不确定性环境下微电网优化调度综述

马恺珧, 王国庆*, 于雷

1.中国科学院大学工程科学学院，北京 100049;2.齐齐哈尔北车辆段，齐齐哈尔 161099

引言

近年来，为了有效解决全球环境污染与能源危机问题，可再生能源因其环保性和可再生性逐渐受到重视并接入电网系统，极大地促进了电力系统能源结构的可持续发展。截至2021年底，全国可再生能源发电量达2.48万亿千瓦时，占全部发电量的29.7%[1]。与此同时，在能源供给侧改革以及2030年碳达峰目标的驱动下，电网中可再生能源的比例将进一步增加。根据预测，一方面我国的风电、光伏发电量到2060年在电源结构中的比重将达到60%[2]，新能源占比快速提升；另一方面，电动汽车、可控负荷、储能等分布式发电资源也正在被广泛接入电网，系统的运行方式更加灵活，运行控制的复杂度也将大幅提升。在电力系统中，微电网是一种新兴的电网结构，能够有效解决可再生能源消纳的问题，具有高效性、灵活性和环保性等优势，在近些年发展迅速并受到了广泛的关注。相对于配电网而言，微电网是由一组微电源、储能装置、负荷以及控制系统构成的系统单元，能够对多种能源形式的负荷实现高可靠的供给[3]。微电网中一般通过分布式电源来实现主动式配电网，比如燃气轮机、蓄电池、风力发电、光伏发电等，这些电源具有成本低、电压低、污染低的特点，在微电网中与需求侧相连接，不仅能够为用户提供便利，同时也是解决大规模可再生能源集成应用问题的有效手段。

微电网可以通过先进的信息控制技术整合分布式发电单元以及可再生能源，向微小规模区域内的电力用户提供可靠的能源供给，同时实现经济效益与环境效益的共同最大化。然而，随着电力负荷的多样性与可再生能源渗透率不断提高，风电、光伏等分布式可再生能源受到自然条件影响，存在较大的间歇性与波动性[4]，这些不确定性对微电网的运行优化提出了新的挑战，比如可再生能源依靠自然天气条件发电，而天气变化莫测，难以进行准确的预测，增加了微电网优化的难度；优化调度需要在保证调度有效性的同时尽量减少经济成本与环境成本，而能源的不确定性使得调度模型更加复杂。除了可再生能源的不确定性之外，用户端的负荷波动性也会导致在制订日前和实时调度计划时可能出现供需不平衡的情况，需要综合考虑负荷供应以及需求侧响应。

本文梳理了近年来在不确定性环境下微电网的优化调度方法，以微电网能量管理系统优化为基础，从可再生能源不确定性、储能不确定性及负荷不确定性三方面进行文献的介绍，并重点阐述应用较多的鲁棒优化方法及其求解算法。另外，整理了人工智能方法在微电网优化调度中的部分重要成果，并对两种方法的结合应用前景进行了展望，为微电网优化调度相关研究提供一些参考。

1 微电网能量管理系统

微电网以分布式发电技术为基础，紧靠非集中资源或用户的微型发电厂，形成了具有结合用能管理及能阶利用技术的网络[5]。微电网中包含大量分布式电源、储能系统以及控制系统[6]，其结构如图1所示，这些系统的协调优化对微电网优势的发挥起决定性作用。

图1 微电网组成Figure 1 Microgrid composition

微电网能量管理系统是一套具有发电优化调度、负荷管理、实时监测并自动实现微电网同步等功能的系统[7]，在实际工作中，该系统具有优化燃气轮机发电、预测可再生能源机组出力、调度用户负荷、安排储能装置充放电，保证系统稳定运行的功能。通过能量管理系统的数据收集、控制与调度，能够实现微电网的优化运行。在优化运行过程中，因构成部分较多，存在着大量的不确定性信息，其来源也并不唯一，比如考虑长远/短期负荷需求的不确定性，风力、光伏等可再生能源的不确定性，分布式电源的不确定性，电力设备运行状态的不确定性，设备数量等市场信息的不确定性，等等。如何描述和刻画这些不确定性信息的影响，对其进行准确的分析，是对微电网优化调度研究方案是否合理、能否普遍使用的关键步骤，进行不确定性环境下的微电网优化调度研究也显得更为重要。本文主要阐述微电网能量管理中针对可再生能源和负荷的不确定性以及多储能的联合调度问题进行的优化，目前相关研究工作多关注于基于模型的在线优化调度方法。

