✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Sustainable Energy期刊2026年issue1推送（第3期/共5期）。本期推送共包含10篇研究论文，内容聚焦于高比例可再生能源电力系统的协同优化、稳定控制与精准预测等前沿领域。具体研究主题包括：电热综合系统的分布式调度与激励机制、风电机组建网控制与功率振荡抑制、考虑气象不确定性的风电功率不确定性建模与预测、微电网分布式能源参数估计（如PINN方法）与优化控制、直流微电网协同与经济运行、海上风机载荷协调控制、分布式光伏功率预测，以及基于深度强化学习与分布式储能的配电网韧性增强策略。这些研究从系统协同、控制算法、预测模型等多个维度，为构建安全、高效、灵活的新型电力系统提供了创新的解决方案。综上，这些工作在理论方法与工程实证上均具有重要的实践意义，可直接支撑高比例可再生能源并网的调度与运行优化。
本期目录
📖 第1篇：面向电热综合系统的全分布式激励机制
📖 第2篇：一种用于抑制功率振荡的风电机组建网控制新型优化参数整定算法
📖 第3篇：基于过渡天气识别与气象预测误差传播的两阶段超短期风电功率预测方法
📖 第4篇：基于改进物理信息神经网络的微电网分布式能源自适应参数估计
📖 第5篇：基于聚合优化的直流微电网二次控制
📖 第6篇：一种用于增强风电功率预测的端到端集成学习方法
📖 第7篇：基于事件触发载荷反馈与T-S模糊逻辑推理的海上风力发电机协调变桨控制策略
📖 第8篇：基于灰色关联分析与Transformer-GCAN模型的县域分布式光伏日前功率预测
📖 第9篇：基于深度强化学习的移动风力涡轮机调度策略：提升配电网韧性的新方法
📖 第10篇：基于聚合容量估计的分布式储能系统功率跟踪控制
📖 第1篇
📌 面向电热综合系统的全分布式激励机制
A Fully Distributed Incentive Mechanism for Integrated Electricity and Heat Systems
作者：Haohao Zhu，Jiayi Li，Jizhong Zhu，Meiyun Gao，Chenlei Liao，Di Zhang
本文面向电力系统（EPS）与区域供热系统（DHS）耦合的实际应用场景，明确提出在保护各参与方隐私的前提下实现系统协同优化的目标。研究将电热联合调度模型转为单调变分不等式（MVI）问题，并基于该模型构建了一套分布式求解框架。整体技术路线以局部问题求解与边界信息交互为核心，输入为各系统的本地约束与边界变量，输出为时序调度结果与对偶变量更新；关键模块包括本地调度器、边界信息交换模块与乘子更新机制。与以往需要共享网络拓扑或完整参数的集中式方法不同，本研究提出的框架通过仅交换边界信息来避免敏感数据外泄，体现了方法在隐私保护和协同优化之间的平衡。
在实现细节上，作者提出了全新的全分布式预测-校正算法（FDPCA）：本地子问题采用带约束的优化求解器生成本地原始解与边界信息，随后在邻居间交换边界流量并对拉格朗日乘子进行对称更新以保证一致性。算法在迭代收敛判据、步长选择与乘子更新规则上进行了工程化设计，关键实现点包括对通信延迟的容错处理与对梯度步长的自适应调整；为提升鲁棒性，引入了对等式/不等式约束的约束校正机制，确保每轮本地解均满足物理约束，便于在线部署与并行计算。
在仿真实验中，论文采用典型的电热耦合系统案例对比了FDPCA与传统ADMM方法的性能。评估指标包含系统总运行成本、风电弃电量与算法收敛速度等；关键数据展示：在同等精度下，FDPCA计算效率提升约39%，且在协调调度下系统风电弃电量减少了44.94%，总体运行成本显著下降。为解决合作分配问题，文章提出基于纳什议价的两阶段利益分配方案：第一阶段对DHS联盟与EPS进行议价并平均分配联盟收益，第二阶段在DHS内部基于贡献率与成本增幅进行差异化二次分配。实验结果表明，该分配机制既能实现系统层面的成本最小化，又能保证EPS与所有DHS在合作下均获得收益改进，从而实现帕累托改进并具备良好的工程可操作性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11045415
