24]考虑包含风电和电转气环节的电-气耦合网络的静态安全运行约束和耦合约束, 建立双层经济调度模型. 文献[25]针对电-热-冷耦合的多能源微电网, 考虑电力流和热流的静态安全约束, 建立多能源微电网多节点模型. 在采集静态网络能流信息的基础上, 文献[26]将环境因素纳入考虑, 建立综合经济和环境因素的混合整数线性规划优化模型.

    • 随着5G等先进通信技术的发展, 信息网络逐渐具备高带宽、低时延的特点, 数据的传输和处理能力大大提高, 这使得可再生能源随机波动、电动汽车无序充电所产生的实时动态信息能够被充分地挖掘和利用, 考虑实时动态信息的优化逐渐成为研究热点. 国内外学者基于能源网络的实时信息, 对能源网络优化运行进行研究. 文献[27]基于可再生能源的实时出力, 计及储能荷电状态等因素, 研究了基于离散傅里叶变换频谱分析的系统储能优化定容方法. 文献[28]基于动态能源价格, 针对电-气-热集成网络提出一个包含混合整数线性规划和非线性网络方程线性逼近的两阶段迭代模型, 但缺乏对综合能源系统多时间尺度特性的考虑. 文献[29]考虑可再生能源、负荷和能源交易价格等动态信息, 实现了多能源微电网的优化运行, 但是该文献只考虑了热能小范围内的就地供应, 网络结构比较简单, 没有考虑热力网络和燃气网络互联对优化的影响. 文献[30]基于电动汽车充电的动态能量需求和风力发电的实时数据, 针对源荷不匹配的问题, 提出基于仿真的分布式策略改进方法. 但该文献中电动汽车充电模式单一, 未能考虑多种充电模式切换所致动态信息变化带来的影响. 管晓宏等在文献[31]中进一步考虑系统状态的动态演化, 提出基于事件的优化模型及其策略迭代算法, 实现分布式风力发电与电动汽车充电的协调优化.

    • 随着通信网络与能源终端的广泛互联, 边缘计算能力向终端下沉, 能源终端逐渐具备更强的传输和处理数据的能力, 多种信息能源深度耦合的新型能源主体应运而生. 能源主体中能源产消角色一体化的转变、智慧程度的提升, 改变了能源系统自上而下的优化模式, 使得优化具有显著的分布式特征.

      文献[32]提出一种能源产消一体、多能耦合的能源主体, 针对该能源主体提出一种分布式一致性交替方向乘子法算法, 解决了能源互联网的最优能量管理问题. 文献[33]考虑信息物理融合特性, 构建计及产消者交互的局域和广域两级协同优化架构, 实现了产消双方电力资源最优分配. 该文献只考虑电力与信息深度融合, 考虑多种能源与信息深度融合的优化问题仍有待深入研究. 文献[34]对能源枢纽的结构及其运行和优化进行了研究. 在此基础上, 文献[35]基于改进的等增量消耗原理, 提出一种兼顾安全运行和经济效益的能源枢纽双重优化控制方案. 文献[36]研究以能源路由器为核心的能源互联网分布式设备协调优化及能量调度分配问题. 文献[37]研究以能源转换中心为枢纽的智能船舶综合能源系统, 提出可容纳复杂干扰的分布式优化方法, 实现了智能船舶综合能源系统优化调度. 该文献充分利用能源信息深度融合特性, 考虑数据的预处理和特征提取, 为研究信息能源深度融合下的能源系统优化提供了有益的参考. 文献[38]在建立家庭能源局域网模型的基础上, 采用模型预测控制方法, 实现该能源局域网的在线能量优化管理.

    • 现有研究依托多种类型信息, 结合遗传算法等智能优化算法、混合整数线性规划等方法, 实现了信息能源系统的安全高效运行. 国家发改委和能源局发布的《能源生产和消费革命战略(2016-2030)》中指出了 “能源新技术与现代信息、材料和先进制造技术深度融合, ……, 将带来人类生产生活方式深刻变化”的能源网络发展趋势, 提出了“集中攻关能源互联网核心装备技术、系统支撑技术, 重点推进面向多能流的能源交换路由器技术、……、能源大数据技术”的技术要求. 由此可见, 随着通信技术的发展, 海量数据涌入将大大降低现有方法的准确性和高效性. 由此可见, 考虑海量数据对于优化过程的影响, 研究具备高效数据处理能力的智能优化方法是具有研究前景的课题. 同时, 随着信息能源融合程度的加深, 能源主体, 能源交换路由器等的智慧性和自主性逐步提升, 系统内多能源主体的交互将更加复杂多样, 因此, 未来的研究需要考虑更复杂多样的交互机制, 研究多能源主体间的分布式优化方法.

