作者：君安储能创始人 赵丹博士

（本文仅代表个人学术观察与观点，不代表所在机构及任何第三方立场）

摘    要

2025年全国电力现货市场实现全覆盖、分布式能源主体批量入市的背景下，分布式光伏、用户侧储能、虚拟电厂、电动汽车等新兴主体参与交易的频次提升至15分钟级，主体数量突破万级，传统中心化交易结算模式面临信任成本高、结算周期长、数据孤岛严重、跨主体协同难等结构性困境^[1][2]。区块链凭借不可篡改、可追溯、智能合约自动执行的特性，可有效解决多主体交易的信任锚定与自动化执行问题^[3][4]；人工智能（AI）依托海量数据分析、价格预测、策略优化能力，可显著提升交易的效率与综合收益^[5][6]。两者的共生融合，是构筑分布式能源交易可信自动化基础设施的核心路径。本文系统梳理全球学界与产业界在区块链+AI融合领域的研究进展，结合中国新型储能发展、电力市场化改革与虚拟电厂试点实践，剖析两者共生的技术逻辑、应用场景与核心价值，指出当前面临的吞吐量瓶颈、标准缺失、监管合规、技术栈异质等核心挑战，并展望未来技术演进方向，为分布式能源交易的数字化、智能化升级提供学理参考^[7][8]。

 关键词：区块链；人工智能；分布式能源交易；虚拟电厂；智能合约；电力市场

 1 引言

自2025年新一轮电力体制改革全面落地以来，我国电力市场体系加速重构。据公开资料显示，2024年全国电力市场化交易电量占全社会用电量比重已达62%^[9]，现货市场实现省级全覆盖，独立储能、虚拟电厂、5MW以下分布式新能源等新型主体正式获得合格市场主体地位，可参与日前、实时、辅助服务等多品种交易。这一制度性变革使得分布式能源交易的底层特征发生根本性转变：交易频次从传统的月度、日前级别跃升至15分钟级的实时交易，参与主体从传统发电集团扩展至涵盖源网荷储全链条的万级微主体，单笔交易规模从兆瓦级下探至千瓦级的分布式资源。此类变化对交易系统的可信性、自动化程度和运行效率提出了远超传统集中式架构的要求^[10][11]。

传统分布式能源交易高度依赖电网企业、电力交易中心等中心化机构开展信息核验、合约签署与结算支付，其结构性缺陷可归纳为三个维度：其一，信任成本居高不下。多主体间的数据真实性、交易履约情况缺乏可验证的可信记录机制，纠纷处置成本约占交易收益的5%-8%，这一比例在万级主体场景下呈指数级放大^[12][13]。其二，结算效率严重滞后。辅助服务、需求响应等交易需T+3至T+7日完成结算，资金占用成本与机会成本叠加，降低了分布式资源主体的参与意愿^[14]。其三，数据孤岛现象突出。电网企业、储能运营商、终端用户及金融机构的数据难以实现跨主体安全共享，导致AI预测模型的精度提升遭遇数据瓶颈^[15][16]。

学界已明确指出，在新能源出力预测、负荷预测、价格预测、新型储能调度控制及电力交易等场景中，人工智能技术的应用将持续深化；同时，区块链技术将在聚合储能的调用记录与自动结算中发挥不可替代的作用^[17]。在此逻辑下，区块链恰好可弥补传统中心化模式在信任机制上的制度缺陷，AI则可解决交易优化环节的效率约束，两者的共生融合成为破解分布式能源交易结构性痛点的核心技术路径^[18][19]。

国际学界对区块链与AI融合应用于能源交易的研究起步较早，核心聚焦可信交易架构设计、隐私保护机制、跨主体协同优化三大维度。在区块链能源交易架构方面，Han等提出了基于区块链的智能合约架构，实现了去中心化点对点（P2P）能源交易与管理的可信框架，验证了分布式账本在零售级能源交易中的可行性^[20]。Seven等进一步将区块链智能合约应用于虚拟电厂的P2P交易场景，证明了去中心化机制在聚合分布式资源时的技术有效性^[21]。Jamil等创新性地将机器学习算法与区块链智能合约相结合，构建了可持续的P2P智能电网交易机制，为区块链+AI融合提供了早期技术原型^[22]。

在隐私优先的联邦协同范式方面，国际学界提出通过加密参数传输、跨域安全隔离等技术实现分布式节点的模型协同训练推理，在不泄露原始数据的前提下打破数据壁垒^[23]。这一理论框架可直接映射至分布式能源交易的跨主体数据协同场景。Otoum等提出了面向边缘计算的联邦学习与区块链融合框架，实现了能源交易中的机密数据保护与可信执行的协同设计^[24]。Bouachir等提出"联邦电网"概念，将联邦学习和区块链技术结合应用于P2P能源共享场景，验证了该融合模式在保护数据隐私的同时提升交易效率的可行路径^[25]。

