✦ 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1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前沿挑战与创新解决方案，核心主题涵盖：1）新型资源聚合与协同优化，如虚拟电厂与5G基站的联合调度、Power-to-X系统的智能管理；2）先进预测与不确定性建模，包括风电功率/爬坡率预测、时空风速概率预测；3）人工智能与物理模型融合，应用于极端气候下的水电调度、配电网电压调控；4）系统规划与运行保障，涉及100%可再生联产系统规划、定量消纳保障的鲁棒调度、以及多样化发电单元频率支撑能力的统一评估；此外还覆盖深度强化学习与时空概率预测等方法论。这些研究通过前沿的优化算法、机器学习及控制策略，为构建安全、经济、高效的新型电力系统提供了重要的理论支撑与技术路径。总体而言，这些工作在提升可再生能源消纳能力、降低运行成本、增强系统鲁棒性与隐私保护方面具有显著的工程价值与推广潜力。
本期目录
📖 第1篇：考虑多样化通信速率需求的虚拟电厂与基站联合机会约束优化
📖 第2篇：评估集成中间储能的Power-to-X可再生能源管理中电网惩罚强化学习的性能
📖 第3篇：人工智能与物理模型融合：极端高温事件下的梯级水电站长期优化调度
📖 第4篇：基于期望实现深度学习的风电功率与爬坡率确定性及概率性预测
📖 第5篇：基于物理感知时空图感知的配电网电压调控原型联邦强化学习
📖 第6篇：基于Transformer扩散模型的时空概率风速预测
📖 第7篇：基于协调控制策略的永磁同步风力发电机湍流功率波动抑制研究
📖 第8篇：基于分数规划的新型100%可再生电力与甲醇联产系统规划模型
📖 第9篇：基于动态不确定性集的可再生能源电力系统定量消纳保障鲁棒调度方法
📖 第10篇：一种评估多样化可再生能源发电单元频率支撑能力的统一方法
📖 第1篇
📌 考虑多样化通信速率需求的虚拟电厂与基站联合机会约束优化
Chance-Constrained Optimization for VPPs With Base Stations Considering Diverse Communication Rate Requirements
作者：Chao Guo, Chengjin Ye, Yi Ding, Jing Li, Jiadong Dai, Xuanyi Zhou
本文面向5G宏微站与分布式可再生能源聚合构成的虚拟电厂（VPP）场景，明确了在参与日前市场交易时如何同时满足电力与通信双重服务质量要求的调度目标。作者提出基于机会约束优化的总体建模框架，核心包括对收发器功耗建模、有源天线单元的运行状态决策与备用储能联动控制。研究的主要创新点有：提出了详细的有源天线单元功耗模型，并构建了考虑通信负载的备用储能动态时域模型，同时将用户移动性与基站重叠覆盖的影响纳入通信速率评估，从而使得模型更贴近现实覆盖与服务波动场景。
在实现层面，论文对通信速率约束的非线性关系采用了泰勒展开线性化处理，并结合正态分布的逆累积分布函数将功率平衡的机会约束转化为确定性线性约束，从而把原问题转化为可由商用求解器求解的混合整数线性规划（MILP）。模型求解涉及基站天线启停二元决策、储能充放电时序与市场出清量决策，论文详细讨论了约束松弛、可行性保证与求解器设置等关键实现细节。
仿真基于典型的宏站/微站覆盖格局与实际可再生出力数据进行，对比了不考虑基站调度或忽视通信约束的基线方案。结果显示，在严格满足区域最低速率要求的前提下，提出的方法能有效挖掘基站的调节潜力：实验表明VPP内部经济效益提升18.72%，并在可再生能源消纳方面取得显著改进。总体结论表明，精细化的“能源-通信”耦合建模与机会约束处理，可将5G基站作为高价值柔性资源深度融入电力系统，实现通信与电网的协同增效与可持续发展。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11082584
📖 第2篇
📌 评估集成中间储能的Power-to-X可再生能源管理中电网惩罚强化学习的性能
Assessing Grid Penalized Reinforcement Learning for Renewable Energy Management of Power-to-X Integrated With Intermediate Storage
作者：Jeongdong Kim, Jonggeol Na, Joseph Sang-Il Kwon, Seongbin Ga, Sungho Suh, Junghwan Kim
