Координация многопользовательских агентов и адаптация к неопределённости в иерархической оптимизации с поддержкой глубокого обучения для распределительных сетей с преобладанием возобновляемых источников

Почему важны более «умные» локальные сети

По мере того как в домах, на фермах и в малом бизнесе всё чаще устанавливают солнечные панели на крышах, ветряные турбины и батареи, локальные электросети становятся экологичнее — но и сложнее в управлении. Солнечная радиация и ветер меняются каждую минуту, а потребление электроэнергии в сельских районах колеблется в зависимости от погоды, сезона и поведения людей. В статье исследуется, как новая система «умного» управления на базе глубокого обучения и многопользовательского принятия решений может сохранять надёжность, доступность и низкоуглеродность таких сетей с высокой долей возобновляемых источников даже в условиях сильной неопределённости.

Проблема одновременного учёта солнца, ветра и спроса

Традиционное планирование сетей предполагает, что инженеры примерно знают, сколько энергии понадобится и сколько дадут генераторы. Это предположение рушится, когда сетевая зона в значительной мере зависит от солнечных панелей на крышах, мелких ветропарков, батарей и гибких потребителей на фермах или в домах. Выход таких устройств может быстро расти и падать, а в сельской местности топология сети нерегулярна и мониторинг ограничен. Существующие инструменты либо игнорируют эту неопределённость, либо опираются на фиксированные сценарии «что‑если», которые не поспевают за изменением погоды и спроса. В результате операторы рискуют отключениями, проблемами с напряжением, ростом счетов или вынужденным ограничением возобновляемой генерации и потерей чистой энергии.

Обучение сети пониманию собственной неопределённости

Авторы предлагают рамочную схему, которую называют Deep‑DRO, — она учит сеть распознавать и адаптироваться к неопределённости, а не просто выдерживать её. Сначала продвинутые модели глубокого обучения обрабатывают большие объёмы исторических данных о погоде, солнечной генерации, скорости ветра и потреблении. Графовая сеть фиксирует, как разные участки сети влияют друг на друга, а модель Transformer отслеживает временные закономерности, такие как суточные и сезонные циклы. Вместе они делают больше, чем прогнозируют единый «наилучший» сценарий будущего — они также оценивают, насколько эти прогнозы могут быть ошибочны, и как разные неопределённости связаны в пространстве и времени.

Множество принимающих решений, работающих вместе

Поверх этого слоя прогнозирования авторы строят иерархию программных агентов принятия решений, имитирующую структуру реальной распределительной системы. Один агент наблюдает за округом в целом, другие управляют отдельными фидерами, а локальные агенты представляют кластеры распределённых ресурсов, таких как солнечные установки, батареи и гибкие нагрузки. Используя многопользовательское обучение с подкреплением, эти агенты учатся методом проб и ошибок в имитируемой среде. Они регулируют заряд батарей, обмены мощностью между микросетями и реакции спроса, получая вознаграждение за снижение затрат, поддержание напряжения в безопасных пределах и достаточных резервов для обработки сюрпризов. Схема федеративного обучения позволяет агентам делиться накопленным опытом без централизации всех исходных данных, что отражает реальные ограничения в коммуникациях.

Построение «впритык» защиты от плохих дней

Третья часть рамочной схемы — слой распределительно-робастной оптимизации (DRO), действующий как осторожный надсмотрщик. Вместо того чтобы полагаться на один вероятностный прогноз, он рассматривает целое семейство правдоподобных будущих сценариев вокруг предсказания модели глубокого обучения. Важный момент: размер этого семейства увеличивается, когда модель фиксирует более непредсказуемое поведение, и уменьшается, когда условия стабильны. Это означает, что система автоматически становится более консервативной в штормовые или сильно переменные периоды и более экономичной, когда прогноз спокойнее. Слой DRO оценивает предлагаемые действия от обучающихся агентов и штрафует стратегии, которые выглядят хрупкими в худших, но всё ещё реалистичных условиях.

Что показывают моделирования

Для проверки идеи исследователи смоделировали сеть из трёх взаимосвязанных микросетей, обслуживающих смешанные сельские нагрузки, каждая с собственным набором солнечных, ветровых, биомассовых установок и батарей. Они сравнили шесть стратегий управления — от простого детерминированного расписания до классической риск‑ориентированной оптимизации и различных контроллеров на основе обучения. По итогам года высокоразрешённых данных полностью интегрированная система Deep‑DRO сокращает эксплуатационные расходы примерно на четверть, повышает индекс надёжности с 0,76 до 0,91 и снижает выбросы углерода почти на 30 процентов по сравнению с самым простым базовым вариантом. Система остаётся стабильной даже при искусственном увеличении исходной неопределённости и учится выбирать время зарядки батарей и обменов мощностью так, чтобы использовать более чистые и дешёвые периоды, избегая при этом рискованной работы с малыми запасами.

Более разумный путь к устойчивой чистой энергии

Для неспециалистов ключевое послание таково: сделать локальные сети чистыми уже недостаточно просто добавлять больше панелей или батарей — нужно сделать систему управления настолько интеллектуальной, чтобы она могла предвидеть и адаптироваться к неопределённости. Объединив глубокое обучение, кооперативное принятие решений многих агентов и встроенное чувство осторожности относительно неблагоприятных исходов, предложенная рамочная схема Deep‑DRO демонстрирует, как округа и сельские регионы могут эксплуатировать сети с высокой долей возобновляемых источников экономично и устойчиво. На практике этот подход может помочь сохранить электроснабжение, снизить счета и уменьшить выбросы, даже по мере того как наш источник электроэнергии становится всё более зависящим от погоды и децентрализованным.

Цитирование: 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

Ключевые слова: сети возобновляемой энергии, обучение с подкреплением для нескольких агентов, распределительно-робастная оптимизация, умные микросети, прогнозирование с помощью глубокого обучения