在产业验证层面，欧洲已开展系统性实践探索。欧洲虚拟电厂运营商普遍将AI技术用于资源聚合与交易优化，同时探索引入区块链技术实现分布式资源调用记录的链上存证与智能合约自动结算，以系统性地降低跨主体信任成本。美国政策研究亦强调，AI在电网平衡、需求预测等领域的大规模应用需配套可信数据基础设施，而区块链是不可篡改数据记录的核心技术载体，两者的结合可支撑数据中心、虚拟电厂等新型主体的规模化入市^[26]。国际可再生能源署（IRENA）在电力系统数字化转型报告中明确指出，透明性是能源价值链的核心要素，区块链与AI的融合可系统性提升全链条的治理透明度^[27]。

国内学界研究更侧重本土电力市场规则的适配性与技术融合路径创新。在智能合约应用方面，林诗意等系统梳理了区块链智能合约在多领域的应用场景，指出其在降低交易摩擦、提升执行效率方面的显著优势^[28]。徐嘉辉等聚焦区块链技术在分布式能源交易中的应用机制，通过Transactive Grid等典型案例分析了P2P能源市场的底层技术逻辑^[29]。佘维等从能源区块链的体系架构出发，系统论述了其在能源互联网中的定位与关键技术^[30]。在电力需求响应领域，任昊文等论证了区块链分布式技术在负荷侧管理中的应用效果，证实了智能合约在保障交易公平性和灵活性方面的优势^[31]。

在AI应用于虚拟电厂交易优化方面，国内学者取得了丰富成果。解百臣等基于主从博弈理论构建了虚拟电厂与产消者之间的实时定价机制，论证了AI策略优化在提升交易效率方面的核心作用^[32]。卿竹雨等研究了分散式资源互动响应的虚拟电厂智能化调峰定价模型，强调了AI算法在处理高维不确定性问题中的优势^[33]。刘汶瑜等基于联盟博弈理论构建了多虚拟电厂参与日前电力市场竞标的模型，为分布式资源的聚合策略优化提供了方法论支撑^[34]。钟永洁等系统分析了我国虚拟电厂的发展演进路径与关键技术瓶颈，明确指出大数据、人工智能和 Blockchain 的融合是未来发展方向^[35]。孙永辉等深入论述了人工智能赋能微电网运行优化的应用路径，指出AI在电力市场交易决策中的核心价值^[36]。

在联邦学习与能源交易交叉领域， Cheng和Ai提出了联邦学习在综合能源系统分布式交易中的应用框架，证明了联邦学习在保护各主体数据隐私的前提下提升全局预测精度的有效性^[37]。这一研究为"联邦+区块链"融合模式提供了学理支撑。

在产业实践层面，我国已将区块链+AI纳入新型储能与虚拟电厂的战略发展方向。政策层面明确提出"推动区块链、大数据、人工智能、5G 等新一代信息技术在新型储能制造业广泛应用"^[38]，并在多项产业趋势分析中强调"将利用区块链技术协助聚合储能的调用和结算"^[39][40]。

在落地验证层面，江苏昆山南星渎光储充换配微协同示范站已部署AI智慧调控技术，参与需求响应与辅助服务交易，取得了可量化的运行成效。海博思创推出的AI云平台为储能电站提供交易策略优化服务，经实证数据验证，收益较常规模型提升20%以上^[41]。国家电网与南方电网的数字孪生电网建设已预留区块链与AI融合的系统接口，支撑分布式能源交易的全链路可信追溯^[42]。总体而言，国内产业实践正在从技术验证阶段向商业化规模化阶段演进。

区块链与AI的融合并非简单的技术叠加，而是从信任、效率、隐私、场景四个层面系统重构分布式能源交易的底层价值逻辑，其融合效应呈现显著的协同放大特征。

分布式交易的核心挑战在于如何在缺乏中心化权威主体的场景下建立多方信任。在信任经济学理论框架下，信任机制的建立成本直接决定了市场交易的活跃度和资源配置的效率^[43]。区块链的不可篡改、可追溯与分布式记账三⼤特性，为多主体交易构建了去中心化的可信底座：第一，交易数据全量上链。分布式资源的调用量、交易价格、结算金额等全链路数据以加密哈希值上链存储，任何篡改行为均会被网络节点检测到，从密码学层面杜绝了数据造假的可能^[44]。第二，智能合约自动执行。区块链上的智能合约将交易规则编码为自动执行的代码逻辑，当预设条件达成时自动触发结算流程，消除了传统交易中由于人为干预导致的执行偏差和信任摩擦^[45]。第三，监管节点无缝接入。监管机构作为权限节点加入联盟链，可实时审计链上交易数据，既满足了合规监管需求，又无需承担中心化机构的高运营成本^[46]。

在决策透明度方面，AI技术的"黑箱"特征一直是学术界争议焦点。可解释AI（Explainable AI, XAI）技术的引入为破解这一困境提供了有效路径：SHAP（SHapley Additive exPlanations）和LIME（Local Interpretable Model-agnostic Explanations）等技术可实现AI交易决策路径的可视化解释，结合设备机理模型作为先验约束，可系统性地解决模型不可解释性问题^[47][48]。当AI的决策逻辑与区块链的不可篡改存证相结合时，即可实现"决策-执行-存证"的全链路可信闭环，从根本上改变分布式交易的信任范式。实证研究表明，该融合模式可使分布式能源交易的信任成本降低40%以上，纠纷处置效率提升60%，具有显著的经济学效应^[49]。

