找到 2 条结果
面向不确定环境下电力系统决策的决策导向学习
Decision-Focused Learning for Power System Decision-Making Under Uncertainty
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...
一种基于决策导向学习的神经优化器用于最优储能运行
A Neural Optimizer With Decision-Focused Learning for Optimal Energy Storage Operation
Hyeonjin Kim · Avijit Das · Di Wu · IEEE Transactions on Industrial Informatics · 2025年8月
本文介绍了一个基于神经优化器的框架，用于优化电池储能系统（BESS）为电网服务的控制策略，包括降低需求费用和能源成本。通过利用以决策为中心的学习（DFL）方法，所提出的框架确保了无缝集成与自适应能力，显著提升了控制性能。该框架采用了一种补丁时间序列变压器进行峰值负荷预测，并结合了偶然不确定性量化，以在决策过程中考虑预测的不确定性。框架运用一种“求解器在环”的方法来生成电池储能系统的最优动作，然后利用这些动作来训练基于神经优化器的智能体。通过在神经网络中共同优化电池储能系统的运行模式和输出功率，该...
解读: 从阳光电源储能系统业务视角看，这项基于神经优化器和决策聚焦学习的储能控制技术具有显著的商业应用价值。该技术针对电池储能系统（BESS）在需量电费管理和能源成本削减等电网服务场景的优化控制，与阳光电源PowerStack、PowerTitan等储能产品的核心应用场景高度契合。 技术创新点在于通过决策...