Adaptacyjne hierarchiczne uczenie do planowania zasobów energetycznych z uwzględnieniem niepewności

Inteligentniejsza lokalna energia dla zmieniającego się świata

W miarę jak domy, firmy i pojazdy elektryczne instalują coraz więcej paneli fotowoltaicznych na dachach, baterii i innych lokalnych urządzeń energetycznych, osiedlowa sieć staje się znacznie bardziej złożona. Przedsiębiorstwa energetyczne i prywatni właściciele muszą decydować, gdzie umieścić te zasoby i jak duże mają być, mimo że nikt nie jest w stanie idealnie przewidzieć przyszłego nasłonecznienia, zapotrzebowania na energię ani wewnętrznych zachowań sieci energetycznej. W tym badaniu przedstawiono nowe podejście do planowania oparte na sztucznej inteligencji, które uczy się na danych z rzeczywistego świata zamiast polegać na sztywnych modelach matematycznych, obiecując tańszą i bardziej niezawodną czystą energię dla zwykłych konsumentów.

Trudność w przewidywaniu przyszłej sieci

Współczesne sieci dystrybucyjne obejmują wiele typów rozproszonych zasobów energetycznych, w tym farmy słoneczne, magazyny baterii, małe turbiny gazowe i urządzenia regulujące napięcie. Te zasoby są rozmieszczone w wielu miejscach i podlegają wpływom pogody, zachowań ludzkich i sił rynkowych, co tworzy wielowarstwową niepewność. Tradycyjne narzędzia planistyczne próbują to uwzględnić, tworząc szczegółowe modele sieci, a następnie symulując ograniczony zestaw scenariuszy „co jeśli”, np. kilka typowych dni o wysokim lub niskim zapotrzebowaniu. Jednak operatorzy zewnętrzni, tacy jak właściciele paneli czy baterii i wirtualne elektrownie, często nie znają pełnego układu sieci ani jej granic bezpieczeństwa z powodu barier prywatności i regulacji. W rezultacie muszą podejmować decyzje inwestycyjne i operacyjne na dłuższą i krótszą metę bez pełnego obrazu, a stare metody oparte na scenariuszach mają trudności z zachowaniem niezawodności i opłacalności w warunkach ograniczonej informacji.

Dwupoziomowy „mózg” uczący się dla sieci

Autorzy proponują adaptacyjne hierarchiczne ramy uczenia, które traktują planowanie sieci jako dwupoziomową grę między inwestycjami długoterminowymi a eksploatacją krótkoterminową. Na poziomie górnym operator systemu dystrybucyjnego wybiera, gdzie umieścić różne zasoby i jak duże mają być. Na poziomie dolnym właściciele tych zasobów decydują, jak nimi sterować w czasie rzeczywistym, by zaspokoić zapotrzebowanie na energię przy jednoczesnym respektowaniu ukrytych ograniczeń sieci, takich jak bezpieczne zakresy napięcia. Zamiast rozwiązywać ogromne równania matematyczne, poziom górny wykorzystuje Monte Carlo Tree Search — metodę eksplorującą wiele możliwych kombinacji inwestycyjnych i stopniowo zawężającą się do najbardziej obiecujących. Poziom dolny używa wieloagentowego głębokiego uczenia ze wzmocnieniem, gdzie wirtualne „agenty” kontrolujące baterie, turbiny gazowe i urządzenia regulujące napięcie uczą się dobrych reguł operacyjnych bezpośrednio z danych i odpowiedzi sieci. Razem te dwie warstwy tworzą zamkniętą pętlę: decyzje planistyczne kształtują warunki operacyjne, a wyniki eksploatacji zasilają lepsze przyszłe plany.

Uczenie się od niepewności zamiast jej obawiać

Z założenia nowe ramy nie wymagają pełnej wiedzy o modelu sieci ani uprzednio zdefiniowanych scenariuszy. Agenty operacyjne widzą tylko lokalne pomiary i ograniczone informacje, tak jak rzeczywiści operatorzy. Przez wiele symulowanych dni wchodzą w interakcje z siecią, próbują różnych działań i otrzymują nagrody oparte na kosztach i jakości usług. Ten proces prób i błędów uczy ich, ile energii słonecznej można przyjąć, kiedy ładować lub rozładowywać baterie oraz jak regulować urządzenia pomocnicze, aby utrzymać napięcia w bezpiecznych granicach. Tymczasem warstwa planistyczna testuje wiele opcji inwestycyjnych, wykorzystując wyuczone zachowania operacyjne jako wskazówkę, stopniowo preferując kombinacje typów urządzeń, lokalizacji i mocy, które prowadzą do niskich kosztów i stabilnej pracy. W istocie system „odkrywa” ukryte marginesy bezpieczeństwa sieci i najlepsze sposoby wykorzystania zasobów lokalnych, bez potrzeby dostania pełnego inżynierskiego planu.

Lepsze wyniki na sieciach dzisiejszych i jutrzejszych

Naukowcy przetestowali swoje podejście na dwóch sieciach dystrybucyjnych: standardowej referencyjnej sieci 33-węzłowej oraz większym, realistycznym systemie 152-węzłowym. W obu przypadkach metoda oparta na uczeniu zmniejszyła wydatki inwestycyjne znacząco w porównaniu z tradycyjnymi technikami optymalizacyjnymi, jednocześnie ograniczając częstotliwość ograniczania dostaw dla klientów czy farm słonecznych. Utrzymywała napięcia znacznie bliżej pożądanego zakresu, z dużo mniejszą liczbą naruszeń granic bezpieczeństwa, nawet gdy warunki testowe różniły się od danych użytych do trenowania. Co ważne, po zakończeniu treningu system był w stanie wygenerować nowe decyzje planistyczne i operacyjne w ciągu mniej więcej godziny, co czyni go praktycznym do rzeczywistego replanu po zdarzeniach takich jak burze czy gwałtowny wzrost ładowania pojazdów elektrycznych.

Co to oznacza dla zwykłych użytkowników energii

Z perspektywy laika ta praca pokazuje, że lokalna sieć może być projektowana bardziej jak uczący się, adaptacyjny organizm niż statyczna maszyna. Zamiast stawiać na niewielki zestaw prognozowanych przyszłości, przedsiębiorstwa energetyczne i firmy świadczące usługi energetyczne mogą pozwolić algorytmom na ciągłe uczenie się z faktycznego zapotrzebowania i produkcji odnawialnych źródeł, nawet gdy niektóre szczegóły sieci są ukryte. Efektem jest mądrzejsze rozmieszczenie i eksploatacja paneli słonecznych, baterii i innych urządzeń, które utrzymują zasilanie, obniżają niepotrzebne koszty i lepiej wykorzystują czystą energię. Z upływem czasu takie planowanie oparte na uczeniu mogłoby pomóc osiedlom w integracji większej liczby odnawialnych źródeł i pojazdów elektrycznych bez kosztownego nadbudowywania sieci lub ryzyka utraty niezawodności.

Cytowanie: Xiang, Y., Li, L., Lu, Y. et al. Adaptive hierarchical learning for uncertainty-aware distributed energy resource planning. Commun Eng 5, 40 (2026). https://doi.org/10.1038/s44172-026-00591-x

Słowa kluczowe: rozproszone zasoby energetyczne, sieć dystrybucji energii, uczenie ze wzmocnieniem, planowanie energetyczne, integracja odnawialnych źródeł