AI技术在交易全链条的价值已被大量实证研究所证实。在预测维度，AI驱动的新能源出力预测、负荷预测与电价预测模型，已可将预测误差控制在5%以内，为交易决策提供了高精度的数据基础^[50]。在策略维度，基于强化学习的AI竞价模型可实现储能项目在不同市场品种（能量市场、辅助服务市场、容量市场）间的动态优化配置，实证数据显示综合收益较传统启发式策略可提升5-8个百分点^[51][52]。在撮合维度，AI算法可快速匹配供需双方的多维需求，将交易达成时间从传统模式的小数级压缩至毫秒级。

区块链技术的价值则体现在将AI输出的优化交易策略高效转化为链上智能合约代码，并在条件满足时自动触发执行与结算，消除了人工干预的时滞。以虚拟电厂聚合的家庭光伏、分布式储能、电动汽车等柔性资源为例：AI模型首先基于历史数据与实时气象信息预测下一时段的可调节容量，随后智能合约自动匹配电网侧的需求响应（Demand Response, DR）邀约；响应执行完成后，收益通过智能合约自动、精确地分配至各用户账户。整个交易闭环可从传统的T+3以上缩短至秒级完成，交易成本综合降幅超过30%^[53][54]。这一效率提升在万级主体、高频交易的场景下，其边际收益更为显著。

分布式能源交易的天然特征是参与主体的高度多元化，涵盖电网企业、发电企业、储能运营商、工商业用户及金融机构等。各主体持有的数据类型各异且包含大量敏感信息（用户用电行为、商业运营数据、财务信息等），在《数据安全法》和《个人信息保护法》的制度约束下，传统的数据共享模式面临严峻的合规风险^[55][56]。

联邦学习（Federated Learning, FL）架构为这一困境提供了创新性解决方案。联邦学习的核心理念是"数据不动模型动"：各参与主体在本地使用自有数据训练AI模型，仅将加密后的模型参数（而非原始数据）上传至区块链进行存证和聚合，最终在各节点形成全局优化的模型。这一模式从架构上消除了原始数据跨主体传输的合规风险^[57]。

具体到能源交易场景，电网企业拥有全网的负荷时序数据、储能运营商掌握储能电站的充放电特性曲线、终端用户留存详细的用电行为画像。通过联邦学习+区块链的协同架构，各方可在绝对不泄露原始数据的前提下，联合训练出更高精度的电价预测模型与负荷预测模型。研究表明，该融合模式下的全局模型预测误差较单主体本地训练可降低3-5个百分点，同时完全满足隐私合规要求^[58][59]。Khan等进一步将XAI技术与联邦学习融合应用于建筑能源管理系统，构建了安全、透明、可信的分布式能源管理架构，为联邦+区块链的融合方向提供了前沿验证^[60]。

区块链与AI的共生架构可系统性地覆盖分布式能源交易的四大核心场景：

第一，分布式光伏绿电交易。AI模型基于气象数据、历史发电量等多维度信息精准预测光伏出力，区块链负责记录绿电从生产、传输到消费的全链路数据，并自动实现绿证（Green Certificate）的核发、登记与流转交易，确保绿电来源的可信追溯^[61][62]。

第二，虚拟电厂辅助服务交易。AI算法对虚拟电厂内部聚合的柔性资源（储能、可调负荷、分布式电源等）进行实时优化调度，区块链精确记录各资源的响应贡献量并通过智能合约自动结算辅助服务收益。昆山南星渎示范站的辅助服务实践表明，该全自动化模式可显著降低运营成本并提升资源的响应积极性^[63]。

第三，储能多市场协同交易。AI算法动态优化储能资源在能量市场、辅助服务市场、容量市场间的配置比例，以最大化综合收益；区块链则实现多市场并行交易的自动清算和跨市场数据的可信整合。海博思创的平台实践数据显示，该融合方案可使储能项目综合收益提升20%以上^[64][65]。

第四，需求响应收益公平分配。AI模型基于各用户的实际响应量和响应质量进行精确核算，智能合约则按预设规则自动将总收益分配至各参与用户。该机制消除了人工分配的透明度不足问题，系统性地提升了终端用户的参与意愿和响应规模^[66][67]。

尽管区块链与AI融合在分布式能源交易中的潜在价值已得到学界与产业界的广泛认可，但其大规模商业化应用仍面临四重核心挑战，需从技术和制度两个层面系统破解。

电力现货市场的交易时间粒度已精细化至15分钟级，部分辅助服务和调频交易的响应要求更是达到秒级甚至亚秒级^[68]。这对底层系统的吞吐量和延迟提出了极高的指标要求。然而，当前主流区块链平台（如基于工作量证明或权益证明的公链，以及联盟链的主流共识机制BPFT/Raft等）的吞吐量仅维持在每秒数百至数千笔交易的水平，且区块确认延迟通常在数秒以上，尚难以适配高频能源交易的并发需求^[69]。

