趋势七、双引擎智能决策
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。
趋势解读
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