    • 控制是多能源主体的必要环节, 如何利用恰当有效的信息一致控制保证和实现系统安全、可靠、稳定且高效灵活运行是一个重要的研究目标. 截止至2020年8月的数据, 我们检索到相关论文315篇. 如图6所示, 核心关键词“可再生能源”与“控制”相互结合, 表明此研究方向得到了众多学者的关注. 而从研究方法的角度来看, 由于系统结构的复杂性, 关键词“协同控制”、“智能控制”、“预测控制”、“优化控制”等成为关注热点. 其中, 在2015年, 文献[11]探讨了应用多智能体解决能源互联网领域参数协同控制问题, 在该领域获得了较高关注.

      图  6  控制相关领域的聚类

      Figure 6.  Clustering of control related fields

      上述分析结果表明, “比特”信息不仅仅只体现在数据上, 还体现在边缘上先进的控制优化的算法上, 这些都是比特驱动的一部分. 其中, 通过分布式的无通信连接的控制方法实现精准的按容量比例分担是多能源网络研究中的一个关键问题. 这在很大程度上能降低网络的投资成本, 同时提高网络的可靠性和灵活扩展性. 另外, 针对下垂控制方法存在功率分担的不精确性, 基于多智能体一致性理论的分布式方法应运而生. 考虑到工业过程往往具有非线性、时变性、强耦合和不确定性等特点, 预测控制在工业实践过程中逐渐发展起来. 针对协同一致控制的研究, 众多科研人员根据研究方法差异, 可以分为多能源终端的分布式协同控制、信息能源终端的智能优化控制以及基于数据驱动的分布式能源预测控制三类.

    • 考虑信息网络在通信带宽和时延方面的限制, 部分学者基于局部信息的分布式协同控制规律, 从稳定性和安全性角度对多能源终端的综合能源系统的分布式协同控制进行了研究. 文献[16]采取一定的分布式协同控制策略, 实现综合能源系统功率的优化调度和协调分配, 同时使控制系统输出相角和频率偏差稳定在一定范围内, 保证了网络的正常运行. 然而, 并没有考虑通信、变延时等问题, 面对实际工程中通信问题和更多的不确定因素而言, 其实际应用的推广还有很大的距离. 文献[39]较早提出并研究一种含有单相/单相可再生能源分布式发电系统的混合微电网结构及其在孤岛时的功率分担协同控制策略. 但提出的解决方案需要额外安装功率分配单元(PSU)设备, 这将会增加额外成本. 进一步地, 文献[40]提出了一种基于多智能体系统的事件触发混合控制方法, 并建立了四种差分混合Petri网控制机制来实现分层混合控制. 考虑到综合能源系统[41]之间的相互作用更加灵活和复杂, 文献[42]建立了集成电力和供热系统的准动态一体化模型. 此外, 文献[43]通过研究混合能源系统的状态偏移率, 通过分析策略选择最优运行模式, 该研究为充分利用热电联产的调节能力提供了一种有效的方法.

    • 随着信息网络与能源网络的深度融合, 数据处理能力向能源终端下沉, 终端具备更强的与环境交互的能力, 智能性逐步提升, 这种变化使得信息能源终端的智能优化控制[44-45]成为研究的热点. 具体地, 针对能量管理问题, 文献[46]设计了基于模糊逻辑的能量管理优化控制器, 合理分配双能量源存储系统中蓄电池和超级电容两者的功率, 使系统具有更好的动力性能和经济性能. 在此基础上, 文献[47]设计了多智能体的有向协同控制律, 这可以应用于能源互联网区域的信息优化采集. 进一步地, 文献[48]将能量管理问题转化为随机最优控制问题, 并用动态规划方法求解. 但利用的是基于网格方法的算法, 这需要大量的时间和空间来求解. 文献[49]提出了以风电-储能-集群空调负荷联合输出为滑模面的滑模控制策略, 这为能源互联网中能量合理调配、减少储能配置方面提供新的技术途径. 但该研究侧重于控制策略的仿真, 在考虑虚拟储能辅助调度决策方面的研究还不够明确.