本文研究对象为将可再生能源与Power-to-X（PtX）装置以及混合储能（电池+氢罐）集成的系统，关注在高时空不确定性条件下的经济调度策略。作者提出基于深度强化学习（DRL）的电网惩罚奖励函数，即在收益最大化的同时对来自电网的功率依赖施加惩罚，从而显式权衡盈利性与电网使用。论文构建了每小时规划框架，输入包括可再生出力、市场电价与需求侧信息，输出为电力购买/储能/转化至PtX产物的调度决策。
实现细节方面，作者采用了基于策略梯度的深度策略网络训练流程，并针对混合储能与每小时规划模型的时序耦合设计了状态与动作空间。训练过程中通过历史市场与气象数据并行回放经验，采用带惩罚的回报函数调整策略；文中列出了关键超参数与训练设置，以及在实际部署时对安全约束的软/硬制约策略。
基于法国国家层面的真实数据开展案例研究，与基于规则的基线方法对比，结果显示DRL方法在国家级情形下可实现利润提升1360.12%；通过调节电网惩罚权重能够缩小可再生渗透率（REP）差距，保持更高盈利能力。论文指出，该方法为PtX系统在宏观层面的经济性与电网依赖之间提供了可调节的平衡策略，并建议未来纳入转化单元动态模型以进一步贴近工程应用。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11051013
📖 第3篇
📌 人工智能与物理模型融合：极端高温事件下的梯级水电站长期优化调度
Integrated Artificial Intelligence and Physics-Based Modeling for Long-Term Cascaded Hydropower Scheduling Under Extreme Heat Events
作者：Maryam Baghkarvasef, Masood Parvania
本文针对极端高温热浪对梯级水电站的影响，提出将物理蒸发模型与数据驱动预测相结合的长期调度框架。问题情景包括高温导致蒸发增加、入库流量变化以及电价/负荷波动，目标为在多阶段市场参与下最大化发电收益同时保证水资源可持续利用。整体技术路线包含蒸发机理建模、基于多元LSTM预测的输入变量预测以及发电特性估计与调度模型耦合。
在实现上，作者开发了物理——统计混合流程：先用物理模型估计基于气象的蒸发损失，再用LSTM等时序模型预测电价、需求和入库流量，最后采用基于回归的机器学习对发电非线性特性进行拟合并通过线性化技术嵌入到混合整数线性规划（MILP）中以便长期优化求解。关键实现要点包括训练数据的时序对齐、特征工程以及对非凸发电函数的发电函数线性化策略。
以哥伦比亚河流域11座梯级水电站为案例，研究展示了模型在考虑蒸发损失等物理过程后的收益估计更接近完美信息下的理想值，并推导出可用于短期调度的水价值。数值验证表明，该框架在计算效率与利润接近度间取得了良好平衡，11座案例结果证明了方法的可行性与工程推广价值，结论强调通过深度融合AI预测与物理机理可显著提升极端气候下的水电调度质量。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11059276
📖 第4篇
📌 基于期望实现深度学习的风电功率与爬坡率确定性及概率性预测
Deterministic and Probabilistic Forecasting of Wind Power Generation and Ramp Rate With Expectation-Implemented Deep Learning
作者：Min-Seung Ko, Hao Zhu, Kyeon Hur
面对风电出力的低频基线与高频爬坡事件并存的信号特性，本文提出一种协同预测框架，能够同时针对风电功率与爬坡率给出确定性与概率性预测。方法上采用奇异值分解进行特征生成，将单变量时间序列扩展为多变量输入以提高模型泛化能力，并基于一维扩张因果卷积神经网络构建差异化网络结构以分别处理低频与高频信号成分。
实现细节包括针对不同期望设计的定制化损失函数（如“平均绝对误差乘平方幅值”用于功率、用于爬坡率的“平均绝对误差乘平方偏差”），并采用前馈误差学习进行偏差修正。训练流程强调历史出力数据的窗口化、正则化与残差连接设计，以及在无数值天气预报（NWP）情况下的特征鲁棒性处理。
在美国德州实际风电数据上进行验证，结果显示概率性预测在CRPS上优于基准，且确定性预测在高功率与剧烈爬坡场景下显著提升。具体指标上报告了CRPS下降与频繁事件误差降低等量化结果，结论指出该框架在缺乏NWP数据情况下仍能提供可靠的调度与备用容量参考，适用于运营商与数据受限的风电场。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11068153
📖 第5篇