同时，AI大模型（特别是大语言模型在交易策略生成中的应用）的计算资源消耗巨大，实时推理需要高算力GPU集群的持续支撑。区块链的持续哈希计算与AI模型的密集推理计算叠加在一起，进一步推高了系统的算力与能耗要求^[70]。尽管学界提出了算网电融合的调度思路，通过全局能效优化算法将计算任务动态迁移至绿电富集区域以降低综合能耗，但该架构在当前阶段仍处于概念验证期，距离支撑万级主体并发的商用级部署尚存在显著的技术鸿沟^[71]。未来的技术突破方向应聚焦轻量级共识机制、分片技术（Sharding）、Layer-2扩容方案与边缘计算协同部署等路径^[72]。

当前分布式能源交易生态中，不同主体构建的区块链平台、AI模型接口及数据格式缺乏统一标准，形成了严重的"技术烟囱"现象。电网企业的联盟链平台与储能运营商的私有链之间无法进行跨链通信，AI模型也难以跨平台调用异构数据，导致跨主体协同的边际成本居高不下^[73]。

标准化的缺失主要体现为三个层面：首先是数据接口标准的不统一，各平台采集的能源数据类型（电压、电流、功率、SOC等）及其格式描述存在差异；其次是智能合约标准（如以太坊的ERC系列标准在能源领域的适用性）尚未建立；最后是AI模型的标准评估框架（精度、公平性、鲁棒性等指标）尚未与区块链系统集成^[74]。

南方电网在"数字孪生与AI融合发展"的探索中，将"标准体系与开放生态建设"列为核心方向，提出牵头编制行业技术标准、构建共享算法库、打造联合测试平台等系统性举措^[75]。然而，区块链与AI融合在能源交易场景的综合性标准体系仍处于空白状态，亟需由电网企业、头部科技企业及科研院所联合推进标准化进程。

区块链与AI融合的交易模式面临的监管合规挑战具有跨领域、跨层级的复杂性，主要体现在以下三个维度：

首先，智能合约的法律效力亟待明确。我国《民法典》对传统电子合同的法律地位已有规定，但对区块链智能合约（本质上是自动执行的代码逻辑）的法律效力、违约责任界定、争议解决机制等问题尚未作出明确规定^[76]。当智能合约执行发生争议时（如价格异常波动导致的触发偏差），责任归属（代码开发者、模型提供者还是平台运营方）难以判定，这在法律层面形成了不确定性风险^[77]。

其次，数据隐私合规的制度落地仍需细化。链上交易数据（包括哈希值、交易金额、时间戳等）的不可篡改特性与《个人信息保护法》中"删除权"和"更正权"的要求存在内在张力。如何在保持区块链可信底座的不可篡改性的同时，在合规层面设计有效的隐私保护机制（如零知识证明、同态加密等技术的法律适用性），是监管制度设计中的一大难题^[78][79]。

第三，AI交易行为的监管审计框架尚未建立。当AI算法应用于大规模分布式能源交易时，AI协同报价行为可能触碰市场操纵（Market Manipulation）的监管红线。而AI决策过程的"黑箱"特性使得监管机构无法对其进行有效的回溯性审计^[80]。兰德公司的研究指出，必须在AI系统中"定义决策权限边界、内置应急断路器（Circuit Breaker）、实施实时行为监测"，但能源交易领域的AI监管框架目前仍处于理论探讨阶段^[81]。建立兼顾创新激励与风险管控的监管沙盒（Regulatory Sandbox）制度，可能是平衡二者关系的有效路径^[82]。

区块链的底层技术栈（共识机制设计、密码学原语、Distributed Hash Table网络）与AI的技术栈（深度学习框架、强化学习算法、特征工程）具有高度的异质性，两者的融合开发面临显著的技术壁垒^[83]。开发团队需同时精通区块链协议层编程（如Solidity智能合约编写）和AI模型训练/部署两套完全不同的技术体系，人才缺口直接推高了系统的建设成本^[84]。

据产业调研数据显示，当前部署一套成熟的区块链+AI能源交易系统，其建设成本约占项目总投资的5%-8%，对于中小型储能运营商和虚拟电厂聚合商而言，这一投资门槛显著削弱了技术部署的经济可行性^[85]。此外，当前市场上缺乏开箱即用的、经过规模化商用验证的标准解决方案，多数项目仍处于POC（Proof of Concept）验证或定制化开发阶段，难以形成可复制、可推广的产业生态。毕马威的研究指出，数据成熟度不足与技术能力短板是制约能源行业发挥数字技术价值的核心障碍^[86]。

突破这一瓶颈需要产业界、学术界与政府部门形成协同创新合力：一方面，推动开源技术生态建设，降低技术开发的准入门槛；另一方面，通过政策引导和标杆项目示范，加速技术从概念验证向规模化商用的演进^[87]。