    • 随着5G等先进通信技术的崛起, 信息网络逐渐具备超可靠低时延和超宽带的特点, 这使得综合能源系统信息的获取和发送更具实时化, 考虑具有波动性和间歇性的大规模可再生能源发电的接入所产生的实时动态信息的预测控制[50]逐渐成为研究热点. 具体地, 考虑到新能源出力波动或负荷投切等导致微网内瞬时功率失衡, 文献[51]提出了基于模型预测控制的虚拟同步发电机控制方法. 但该模型较复杂, 收敛性未考证, 没有考虑虚拟同步发电机的出力成本, 而且缺乏实验验证. 在此基础上, 文献[52]提出了积分模型预测电流控制来消除电流控制系统的稳态误差, 从而提高其闭环性能. 文献[53]提出了一种新的多能源系统通用建模框架, 特别适合(但不限于)预测控制应用, 但仍然局限于能量交换区方法. 这使得串联连接的建模成为一项繁琐的任务. 进一步地, 为促进可再生能源的使用, 文献[54]利用区域锅炉的全局模型, 模型预测控制器生成最优指令序列, 使得化石燃料消耗、二氧化碳排放量和运行成本显著降低. 文献[55]基于PID与模型预测控制器相结合控制室内温度的方案, 降低了能源消耗.

    • 上述分析结果表明, 现有研究结合多能源终端的分布式协同控制, 信息能源终端的智能优化控制以及基于数据驱动的分布式能源预测控制等来实现信息物理系统的安全稳定运行. 其中, 美国工程院院士G. Heydt联合3位IEEE Fellow在国际权威刊物Proceedings of the IEEE (99(1): 133-148)上指出“分布式多智能体协同控制方法是解决能源互联网相关问题的重要方向”. 但在实现目标的过程中, 还有一些困境问题和未来趋势有待深入和完善. 例如, 随着5G等先进通信技术的发展, 大规模的问题不再受现有平台计算能力和问题计算复杂性的限制, 可以实现在线优化控制. 同时, 随着信息与能源网络融合程度的加深, 能源主体更具智慧和自主能力, 多能源主体交互的网络变得更加复杂. 因此, 在此基础上如何全面地分析系统的稳定性并从理论上给出设计稳定控制系统的指导方法仍然值得深入研究.

    • 作为能源终端的用户侧是信息能源网络的重要环节, 如何利用先进的信息技术以及能源市场机制实现用户侧的能源管理效力, 进一步提高能源网络的灵活性是一个重要的研究方向. 截止至2020年8月的数据, 我们检索到相关论文840篇. 如图7所示, 核心关键词“需求侧管理”与“能源市场”相互结合, 表明此研究方向得到了众多学者的关注. 而从研究对象的角度来看, 由于对象模型以及对系统影响的差异性, 关键词“需求侧”、“分布式电源”、“综合能源系统”、“Energy Internet”等成为关注热点. 文献[56]在2004年提出了考虑用户满意度的需求侧管理价格决策模型, 较早的将能源市场与用户管理进行结合. 而Alex Q. Huang等在2011年提出能源互联网概念, 并提出通过信息与电力电子技术结合、能量双向流动等手段提高用户在能源网络中的参与度[10], 获得了能源互联网领域研究者的广泛关注.

      图  7  管理相关领域的聚类

      Figure 7.  Clustering of manage related fields

      上述分析结果表明, 随着信息技术的发展以及与能源系统的结合, 能源系统优化管理也整体呈现出扁平化的趋势, 用户在能源市场中的参与度大大提升, “比特”推进了相应的“瓦特变革”. 高速低时延的通信技术是需求侧大规模参与能源管理的基础; 大数据技术为用户行为驱动的优化管理提供了相应的数据支持; 同时, 边缘计算, 云计算等技术降低了用户参与所需的信息处理成本. 在多种先进信息技术的支持下, 能源系统管理模式从过去的市场集中管理发展为用户行为驱动主导, 管理方式由集中式发展向分布式过度, 对应研究的能源系统逐渐从大电网发展到分布式电网, 进而发展为多能耦合的综合能源系统. 针对优化管理的研究, 众多科研人员针对不同类型的能源系统模型以及不同的能源市场进行对比, 根据研究对象差异与“瓦特变革”的发展趋势, 可以分为直接需求侧、分布式电源以及综合能源系统三类.

