《Sustainable Energy, Grids and Networks》：Accounting for optimal control in the sizing of isolated hybrid renewable energy systems using imitation learning
编辑推荐：
孤立或离网能源系统的脱碳需要通过逐步引入大量的间歇性太阳能或风能发电，同时安装储能系统或继续使用现有的化石可调度电源来平衡供需。有效的减排取决于储能和可再生能源的相对容量、可再生能源发电的随机性以及孤立能源系统的控制。虽然储能和可调度电源的运行会影响系统的最优
孤立或离网能源系统的脱碳需要通过逐步引入大量的间歇性太阳能或风能发电，同时安装储能系统或继续使用现有的化石可调度电源来平衡供需。有效的减排取决于储能和可再生能源的相对容量、可再生能源发电的随机性以及孤立能源系统的控制。虽然储能和可调度电源的运行会影响系统的最优容量规划，但在系统容量规划阶段考虑有限时域最优控制的效果是具有挑战性的。在这项工作中，研究人员提出了一种灵活且计算高效的容量规划框架，用于孤立能源系统中的储能和可再生能源容量，同时考虑了可再生能源发电的不确定性和最优控制。研究人员实现了一种基于模仿学习的随机神经模型预测控制（MPC）方法，该方法能够将电池储能和风电峰值容量与减排和投资成本联系起来，同时考虑有限时域最优控制，而无需解决不可行数量的优化问题。研究人员在一个包含燃气轮机、风电场和电池储能系统（BESS）的海上能源系统案例研究中评估了所提出的容量规划框架。在该案例中，研究人员发现对于不同的风电和BESS容量，投资成本与燃气使用量减少之间存在非线性、非平凡的关系。
在全球脱碳背景下，孤立能源系统（如小岛、微电网、海上设施）因缺乏主网连接，常依赖化石燃料发电，其减排需求日益迫切。引入间歇性可再生能源（如风电、光伏）需搭配储能和可调度备用电源，但系统控制策略（如有限时域最优控制）对容量规划的影响常被忽略，导致投资决策不准确。现有方法（如两阶段随机规划、频率分析）虽能处理不确定性，但难以同时考虑多变量控制与有限预测时域效应。为弥补这一不足，Simon Halvdansson、Lucas Ferreira Bernardino和Brage Rugstad Knudsen等研究人员提出一种结合模仿学习与随机神经模型预测控制（MPC）的容量规划框架，旨在高效评估不同风能与电池储能系统（BESS）容量组合下的减排效果与投资成本，并将计算从CPU密集型转向GPU加速型。该研究发表于《Sustainable Energy, Grids and Networks》。
研究人员使用了以下关键技术方法：（1）混合整数二次规划（MIQP）MPC，用于生成专家控制策略，包含燃气轮机、风电、BESS及负荷的功率平衡约束，目标函数惩罚燃气轮机使用量与BESS劣化；（2）模仿学习，采用ResNet-v2卷积神经网络（CNN）结合特征线性调制（FiLM）和组归一化，以MPC生成的状态-动作对训练，输出经投影步骤确保约束满足；（3）随机场景处理，通过添加随机游走生成未来风速场景，利用经济鲁棒性指标选择分位数动作实现风险可调；（4）案例研究数据来源于挪威大陆架（NCS）某平台专有负荷数据（由LowEmission中心提供）及Brage平台2020年风速数据，模型训练采样4万专家样本，超参数由Optuna调优。
研究结果如下：
4.2.1 确定性MPC：通过手动整定参数（预测时域24小时，96步），使用SCIP求解器，在选定场景中实现了燃气轮机平滑爬坡、低风时段电池放电延迟启动燃气轮机、高风时段均匀充电至满容量，验证了MPC策略的有效性。
4.2.2 神经MPC：训练ResNet-v2 CNN模型（约140万参数），采用Huber损失和AdamW优化器，40轮训练后验证损失为0.028，平均绝对误差0.013。经过动作投影后，神经MPC与标准MPC的燃气轮机平均使用率非常接近（差异极小）。运行时间对比：标准MPC在MacBook Pro M2上需284秒，神经MPC在相同硬件（MPS）上仅0.87秒，在NVIDIA RTX 5070 Ti上缩至0.14秒，实现超2000倍加速，且GPU并行性显著提升。
4.2.3 随机神经MPC：通过扰动历史风速生成100个未来场景，设置风险分位数参数q=0.5（中位数）时，平均燃气轮机使用率最低，低于q=0.25（乐观）或0.75（悲观）策略。该结果说明基于经济鲁棒性指标（16）的中位数选择能有效平衡风险，避免因过度乐观或悲观导致额外燃料消耗。
4.3 容量规划结果：采用仿射投资成本模型（固定成本+边际成本，风电固定成本20 M�，边际0.5 M�/MW；BESS固定成本10 M�，边际0.2 M�/MWh），通过网格搜索遍历不同风电与BESS容量组合，得到平均燃气轮机使用率与投资成本的关系图。结果显示：最低投资段（低于固定成本门槛）仅能利用BESS，减排效果有限；一旦预算覆盖风电固定成本，燃气使用量快速下降，至约7000万欧元后减排效果趋于饱和，表明该水平为高效投资点。最优投资路径为先增加风电至平台额定负载（约20.5 MW），再同步扩展风电与BESS；BESS容量在约7000万欧元时达到30 MWh上限。该分析揭示了投资成本与减排的非线性关系，并验证了混合风电与电池方案在给定成本假设下具有经济竞争力。
总结讨论部分，研究人员翻译了研究结论：研究人员建立了一个孤岛能源系统最优容量规划框架，通过学习MPC策略并运行多场景集合，能够准确估计燃料消耗。该框架使决策者能够根据预算水平识别风电和BESS的最优投资容量，并直接输出考虑多种天气场景和随机MPC系统运行后的预期减排效果（通过平均燃气轮机使用率衡量）。实施的方法通过穷举搜索决策空间，获得预期的发电机使用率和投资成本的显式映射图。问题可形式化为多目标优化问题，对于更多技术评估的系统，可直接应用搜索算法；而选择穷举搜索是为了突出GPU加速MPC算法带来的显著加速（单场景快约2000倍，且并行化能力远超传统CPU-MPC）。转换为GPU算法还支持量化、批处理等加速推理方法。本研究的主要局限性在于未广泛验证方法对其他场景的泛化性，且依赖于充足训练数据（更高复杂度问题可能成本更高）。未来工作可着眼于实现替代随机MPC算法（如基于场景的多阶段MPC）以及在不同案例（包括标准MPC基准问题）中进行性能对比。所提出的模仿学习随机神经MPC方法具有潜力用于分析其他系统和控制问题，而容量规划框架适用于多种孤岛能源系统（如含光伏、混合储能、柴油备用等）。其架构和设置具有通用性，有望为未来研究提供参考。