区块链技术与人工智能的共生融合，是构筑分布式能源交易可信自动化基础设施的核心技术路径。两者的融合并非孤立技术的简单叠加，而是从信任机制（分布式账本+可解释AI）、交易效率（智能合约秒级执行+AI策略优化）、数据隐私（联邦学习+链上模型存证）、全场景覆盖（绿电交易/辅助服务/需求响应/多市场协同）四个维度系统性重构了分布式能源交易的底层逻辑^[1][43][57]。

面向未来的技术演进与产业实践，本文提出以下四大发展方向：

第一，突破高性能融合技术体系。面向15分钟级乃至秒级交易粒度的需求，需研发适配能源交易场景的高吞吐量、低延迟区块链架构（如DAG、分片技术等），并结合轻量化AI模型与边缘计算协同部署，实现计算资源的最优调度。借鉴算网电融合的技术理念，通过全局能效优化算法降低系统的综合能耗与运行成本^[88][89]。

第二，构建开放互通的标准体系。由电网企业、头部储能企业、虚拟电厂运营商及科研院所联合发起，制定涵盖数据接口规范、智能合约模板规范、AI模型评估标准的综合性行业技术标准，避免技术碎片化与锁定效应，构建开放共享的产业创新生态^[90]。

第三，建立适配创新模式的监管框架。在立法层面明确智能合约的法律地位和争议解决机制，制定AI驱动能源交易的监管规则与审计框架，引入可解释AI技术支持全链路的合规审计。同时，建立监管沙盒机制允许创新模式在可控范围内开展试点，在鼓励创新与防范风险之间寻找动态平衡^[91]。

第四，推进分场景阶梯式试点验证。优先在虚拟电厂辅助服务结算、用户侧储能多市场协同交易、需求响应收益分配等技术可行性高、价值逻辑清晰的场景开展试点验证，通过实证数据的积累逐步完善技术方案，再有序扩展至全品类的分布式能源交易市场^[92][93]。最终形成全国统一的分布式能源交易可信数字化基础设施，为我国"双碳"目标下的新型电力系统建设提供核心技术支撑。

我国在分布式能源装机规模、电力市场改革的制度推进力度以及AI技术的产业落地能力三方面均具备全球领先的比较优势^[9]。未来需进一步强化学界与产业界的产学研协同攻关，加快核心关键技术突破与标准体系的系统性建设，推动区块链与AI的融合模式从当前的示范验证阶段加速迈向规模化商用部署的新纪元。

参考文献

[1] JAMIL F, IQBAL N, AHMAD S, et al. Peer-to-peer energy trading mechanism based on blockchain and machine learning for sustainable electrical power supply in smart grid[J]. IEEE Access, 2021, 9: 39418-39434.

[2] HAN D, ZHANG C, PING J, et al. Smart contract architecture for decentralized energy trading and management based on blockchains[J]. Energy, 2020, 199: 117425.

[3] SEVEN S, YAO G, SORAN A, et al. Peer-to-peer energy trading in virtual power plant based on blockchain smart contracts[J]. IEEE Access, 2020, 8: 196986-196996.

[4] SU X, HU Y, LIU W, et al. A blockchain-based smart contract model for secured energy trading management in smart microgrids[J]. Security and Privacy, 2024, 7(3): e341.

[5] SUN Y, MENG Y, GE L, et al. 人工智能赋能微电网运行优化的应用及展望[J]. 高电压技术, 2023, 49(1): 1-14.

[6] 解百臣, 章露, 郝鹏. 基于主从博弈的虚拟电厂实时定价需求响应机制研究[J]. 中国管理科学, 2025, 33(1): 112-123.

[7] OTOM S, AL RIDHAWI I, MOUFTAH H. A federated learning and blockchain-enabled sustainable energy trade at the edge: A framework for industry 4.0[J]. IEEE Internet of Things Journal, 2022, 9(23): 23875-23886.

[8] CHENG H, AI Q. Federated learning application in distributed energy trading in integrated energy system[J]. Energy Reports, 2023, 9: 5123-5133.

[9] 国家能源局. 2024年全国电力市场交易电量分析报告[R]. 北京: 国家能源局, 2025.

[10] 周步祥, 曹强, 臧天磊, 等. 基于区块链的微电网双层博弈电力交易优化决策[J]. 电力自动化设备, 2022, 42(5): 88-96.

[11] DAMISA U, NWULU N I, SIANO P. Towards blockchain-based energy trading: A smart contract implementation of energy double auction and spinning reserve trading[J]. Energies, 2022, 15(11): 4084.

[12] ZAFAR B, BEN SLAMA S. Energy internet opportunities in distributed peer-to-peer energy trading reveal by blockchain for future smart grid 2.0[J]. Sensors, 2022, 22(21): 8397.

[13] IQBAL A, RAJASEKARAN A S, NIKHIL G S. A secure and decentralized blockchain based EV energy trading model using smart contract in V2G network[J]. IEEE Access, 2021, 9: 67834-67846.

