“源引自《达摩院2023十大科技趋势》”
融合运筹优化和机器学习的双引擎智能决策，将推进全局动态资源配置优化。
摘要
企业需在纷繁复杂、动态变化的环境中快速精准地做出经营决策。经典决策优化基于运筹学，通过对现实问题进行准确描述来构建数学模型，同时结合运筹优化算法，在多重约束条件下求目标函数最优解。随着外部环境复杂程度和变化速度不断加剧，经典决策优化对不确定性问题处理不够好、大规模求解响应速度不够快的局限性日益突显。学术界和产业界开始探索引入机器学习，构建数学模型与数据模型双引擎新型智能决策体系，弥补彼此局限性、提升决策速度和质量。未来，双引擎智能决策将进一步拓展应用场景，在大规模实时电力调度、港口吞吐量优化、机场停机安排、制造工艺优化等特定领域推进全局实时动态资源配置优化。
近年来，全球性突发事件（如疫情、战争、技术管制等）频繁出现，使得外部环境变得更加复杂、不确定性更高；同时，市场不断变化、要求不断提升。企业需在纷繁复杂、动态变化的环境中，快速精准地做出经营决策。
智能决策是综合利用多种智能技术和工具，基于既定目标，对相关数据进行建模、分析并得到最优决策的过程。该过程将约束条件、策略、偏好、目标等因素转化为数学模型，并利用智能技术自动实现最优决策，旨在解决日益复杂、动态变化的经营决策问题（如打车平台派单、充电桩选址、生产排程等问题）。
经典决策优化基于运筹学，起源于二战中的空战规划。它通过对现实问题进行准确描述刻画来构建数学模型，同时结合运筹优化算法，在多重约束条件下求目标函数最优解。基于运筹学的决策优化对数据量的依赖性弱、求解质量较高、可解释性较强，被广泛运用于各类决策场景。
随着外部环境复杂程度和变化速度不断加剧，经典决策优化的局限性愈发突现，主要体现在：一是对于不确定性问题的处理能力不足，二是对大规模问题响应不够迅速。学术界和产业界开始探索引入机器学习，构建数学模型与数据模型双引擎新型智能决策体系。机器学习基于数据驱动模型，模拟出近似解区域，缩小经典方式求解空间，可大幅提升求解效率。机器学习的优势在于可应对不确定性高、在线响应速度快的场景；劣势为学习效率慢、成本高，且求解的质量不够高。由此可以看出，运筹优化和机器学习的结合完美弥补了彼此局限性，极大地提升了决策速度和质量。
双引擎智能决策尚处于起步阶段。众多决策优化场景（如交通领域港口吞吐量优化、机场停机安排等，制造领域工艺优化、产销协同等），开始尝试用双引擎方式在动态变化中快速找到最优解。最典型的、也最具挑战的场景是电力调度场景。电力调度场景转化为智能决策问题可描述为：
● 目标：在满足电网安全稳定运行前提下，降低购电成本或者实现全社会福利最大化，并促进新能源消纳。
● 约束条件：1）必须满足所有安全约束,包括节点电压、线路与断面热稳定限额；2）发用电负荷平衡约束；3）满足物理特性, 如机组爬坡、开停机曲线、梯级水电等。
● 决策难点：1）调度业务非常复杂，涉及海量决策数据: 目前省级变量与约束达千万级别; 随着新能源快速装机以及引入负荷侧参与调节，直到实现双碳目标全网变量与约束预计将超过十亿级；2）新能源发电占比将越来越大，其波动性和随机性将对模型驱动的数学优化效率带来极大挑战；3）机器学习难以保证满足所有安全约束。
双引擎智能决策将机器学习与底层优化技术深度耦合在了一起，在满足各类安全约束条件的情况下，将计算效率提高10 倍以上，有望实现秒级调度优化，突破新型电力系统电网调度追风、逐日决策的性能瓶颈。
未来，双引擎智能决策将进一步拓展应用场景，在特定领域实现更多主体、更大范围的资源配置优化，进而推进全局实时动态的资源配置优化。
专家点评：
近年来， 随着全球减碳活动的推广和新能源的发展， 能源管理的系统复杂度迅速增加。光伏、风电、储能、微电网、充电桩、电动车在内的各种新能源设备增长迅猛， 对发电侧、电网侧和用户侧的能源管理都提出了更高的挑战。传统电力管理需要面对如多能互补、削峰填谷、预测优化、柔性充放等各种新的运营需求。
新的能源智能决策系统将会整合“源网荷储”端的各种信息，对海量的能源数据进行快速分析、自动优化、和实时响应，实现全局和局部的能源资源配置优化，从传统粗放的管理逐渐向精细化和智能化转变。
未来的智慧能源管理将引领一次新的技术革命， 带来各种全新的应用和商业机会， 连接每个人的生活。双引擎智能决策系统将不断推进能源效率提升和优化，为实现国家的双碳目标奠定坚实的基础。
罗宇翔（普华永道可持续战略与运营合伙人）
