Koordynacja wieloagentowa i adaptacja do niepewności w hierarchicznej optymalizacji wspomaganej głębokim uczeniem dla sieci dystrybucyjnych z dominacją odnawialnych źródeł

Dlaczego mądrzejsze sieci lokalne mają znaczenie

W miarę jak coraz więcej domów, gospodarstw i małych firm instalują panele fotowoltaiczne na dachach, turbiny wiatrowe i baterie, lokalne sieci energetyczne stają się czyściejsze — ale też trudniejsze w zarządzaniu. Nasłonecznienie i wiatr zmieniają się z minuty na minutę, a zapotrzebowanie na energię w powiatach wiejskich może wahać się wraz z pogodą, porami roku i zachowaniami ludzi. W artykule omówiono, jak nowy typ „inteligentnego” systemu sterowania, oparty na głębokim uczeniu i wieloagentowym podejmowaniu decyzji, może utrzymać te lokalne sieci o dużym udziale odnawialnych źródeł niezawodnymi, przystępnymi cenowo i niskoemisyjnymi, nawet gdy warunki są wysoce niepewne.

Wyzwanie żonglowania słońcem, wiatrem i popytem

Tradycyjne planowanie sieci zakłada, że inżynierowie mniej więcej wiedzą, ile energii będzie potrzebne i ile dostarczą generatory. To założenie zawodzi, gdy sieć powiatowa w dużym stopniu opiera się na panelach dachowych, małych farmach wiatrowych, bateriach i elastycznych odbiorach z gospodarstw lub domów. Produkcja z tych źródeł może szybko rosnąć i maleć, a na obszarach wiejskich układ sieci jest nieregularny, a monitoring ograniczony. Istniejące narzędzia albo ignorują tę niepewność, albo polegają na stałych scenariuszach „co‑jeśli”, które nie nadążają za zmieniającą się pogodą i wzorcami zapotrzebowania. W rezultacie operatorzy ryzykują blackouty, problemy z napięciem, wyższe rachunki lub marnowanie czystej energii poprzez ograniczanie produkcji z OZE.

Nauka sieci rozumienia własnej niepewności

Autorzy proponują ramy, które nazywają Deep‑DRO, uczące sieć rozpoznawania i adaptacji do niepewności, zamiast jej jedynie znoszenia. Po pierwsze, zaawansowane modele głębokiego uczenia przetwarzają duże ilości historycznych danych o pogodzie, produkcji słonecznej, prędkości wiatru i zapotrzebowaniu. Sieć oparta na grafie odwzorowuje, jak różne lokalizacje w sieci wpływają na siebie nawzajem, podczas gdy model Transformer śledzi wzorce w czasie, takie jak cykle dobowo‑sezonowe. Razem robią więcej niż prognozują jedną „najlepszą” wartość na przyszłość — szacują też, jak bardzo te prognozy mogą być błędne i jak różne niepewności powiązane są przestrzennie i czasowo.

Wielu decydentów działających wspólnie

Na warstwie prognozowania autorzy budują hierarchię agentów decyzyjnych, które odzwierciedlają strukturę rzeczywistego systemu dystrybucyjnego. Jeden agent nadzoruje cały powiat, inni zarządzają poszczególnymi zasilaczami (feederami), a lokalne agenty reprezentują klastry rozproszonych zasobów energetycznych, takie jak pola fotowoltaiczne, baterie i elastyczne obciążenia. Korzystając z wieloagentowego uczenia ze wzmocnieniem, agenci uczą się przez próbę i błąd w środowisku symulacyjnym. Regulują ładowanie baterii, wymiany mocy między mikrosieciami i reakcje popytowe, otrzymując nagrody, gdy obniżają koszty, utrzymują napięcia w bezpiecznych granicach i zachowują wystarczające rezerwy na nieoczekiwane zdarzenia. Schemat uczenia federacyjnego pozwala agentom dzielić się swoją wiedzą bez centralizacji wszystkich surowych danych, co odzwierciedla rzeczywiste ograniczenia komunikacyjne.

Budowanie „właściwej” ochrony na złe dni

Trzeci element ram stanowi warstwa optymalizacji odporné względem rozkładów (DRO), pełniąca rolę ostrożnego nadzorcy. Zamiast ufać pojedynczej prognozie prawdopodobieństwa, rozważa ona całą rodzinę prawdopodobnych przyszłości wokół tego, co przewiduje model głębokiego uczenia. Kluczowe jest to, że rozmiar tej rodziny rozszerza się, gdy model wykryje bardziej nieprzewidywalne zachowanie, i kurczy, gdy warunki są stabilne. Oznacza to, że system automatycznie staje się bardziej konserwatywny podczas burzowych lub wysoce zmiennych okresów, a bardziej efektywny kosztowo, gdy perspektywa jest spokojna. Warstwa DRO ocenia proponowane działania przez agentów uczących się i karze strategie, które wydają się kruche w obliczu realistycznych scenariuszy najgorszego przypadku.

Co ujawniają symulacje

Aby przetestować pomysł, badacze symulują sieć trzech wzajemnie połączonych mikrosieci obsługujących mieszane obciążenia wiejskie, z każdą o własnym miksie: słońce, wiatr, biomasa i baterie. Porównują sześć strategii sterowania, od prostego deterministycznego harmonogramu po klasyczną optymalizację świadomą ryzyka i różne sterowniki oparte na uczeniu. W skali roku przy użyciu danych o wysokiej rozdzielczości, w pełni zintegrowany system Deep‑DRO obniża koszty eksploatacji o około jedną czwartą, zwiększa wskaźnik niezawodności z 0,76 do 0,91 i zmniejsza emisje dwutlenku węgla o prawie 30 procent w porównaniu z najprostszą strategią odniesienia. Pozostaje stabilny nawet wtedy, gdy sztucznie zwiększy się podłożoną niepewność, i uczy się synchronizować ładowanie baterii oraz wymiany energii tak, by wykorzystywać czystsze, tańsze okresy, unikając jednocześnie ryzykownych operacji z wąskimi marginesami.

Mądrzejsza droga do odpornej, czystej energii

Dla osób spoza branży kluczowy przekaz jest taki, że uczynienie lokalnych sieci czystszymi to już nie tylko dodawanie kolejnych paneli czy baterii — chodzi o uczynienie systemu sterowania wystarczająco inteligentnym, by przewidywał i adaptował się do niepewności. Poprzez połączenie głębokiego uczenia, współpracy decyzyjnej wielu agentów i wbudowanego poczucia ostrożności wobec złych wyników, proponowane ramy Deep‑DRO pokazują, jak powiaty i regiony wiejskie mogłyby obsługiwać sieci o dużym udziale OZE, które są jednocześnie ekonomiczne i odporne. W praktyce podejście to może pomóc utrzymać światła włączone, obniżyć rachunki i zmniejszyć emisje, nawet gdy nasza podaż energii staje się coraz bardziej zależna od pogody i zdecentralizowana.

Cytowanie: Zheng, Y., Li, H., Wang, S. et al. Multi-agent coordination and uncertainty adaptation in deep learning–assisted hierarchical optimization for renewable-dominated distribution networks. Sci Rep 16, 5176 (2026). https://doi.org/10.1038/s41598-026-35945-0

Słowa kluczowe: sieci energii odnawialnej, wielooagentowe uczenie ze wzmocnieniem, optymalizacja odporná względem rozkładów (DRO), inteligentne mikrosieci, prognozowanie z użyciem głębokiego uczenia