📌 基于物理感知时空图感知的配电网电压调控原型联邦强化学习
Prototype Federated Reinforcement Learning for Voltage Regulation in Distribution Systems With Physics-Aware Spatial-Temporal Graph Perception
作者：Huayi Wu, Zhao Xu
为应对高渗透可再生能源引发的配电网电压波动与数据隐私问题，本文提出了基于原型学习的联邦强化学习框架STT-PFRL。核心设计包含物理感知的PSTFormer时空Transformer网络，用于将配电网的时空图物理关系嵌入特征聚合过程，以及基于原型层的ProtoFedSAC联邦软演员-评论家算法，用于处理客户端间的数据异质性并保护隐私。
实现细节包括去中心化训练流程、局部原型而非原始数据的传输机制、以及基于最大熵策略的探索设计。论文强调联邦原型传输能显著减少通信量并降低逆向工程攻击风险，且在模型聚合时采用原型对齐与正则化以保证全局策略鲁棒性。
在IEEE 33节点与118节点配电系统仿真中，STT-PFRL在平均/最大电压偏差与网络损耗上均优于多智能体与集中式基线；同时，其通信数据量减少约98%，大幅降低了通信开销并显著降低泄露风险，表明该框架在工业部署中具有高实用价值与隐私保护优势。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11045127
📖 第6篇
📌 基于Transformer扩散模型的时空概率风速预测
Spatio-Temporal Probabilistic Forecasting of Wind Speed Using Transformer-Based Diffusion Models
作者：Hao Liu, Junqi Liu, Tianyu Hu, Huimin Ma
本文提出概率时空扩散Transformer模型PSTDT，结合去噪扩散概率模型与Transformer的时空建模能力，以提高风速时空概率预测精度。模型结构模块化：引入双空间注意力模块以同时建模地理静态关系与动态空间相关性，并设计了双阶段时间模块用于捕捉窗口内的自回归特征与跨周期相关性。
实现要点包括基于扩散过程的生成器—去噪网络训练、时间自适应层归一化以增强训练稳定性，以及自适应融合空间与时间注意力以提高模型泛化。作者在训练中采用分阶段预训练与混合损失函数，以兼顾点预测精度与概率性评分。
在多个真实风速数据集上的对比实验表明，PSTDT在关键评估指标上明显优于现有方法：报告了CRPS下降8%-20%与MAE下降7%-19%等性能提升。结论指出PSTDT能为风电短期调度与并网不确定性管理提供更可靠的概率性预测信息，并具有良好的跨领域推广潜力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11091547
📖 第7篇
📌 基于协调控制策略的永磁同步风力发电机湍流功率波动抑制研究
Wind Turbulence-Induced Power Fluctuations Mitigation in PMSG-Based Wind Turbines by a Coordinated Control Scheme
作者：Ali Safaeinejad, Mohsen Rahimi, Dao Zhou, Frede Blaabjerg
针对永磁同步发电机（PMSG）风机在风力湍流下的功率波动问题，本文提出一种协调控制架构，将机侧变流器、网侧变流器与桨距控制系统协同设计以抑制机电振荡。研究指出在恒功率运行区波动尤甚，需针对机电耦合机理进行多层次阻尼设计以改善传动链与桨叶应力分布。
具体控制策略包括通过机侧变流器实现虚拟调节转子惯量以利用惯性能量平滑出力，网侧变流器引入阻尼分量抑制电气振荡，以及在额定以上风速下采用桨距的低通滤波增强阻尼。三个辅助控制项的增益经过优化协同设计，以避免相互干扰导致的不良动态交互。
仿真结果显示，该方案在恒功率区与MPPT区均能显著降低输出波动并改善机械应力：具体表现为恒功率区波动降低与机械扭转载荷改善，从而延长关键部件寿命并提升电网稳定性。结论强调在无需额外储能的情况下，通过控制协同即可实现高效功率平滑。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11106269
📖 第8篇
📌 基于分数规划的新型100%可再生电力与甲醇联产系统规划模型
A Novel Fractional Programming-Based Planning Model for 100% Renewable Poly-Generation of Electricity and Methanol
