《Array》：Integrating agentic AI and digital twins for intelligent decision-making systems
编辑推荐：
为应对复杂信息物理系统对智能、自适应决策的需求，本研究创新性地提出了一个多层集成框架，将代理式人工智能与数字孪生技术紧密结合。该框架将感知、知识管理、基于大语言模型的推理学习、决策、执行与反馈等环节组织成闭环，并以电网功率平衡为案例验证了其有效性。研究成果为构建韧性、透明且数据高效的关键基础设施决策系统提供了新路径。
随着能源系统向可再生能源转型，电网管理正面临着前所未有的挑战。风电、光伏等间歇性电源的大规模接入，加之用户侧电动汽车快充、高耗能产业等异构负荷的波动，使得维持电网供需的实时平衡变得极为复杂。当前的管理系统多依赖预置规则和周期性集中优化，在处理非平稳性（如需求剧变、可再生能源间歇性、通信延迟等）时显得脆弱，且跨域（物理、市场、天气、行为）的学习和真正的闭环控制难以实现。更关键的是，系统缺乏统一的认知基础，这限制了决策的可解释性，也阻碍了操作员、市场与自动化控制器之间的协作。为了攻克这些难题，研究人员提出将两大前沿技术——代理式人工智能与数字孪生——深度融合，以构建能够自主感知、推理、决策和学习的智能决策系统。相关研究成果发表于《Array》。
为实现这一目标，研究人员设计并实施了一个多层集成框架，并在电网功率平衡场景中进行了验证。其核心技术方法包括：构建一个作为共享情境模型的电网数字孪生，以实时同步物理系统状态并支持“假设”仿真；部署多个作为认知核心的基于大语言模型（LLM）的智能代理，负责感知、预测和推理；开发多层架构以组织感知、知识管理、LLM推理学习、决策、执行与反馈等环节；利用随机森林回归器对历史用电数据（包括家庭、商业、工业和公共设施四类用户）进行24小时短期负荷预测；以及通过线性规划优化求解经济调度问题，以最小化发电成本并满足供需平衡及网络约束。
研究通过具体的实施场景展示了该框架的应用流程与结果。
- •
感知与知识层：系统通过多模态感知层持续采集四类用户（C1家庭、C2商业、C3工业、C4公共设施）的每小时用电数据，并利用随机森林回归器对未来24小时的需求进行预测。
- •
决策优化与仿真验证：在基于LLM的决策层，系统将预测的总需求输入一个经济调度优化模型。该模型在考虑发电机容量、输电线路极限等约束下，以最小化总发电成本为目标，求解每小时的发电调度方案。所有候选行动方案都会先在数字孪生环境中进行“假设”仿真和压力测试，验证其可行性和影响，合格后方下达至物理系统执行。
- •
优化结果分析：仿真结果表明，该框架能有效协调资源分配。
- •
在需求侧，工业负荷（C3）在日间占据主导，家庭（C1）和商业（C2）负荷在早晚高峰明显，公共设施（C4）需求相对稳定。
- •
在发电侧，水电（G2）贡献了最大的发电份额以应对日间需求高峰，风电（G1）和光伏（G3）根据可用性波动出力，地热（G4）提供稳定的基荷。
- •
系统能动态分配从发电机到消费者的功率流，例如水电主要服务于工业和公共设施负荷，而风电和光伏则更多地分配给家庭和商业负荷。
- •
总发电成本曲线随总需求变化，在日间高峰时达到峰值，证明了优化在满足约束的同时实现了经济性。
在结论与讨论部分，研究强调了该集成框架如何将控制范式从基于规则和集中优化转向分布式、目标导向和持续学习的模式。其核心优势在于：通过代理间的认知协作实现动态功率再分配，提升电网在不确定条件下的稳定性；通过反馈与适应层实现从实际结果中持续学习以优化策略；以及通过基于LLM的推理增强决策的透明度和可解释性。此外，模块化的代理结构结合数字孪生的事前仿真验证，提升了系统的韧性和安全性。
该研究的重大意义在于，它为构建下一代自主、韧性和人机协同的智能信息物理基础设施提供了一条系统化、可操作的路径。它不仅解决了电网平衡这一具体问题，其提出的多层集成框架更具有广泛的通用性，可扩展至交通、制造、智慧建筑等需要复杂决策的其他关键领域。未来研究可聚焦于大规模多代理协调、不确定性感知决策、与能源市场/政策层的深度集成、可解释人机交互接口的开发，以及确保部署安全、可信和符合伦理的跨领域标准制定。