2 基于模型的微电网优化调度研究现状

2.1 不确定性建模

微电网作为集成了发电、配电、储电、用电等多个环节的系统，在其规划和运行阶段，存在着大量的不确定信息。按照来源的不同，微电网中所涉及的不确定性大致可以划分为可再生能源及负荷不确定性、储能与需求响应不确定性等几个方面。在微电网进行优化调度的过程中，需要对这些不确定性分别考虑，以达到更好的优化目的。接下来将分别从这几方面不确定性进行切入阐述目前的研究，以及鲁棒优化方法已有的一些研究成果。

2.1.1 可再生能源及负荷不确定性 为了保证微电网高效稳定地运行，微电网通常由能量管理系统进行智能控制和自动调度决策[8]。微电网的能量管理包含短期和长期的能量管理两方面，长期能量管理优化的目标是在最大化分布式能源的出力的同时最小化微电网的运行成本和损耗，并为电网配备储能装置，提供需求侧管理，以保证满足供电可靠性需求。Luo等[9]提出了一种包括光伏、风电、燃料电池、微型燃气轮机和电池储能系统的可再生能源并网微电网的能量管理系统，并针对微电网中光伏系统的运行，提出了一种新的数学模型用于评估不同日期、季节下不同辐照度对微电网日前调度的影响，利用场景分析法对光伏发电系统输出功率的不确定性、负荷需求预测误差和微电网最优能量管理的电网报价变化进行建模，之后采用一种改进的蝙蝠算法（modified bet algorithm，MBA）求解，有效提高能量管理系统的准确性，并且能够减少并网微电网的总运行成本。陈卫东等[10]详细分析了实时调度下各状态空间的控制策略，提出了等效供电成本最小和实际供电成本最小的两阶段模型，能够减少运行总成本。夏超英等[11]将微电网功率分配平衡问题扩展为二次型最优控制问题，利用黎卡提方程得到近似最优解，限制电池荷电状态的波动，这种策略可以应用于微电网实时能量管理中以达到优化的目标。

陈卫东等[10]通过对概率约束下储能系统旋转蓄能量的不确定性建模，提出了一种基于机会约束规划的孤岛微电网运行成本最小化优化调度模型。通过适当地设置旋转备用概率约束的置信水平，微电网运行在可靠性和经济性之间取得平衡。Li等[12]通过对具有概率约束的可再生能源发电的不确定性进行建模，提出了一种基于机会约束规划的可再生能源并网机组多目标优化调度模型，并利用样本平均逼近（sample average approximation，SAA），利用隶属度得到最优权重，转化为多目标混合整数线性规划模型，并从需求侧的角度引入用户满意度指标来评价微电网系统在保证经济性和可靠性的情况下的用户体验。机会约束规划（chance constrained programming，CCP）方法是指约束条件中含有随机变量，且必须在预测到随机变量的实现之前作出决策；同时还要考虑所作决策在不利情况发生时可能不满足约束条件，此时需要允许所作决策在一定程度上不满足约束条件，但该决策应使约束条件成立的概率不小于某一置信水平。

2.1.2 储能与需求响应不确定性 储能系统也是微电网中必不可少的部分，它可以缓解可再生能源间歇性出力所导致的功率波动，其容量配置也会对微电网运行产生影响，储能系统的优化运行对于降低微电网的运行成本具有重要意义。滚动水平调度是一种基于最新信息更新最优决策的调度方法，在微电网运行中有着广泛应用。Li等[13]将考虑能量成本、充电需求和电池损耗的微电网优化调度问题转化为一个混合整数线性规划问题，并且在贝叶斯调度中应用滚动周期策略并进行修正。首先提出一种置信度加权参数法，用于减轻负荷预测对最新信息的高度依赖；其次提出了一种新的目标电荷状态（state of charge，SOC）分配方法，以减小电池损耗，降低其磨损成本。向月等[14]综合考虑“源储荷”协调调控，对于并网微电网调度提出了一种电源出力不确定集，构建了鲁棒优化模型，根据设定规则生成端点场景，并将问题转化为单层非线性数学结构，得到使交互成本最大端点场景下运行成本最小的调度方案。