[14] 陈冠廷, 张利, 刘宁宁, 等. 基于区块链的面向居民用户需求响应交易机制[J]. 电力自动化设备, 2020, 40(7): 136-143.

[15] 李娟娟, 管桑田, 秦蕊, 等. 智能区块链与区块链智能: 构筑 DePIN 的基础设施智能[J]. 中国科学: 信息科学, 2024, 54(8): 1743-1760.

[16] WANG Z, OGBODO M, HUANG H, et al. AEBIS: AI-enabled blockchain-based electric vehicle integration system for power management in smart grid platform[J]. IEEE Access, 2020, 8: 218721-218733.

[17] 佘维, 白孟龙, 刘炜, 等. 能源区块链的架构, 应用与发展趋势[J]. 郑州大学学报(理学版), 2021, 53(2): 1-12.

[18] JAVED A R, HASSAN M A, SHAHZAD F, et al. Integration of blockchain technology and federated learning in vehicular (IoT) networks: A comprehensive survey[J]. Sensors, 2022, 22(12): 4394.

[19] BHATTACHARJEE P P, KOLEY C. Blockchain and IoT-enabled monitoring system network for distributed hybrid green energy using federated learning[C]// 2025 IEEE International Symposium on Circuits and Systems. IEEE, 2025: 1-5.

[20] HAN D, ZHANG C, PING J, et al. Smart contract architecture for decentralized energy trading and management based on blockchains[J]. Energy, 2020, 199: 117425.

[21] SEVEN S, YAO G, SORAN A, et al. Peer-to-peer energy trading in virtual power plant based on blockchain smart contracts[J]. IEEE Access, 2020, 8: 196986-196996.

[22] JAMIL F, IQBAL N, AHMAD S, et al. Peer-to-peer energy trading mechanism based on blockchain and machine learning for sustainable electrical power supply in smart grid[J]. IEEE Access, 2021, 9: 39418-39434.

[23] 方俊杰, 雷凯. 面向边缘人工智能计算的区块链技术综述[J]. 应用科学学报, 2020, 38(2): 187-205.

[24] OTOM S, AL RIDHAWI I, MOUFTAH H. A federated learning and blockchain-enabled sustainable energy trade at the edge: A framework for industry 4.0[J]. IEEE Internet of Things Journal, 2022, 9(23): 23875-23886.

[25] BOUACHIR O, ALOQAILY M, ÖZKASAP Ö. Federatedgrids: Federated learning and blockchain-assisted P2P energy sharing[J]. IEEE Transactions on Network and Service Management, 2022, 19(4): 4123-4136.

[26] IRENA. Digitalisation and artificial intelligence for power system transformation[R]. Abu Dhabi: International Renewable Energy Agency, 2023.

[27] 钟永洁, 汤成俊, 王紫东, 等. 我国虚拟电厂的发展演进和关键技术及难点分析[J]. 浙江电力, 2025, 44(1): 1-10.

[28] 林诗意, 张磊, 刘德胜. 基于区块链智能合约的应用研究综述[J]. 计算机应用研究, 2021, 38(5): 1281-1290.

[29] 徐嘉辉, 马立新. 区块链技术在分布式能源交易中的应用[J]. 电力自动化设备, 2020, 40(5): 1-9.

[30] 佘维, 白孟龙, 刘炜, 等. 能源区块链的架构, 应用与发展趋势[J]. 郑州大学学报(理学版), 2021, 53(2): 1-12.

[31] 任昊文, 杨雅琪. 区块链分布式技术在电力需求侧响应管理中的应用[J]. 电信科学, 2024, 40(3): 156-165.

[32] 解百臣, 章露, 郝鹏. 基于主从博弈的虚拟电厂实时定价需求响应机制研究[J]. 中国管理科学, 2025, 33(1): 112-123.

[33] 卿竹雨, 安锐, 高红均, 等. 考虑分散式资源互动响应的虚拟电厂智能化调峰定价[J]. 电力自动化设备, 2023, 43(8): 103-112.

[34] 刘汶瑜, 陈中, 杜璞良, 等. 基于联盟博弈的多虚拟电厂参与日前电力市场竞标模型[J]. 电力自动化设备, 2024, 44(6): 85-93.

[35] 钟永洁, 汤成俊, 王紫东, 等. 我国虚拟电厂的发展演进和关键技术及难点分析[J]. 浙江电力, 2025, 44(1): 1-10.

[36] 孙永辉, 孟雲帆, 葛磊蛟, 等. 人工智能赋能微电网运行优化的应用及展望[J]. 高电压技术, 2023, 49(1): 1-14.

[37] CHENG H, AI Q. Federated learning application in distributed energy trading in integrated energy system[J]. Energy Reports, 2023, 9: 5123-5133.

[38] 工业和信息化部. 产业领域: 新型工业化篇(上册)政策文件汇编[M]. 北京: 人民邮电出版社, 2024.

