Интеллектуальное ускорение: как обучить энергосистему тактическому мышлению экспресс

Оригинал: "Learning-enabled Acceleration of Scenario-based Model Predictive Control"
arXiv:2607.12775 · 2026-07-14 · CC BY 4.0 · 1 мин
Новый алгоритм, подобно гроссмейстеру, мгновенно находит лучший план для микросетей, несмотря на капризы погоды и скачки потребления.

Энергосистемы, интегрирующие солнечные панели и ветрогенераторы, напоминают шахматную партию: облачность и колебания нагрузки — это ходы соперника, которые невозможно предвидеть. Для поддержания баланса диспетчеры прежде перебирали десятки сценариев (неопределённость), что требовало чрезмерных временных и вычислительных ресурсов.

Новый алгоритм действует как гроссмейстер: он не просто просчитывает варианты, а разбивает доску на независимые участки и анализирует их одновременно. Здесь в игру вступает метод ADMM (Alternating Direction Method of Multipliers) — математический подход, декомпозирующий сложную оптимизационную задачу на подзадачи. Каждый «игрок» решает свой фрагмент, после чего ходы согласуются через итеративный обмен информацией. Более того, алгоритм запоминает успешные стратегии из прошлых партий (энтропия — мера неопределённости системы), избегая заведомо бесперспективных ветвей расчётов.

В ходе испытаний алгоритм управлял микросетью с солнечными батареями и ветрогенераторами, находя решение в пять раз быстрее стандартных промышленных решателей — и зафиксировал ноль отключений. Примечательно, что первые системы подобного класса в 1970-х занимали целые машинные залы; сегодня они умещаются в чипе инвертора. Благодаря такому сочетанию скорости и памяти микросети обретают подлинную автономию: им не требуется поддержка облачных серверов.

Метод ADMM, использованный в алгоритме, изначально создавался для распределённого анализа больших данных, а теперь управляет реальными энергопотоками.

Учёные
Ludwig BoltzmannRudolf ClausiusJacob BekensteinStephen HawkingJames Clerk MaxwellEdward Witten
Понятия
самонаблюдаемое обучение ускорение молекулярной динамики методы Монте-Карло метод опорных векторов обучение с подкреплением гамильтонов метод Монте-Карло стохастическое моделирование xgboost алгоритм Метрополиса-Хастингса параллельная обработка бустированное дерево решений резервуарные вычисления активное обучение параметр межатомный потенциал, обученный машинным обучением языковая модель белков моделирование эмерджентной сложности ансамблевый прогноз