在微电网的实际运行中，还存在着不同用户对电力的需求不同，需求响应（demand response，DR）是一种可以对可再生能源进行消纳的手段，包括激励型和电价型两种不同响应[15]，其不确定性也受到了学者们的关注。南斌等[16]考虑了长段时间尺度下光伏和用户负荷不确定性的影响，提出了一种考虑需求响应引导的储能系统策略；李姚旺等[17]提出了一种基于模糊机会约束规划的微电网储能优化配置模型；还有学者采用了分时电价[18-20]机制，利用“峰、平、谷”不同时段对电网售价进行调整，从而实现微电网的优化调度。

2.2 鲁棒优化方法

为了解决不确定型环境下微电网能量的优化调度问题，许多研究提出了基于模型的优化调度方法，主要运用的是鲁棒优化，通常是通过直接求解集中式的数学优化问题以获取最优策略。目前在微电网优化调度研究中较为常见的是两阶段鲁棒优化模型，尽管包含不确定量，但可以分阶段进行决策，每个阶段只考虑一种不确定变量，第二阶段再根据第一阶段的结果得到决策。经典两阶段鲁棒优化模型的一般形式为：

式中，x为预调度变量，需要在考虑不确定性之前确定；y为再调度变量，是在已知第一阶段决策之后，综合考虑不确定性信息，再依据实际情况作出决策。c、d分别为两阶段所对应的成本系数向量。已有众多文献采用了这种模型，石国宜等[21]利用中心极限定理，对风电和光伏出力的不确定度进行描述，在此基础上建立了基于弱鲁棒优化的多目标调度模型，通过引入风险运行的松弛变量，以微电网运行费用以及污染物排放量最小为目标，利用对等转化理论处理不确定性问题并求解。针对微电网优化中负荷与分布式电源的不确定性，曹金声等[22]提出一种融合极限场景的并网型微电网日前分布鲁棒优化方法，构造基于Wasserstein距离的概率分布模糊集，并利用极限场景法进行修正，再建立微电网与配电网的日前运行优化模型，采用改进目标级联分析法进行解耦与迭代求解，保证微电网能量管理的鲁棒性和高效性。刘一欣等[23]从统计的观点出发，认为可再生能源及负荷的不确定性在绝大多数情况下应处于某一期望值附近，融合两阶段零和博弈的思想，建立了一种基于期望场景的两阶段微电网鲁棒优化调度模型，以期望场景下系统经济性为优化目标来确定第一阶段（预调度阶段）决策结果，并确保即使在最劣场景下，基于所确定的第一阶段决策变量也能得到可行的第二阶段（再调度阶段）决策结果。Gao等[18]提出了一种微电网两阶段自适应鲁棒优化调度方法，采用K-means聚类方法对微电网大量历史数据进行预处理，选取典型场景代表大量复杂场景来获得风电出力概率分布情况，能够排出部分极端场景，在第二阶段进行微电网实时调控以达到优化调度的目的。

2.2.1 孤岛与并网模式下的鲁棒优化 微电网具有孤岛运行和并网运行两种不同的运行模式。孤岛运行是指在调度计划需要或大电网发生故障时，微电网断开与主网的连接，通过微电源、储能装置和负荷实现独立运行。其中，储能装置可以实现对微电网负荷的继续供电，等到供电恢复后，可再生能源系统将继续发电，而储能系统仅对负载供电[24]。并网运行则是将微电网系统接入主配电网中，闭合微电网断路器，使得微电网系统与主网配电系统实现电能交互的一种运行方式[25]，此时储能系统可以根据实际需求实现充放电。微电网可以通过控制装置在孤岛模式与并网模式之间进行状态切换，接入可再生能源提升了电网的平稳性。

在这方面，张国平等[26]提出了一种孤岛型微电网鲁棒优化模型，分日前计划和日内调度两个阶段。在第一阶段，寻找可能的最坏场景，并得到当前的最优调度方案；在第二阶段，结合实时功率数据进行调整，并做出相对的弃风、弃光惩罚，最大程度地消纳可再生能源。王栋等[27]提出一种多阶段微电网群鲁棒优化模型，用于解决微电网与配电网连接所引起的利益冲突问题，实现二者协调发展。该模型是以主从博弈理论为基础的双层规划数学模型：上层为配电网优化运行模型，以降低运行成本并提升电压水平为目标；下层为微电网群优化规划模型，解决微电网群内电源的容量配置问题。符杨等[28]引入区块链技术用于微电网协调调度，首先根据调度级别的不同，建立了多区域微电网分布式协调调度模型；再将其分解为两阶段优化调度模型，在日前计划阶段制订预调度计划，在实时调控阶段针对日前计划电量和实际交易电量调控的偏差进行滚动优化控制，使得多互联微电网新能源优势互补、高效消纳和调度运行效率提升。曹正斐等[29]针对并网的交直流微网数量众多的问题，提出了交直流混合多微网双级两级鲁棒优化调度（BTROS）模型。在该模型中，将交直流HMM系统划分为两个利益主体，分别考虑效用与供给层次的不确定性，在模型中引入相互作用线路的功率约束和偏差惩罚，实现交直流HMM的两级协调调度，得到一种鲁棒优化调度方案。

