我們可以應(yīng)用隨機(jī)策略的領(lǐng)域可以有：

1.智能電網(wǎng)/微電網(wǎng)級(jí)別，特別關(guān)注ESS能量存儲(chǔ)系統(tǒng)?(包括電動(dòng)汽車中的固定和移動(dòng)ESS) 和RES；

2.住宅部門，因?yàn)樗陧敿?jí)智能電網(wǎng)框架或與偏遠(yuǎn)社區(qū)電氣化相關(guān)的領(lǐng)域受到特別關(guān)注，因此對(duì)面向該領(lǐng)域的電源管理的研究興趣正在增加；

3.ICT（大型信息和通信技術(shù)）部門占全球能源消耗的近10%，因此，在高度隨機(jī)的RES生成框架中，ESS和數(shù)據(jù)中心中的不間斷電源 (UPS) 的電源管理成為一個(gè)非常有趣的話題。最近，從經(jīng)濟(jì) (降低成本) 和技術(shù) (輔助服務(wù)) 的角度對(duì)最佳功率分配進(jìn)行了深入研究。

應(yīng)用背景：不確定框架。

電網(wǎng)中的隨機(jī)要素有：可再生能源，負(fù)載。從技術(shù)角度來看，主要源于: i) 與天氣相關(guān)的測(cè)量，導(dǎo)致間歇性功率輸出 (風(fēng)速、太陽輻射、環(huán)境溫度等的預(yù)測(cè)誤差)。?ii) 不可預(yù)測(cè)的故障; iii) 電廠隨機(jī)停電。此外，還必須考慮未知的經(jīng)濟(jì)參數(shù)，從而產(chǎn)生不確定性，例如: i) 成本系數(shù); ii) 最佳開發(fā)范圍 (可再生能源和常規(guī)能源); iii) 能源價(jià)格。

我們需要在系統(tǒng)組件 (生成，負(fù)載等) 的建模過程中以及目標(biāo)函數(shù)公式中表示不確定性。

對(duì)不確定系統(tǒng)建模的方法：

1.對(duì)于與天氣相關(guān)的輸入，通常通過概率密度函數(shù) (PDF) 通過統(tǒng)計(jì)和概率約束對(duì)其不可預(yù)測(cè)性進(jìn)行建模。

2.調(diào)整預(yù)測(cè)的時(shí)間范圍可以通過用理論pdf近似未知變化來簡(jiǎn)化模型 (對(duì)于風(fēng)速/功率，威布爾分布被證明適用于長(zhǎng)時(shí)間幀，而對(duì)于較短的間隔，高斯分布可以成功使用。對(duì)于太陽照射，高斯分布是一個(gè)非常好的近似) 。

3.具體的步驟為：

隨機(jī)優(yōu)化的目標(biāo)：隨機(jī)優(yōu)化旨在在考慮不確定性的解空間中找到問題的最優(yōu)解。

難點(diǎn)是：隨機(jī)性來源的識(shí)別和不確定性量化成為該領(lǐng)域非常感興趣的主題。

在我們過去的探索過程中：在過去的十年中，分析了多種技術(shù)，旨在在基于RES的能源系統(tǒng)模型中建立變量輸入的高質(zhì)量表示。具體而言，提出了回歸擬合，人工智能，學(xué)習(xí)工具或混合方法來預(yù)測(cè)可變和不確定的量，例如在不同時(shí)間范圍和空間分布上的RES產(chǎn)量或電力負(fù)荷。

我們?cè)诖伺e例幾種后面可以學(xué)習(xí)的描述不確定性的方法：蒙特卡洛模擬和生成對(duì)抗網(wǎng)絡(luò)；通過線性皮爾遜相關(guān)指數(shù) (乘積矩相關(guān)) 評(píng)估 解決與不同RES生成器相對(duì)應(yīng)的聚合輸入變量的隨機(jī)依賴性。

由以上方法可以看出隨機(jī)策略的共性是對(duì)不確定性變量的建模。

總體優(yōu)勢(shì)：與其他方法相比，降低了計(jì)算成本，以及對(duì)各種配置的高度適應(yīng)性，使得這種算法值得進(jìn)一步研究。隨機(jī)方法代表了一種在不確定框架中解決RES集成的高級(jí)方式，在技術(shù)，經(jīng)濟(jì)和社會(huì)標(biāo)準(zhǔn)方面超過了確定性方法 。它們?cè)趯?shí)時(shí)電源管理應(yīng)用中的主要優(yōu)勢(shì)包括應(yīng)對(duì)RES間歇性激增的能力。

下面舉例幾個(gè)隨機(jī)方法在在線和離線場(chǎng)景中的應(yīng)用：

隨機(jī)規(guī)劃：它實(shí)現(xiàn)概率，主要是基于場(chǎng)景或樹的不確定性建模。更詳細(xì)地說，這種方法可以在兩階段或多階段模型中實(shí)現(xiàn)，作為隨機(jī)混合整數(shù)編程，假設(shè)沒有預(yù)見未來狀態(tài)。根據(jù)第一階段做出決定時(shí)的可用知識(shí)，在第二階段確定最佳解決方案。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

魯棒優(yōu)化：旨在確定參數(shù)集，該參數(shù)集將確保達(dá)到不確定參數(shù)的最壞情況值的最優(yōu)解。此類問題的目標(biāo)函數(shù)公式化為

近似隨機(jī)動(dòng)態(tài)規(guī)劃 (ASDP)，它允許獲得能夠在當(dāng)前和預(yù)期的將來滿足優(yōu)化目標(biāo)的解決方案。特別是值函數(shù)逼近，策略迭代 (模型預(yù)測(cè)控制-MPC) 和狀態(tài)空間估計(jì)，都是ASDP的主要特征。