📖 第2篇
📌 一种用于抑制功率振荡的风电机组建网控制新型优化参数整定算法
A Novel Optimized Parameter Tuning Algorithm for Wind Turbine Grid-Forming Control to Mitigate Power Oscillations
作者：Duc-Tung Trinh，Yuan-Kang Wu，Manh-Hai Pham
面对高比例可再生能源接入带来的系统动力学变化，本文针对风电机组建网控制（GFM-WT）中出现的低频功率振荡问题开展研究。首先构建了包含直流电容、机侧变流器（MSC）动态以及内外环控制交互的线性化状态空间小信号模型，并基于该模型开展灵敏度分析，识别出引起低频振荡（LFO）的主要参数耦合路径。文章明确了问题背景、输入输出（控制参量与输出功率/电压响应）以及约束条件（控制回路带宽与硬件饱和等），提出了以模型为支撑的参数优化框架以替代经验整定方法。
核心算法是一种基于状态空间模型并兼顾特征值阻尼比与控制回路带宽约束的优化整定方案。实现细节包括对目标函数中阻尼比项与带宽惩罚项的权重设置、引入基于梯度的优化器并采用合适的步长衰减策略以保证数值稳定；关键超参数如初始步长与收敛门限被系统化地调优。为兼顾工程部署，论文还讨论了在线自适应整定的可实现性，提出了用于实时监测振荡并触发参数重整定的事件检测逻辑。
在改进的WSCC 9节点和New England 39节点系统上进行了多场景仿真验证，实验包括不同风速扰动、机组接入比例变化及内外环参数扰动等工况。对比基线为传统经验整定方法与常见鲁棒整定方法；评价指标包括功率振荡幅值、同步机端振荡衰减时间与系统稳态误差等。关键结果显示：与基线方法相比，本文算法可显著降低风电端与同步发电机端的功率振荡幅值（典型减幅可达数十个百分点），同时缩短衰减时间并提升系统阻尼。结论：该优化整定方法在保证系统稳定性方面具有显著工程价值，适用于高渗透新能源系统的控制参数设计与现场调试。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11068198
📖 第3篇
📌 基于过渡天气识别与气象预测误差传播的两阶段超短期风电功率预测方法
A Two-Stage Ultra-Short-Term Wind Power Forecasting Method Based on Transitional Weather Identification and Meteorological Prediction Error Propagation
作者：Wei Zhang，Hang Sun，Jiyuan Gao，Gangui Yan，Mao Yang
本文聚焦于过渡性天气（冷暖气团交替、风暴等）条件下的超短期风电功率预测，指出传统将气象预测视为确定性输入的做法在过渡天气时会导致显著性能下降。研究首先提出一种不依赖未来功率数据的过渡天气识别机制，基于滑动窗口和双窗口策略捕捉风速转折点并划分高波动时段；随后提出将气象预测不确定性显式引入功率预测模型的总体框架，系统性处理气象误差向功率预测的传播。
具体建模上采用稀疏变分高斯过程（SVGP）作为第一阶段风速预测器以提供预测均值与方差，并在第二阶段将其结果输入含噪声输入高斯过程（NIGP）中，通过误差传播机制将风速预测方差作为输入噪声来校正功率预测。实现细节包括核函数选择、稀疏点数量设定、以及对NIGP中噪声项的分解与正则化处理；关键超参数（如稀疏点m与核长度尺度）通过交叉验证确定以兼顾精度与计算效率。
基于中国某风电场实测数据进行了对比实验，基线包括传统确定性输入模型与风速校正方法。评价指标覆盖点预测误差与区间预测质量（覆盖率与宽度）。关键结果显示：在过渡天气时段，SVGP-NIGP方法比传统方法在RMSE上有明显改进，同时预测区间在覆盖率与宽度之间达到了更优平衡（例如，区间覆盖率显著提升且区间宽度未出现过度膨胀）。结论表明，该两阶段方法在复杂气象下具备更强的鲁棒性与工程适用性，为电网短期调度提供了更可靠的决策依据。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11078806
