数字阴影（Digital Shadowing）赋能的深度学习用于预测不确定性下集成能源系统的碳感知日前调度

《Technologies》：Digital Shadowing-Enabled Deep Learning for Carbon-Aware Day-Ahead Scheduling of Integrated Energy Systems Under Forecast Uncertainty

　　

可持续电力系统越来越需要能够在预测不确定性下协调可再生能源发电、分布式灵活性和传统能源转换单元，同时直接支持碳排放减少的调度方法。然而，许多数据驱动的调度模型仍然通过软惩罚或后处理校正来强制实施运行约束，这可能导致部署时出现不可行的调度，并削弱其在数字阴影辅助运行中的可靠性。此外，传统的成本导向调度目标并未明确考虑由预测误差引起的实时不平衡的碳影响。为了应对这些挑战，研究人员提出了一种数字阴影（Digital Shadowing，DS）赋能的深度学习框架，用于集成能源系统（Integrated Energy System，IES）的碳感知日前调度。主要方法贡献是一个可行性设计神经解码器（Feasibility-by-Design Neural Decoder），该解码器将硬物理约束直接嵌入网络前向传播中。通过将设备分为非记忆快速单元、非记忆爬坡受限单元和记忆型储能设备，该解码器应用定制化的变换来强制实施容量限制、爬坡率限制、荷电状态（State of Charge，SOC）动力学和终端能量一致性。因此，生成的调度在物理上是可行的，无需依赖事后修复。同时，研究人员开发了一个碳优先目标，以最小化计划排放和失衡驱动的排放，使调度器不仅能减少计划碳输出，还能减少实时校正行动的碳影响。预测不确定性通过一个数字阴影来表示，该数字阴影存储历史预测误差模式并生成增强训练场景。基于英国数据的案例研究表明，所提出的框架产生了完全可行的调度，并且与预测驱动基线相比，年CO₂排放减少了约4.0%，在高需求时段收益更大。这些结果表明，结合数字阴影、约束嵌入神经解码和碳感知优化，为不确定性下低碳智能电网调度提供了一条实用且可靠的途径。

**论文解读：数字阴影赋能深度学习用于集成能源系统的碳感知日前调度**

**研究背景与问题**

可持续电力系统正经历高比例可再生能源、分布式储能与智能电网数字控制的快速转型。集成能源系统（IES）耦合电、热及电动汽车（EV）和热能存储（TES）等灵活资源，为提升能效、支持可再生能源整合和减少碳排放提供了重要途径。然而，现有数据驱动调度模型存在两个关键问题：第一，多数学习型调度方法通过软惩罚或后处理修正强制实施物理约束，导致推理时可能产生约束违反，尤其对具有荷电状态（SOC）动态的记忆型设备（如EV、TES）和存在爬坡限制的设备（如锅炉）影响显著；第二，传统成本最小化目标仅间接促进脱碳，未明确考虑由预测误差引起的实时不平衡的碳影响，而在英国，紧急平衡动作每兆瓦时的CO₂排放量可达计划发电的2-3倍。因此，需要一种在预测不确定性下直接嵌入硬约束、并明确以碳减排为目标的调度框架。为此，研究人员提出一种数字阴影（DS）赋能的深度学习框架，论文发表在《Technologies》上。

**研究工作与结论**

研究人员开发了包含可行性设计神经解码器和碳优先目标的深度学习调度框架，通过数字阴影（DS）处理预测不确定性。基于英国2023年6月至2024年6月的数据进行案例研究，结果表明：该框架生成完全可行的日前调度计划，年CO₂排放较预测驱动基线降低约4.0%，在高需求冬季月份收益更大；消融实验证实约束嵌入解码器对可行性至关重要；框架在极端预测误差下仍保持100%可行性；与CNN–BiLSTM基线相比，碳减排和可行性均更优。该研究证明了结合数字阴影、约束嵌入神经解码和碳感知优化可为不确定性下低碳智能电网调度提供实用可靠途径。

**关键技术方法（不超过250字）**

研究人员采用以下主要关键技术方法：（1）可行性设计神经解码器：将硬物理约束直接嵌入神经网络前向传播，通过对设备分类（非记忆快速单元如变压器和热电联产（CHP）、非记忆爬坡受限单元如锅炉、记忆型设备如EV和TES）应用定制变换（sigmoid缩放、爬坡投影层、SOC轨迹强制）保证输出可行性；（2）碳优先目标：联合最小化计划排放和由预测偏差导致的失衡驱动排放，其中失衡排放依据市场应急碳因子定价；（3）数字阴影辅助数据增强：存储历史预测误差模式（针对电负荷、热负荷、风电和光伏（PV）），在训练中采样生成增广场景，使网络学习鲁棒策略。样本队列来源于英国公共能源数据集和碳强度API。

