用于不确定感知的分布式能源规划的自适应分层学习

为变化中的世界提供更智能的本地供电

随着家庭、企业和电动汽车配备越来越多的屋顶太阳能、电池和其他本地能源设备，社区电网变得更加复杂。公用事业公司和私有所有者必须决定这些资源的布置位置和规模，尽管没人能完全预测未来的日照、电力需求或电网内部运行状况。本研究提出了一种基于人工智能的新规划方法，该方法从真实数据中学习，而不依赖僵化的数学模型，有望为普通用户提供更廉价、更可靠的清洁电力。

预测未来电网的挑战

现代配电网承载着多种分布式能源资源，包括光伏电站、储能电池、小型燃气轮机以及用于调节电压的设备。这些资产分布在许多地点，并受天气、人类行为和市场力量影响，产生多层不确定性。传统规划工具试图通过建立详尽的网络模型并模拟有限的一组“假设情形”来应对，例如若干典型的高负荷或低负荷日。但第三方运营商（如太阳能或电池所有者和虚拟电厂）常因隐私和监管限制而不了解完整的电网布局或安全限值。因此，他们不得不在信息不完整的情况下做出长期投资和日常运行决策，而基于场景的旧方法在这种信息贫乏的情况下难以保持可靠性与经济性。

电网的两级学习“大脑”

作者提出了一个自适应分层学习框架，把电网规划看作长期投资与短期运行之间的两级博弈。上层由配电系统运营商选择不同资源的放置位置和规模。下层由这些资源的所有者在实时中决定如何运行，以满足电力需求并遵守诸如安全电压范围等隐藏的网络约束。上层不再求解庞大的数学方程，而是使用蒙特卡罗树搜索（MCTS），该方法探索许多可能的投资组合并逐步收敛到最有前景的方案。下层采用多智能体深度强化学习，虚拟“智能体”分别控制电池、燃气轮机和电压调节设备，直接从数据和电网响应中学习良好的运行规则。这两层共同形成一个闭环：规划决策塑造运行条件，运行结果又反馈以改进未来的规划。

从不确定性中学习，而不是畏惧它

该新框架从设计上无需完整的电网模型或预设场景。运行智能体仅能看到局部测量值和有限信息，就像现实中的操作方一样。在大量模拟天数中，它们与网络交互、尝试不同动作，并根据成本和服务质量获得奖励。通过这种试错过程，智能体学会了可以接纳多少太阳能、何时给电池充放电以及如何调整支撑设备以将电压保持在安全范围内。与此同时，规划层利用学得的运行行为测试多种投资选项，逐步偏好那些在设备类型、位置和容量组合上能带来低总体成本和稳定运行的方案。实际上，系统在未获得完整工程蓝图的情况下“发现”了网络的隐藏安全裕度和利用本地资源的最佳方式。

对当今与未来电网的更好表现

研究人员在两个配电网络上测试了他们的方法：一个标准的33节点基准网和一个更大、更现实的152节点系统。在两种情况下，与传统优化技术相比，基于学习的方法显著降低了投资支出，同时减少了对用户或太阳能电站的限电频率。它使电压更接近目标范围，安全限值的违规大大减少，即使测试条件与用于训练的数据不同也如此。重要的是，一旦训练完成，系统能够在大约一小时内生成新的规划和运行决策，使其在暴风雨等事件或电动汽车充电快速增长后的实际重规划中具有可行性。

这对普通用电者意味着什么

从外行人的角度看，这项工作表明本地电网可以更像一个学习、适应的有机体来被规划，而不是一个静态的机器。公用事业公司和能源服务公司无需押注于少数预测的未来情形，就可以让算法持续从实际需求和可再生发电中学习，即便电网的某些细节被隐藏。结果是更智能的光伏、电池及其他设备的布置与运行，能够保证供电、降低不必要的开支并更好地利用清洁能源。随着时间推移，这类基于学习的规划可以帮助社区在不进行昂贵过度建设或不牺牲可靠性的情况下，接纳更多可再生能源和电动汽车。

引用: 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

关键词: 分布式能源资源, 配电电网, 强化学习, 能源规划, 可再生能源接入