Адаптивное иерархическое обучение для планирования распределённых энергетических ресурсов с учётом неопределённости

Более разумная локальная энергия для меняющегося мира

По мере того как дома, предприятия и электромобили подключают всё больше солнечных панелей на крышах, аккумуляторов и других локальных энергетических устройств, соседская сеть становится куда более сложной. Коммунальные службы и частные владельцы должны решать, где размещать эти ресурсы и какого они должны быть размера, хотя никто не может точно предсказать будущую солнечную инсоляцию, спрос на электричество или внутренние характеристики сети. В этом исследовании предложен новый подход к планированию на основе искусственного интеллекта, который учится на данных из реального мира вместо опоры на жёсткие математические модели, обещая более дешёвую и надёжную чистую энергию для обычных потребителей.

Проблема предсказания будущей сети

Современные распределительные сети включают множество типов распределённых энергетических ресурсов, в том числе солнечные фермы, аккумуляторные хранилища, малые газовые турбины и устройства для тонкой настройки напряжения. Эти активы рассредоточены по разным точкам и находятся под влиянием погоды, поведения людей и рыночных сил, что создаёт несколько уровней неопределённости. Традиционные инструменты планирования пытаются справиться с этим, строя детальные модели сети и затем симулируя ограниченный набор «а что если» сценариев, таких как несколько типичных дней с высоким или низким спросом. Но сторонние операторы, например владельцы солнечных или аккумуляторных установок и виртуальные электростанции, часто не знают полной схемы сети или её ограничений по безопасности из‑за вопросов приватности и регулирования. В результате им приходится принимать долгосрочные инвестиционные и ежедневные эксплуатационные решения без полного представления, и старые методы на основе сценариев испытывают трудности, чтобы оставаться надёжными и экономичными в условиях дефицита информации.

Иерархический «мозг» сети из двух уровней

Авторы предлагают адаптивную иерархическую схему обучения, которая рассматривает планирование сети как игру из двух уровней между долгосрочными инвестициями и краткосрочной эксплуатацией. На верхнем уровне оператор распределительной системы выбирает, где размещать различные ресурсы и какого они должны быть размера. На нижнем уровне владельцы этих ресурсов решают, как управлять ими в реальном времени, чтобы удовлетворять потребность в электроэнергии, при этом соблюдая скрытые сетевые ограничения, такие как безопасные диапазоны напряжения. Вместо решения громоздких математических уравнений верхний уровень использует Monte Carlo Tree Search — метод, который исследует множество возможных комбинаций инвестиций и постепенно сужает поиск до наиболее перспективных вариантов. Нижний уровень использует многоагентное глубокое обучение с подкреплением, где виртуальные «агенты», управляющие аккумуляторами, газовыми турбинами и устройствами регулирования напряжения, прямо из данных и ответов сети учатся правилам эффективной работы. Вместе эти два уровня образуют замкнутый цикл: решения по планированию формируют условия эксплуатации, а результаты работы возвращаются обратно и улучшают будущие планы.

Учиться на неопределённости, а не бояться её

По замыслу новая схема не требует полного знания модели сети или заранее заданных сценариев. Эксплуатационные агенты видят только локальные измерения и ограниченную информацию, как это было бы в реальных условиях. В течение многих имитируемых дней они взаимодействуют с сетью, пробуют разные действия и получают вознаграждение, основанное на затратах и качестве обслуживания. Этот метод проб и ошибок учит их, сколько солнечной генерации можно принять, когда заряжать или разряжать аккумуляторы и как настраивать опорные устройства, чтобы держать напряжения в безопасных пределах. Тем временем уровень планирования тестирует множество инвестиционных вариантов, используя обученные эксплуатационные поведения как ориентир, постепенно отдавая предпочтение сочетаниям типов устройств, мест и мощностей, которые приводят к низким суммарным затратам и стабильной работе. Фактически система «открывает» скрытые запасы устойчивости сети и наилучшие способы использования локальных ресурсов, не получая при этом полной инженерной схемы.

Лучшая работа для сетей сегодняшних и завтрашних дней

Исследователи протестировали свой подход на двух распределительных сетях: стандартном эталонном графе из 33 узлов и более крупной, реалистичной системе из 152 узлов. В обоих случаях метод на базе обучения существенно сократил инвестиционные расходы по сравнению с традиционными методами оптимизации, одновременно уменьшив частоту ограничения генерации у потребителей или солнечных станций. Он поддерживал напряжения значительно ближе к желаемому диапазону с гораздо меньшим числом нарушений пределов безопасности, даже когда условия тестирования отличались от данных, использованных для обучения. Важно, что после завершения обучения система могла генерировать новые решения по планированию и эксплуатации примерно за час, что делает её практичной для реального перепланирования после событий, таких как шторма или быстрый рост зарядки электромобилей.

Что это значит для обычных потребителей электроэнергии

С точки зрения непрофессионала эта работа показывает, что локальную сеть можно планировать скорее как обучающийся, адаптирующийся организм, чем как статичную машину. Вместо ставок на небольшой набор прогнозируемых будущих сценариев коммунальные службы и компании по обслуживанию энергии могут позволить алгоритмам постоянно учиться на реальном спросе и выработке из возобновляемых источников, даже когда некоторые детали сети скрыты. Результат — более разумное размещение и управление солнечными панелями, аккумуляторами и другими устройствами, что помогает сохранять свет в домах, сокращать лишние траты и эффективнее использовать чистую энергию. Со временем такое планирование на основе обучения может помочь районам интегрировать больше возобновляемых источников и электромобилей без дорогостоящего избыточного строительства или риска нарушения надёжности.

Цитирование: 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

Ключевые слова: распределённые энергетические ресурсы, сеть распределения электроэнергии, обучение с подкреплением, энергетическое планирование, интеграция возобновляемых источников