2.2.2 风电不确定性鲁棒优化模型 风电作为一种天然的可再生能源，已在我国电网中有着广泛的应用。含风电的微电网系统在出力波动时需要更多的可调度电源进行平衡，这一类优化调度问题也能够运用鲁棒优化的方法进行求解，能保证风电在出力范围内的任意取值下均能满足约束条件。禤培正等[30-31]采用风电出力的置信水平表示模型的保守度，定量分析了风电出力的不确定性对微电网调度的影响，以环境和风险成本为目标构建了多目标优化模型。甘锐[32]对于可再生能源的不确定性，建立了以经济和环境成本为目标的优化模型，通过对比分析鲁棒优化和常规优化下的帕累托最优，来研究在不同间歇式电源出力强度下发电成本和污染物排放量的关系。资容涛等[33]以运行成本和环境成本为目标，构建了含有风力发电、微型燃气轮机和蓄电池的并网微电网多目标鲁棒优化模型，通过粒子群算法进行了求解。鲁棒优化以经济性为代价换取微电网运行的可靠性，平衡了成本与风险的关系; 而多目标优化平衡了微电网的经济性和环保性，为微电网的优化运行提供了参考。

2.2.3 鲁棒优化求解算法 因实际考虑因素众多，通常建立的优化模型较为复杂，无法直接求解，因此需要将问题进行分解再依次求解。在鲁棒优化中常用的算法主要包括benders分解（benders decomposition，BD）算法[34]以及列约束生成（column constraint generation，CCG）算法[35]，前者属于行约束生成算法，利用子问题的对勾构造主问题，但求解时计算量较大；CCG算法使用原始对偶来切割主问题，通过迭代进行求解，在求解速度上有很大提升。CCG算法的流程是直接找到每次求解所得到的预调度决策下的最劣场景，并将该场景的所有系统约束均加入主问题中，直到满足上下界之差小于设定的阈值之后，完成求解。周浩洁等[36]提出了一种考虑风电预测误差不确定性的电-气能源系统数据驱动鲁棒优化调度模型：首先通过无穷维高斯混合模型对风电预测误差进行聚类，考虑风电厂间出力的相关性，建立风电预测误差不确定集。接着以燃气轮机为耦合元件，考虑动态天然气潮流，提出了两阶段的电-气能源系统鲁棒优化调度模型。张亚超等[37]利用风电出力概率密度函数置信度构造不确定量的模糊集，采用双重因子仿射可调策略建立电力系统两阶段分布鲁棒经济调度主问题，通过耦合元件决策变量及不可行约束集进行信息交互博弈，实现电力、天然气系统的协调优化调度。现有鲁棒优化调度模型中不确定性集合的设置方法不能够充分体现不确定性因素随机分布的多态性，并且缺乏对鲁棒性的协同优化，难以得到合理准确的协调最优调度方案，米阳等[38]考虑到风电、光伏及负荷的随机分布特征的差异，提出基于分类概率不确定性的不确定性集合，建立经济、环境、社会效益多目标优化调度模型，其中将鲁棒性作为协同优化目标，消除了预先设定置信度的主观性，使得调度方案的鲁棒性更符合实际需求。以上文献在求解时都采用了CCG算法，取得了良好的效果。鲁棒优化在学者们不断的研究中也发展出了自适应鲁棒优化[39]、随机鲁棒优化、分布鲁棒优化等众多方法，彭春华等[40]采用一种混合随机-鲁棒优化方法（HSRO）求解微电网在正常和弹性两种运行模式下的最优调度问题。模拟了上游电网价格不确定性对机组最优调度的影响。该方法试图在网络恢复和正常模式下改善不确定性下的微电网运行，重点研究了面向弹性调度的鲁棒性和规范性调度策略。