    • 大数据技术的推进与应用为能源系统提供了更精准的用户行为画像. 部分研究从需求侧的角度出发, 探讨对基于用户行为的直接调节会对大型电力网络的市场与运行产生的影响. 薛禹胜等在2007年讨论可中断负荷市场的经济补偿模型及报价清算规则, 并且对可中断负荷的市场引导方式进行分类分析, 但用户在能源市场中的功能较为单一[57]. 在此基础上, 卢强等在2014年讨论了市场与用户之间的关系, 梳理了博弈论在需求侧管理中的应用, 推进了博弈论在能源市场中的应用[58]. 文献[59]提出了一种改进混沌优化的遗传算法并应用于电力系统中, 为需求侧管理提供了方法支持. 文献[60]分析了建立了以年为单位的长期优化策略, 在考虑需求侧的前提下针对季节性储能的变化进行分析.

    • 而随着新能源的开发以及低延时通信技术的发展, 越来越多的研究开始关注于在新能源参与下, 能源供给与需求呈现分布式时的能源市场与用户行为管理. 文献[61]提出了一种经过数据校验的多准则模糊算法并应用于包含光伏的需求侧管理中, 但并未考虑能源市场的变化. 在此基础上, 文献[62]提出了基于多代理系统的微电网能量管理策略, 利用市场竞价策略来实现需求侧管理. 文献[63]在考虑动态能源价格和用户满意度的情况下讨论了含风电的电力系统优化调度, 将发电资源与负荷资源共同进行协调来实现对风能的消纳, 但文章并未将用户作为行为主体进行讨论. 文献[64]提出了基于多智能体的微网群内电力市场交易策略, 通过使用单纯形法和博弈论纳什均衡解来确定最优售电方案, 再通过求解需求侧最优购电模型来确定最优购电方案. 文献提供了一种微电网中用户深度参与市场交易的方式, 但在奖惩机制上与博弈方式上还有进一步挖掘的空间.

    • 在诸如5G、云计算等先进信息技术的支撑下, 不同能源网络可以结合的越来越紧密, 更多的研究专注于在多能耦合的网络中能源市场的变化以及如何进一步提高用户参与度. Henrik Lund等在2006年首次在综合能源系统中利用区域能源市场进行调度与需求侧管理, 文章从区域监管机制的角度出发, 利用相应机制驱动用户行为. 并且多角度分析了增加系统灵活性的方法, 并最终给出了一种利用CHP对风力发电进行消纳的方式[65]. 基于文献[65], 文献[66]进一步提高了系统的灵活性. 文献[67]建立了针对小规模冷-热-电系统的矩阵优化模型, 为基于市场的综合能源系统需求侧管理提供模型基础, 但对能源市场的变化与用户的行为模式缺乏分析. 文献[68]给出了一种考虑多种不确定性的综合能源系统投资评价方式, 利用数据分析了用户行为对投资价值的影响. 文献[17]进一步探究综合能源系统特性, 提出了针对多时间尺度多能量形式的调度策略, 利用能源特性与动态市场机制驱动用户行为实现最优调度. 但在综合能源系统多时间尺度多能量形式特性上还存在继续挖掘的空间. 文献[69]则从市场的角度深入分析了能源互联网现在的发展及未来的发展方向, 为综合能源系统的能源市场后续研究提供了思路.