📖 第4篇
📌 基于改进物理信息神经网络的微电网分布式能源自适应参数估计
Adaptable Parameters Estimation for Microgrid Distributed Energy Resources Using Modified Physics-Informed Neural Network
作者：Likun Chen，Yifan Wang，Wei Sun，Xuzhu Dong，Bo Wang
本文针对微电网中分布式能源（DERs）动态模型复杂且数据稀缺的实际问题，提出了一种改进的物理信息神经网络（PINN）框架用于自适应参数估计。研究首先通过小信号分析明确了同步机型与逆变器型DERs的不同动态特性，进而在PINN结构中嵌入针对常微分方程（ODE）的物理约束与残差项，实现数据驱动与物理先验的耦合，并提出了通用的参数估计范式以适配多类型DERs。
实现细节上，作者设计了改进的数据变换与归一化流程以提升训练收敛速度，并在损失函数中加入物理残差项与参数正则化项以约束解的物理一致性；关键实现要点包括采用自适应权重平衡数据损失与物理残差、以及使用Adam优化器与分阶段学习率衰减策略来稳定训练。论文指出其改进的数据变换在最佳情况下可使训练时间缩短约82.87%，显著提升工程可用性。
为验证方法，研究基于开源微电网数据并通过实时数字仿真生成两种典型系统配置的数据集，采用误差小于5%作为评判阈值。实验包含对比传统PINN、纯数据驱动方法与本文方法，评估指标包括参数估计误差、收敛时间与泛化能力。结果显示：本文方法在多种工况下均实现参数估计误差低于5%，并在训练效率与鲁棒性方面优于基线方法，适用于现场在线辨识与工业场景中对专有设备参数估计的需求，且避免了离线试验的设备断开风险。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11045087
📖 第5篇
📌 基于聚合优化的直流微电网二次控制
Aggregation Optimization-Based Secondary Control for DC Microgrids
作者：Qi-Fan Yuan，Yan-Wu Wang，Xiao-Kang Liu，Yunwei Li
本文针对直流微电网中同时实现电压精度与电流均分，同时兼顾经济性目标（发电成本与线路损耗最小化）的挑战，提出了一种基于聚合优化框架的分布式二次控制器。研究构建了集成化的局部目标函数，包含电压误差、电流均分误差、发电成本与线路损耗四项，并通过可调权重实现不同运行诉求间的权衡。该框架在单一时间尺度上实现了电压/电流控制与经济优化的一体化处理，显著简化了传统多层控制的复杂性。
控制器设计包含两个辅助变量，这两个变量以分布式方式与相邻单元信息交互并在固定时间内收敛以跟踪两个全局信号；关键约束包括收敛时间与通信拓扑，优化过程中采用带约束的凸优化求解器，关键超参数如权重系数与收敛门限需要根据运行侧重点调整。作者还在实现层面讨论了通信延迟与链路故障的容错策略，以保证即插即用与模块化扩展能力。
通过数值仿真与硬件在环实验验证了方法的有效性，在负载突变、通信故障、单元即插即用等工况下均能保持系统稳定并降低全局目标函数值。关键实验结果表明：在多场景下该方法能显著降低发电成本与线路损耗，并实现高精度的电压调节与电流均分。结论：本文提出的聚合优化分布式控制具有良好的工程适应性，适合商业化微网系统的协同管理与经济运行。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11082645
📖 第6篇
📌 一种用于增强风电功率预测的端到端集成学习方法
An End-to-End Ensemble Learning Approach for Enhancing Wind Power Forecasting
作者：Yun Wang，Houhua Xu，Yaohui Huang，Fan Zhang，Hongbo Kou，Runmin Zou，Qinghua Hu，Dipti Srinivasan