3 基于数据驱动的微电网优化调度

3.1 深度学习与强化学习

除了上述基于模型的优化方法，另一种求解微电网优化调度的方法是通过从大量数据中寻找关系，无模型的强化学习方法。机器学习是计算科学的一个分支，旨在让计算机通过对已有经验的学习不断地自我提升，并最终实现对人类智慧的模拟。机器学习技术的研究兴起于20世纪50年代，一些经典的机器学习模型如贝叶斯统计、logistic回归等被首次提出，到90年代以支持向量机为代表的技术应用逐渐广泛[41]。20 12 年，Hinton等[42]采用深度卷积神经网络在图像分类问题上取得了巨大成功，标志着机器学习技术开始进入深度学习时代，生成对抗网络、强化学习（reinforcement learning，RL）、长短期记忆网络等模型在数据生成、自然语言处理、实时决策等多个领域取得了显著的成就。按照学习方式的不同，机器学习技术可分为无监督学习、半监督学习、监督学习以及强化学习四大类，其在电力系统中的应用已经得到广泛的关注，主要应用场景可分为态势感知、决策支持两大类，包括但不限于电源与负荷预测、系统建模、状态监测、故障检修、系统优化运行等多个方面[43]。

深度学习与强化学习相结合的技术也被称为深度强化学习[44]，能够处理高维复杂的信息，有着广阔的应用前景。刘林鹏等[45]针对微电网源储协同调度问题中非凸非线性约束带来的求解困难，利用深度强化学习算法构建基于数据的策略函数，通过不断地与环境进行交互学习寻找最优策略，避免了对原非凸非线性问题的直接求解。考虑到训练过程中策略函数可能不满足安全约束，进一步提出了一种利用部分模型信息的微电网源储协同优化调度安全策略学习方法，得到了满足网络安全约束的优化策略。此外，针对强化学习的智能体在训练过程中与环境的交互耗时较长的问题，采用神经网络对环境进行建模以提高学习效率。季颖等[46]提出一种基于深度强化学习的微电网在线优化调度策略。该策略以成本最小为目标，考虑微电网运行状态及调度动作的约束，将微电网在线调度问题建模为一个约束马尔可夫决策过程。为避免求解复杂的非线性潮流优化、降低对高精度预测信息及系统模型的依赖，设计了一个卷积神经网络结构来学习最优的调度策略。所提出的神经网络结构可以从微电网原始观测数据中提取高质量的特征，并基于提取到的特征直接产生调度决策。为了确保该神经网络产生的调度决策能够满足复杂的网络潮流约束，结合拉格朗日乘子法与柔性策略-评价（soft actor-critic）提出了一种新的深度强化学习算法来训练该神经网络。柔性策略-评价网络是一种最大熵强化学习算法，将原问题分解为多个子问题进行求解。周步祥等[47]在融合半监督K-means聚类分析方法和支持向量机两种机器学习算法的基础上，提出了微电网源荷协调优化调度方法。利用改进的K-means聚类算法对源荷历史数据进行预处理之后，运用SVM对聚类后的微电网源荷数据进行预测，然后在预测结果中选取典型场景，以典型场景为代表准确得出风电出力的概率分布。之后建立了微电网总运行成本优化模型，通过用户需求响应引导用户响应风电出力，增加模型源荷双方的协调互动性，提高风电与用电负荷的匹配程度。甄皓[48]基于大数据背景，通过深度学习等算法来准确预测多源互补微电网中的光伏出力和风电出力，作为微电网日前能量优化的基础，同时也对并网社区多源互补微电网进行了日前能量优化分析，并通过仿真案例进行了验证。

基于可再生能源的多能源供应微电网不仅可以覆盖不同类型的需求（如电/热/气），还可以与不同的公用电网（电/热/气）联网。当有大量并网微网时，如何实时运行这些多微网是一个难题。Li等[49]采用日前随机优化调度和实时滑动窗口模型预测控制方法对微电网运行进行控制，采用不同的预测方法对负荷需求和可再生能源产量进行预测：利用在线学习马尔可夫链预测和支持向量机对未来值进行预测，之后采用双层鲁棒优化方法来描述未来预测的不确定性并进行比较。陈卫东等[50]提出了一种基于深度双向长短期记忆网络的微电网日前优化调度深度学习模型和方法，并给出了模型输出结果的修正与处理原则。