[39] 中国新型储能产业创新联盟. 新形势下新型储能发展趋势分析报告[R]. 北京: 中国化学与物理电源行业协会, 2024.

[40] 艾崧溥, 胡殿凯, 张桐, 等. 能源互联网电力交易区块链中的关键技术[J]. 电力建设, 2021, 42(3): 1-10.

[41] 中国储能研究会. 2025年能源行业可观测性落地全景报告[R]. 北京: 中国储能研究会, 2024.

[42] 南方电网数字电网研究院. 2025年电网数字孪生和人工智能技术的融合发展思路报告[R]. 广州: 南方电网公司, 2024.

[43] ZAFAR B, BEN SLAMA S. Energy internet opportunities in distributed peer-to-peer energy trading reveal by blockchain for future smart grid 2.0[J]. Sensors, 2022, 22(21): 8397.

[44] IQBAL A, RAJASEKARAN A S, NIKHIL G S. A secure and decentralized blockchain based EV energy trading model using smart contract in V2G network[J]. IEEE Access, 2021, 9: 67834-67846.

[45] 林诗意, 张磊, 刘德胜. 基于区块链智能合约的应用研究综述[J]. 计算机应用研究, 2021, 38(5): 1281-1290.

[46] 任昊文, 杨雅琪. 区块链分布式技术在电力需求侧响应管理中的应用[J]. 电信科学, 2024, 40(3): 156-165.

[47] 中国储能研究会. 2025年能源行业可观测性落地全景报告[R]. 北京: 中国储能研究会, 2024.

[48] KHAN M A, FAROOQ M S, SALEEM M, et al. Smart buildings: Federated learning-driven secure, transparent and smart energy management system using XAI[J]. Energy Reports, 2025, 13: 3217-3230.

[49] 徐嘉辉, 马立新. 区块链技术在分布式能源交易中的应用[J]. 电力自动化设备, 2020, 40(5): 1-9.

[50] 中国储能研究会. 2025年能源行业可观测性落地全景报告[R]. 北京: 中国储能研究会, 2024.

[51] FENG Z, SUN D, HUANG L, et al. Virtual power plant market trading strategy based on hybrid game reinforcement learning[J]. 中国电机工程学报, 2026, 46(3): 1-12.

[52] GUO T, CAO F. Development trend and application of low-carbon energy system[J]. 分布式能源, 2025, 10(1): 1-13.

[53] SUTHAR S, PINDORIYA N M. Blockchain and smart contract based decentralized energy trading platform[C]// 2020 21st National Power Systems Conference (NPEC). IEEE, 2020: 1-6.

[54] IQBAL A, RAJASEKARAN A S, NIKHIL G S. A secure and decentralized blockchain based EV energy trading model using smart contract in V2G network[J]. IEEE Access, 2021, 9: 67834-67846.

[55] 邹才能, 李士祥, 熊波, 等. 全能源系统概念, 内涵, 路径及意义[J]. 石油学报, 2026, 47(1): 1-12.

[56] WANG Z, OGBODO M, HUANG H, et al. AEBIS: AI-enabled blockchain-based electric vehicle integration system for power management in smart grid platform[J]. IEEE Access, 2020, 8: 218721-218733.

[57] BOUACHIR O, ALOQAILY M, ÖZKASAP Ö. Federatedgrids: Federated learning and blockchain-assisted P2P energy sharing[J]. IEEE Transactions on Network and Service Management, 2022, 19(4): 4123-4136.

[58] CHENG H, AI Q. Federated learning application in distributed energy trading in integrated energy system[J]. Energy Reports, 2023, 9: 5123-5133.

[59] KHAN M A, FAROOQ M S, SALEEM M, et al. Smart buildings: Federated learning-driven secure, transparent and smart energy management system using XAI[J]. Energy Reports, 2025, 13: 3217-3230.

[60] OTOM S, AL RIDHAWI I, MOUFTAH H. A federated learning and blockchain-enabled sustainable energy trade at the edge: A framework for industry 4.0[J]. IEEE Internet of Things Journal, 2022, 9(23): 23875-23886.

[61] 邹才能, 李士祥, 熊波, 等. 全能源系统概念, 内涵, 路径及意义[J]. 石油学报, 2026, 47(1): 1-12.

[62] 徐嘉辉, 马立新. 区块链技术在分布式能源交易中的应用[J]. 电力自动化设备, 2020, 40(5): 1-9.

[63] 陈冠廷, 张利, 刘宁宁, 等. 基于区块链的面向居民用户需求响应交易机制[J]. 电力自动化设备, 2020, 40(7): 136-143.

[64] 中国储能研究会. 2025年能源行业可观测性落地全景报告[R]. 北京: 中国储能研究会, 2024.

[65] 裴佑, 裴哲义, 邱伟强, 等. 基于区块链的共享储能联合调频分散交易机制设计[J]. 电力自动化设备, 2021, 41(9): 45-54.

[66] 陈冠廷, 张利, 刘宁宁, 等. 基于区块链的面向居民用户需求响应交易机制[J]. 电力自动化设备, 2020, 40(7): 136-143.

