Haipeng Zhang · Ran Li · Qintao Du · Junyi Tao 等6人 · IEEE Transactions on Power Systems · 2025年8月

更精确的预测未必带来更优的决策。为此，决策导向学习（DFL）被提出，通过以决策损失替代传统统计损失，构建端到端的学习范式。近年来，DFL在电力系统中有所应用，但现有研究仍零散，缺乏系统的方法论梳理与比较基准。本文通过情景、分类、应用与对比分析，揭示统计精度与运行决策间的内在错配，建立基于模型结构（直接/间接）与梯度处理（基于/无需梯度）的DFL方法体系，综述现有应用，并开发开源基准平台，采用成本降低、预测精度和决策速度等电力指标评估模型性能，最后指出应用挑战并展望未来方向，为推动DFL向电网定制...

解读: 决策导向学习技术对阳光电源储能系统和智能运维平台具有重要应用价值。在PowerTitan大型储能系统中，可将DFL应用于充放电策略优化，通过直接优化运行成本而非预测精度，提升电网调峰调频的经济性。对于ST系列储能变流器，该方法可优化功率分配决策，在不确定性环境下降低决策损失。在iSolarCloud...