本文面向风电功率预测任务提出了名为MG-DS的端到端集成学习框架，旨在克服传统分两阶段训练的误差累积与效率问题。总体框架包括三大模块：基于残差块的全MLP非线性特征提取模块、基于GRU与交叉注意力的基预测生成模块，以及基于Dempster-Shafer（DS）证据理论的自集成预测模块。该设计通过统一训练流程同时学习基模型与融合策略，提高了多样性与整体泛化能力。
实现细节包括基预测器的多路输出设计（使用三路线性层生成多样化基预测）、交叉注意力用于时序与非线性特征融合，以及DS模块中的多轮证据融合策略（即DS放大镜层）以在基预测器数量有限时提升多样性。训练使用端到端损失，包含基预测误差项与融合一致性项，优化器采用Adam并设置分段学习率。为提升实际部署可行性，作者还设计了可插拔的DS自集成插件，以便与已训练基模型灵活集成。
在比利时、芬兰、奥地利、丹麦和保加利亚五个真实风电数据集上进行了全面对比试验，基线包括统计模型、主流深度学习模型与常见集成策略。评价指标覆盖MAE、RMSE与R^2等，结果显示MG-DS在多个数据集上均取得显著提升（例如在若干场景RMSE下降幅度明显），并通过消融实验验证了DS放大镜层与动态集成策略中CNN与注意力机制的有效性。结论：MG-DS为工业化风电功率预测提供了一个高效且鲁棒的端到端集成方案。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11048619
📖 第7篇
📌 基于事件触发载荷反馈与T-S模糊逻辑推理的海上风力发电机协调变桨控制策略
Coordinated Pitch Control for Offshore Wind Turbines Based on Event-Triggered Load Feedback and T-S Fuzzy Logic Reasoning
作者：Yanfeng Zhang，Shuju Hu，Yanfeng Meng，Fenglin Li，Bin Song
随着海上风机大型化，载荷不对称与执行机构疲劳成为设计与控制的核心问题。本文提出将事件触发载荷反馈与T-S模糊逻辑推理相结合的协调变桨控制策略。框架的输入为叶片根部弯矩与载荷变化趋势，输出为CPC与IPC的融合指令，目标在于在抑制不对称载荷的同时减少变桨执行机构的动作频率，从而在可靠性与维护成本之间实现最优权衡。
实现层面包括事件触发规则的设计（基于平均绝对偏差与最长未反馈时间触发阈值）、模糊推理规则库与隶属函数的工程化设定，关键实现要点为对触发阈值的调优以避免冗余动作并保持控制精度。系统在OpenFAST与IEA 10MW模型上实现，采用时域疲劳载荷仿真与累计变桨动作统计作为评价手段。
实验结果表明，与传统CPC和IPC相比，该协调策略在载荷抑制方面显著优于CPC，并在执行机构动作量上显著优于IPC，既降低了叶片根部与塔顶的等效疲劳载荷，又将累计变桨动作量显著减少。关键结论：该方法有效延长了变桨系统寿命并提升了整机经济性，适用于大型海上风电机组的长期运行与维护规划。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11045396
📖 第8篇
📌 基于灰色关联分析与Transformer-GCAN模型的县域分布式光伏日前功率预测
County-Level Distributed PV Day-Ahead Power Prediction Based on Grey Correlation Analysis and Transformer-GCAN Model
作者：Pei Zhang，Bin Zhang，Jinliang Yin，Jie Shi
本文针对县域级分布式光伏输出的时空相关性问题，提出将灰色关联分析与基于Transformer与图卷积注意力网络（GCAN）的混合模型相结合的预测方法。流程先用灰色关联度构建电站间的空间关联图，再采用Transformer捕捉长时序依赖，最后通过图注意力增强的图卷积提取空间特征并融合至全连接网络生成日前功率预测，体现了在时空特征提取上的协同设计。
实现细节包括关联图的阈值设定、Transformer的多头自注意力结构与GCAN中的图注意力权重学习；关键实现要点为灰色关联度的构建方法与图神经网络中节点重要性权重的自适应学习，这两项设计对于捕捉县域内部电站间异质性至关重要。模型训练采用带正则化的均方误差损失，并在不同天气条件下进行数据增强以提高鲁棒性。