    • 从上述分析中可以看到, 基于先进信息技术, 现有研究中用户侧更加积极的与市场侧联动实现优化管理, 同时用户参与的能源从电能也扩展到了综合能源系统. 国家能源局发布的《关于推进“互联网+”智慧能源发展的指导意见》中也提到“构建以多能融合、开放共享、双向通信和智能调控为特征, 各类用能终端灵活融入的微平衡系统”. 但在实现目标的过程中, 还存在诸多待解决的问题. 例如随着用户侧的参与程度增加, 如何对用户侧实施合理且有效的约束, 保证用户侧的信息安全与能源质量. 由于综合能源系统中能源类型不同, 生产、传输、消费都存在着不同的时间尺度与特性, 用户与市场如何利用如智能算法、边缘计算等先进信息技术实现综合能源系统多能耦合智能优化管理都是未来具有研究前景的新课题.

    • 随着“互联网+”技术逐渐渗透能源行业, 为能源行业带来巨大的变革, 通过能源系统受到传感、监控、控制、能量管理及调度等信息的作用, 反映出信息流对能量流的强耦合融合背景下, 能源互联网所构建的新一代信息能源系统的形态. 利用截止至2020年8月的数据, 本部分通过聚类选出中外文献共计86篇. 如图8所示, “建模”以及“网络攻击”与“信息安全”相互结合的核心关键词表明这两个研究方向得到了众多学者的关注. 而从研究类型的角度来看, 关键词“Cyber-physical energy system”、“Cyber-physical social system”等成为关注热点. 在2010年, 文献[70]中Marija D. Ili´c等提出了一种依赖于支持物理系统的网络技术的动力学模型, 较早的将快速发展的能源系统建模为基于网络的物理系统, 后续众多研究者在这个基础上进行了更为深入的研究.

      图  8  CPS相关领域的聚类

      Figure 8.  Clustering ofCPSrelated fields

      上述分析结果表明, 随着信息技术和能源系统融合逐步深入, 能源系统正迅速发展成为复杂的信息能源融合系统, 要实现未来能源系统的目标, 就必须系统地嵌入能够监测、通信和控制不断发展的物理系统的网络技术. 从论文的关键词可以看出, 能源系统必须表现出适应性的性能, 如灵活性、效率、可持续性、可靠性和安全性. 不同能源实体之间日益复杂的相互作用需要一个安全、高效和强大的网络基础设施. 针对这个方向, 多数研究者基于信息能源融合系统建模与仿真、信息能源融合系统综合安全和信息物理能源系统(Cyber-Physical-Energy Systems, CPES)及信息物理社会系统(Cyber-Physical-Social Systems, CPSS)进行了研究.

    • 信息能源融合系统的建模与仿真是信息能源融合系统研究的热点之一, 许多文献从系统异构问题、信息系统时间特性、信息模型等方面取得一定成果. 文献[71]在分析了对电力系统进行信息物理融合建模与评估的必要性去驱动力后, 提出了一种CPS融合建模构想. 文献[72]提出了一种基于区块链的智能电网网络物理基础设施模型. 文献[73]描述了分别基于连续时间和离散事件的网络物理能量系统模型说明了两种基本不同的建模原则的优缺点. 文献[74]根据自能源网络结构提出了一种基于GAN技术的数据—机理混合驱动方法对自能源模型参数辨识. 文献[75]研究智能电力系统硬实时监控通信策略的设计问题并且在广泛使用的商用工具PSCAD中提供一个嵌入式仿真环境. 文献[76]提出了一种基于高层体系结构(HLA)的电力与ICT系统实时评估协同仿真环境(IEEE Std. 1516-2010). 其认为基于连续时间的电力系统仿真和基于离散事件的信息和通信技术(ICT)网络仿真是研究未来智能电网的关键.

    • CPS借助大量传感设备与复杂通信网络使现代电力系统形成一个实时感知、动态控制与信息服务的多维异构复杂系统, 信息流交互使得信息能源融合系统面临更多潜在威胁. 文献[77]提出了电力CPS领域中网络攻击的定义, 从通信网络覆盖范围和网络攻击目的对攻击行为进行分类. 文献[78]介绍了CPS的概念与安全现状, 给出了CPS综合安全的定义; 提出了CPS的综合安全威胁模型; 对现有CPS攻击和防御方法进行了分类和总结, 并探讨CPS综合安全的研究方向. 文献[79]提出了一种新的基于区间状态预测器的防御机制来有效地检测恶意攻击. 研究者提出了一种基于DBN的电力负荷预测方法. 这种方法可以减少预测误差. 然而, 由于天气系统的混沌性和不稳定性, 预报误差是不可避免的. 为了进一步阐明跨空间连锁故障对电力 CPS安全稳定运行的危害, 文献[80]提出一种基于改进攻击图的量化评估方法. 文献[81]在传统的虚假数据注入攻击的基础上, 提出了一种考虑能量系统动态特性且可以用来描述恶意攻击者的攻击行为的动态攻击模型. 文献[82]分析了CPS的基本概念和特征, 并对CPS的体系架构、中间件系统、实时性、安全和隐私等关键技术进行了说明. 文献[83]提出了一种分布式多智能体方案来检测和识别电网保护系统中的网络威胁.