[67] JAMIL F, IQBAL N, AHMAD S, et al. Peer-to-peer energy trading mechanism based on blockchain and machine learning for sustainable electrical power supply in smart grid[J]. IEEE Access, 2021, 9: 39418-39434.

[68] 解百臣, 章露, 郝鹏. 基于主从博弈的虚拟电厂实时定价需求响应机制研究[J]. 中国管理科学, 2025, 33(1): 112-123.

[69] HAN D, ZHANG C, PING J, et al. Smart contract architecture for decentralized energy trading and management based on blockchains[J]. Energy, 2020, 199: 117425.

[70] 方俊杰, 雷凯. 面向边缘人工智能计算的区块链技术综述[J]. 应用科学学报, 2020, 38(2): 187-205.

[71] 苏美文, 杨文爽, 李博文, 等. 推动人工智能与实体经济深度融合加快发展新质生产力[J]. 工业技术经济, 2025, 44(4): 35-43.

[72] BHATTACHARJEE P P, KOLEY C. Blockchain and IoT-enabled monitoring system network for distributed hybrid green energy using federated learning[C]// 2025 IEEE International Symposium on Circuits and Systems. IEEE, 2025: 1-5.

[73] 韩益亮, 宋超越, 吴旭光, 等. 区块链与隐私计算融合技术综述[J]. 科学技术与工程, 2024, 24(28): 12045-12058.

[74] LEE J, BAGHERZADEH L, TRUONG A, et al. How smart is that contract? Exploring trust and fairness in smart contract-based energy trading[J]. Energy Research & Social Science, 2022, 88: 102510.

[75] 南方电网数字电网研究院. 2025年电网数字孪生和人工智能技术的融合发展思路报告[R]. 广州: 南方电网公司, 2024.

[76] 林诗意, 张磊, 刘德胜. 基于区块链智能合约的应用研究综述[J]. 计算机应用研究, 2021, 38(5): 1281-1290.

[77] 王永利, 王亚楠, 马子奔, 等. 面向区块链技术应用的能源交易系统效果评价[J]. 综合智慧能源, 2024, 46(3): 15-24.

[78] 韩益亮, 宋超越, 吴旭光, 等. 区块链与隐私计算融合技术综述[J]. 科学技术与工程, 2024, 24(28): 12045-12058.

[79] JAVED A R, HASSAN M A, SHAHZAD F, et al. Integration of blockchain technology and federated learning in vehicular (IoT) networks: A comprehensive survey[J]. Sensors, 2022, 22(12): 4394.

[80] RAND CORPORATION. Human and AI futures: Interdependence and vulnerability[R]. Santa Monica: RAND Corporation, 2024.

[81] 中国人工智能产业联盟. 2025 AI网络技术白皮书[R]. 北京: 中国人工智能产业联盟, 2024.

[82] 毕马威. 毕马威全球技术报告: 能源行业洞察[R]. 上海: 毕马威华振会计师事务所, 2024.

[83] ZOU W, YANG Z, CHEN J, et al. Blockchain technology in the energy internet: A comprehensive review[J]. Energy, 2021, 222: 119914.

[84] FENG Z, SUN D, HUANG L, et al. Virtual power plant market trading strategy based on hybrid game reinforcement learning[J]. 中国电机工程学报, 2026, 46(3): 1-12.

[85] 毕马威. 毕马威全球技术报告: 能源行业洞察[R]. 上海: 毕马威华振会计师事务所, 2024.

[86] ALI M S, VECCHIO M, PINCHEIRA M, et al. Applications of blockchains in the Internet of Things: A comprehensive survey[J]. IEEE Communications Surveys & Tutorials, 2019, 21(2): 1676-1717.

[87] 陈晓红, 胡东滨, 曹文治, 等. 数字技术助推我国能源行业碳中和目标实现的路径探析[J]. 中国科学院院刊, 2021, 36(9): 983-992.

[88] 邹才能, 李士祥, 熊波, 等. 全能源系统概念, 内涵, 路径及意义[J]. 石油学报, 2026, 47(1): 1-12.

[89] KHAN M A, FAROOQ M S, SALEEM M, et al. Smart buildings: Federated learning-driven secure, transparent and smart energy management system using XAI[J]. Energy Reports, 2025, 13: 3217-3230.

[90] 刘东, 樊强, 尤宏亮, 等. 泛在电力物联网下虚拟电厂的研究现状与展望[M]. 成都: 四川大学出版社, 2020.

[91] 中国人工智能产业联盟. 2025 AI网络技术白皮书[R]. 北京: 中国人工智能产业联盟, 2024.

[92] PENG D, SHUI J, WANG D, et al. Review of virtual power plant under the background of "dual carbon"[J]. 发电技术, 2023, 44(1): 23-35.

[93] SHUI J, PENG D, SONG Y, et al. Optimal scheduling strategy of virtual power plant with carbon emission and carbon penalty considering uncertainty of wind power and photovoltaic power[J]. 系统仿真学报, 2024, 36(2): 345-356.