在中国北方某县域10个变电站的实证数据上，Transformer-GCAN在晴天、多云与雨天场景下的RMSE分别较基线模型下降了11.90%、15.72%与19.61%。这些结果表明该模型在多种气象条件下均具有更高的预测精度与鲁棒性，能有效支持日前调度优化以减少弃光并平滑火电启停调度负担。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11061797
📖 第9篇
📌 基于深度强化学习的移动风力涡轮机调度策略：提升配电网韧性的新方法
Deep Reinforcement Learning-Based Allocation of Mobile Wind Turbines for Enhancing Resilience in Power Distribution Systems
作者：Ruotan Zhang，Jinshun Su，Payman Dehghanian，Mohannad Alhazmi，Xiaoyuan Fan
为提升灾后配电网的快速恢复能力，本文提出将移动风力涡轮机（MWTs）作为灵活应急电源，并基于多智能体深度强化学习（MADRL）优化其调度策略。研究设计了耦合交通网络与配电网的调度场景，输入为空间时间上的道路可达性与负荷优先级，输出为MWT车队的移动与部署决策，目标为最大化灾区供电覆盖并最小化经济损失。
算法采用两阶段训练策略，先用多场景随机故障进行基础训练，再对特定灾害场景微调以提升应急响应速度；核心训练方法为深度Q学习（DQL）与双深度Q学习（DDQL）对比实验，并引入动作限制机制防止MWT聚集造成功率波动。训练细节包括经验回放、多步目标与epsilon衰减策略等，关键超参数（如学习率、折扣因子与探测率衰减）在多场景下被系统化调优。
在耦合的交通系统与四个IEEE 33节点测试系统上仿真，结果表明所提框架可为配电网提供约8%-10%的负荷功率，并将经济损失降低约12%-16%。与混合整数线性规划方法相比，MADRL框架在大多数测试场景中取得相同或更优的恢复性能且响应速度更快，显示了其在应急电力供应与韧性提升中的明显潜力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11045830
📖 第10篇
📌 基于聚合容量估计的分布式储能系统功率跟踪控制
Distributed Power Tracking Control of Energy Storage Systems With Aggregated Capacity Estimation
作者：Yin Chen，Jianyu Zhou，LinFang Yan，Yujun Lin，Xia Chen，Jinyu Wen
本文研究了如何在分布式小容量储能系统（ESS）高度分散的情形下实现可靠的功率跟踪控制，提出了一种基于聚合容量估计的分布式控制方法。控制目标为在无需全局测量总功率的前提下精确跟踪系统级功率参考，同时兼顾不同类型ESS（例如电池、超级电容器）之间的能量与功率协调，确保长期内荷电状态（SoC）的均衡与寿命优化。
方法上引入了基于动态平均一致性算法的分布式估计算法，用于在线估计总功率偏差并驱动本地控制器；功率分配考虑了能量系数与成本系数以实现类型间的差异化协调，关键实现要点包括事件触发的分布式容量估计器以减少通信负担以及基于恒定触发阈值的触发规则以保证估计精度与通信效率之间的折中。
在IEEE 33节点标准测试系统上仿真，方法能快速跟踪随机功率参考信号与实际PJM RegD市场信号，且在SoC分配方面实现了同类型ESS间的渐进平衡。实验结果表明：该方法在存在通信中断与ESS即插即用场景下仍能维持稳定运行，并通过事件触发机制显著降低通信次数。结论：本文方案为大规模分布式储能的实时协同调控提供了通信负担轻、隐私保护强且具备即插即用能力的实用化路径。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11037571
点击关注 获取更多精彩