A Virtual Power Plant (VPP) is a practical concept that aggregates various Renewable Energy Sources (RESs) to improve energy management efficiency and facilitate energy trading. Operation scheduling for all energy components in VPPs plays a vital role from an energy management perspective. Technical and economic constraints and uncertainties that significantly affect the scheduling program must be considered simultaneously. This paper provides a comprehensive review of the scheduling problem in the VPP concept, following Kitchenham's guidelines, to address questions such as: What are the most frequent scheduling techniques in VPPs? How technical and economic aspects of scheduling have been considered to optimize the problem? Moreover, how to deal with different types of uncertainties? To that end, all previous studies on this topic have been extracted and analyzed, focusing on the scheduling algorithm's necessity. Several optimal scheduling methods are investigated that show learning-based approaches have not been well studied. Then, joint technical and economic limitations and dealing with various types of uncertainties are appraised. Contribute to better knowledge for future studies on VPPs, the research gaps regarding optimization techniques, joint techno-economic, and various kinds of uncertainties have been introduced. Finally, this paper also suggests utilizing a Deep Reinforcement Learning (DRL)-based technique to address the mentioned concerns due to generalization, scalability, and feature extraction, which are originated from a combination of reinforcement learning and deep learning.

虚拟电厂 (VPP) 是一个实用的概念，它聚合了各种可再生能源 (RES)，以提高能源管理效率并促进能源交易。从能源管理的角度来看，VPP 中所有能源组件的运行调度起着至关重要的作用。必须同时考虑显着影响调度计划的技术和经济约束和不确定性。本文按照 Kitchenham 的指导方针，对 VPP 概念中的调度问题进行了全面回顾，以解决以下问题： VPP 中最常用的调度技术是什么？如何考虑调度的技术和经济方面来优化问题？此外，如何处理不同类型的不确定性？为此，已经提取和分析了之前关于该主题的所有研究，重点是调度算法的必要性。研究了几种最佳调度方法，表明基于学习的方法尚未得到很好的研究。然后，评估联合技术和经济限制以及处理各种类型的不确定性。有助于为未来 VPP 研究提供更好的知识，介绍了有关优化技术、联合技术经济和各种不确定性的研究空白。最后，本文还建议利用基于深度强化学习 (DRL) 的技术来解决由于泛化、可扩展性和特征提取引起的上述问题，这些问题源于强化学习和深度学习的结合。关注调度算法的必要性。研究了几种最佳调度方法，表明基于学习的方法尚未得到很好的研究。然后，评估联合技术和经济限制以及处理各种类型的不确定性。有助于为未来 VPP 研究提供更好的知识，介绍了有关优化技术、联合技术经济和各种不确定性的研究空白。最后，本文还建议利用基于深度强化学习 (DRL) 的技术来解决由于泛化、可扩展性和特征提取引起的上述问题，这些问题源于强化学习和深度学习的结合。关注调度算法的必要性。研究了几种最佳调度方法，表明基于学习的方法尚未得到很好的研究。然后，评估联合技术和经济限制以及处理各种类型的不确定性。有助于为未来 VPP 研究提供更好的知识，介绍了有关优化技术、联合技术经济和各种不确定性的研究空白。最后，本文还建议利用基于深度强化学习 (DRL) 的技术来解决由于泛化、可扩展性和特征提取引起的上述问题，这些问题源于强化学习和深度学习的结合。研究了几种最佳调度方法，表明基于学习的方法尚未得到很好的研究。然后，评估联合技术和经济限制以及处理各种类型的不确定性。有助于为未来 VPP 研究提供更好的知识，介绍了有关优化技术、联合技术经济和各种不确定性的研究空白。最后，本文还建议利用基于深度强化学习 (DRL) 的技术来解决由于泛化、可扩展性和特征提取引起的上述问题，这些问题源于强化学习和深度学习的结合。研究了几种最佳调度方法，表明基于学习的方法尚未得到很好的研究。然后，评估联合技术和经济限制以及处理各种类型的不确定性。有助于为未来 VPP 研究提供更好的知识，介绍了有关优化技术、联合技术经济和各种不确定性的研究空白。最后，本文还建议利用基于深度强化学习 (DRL) 的技术来解决由于泛化、可扩展性和特征提取引起的上述问题，这些问题源于强化学习和深度学习的结合。有助于为未来 VPP 研究提供更好的知识，介绍了有关优化技术、联合技术经济和各种不确定性的研究空白。最后，本文还建议利用基于深度强化学习 (DRL) 的技术来解决由于泛化、可扩展性和特征提取引起的上述问题，这些问题源于强化学习和深度学习的结合。有助于为未来 VPP 研究提供更好的知识，介绍了有关优化技术、联合技术经济和各种不确定性的研究空白。最后，本文还建议利用基于深度强化学习 (DRL) 的技术来解决由于泛化、可扩展性和特征提取引起的上述问题，这些问题源于强化学习和深度学习的结合。