3.2 负荷预测

负荷预测是微电网能量管理系统中的重要部分，也是智能电网云计算管理的基础。负荷预测方法通常有两种方法：传统预测方法是基于负荷本身的变化规律，比如通过统计分析之后进行推测，由于存在经验积累，通常能够较快得到结果，但准确性受经验影响波动较大；人工智能预测算法则是利用计算机技术，对可再生能源的间歇性与波动性对预测影响程度进行考虑，一般较为复杂，但实际结果比传统预测精度要高。在电网调度过程中，电力负荷预测具有重要的作用，提高电力负荷预测水平对用电量计划性、机组检修计划、电网运行方式合理安排及提高社会效益具有重要的意义。微电网负荷预测与传统电力负荷预测不同，可再生能源如光伏、风力等在发电时会受到天气等环境因素影响，输出功率不稳定，存在间歇性和随机性；同时，微电网中的可控负荷也存在变化，增加了优化调度的复杂性。为了使微电网能够高效稳定地运行，实现微电网中微电源、储能、负荷的调控，就必须考虑负荷及功率的平衡。混合蛙跳算法[51]在大规模优化问题求解过程中的全局寻优能力较强，并且收敛速度较快，能够有效解决一些组合优化问题。电力负荷预测可以依据时间尺度进行划分，分别为超短期、短期、中期和长期负荷预测。其中，短期负荷预测主要对未来天级、小时级乃至分钟级的负荷作出预测，为电力系统的运行和经济调度提供依据。微电网负荷具有波动大、随机性强的特点，为了实现准确预测，齐庭庭等[52]提出了一种基于改进的机器学习算法，通过蚁群算法对模型参数进行对比，并将选定的参数输入核函数学习机进行负荷预测。

4 总结与展望

为了更好地利用能源、减少不必要的损耗，在不确定性环境下如何有效地进行微电网的运行优化，是目前微电网研究中的关键问题之一。开发和扩大微电网的使用能够促进分布式电源与可再生能源的大规模应用，将传统电网提升为智能电网，因此，对微电网进行优化研究是十分必要的。本文对目前在不确定性环境下的微电网优化调度研究作了综述，将不确定性分为四个方面并分别进行了文献的举例，同时将应用较广的鲁棒优化方法和近年来新兴的深度学习方法所取得的一些优化调度成果也进行了阐述，并对未来可能的研究方向提出了展望。对于不确定性环境下微电网的优化调度研究，未来的研究方向可更多考虑以下几个方面：

（1）微电网研究中包含各种不确定性，如可再生能源、储能系统、用户负荷等，已有研究都是对于某一方面进行描述，所构建的模型已经需要启发式算法来求解，而实际情况则更为复杂，可能同时包含风电、光伏等多个可再生能源，同时储能、负荷也都有优先级，未来的研究需要考虑如何在现有基础上将更多的不确定性纳入考虑氛围，以便更贴合现实情况。

（2）在微电网中通常包含多个机组，优化时通常在预调度阶段安排机组组合出力，在实时调度阶段对之前的计划进行调整，建立模型时通常以最小化经济运行成本为目标。然而在微电网实际运行过程中，除了要考虑经济成本，还可以将环境效益、供电可靠性、用户满意度等作为目标，进行多目标优化调度。

（3）微电网有孤岛运行与并网运行两种模式，在并网运行时需要与配电网连接，此时微电网可作为一种调控手段保障供电需求。在这种情况下，需要考虑微电网群的优化调度，且要保证两者均能安全运行。

（4）深度强化学习在现今数据量剧增的背景下受到了越来越多的关注，不同于传统数学模型鲁棒优化的保守性，采用更多历史数据作为支撑使得深度学习所得到的优化调度方案更贴合实际，而不是“最坏情况下的最好方案”这种极端情况。

（5）机器学习技术存在“黑箱”的特点，使得其在可解释性、鲁棒性等方面弱于传统建模的方式，与电力系统运行中极高的可靠性要求存在一定矛盾。随着人工智能技术的不断发展，将传统的鲁棒优化模型与智能技术相结合将是未来的主要研究方向，既包含传统建模的描述，又能够利用新兴技术进行探索研究，寻找内在规律并作出优化调度，具有十分广阔的应用前景。