**研究结果**

**4.2 可行性验证**：对357个测试日（共8568个运营时点）进行约束残差检查，所有容量、功率限制、SOC边界和终端一致性残差均低于数值容差（10^-10），调度可行性率达100%。

**4.3 约束嵌入解码器的有效性**：消融研究比较完整模型与移除解码器的变体。完整模型在357个样本上实现100%可行性；移除解码器后，所有样本至少违反一项物理约束（SOC相关违反最严重），可行性为0%，且其较低碳目标值因不可行而无实际意义。

**4.4 极端预测误差下的鲁棒性**：在额外高斯预测噪声水平（0%至30%）下测试，总排放指数从7.99×10⁴增至1.42×10⁵（增加77.5%），主要由失衡排放上升驱动；但所有水平下可行性率均保持100%，证明解码器在预测严重退化时仍能强制约束。

**4.5 经济指标与碳-成本扩展**：框架可自然扩展为包含运行成本的多目标形式，解码器不变，目标函数可调整算子偏好（碳/成本权重）。

**4.6 日性能分析**：提案模型日排放平均比基线低约4.0%，完美预知优化基准的差距为2.40×10³ tCO₂（相对距离71.0%），归一化相对得分0.975。

**4.7 统计显著性分析**：365个测试日的配对t检验（p<10^-4）和Wilcoxon符号秩检验（p<10^-4）表明日减排4.10%具有统计显著性（95%置信区间3.94%-4.27%）。

**4.8 月聚合结果**：所有12个月均实现减排，冬季月份（1月、2月、12月）减排最大（超6%），春夏季较低（约2%），整体年减排约4.0%。

**4.9 季节调度比较**：选取高光伏夏季日（2025年6月16日）和低光伏冬季日（2025年1月5日），提案模型根据可再生可用性自适应调整电网进口、CHP/锅炉运行、EV和TES调度。

**4.10 细粒度时间分析**：在代表性月份和日内小时尺度上，提案模型逐日和逐小时排放均低于基线，傍晚峰值时段减排最大，验证了碳感知目标积极重塑调度模式。

**4.11 排放源分解**：与基线相比，提案模型中计划电力排放从4.20降至3.93 Mt CO₂（占比从48.6%降至46.6%），失衡排放从0.88降至0.68 Mt CO₂（10.2%→8.1%），而EV充电和TES热损失份额增加（分别从7.6%和2.9%增至9.2%和4.6%），表明灵活储能被更充分利用。

**4.13 与代表性CNN–BiLSTM调度模型比较**：提案框架在年排放（8.25 vs. 8.48 Mt CO₂）和可行性（100% vs. 依赖事后修复）上均优于CNN–BiLSTM基线（后者仅较预测驱动基线改善约1.6%）。

**4.14 计算复杂度与推理效率**：单日前调度推理时间约2.01 ms（CPU），完整测试集批处理均时约0.67 ms；复杂度主要来自前馈网络（约1.04×10⁸次乘加操作），解码器开销为O（T）。

**讨论总结**：结果表明嵌入设备约束和碳感知目标可实现约4.0%的碳减排且保证100%可行性，无需事后修复。相比理论最优仍有差距（约71%），主要源于预测不确定性和设备约束（爬坡限制、SOC边界）。冬季高峰时段挑战最大，但碳目标在碳强度高时优先利用灵活性。减排一致性在各时间尺度（年、月、日、小时）均得到验证。失衡减排表明数字阴影辅助调度可减少高碳紧急平衡动作依赖。框架扩展性良好，可融入滚动优化、概率预测和混合模型。

**研究结论翻译（Section 5）**：本文提出了一种数字阴影赋能的深度学习框架，用于具有可再生能源和分布式储能的可持续电力系统的碳感知调度。核心贡献在于开发了可行性设计神经解码器，将设备级物理约束直接嵌入网络架构。通过将设备区分为记忆型、非记忆快速型和非记忆爬坡受限型，并对每类强制实施定制约束映射，该框架保证所有网络输出满足容量限制、爬坡率限制和SOC动态，无需依赖惩罚项或事后修正。第二贡献是整合了碳优先目标，联合考虑计划排放和由预测偏差引起的失衡驱动排放。结合数字阴影数据增强，框架在需求和可再生不确定性下保持有效性，降低对高碳紧急平衡动作的依赖。基于英国数据的案例研究表明，年CO₂排放一致性减少约4.0%（相对预测驱动基线），高需求时段收益更大，且调度可行性达100%。尽管与完美预知优化基准仍有差距，但主要源于预测不确定性和设备灵活性约束。未来工作可扩展到滚动调度、更高分辨率概率预测、混合模型架构、组件级可再生模型以及包含退化感知和材料信息的存储模型。总体而言，该框架为可持续电力系统调度提供了可扩展且运行稳健的途径，在智能电网控制架构中整合了可再生能源整合、储能灵活性、物理可行性、不确定性意识和碳感知优化。