《Energy and AI》：A neurosymbolic decision framework for flexible battery scheduling in renewable energy communities
编辑推荐：
协调可再生能源发电、电力需求与电池储能需要能够同时表示数值运行限制和演进策略约束的调度方法。本文提出一种神经符号决策框架，其中神经模型生成日前光伏发电(PV)与建筑负荷预测，而声明式符号层确定储能功率与电网交换。该调度公式将实值储能变量与逻辑规则及基数约束相结
协调可再生能源发电、电力需求与电池储能需要能够同时表示数值运行限制和演进策略约束的调度方法。本文提出一种神经符号决策框架，其中神经模型生成日前光伏发电(PV)与建筑负荷预测，而声明式符号层确定储能功率与电网交换。该调度公式将实值储能变量与逻辑规则及基数约束相结合。研究利用某大学能源系统在124个日调度实例上的实测数据对该框架进行评估。在基础问题中，符号公式与基于Gurobi的数学规划公式在每个评估日达到相同的总电网交换目标。在简化的基础假设下，顺序贪心(Greedy)策略也匹配聚合结果。另一项实验限制了每小时电池放电区间的数量。在此全局限制下，符号公式与数学规划公式在所有124个实例上均保持参考目标，而贪心策略仅在97个实例上实现。扩展问题中，符号公式的平均运行时间为8.297秒，数学规划公式为0.004秒。这些结果表明，符号方法提供了运行策略的直接声明式表示，而传统数学规划在评估的扩展中仍具有计算速度优势。研究结论仅限于确定性、离线、单站点、采用点预测和理想化无损耗储能的调度场景。
随着可再生能源渗透率不断提高以及分布式发电和储能系统的扩散，微电网和可再生能源社区（Renewable Energy Communities, RECs）的运行范式正在发生深刻变化。在这些场景中，本地光伏发电、电池储能和异质负荷需要统一协调，以保证经济效率、稳定性和有效自消费，能源调度因此成为核心机制。然而，传统数学规划方法虽对代数化调度问题有效，但在表达定性策略、例外情况和离散协调需求时，常需要引入大量额外变量和约束；深度学习方法虽擅长预测，却无法原生保证物理约束、运行限制和监管要求。针对这一矛盾，研究人员提出一种神经符号决策框架，旨在考察符号优化层能否在复现常规数学规划目标的同时，提供直接表达逻辑运行策略的机制。该论文由Fabrizio Lo Scudo、Kristian Reale、Pasquale Vizza、Anna Pinnarelli和Carmine Dodaro撰写，发表于《Energy and AI》。
研究人员开展的框架由数据层、神经预测层和符号调度层组成。神经预测层生成日前光伏（Photovoltaic, PV）发电和建筑负荷点预测，符号调度层基于带线性约束的答案集程序（Answer Set Programming with Linear Constraints, ASP[LC]）确定储能功率和电网交换。预测被作为外生数值参数，储能动态、物理限值和运行策略被编码在符号模型中。实验使用意大利卡拉布里亚大学（University of Calabria）Cubo 18B站点2022年PV数据、2022–2023年负荷数据，以及美国国家可再生能源实验室（National Renewable Energy Laboratory, NREL）NSRDB辐照数据，构建了124个日调度实例。在基础问题中，ASP[LC]公式与基于Gurobi的数学规划公式在每个评估日均获得相同的总绝对电网交换目标；顺序贪心（Greedy）策略在简化假设下也得到相同聚合结果。在引入最多K个每小时放电区间的扩展实验中，ASP[LC]与混合整数线性规划（Mixed-Integer Linear Programming, MILP）公式在所有124个实例上保持参考目标，而Greedy仅在97个实例上实现；平均运行时间分别为8.297秒和0.004秒。这表明该框架的贡献是表示性的而非计算性的。
研究采用的主要技术方法如下：数据来源于意大利卡拉布里亚大学Cubo 18B站点2022年PV和2022–2023年负荷数据，以及NREL NSRDB辐照数据。预测层面，PV预测使用全连接神经网络，通过Pearson相关系数大于0.7筛选特征，最终使用DNI、GHI及其晴空值和24小时滞后值，加上滞后PV生成；负荷预测使用DLinear和TimesNet两种深度模型，利用96小时历史窗口预测未来24小时。调度层面，将点预测转化为ASP[LC]事实，用Clingo[LP]求解，通过符号规则和线性约束表示储能功率、累积能量边界（E
S,min、E
S,max）和充放电限制；扩展问题通过choice atom和基数约束限制放电次数。参考方法包括Greedy策略和Gurobi求解的线性规划/MILP模型。
5.1 神经预测：研究人员分别评估PV和负荷预测模型在24小时预测范围内的性能。5.1.1 PV发电预测：测试集上五次独立运行的平均MAE为2.68±0.10 kWh，RMSE为4.52±0.06 kWh，加权平均绝对百分比误差（WMAPE）为17.69±0.64%，平均偏差为?0.52±0.36 kWh，相关系数为0.941±0.001，表明预测稳定但存在轻微系统性低估。5.1.2 负荷预测：TimesNet在所有主要指标上优于DLinear，MAE从1.93±0.08 kWh降至1.02±0.04 kWh，RMSE从2.67±0.09 kWh降至1.69±0.05 kWh，WMAPE从18.07±0.75%降至9.52±0.37%，平均偏差从?0.81±0.09 kWh变为0.04±0.13 kWh，相关系数从0.840±0.009升至0.929