    • 一些研究者考虑能够充分感知环境和系统状态信息, 对能源生产和消耗实时监测和预测, 统一优化调度和控制的CPES以及CPS中因存在人和社会层面而提出的CPSS. 薛禹胜在文献[84]中研究了电力(能源)大数据的应用, 并通过若干课题的研究, 归纳大数据技术对提高能源流在不同时间尺度及空间中的经济性与可靠性的作用与途径. 文献[85]提出了由4个关键技术组成的研究体系, 包括: 电网信息物理融合建模技术、电网信息物理系统分析方法、基于融合模型的电网控制技术、基于融合模型的形式化验证. 而文献[86]从并行调度的角度系统地提出了基于复杂CPSS的能源互联网智能调度概念和框架, 并深入研究了如何利用智能人工社会建模实现能源互联网的并行调度与控制, 同时考虑了人为因素和社会因素, 这是对单一智能广域机器人概念的重大延伸和理论改进. 而文献中的研究对象是群并行调度机器人(parallel dispatching robot, PDR), 无论是名义模型还是镜像模型, 都必须是一个具有并行计算能力的分布式建模与仿真系统. 这与很多电力系统仿真软件平台采用集中建模和集中离线仿真方法的软件平台有本质区别. 王飞跃在文献[87]中提出必须增加和解决CPS中存在的人和社会层面. 社会和人的动态应被视为任何有效的CPS设计和运行的一个组成部分, CPS中插入“社会”具有一定合理性.

    • 现阶段国内外对于CPS的研究情况整体来说还处于发展的初期, 有待成熟化. 薛禹胜2018年在《能源评论》中提出: 未来要拓展到更大的物理系统中, 要从电力系统向它的上游拓展, 要研究煤炭、风电等不同类型的能源品类出力变化的关联、可再生能源的波动性如何引起负荷和一次能源的不平衡与损失等. 由此可见, 推动CPS和多能源融合发展是信息能源融合系统的发展趋势. 从CPS的应用角度, 如何将通信、计算和控制能力嵌入能源设备, 应用于各类能源系统, 得出有效的智能设备和自治系统, 如何针对信息系统和能源系统进行合理建模并对新的系统模型搭建与之相适应的、合理的仿真算法, 如何在大型工业系统中充分考虑CPS的安全和隐私等都是亟需解决的问题.

    • 信息与能源的深度融合将有效提高能源系统的安全高效经济运行能力, 增强可再生能源的接纳能力, 提高用户的参与程度, 加强能源系统的灵活性和可扩展性, 推动未来能源系统的高速发展. 本文运用知识图谱的方法, 对CNKI和WoS所载2000-2020年文献进行计量分析, 获取信息能源系统的研究热点分布, 并深入挖掘其内在联系和潜在趋势. 在当前的研究中, 依托于我国在能源领域较为领先的研究基础, 在以清洁、环保为目标的能源转型的迫切需求以及互联网良好的发展生态的背景下, 以“比特驱动瓦特”的研究在能源系统的控制、优化、管理等多个层面都取得了较大的进展, 同时, 信息能源深度耦合的影响研究也获得了诸多关注. 未来, 在包含泛在感知、数据中心、边缘计算等技术在内的新基建大力推进下, 如何以清洁、高效、经济、智慧的能源系统支撑能源需求高速增长的信息系统的发展, 并通过信息能源系统的耦合, 实现对能源数据价值的充分挖掘都是未来具有广阔科研前景和重大国家需求的新课题.

WeChat 关注分享

返回顶部

目录

    /

    返回文章
    返回