针对干旱城市环境的可持续微电网优化的自适应强化学习框架

在沙漠城市保障供电

想象一下运营一座现代城市：夏日白天气温经常超过40°C，空调长时间高负荷运转，电网线路应接不暇。这正是利雅得等地的日常。本文探讨了一种新型智能控制系统，受计算机学习玩复杂电子游戏的方式启发，如何在太阳能电池板、风力涡轮机、电池、柴油发电机与主电网之间协调，帮助这样的城市以更低成本和更少污染维持供电。

小型电力网络的重要性

许多城市不再仅依赖远处的大型电厂，而是转向“微电网”——将多种能源源组合在一起并能与邻近系统共享电力的小型本地网络。在炎热干燥的地区，这一点尤为重要：制冷需求随天气剧烈波动，太阳能白天集中供应，风能可能微弱且不稳定。传统控制系统往往遵循固定规则或日程，对于突发变化（如空调使用激增或沙尘遮挡阳光）反应不足。其结果是清洁能源被浪费、柴油发电机燃料消耗增加、用电成本上升。

为电力系统配备学习大脑

研究者构建了一个详尽的计算模型，包含五个互联微电网，代表利雅得典型的建筑与街区类型——大中小型住宅、混合用途街区和商业区。每个微电网都有自己的太阳能、微型风机、柴油备用与电池存储，并连接到更大的电网。利用建筑能源软件（EnergyPlus），他们生成了整整一年的逐小时数据：用电量、温度、日照强度与风速。在此基础上，他们引入了一个强化学习“智能体”——一个软件“大脑”，它观测系统状态（需求、电池电量、可用太阳与风能、发电机状态），并决定下一步动作：充放电、启停柴油机、进出口电力以及在微电网之间共享能源。

系统如何学会更优决策

强化学习通过反复试错来工作。在仿真中，智能体逐小时尝试不同的控制动作，并根据结果获得奖励或惩罚。奖励函数结合了三项简单目标：降低成本、保持供电和避免浪费或忽视可再生能源。如果其决策导致昂贵的柴油使用、供电短缺或太阳能未被利用，智能体会受到惩罚；若它以更多的太阳能与风能满足需求、减少排放并维持稳定运行，则获得奖励。经过数万轮训练，智能体逐步发现平衡这些目标的策略。训练完成后，它能在实时环境中以几毫秒甚至更短的时间做出决策。

当沙漠反扑时会发生什么

为了检验该方法在严酷气候下的效用，团队在现实且苛刻的情形下进行了测试。模型再现了利雅得的季节性波动：夏季制冷需求强烈，冬季负荷较温和。基于学习的控制器能准确跟踪逐小时和年度的能耗（可解释约90–94%的变异），这对预测峰值至关重要。它减少了典型日内的能源损失，并将更多供给转向太阳能和风能，利用电池平滑缺口。当研究者模拟诸如突发沙尘暴骤然削弱太阳能或热浪导致需求急剧上升的事件时，系统通过放电电池、协调柴油机使用以及在微电网间分享多余能源来应对——在不切断用户供电的情况下维持运行。

更洁净的空气与更低的账单

除了保持供电稳定，研究还使用关注日常运行的生命周期评估来衡量环境影响。与传统基于规则的设置相比，自适应系统将二氧化碳排放削减约14%，酸化性污染减少约14%，总能耗降低约10%。这些改进主要来自于减少柴油发电机的运行频次以及更好地利用本地可再生能源与储能。简单来说，赋予微电网一个学习大脑，使其能从每单位清洁电力中榨取更多有用功、减少对燃料的依赖并在沙漠气候不稳定时仍保持可靠性。

引用: Mohamed, M.A.S., Almazam, K., Alzahrani, M. et al. Adaptive reinforcement learning framework for sustainable microgrid optimization in arid urban environments. Sci Rep 16, 7356 (2026). https://doi.org/10.1038/s41598-026-37752-z

关键词: 微电网, 强化学习, 可再生能源, 能源管理, 干旱城市