作者：Zhipeng Yu, Yingtian Chi, Jin Lin, Feng Liu, Yonghua Song, Fengqi You
本文提出以实现100%可再生电力与甲醇联产为目标的系统规划模型，解决可再生能源波动导致的弃用与超装问题。核心贡献在于采用年化投资净收益率的分数规划目标，将内部收益率（IRR）最大化问题以数学等价形式嵌入规划模型，并首次将电力转甲醇技术与生物质发电协同纳入系统设计，形成灵活的化学储能与负荷响应。
方法上构建了混合整数线性分数规划模型，并采用参数化算法进行高效求解。模型考虑甲醇合成负荷的可调度性、生物质发电的基载支撑与可再生出力的时间相关性，重点在于通过规划层面的协同优化减少弃用并提升项目经济性。
基于内蒙古实际数据的案例显示：引入甲醇合成后系统内部收益率可从2.69%提升至9.38%，同时可再生能源弃用率由47.65%降至11.06%。结论表明，跨部门联产与分数规划目标为可再生能源大量并网提供了经济稳健的路径。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11045219
📖 第9篇
📌 基于动态不确定性集的可再生能源电力系统定量消纳保障鲁棒调度方法
A Quantitative Accommodation Guaranteed Robust Scheduling Method for Renewable Power System With Dynamic Uncertainty Set
作者：Lianyong Zuo, Shengshi Wang, Jiakun Fang, Yong Sun, Shichang Cui, Xiaomeng Ai, Xiaobiao Fu, Baoju Li, Jinyu Wen
针对传统静态不确定性集导致的过度保守或不可行问题，本文提出基于动态不确定性集DUS的鲁棒调度方法，并定义了可量化的随机消纳率SAR用于衡量日前调度可实现的风电消纳水平。核心思想在于将不确定性集的边界作为决策变量，与调度策略协同优化，从而在保障安全性的同时提升消纳能力。
为保证日内执行的可行性，作者采用了隐式仿射策略IAS构建鲁棒策略，并将SAR约束嵌入日前调度模型。求解上利用了列与约束生成（C&CG）算法以提高规模化求解效率，文中给出评估最大/最小SAR的算法步骤以确定可实现的消纳区间。
案例验证在改进的6、14与118节点系统中进行：结果表明SAR指标平均相对误差小于0.15%，并能直接在日前层面量化保障消纳水平；在118节点系统上求解时间仅为40.26秒，表明方法具有良好的可扩展性与工程可行性。总体结论强调DUS与SAR为从日前层面保障可再生消纳提供了新的可量化工具。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11090046
📖 第10篇
📌 一种评估多样化可再生能源发电单元频率支撑能力的统一方法
A Unified Method for Assessing Frequency Support Capability of Diverse Renewable Power Generation Units
作者：Guang Hu, Yongheng Yang, Huanhai Xin, Linbin Huang, Xinyu Liu, Hao Ruan, Huisheng Gao
本文提出基于统一传递函数结构UTFS的评估框架，解决在制造商模型不透明的条件下对各类可再生发电单元（RGU）频率支撑能力进行统一量化的问题。利用阻抗测量技术参数化单元的低频响应并映射到有效惯性/阻尼/PFR三个关键维度，从而在单元层面与系统层面实现可分离的评估流程。
在实现上，UTFS参数可通过频域阻抗测量独立获取，避免了对白箱模型或故障工况数据的依赖；系统级UTFS通过对单元模型的简单聚合得到，进而可解析推导出频率最低点、ROCOF与稳态偏差等性能指标。论文详细说明了阻抗测量与参数求解的步骤，以及在实际电网中的应用流程。
通过IEEE 10机39节点与某省级电网实测数据验证，UTFS所推导的性能指标与仿真结果吻合良好，若干指标的相对误差低于5%，表明该方法在工程评估中的精度与可操作性。结论强调UTFS实现了从单元到系统的分离式评估，简化了信息交换并保护了制造商知识产权，为调度部门量化高比例新能源接入后的频率稳定性提供了实用工具。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11061796
点击关注 获取更多精彩