先说说大背景
我们的研究有两个"真爱"：一个是把最新的AI和机器学习方法定制化，用来解决电力系统运行中的关键问题；另一个是从真实能源系统的独特物理特性中找灵感，来推动AI算法本身的进步。
通过强化学习、随机优化、隐私保护分析这些工具，我们想让电网在新能源并网的冲击下，依然能保持可靠、高效、可持续。同时，储能这类设备的模块化特性也给了我们灵感——最近我们就在研究怎么用"近似分解"来打破强化学习的维度诅咒。
不管是重新思考预测模型、设计市场激励，还是管理储能，我们的研究都在理论和实践的交汇点上——把不确定性变成创新的燃料。
#1: 智能电表隐私保护
🤔 "保护用户隐私，就一定要牺牲数据价值吗？"
这个问题的背景
智能电表能提供高分辨率的数据，对电网管理至关重要。但与此同时，它们也暴露了高度敏感的用户行为和生活习惯。随着智能电网渗透率不断提升，一个关键挑战出现了：公用事业公司如何在不损害消费者信任和隐私的前提下，利用数据驱动的洞察？
💡 我们的核心思路
这个研究方向的核心是一个利用差分隐私的隐私保护框架——在隐藏敏感细节的同时，保留基本的统计特性。这样，公用事业公司就能用最小的性能损失，完成预测和电网优化这类关键任务，从根本上打破"隐私"和"数据效用"之间的零和博弈。
🔥 争议在哪里
有一种根深蒂固的假设：隐私机制必然会降低数据效用。怀疑者认为，引入噪声会损害关键的电网运行，质疑数学上的隐私保证能否在对抗真实世界威胁时足够有效，而不牺牲系统效率。
✅ 我们的发现
通过严谨的分析，我们证明了经过仔细校准的差分隐私，可以在保持预测误差在可接受范围内的同时，提供强有力的保证。此外，我们设计了基于有效信息比率的噪声数据定价方案，独立于下游任务，揭示了隐私保护数据的真正经济价值。
🔍 更多探索
除了基础框架，我们还探索了非侵入式负载监测（NILM）中的用户中心化设计，利用基于网络流的优化提供可定制的隐私解决方案。我们还研究了如何在不牺牲时间序列统计结构的情况下增强隐私，开发了差分隐私生成模型（DPWGAN）来合成高质量负荷数据集。
[1] C. Lu, et al., "Privacy Preserving User Energy Consumption Profiling: From Theory to Application," IEEE Transactions on Smart Grid, 2024.
[2] J. Zhang, C. Lu, et al., "User-perceptional privacy protection in NILM," Applied Energy, 2025.
[3] H. Wang, C. Wu, "Privacy Preservation for Time Series Data in the Electricity Sector," IEEE TSG, 2023.
[4] J. Huang, et al., "DPWGAN: High-Quality Load Profiles Synthesis," IEEE TSG, 2023.
[5] H. Wang, et al., "Privacy Preserving in NILM: A Differential Privacy Perspective," IEEE TSG, 2021.
#2: 统计可行的电力系统运行
🤔 "面对不确定性，电网调度一定会变得保守又难算吗？"
这个问题的背景
新能源并网给电力系统运行引入了巨大的不确定性，尤其体现在机组组合（UC）问题上。传统的鲁棒优化往往过于保守、成本高昂，而获取概率约束的准确概率分布在实际中几乎不可能。运营商如何在不依赖不可能获得的分布知识的情况下，保证可靠性和经济效率？
💡 我们的核心思路
我们引入了一个"统计可行"的鲁棒优化框架，直接从观测到的样本构建不确定集。为了克服混合整数运算的计算瓶颈，我们将"学习优化"（L2O）加速方法结合起来，把复杂的组合问题转化为易处理的线性规划，大幅缩短求解时间。
🔥 争议在哪里
普遍观点认为，在没有分布知识的情况下处理联合概率约束，不得不在可行性和过度保守的调度之间做出妥协。此外，对于机器学习加速能否在高度复杂、非凸的UC空间中保持解的质量和可行性，也存在怀疑。
✅ 我们的发现
我们的实验证明，鲁棒UC仅用真实数据样本就能取得强有力的性能保证。我们的两阶段自适应不确定集在减少保守性的同时，可证明满足联合概率约束。此外，我们的L2O加速在将系统状态映射到机组状态方面达到了95%以上的准确率，在不牺牲可靠性的前提下，将求解时间缩短了一个数量级。
🔍 更多探索
在统计可行性的基础上，我们的创新涵盖各种运行规模：从小型温控负荷（TCL）的鲁棒调度，到大规模的样本自适应鲁棒经济调度（ED）。这些共同代表了实际数据驱动鲁棒电力运行的新范式转变。
[1] J. Liang, W. Jiang, C. Lu, C. Wu, "Joint Chance-Constrained Unit Commitment: Statistically Feasible Robust Optimization with Learning-to-Optimize Acceleration," IEEE TPWRS, 2024.
[2] W. Jiang, C. Lu, C. Wu, "Robust Scheduling of TCLs with Statistically Feasible Guarantees," IEEE TSG, 2023.
[3] C. Lu, et al., "Sample-Adaptive Robust Economic Dispatch With Statistically Feasible Guarantees," IEEE TPWRS, 2024.
#3: 电力市场机制设计
🤔 "配电侧能源市场真的复杂到难以实现吗？"
这个问题的背景
传统的集中式定价方案无法激励本地能源交易，也无法反映含有大量分布式能源（DER）的现代配电网中的本地功率损耗。我们如何通过充分利用先进电力电子设备，来实现高效、公平、可扩展的本地能源市场？
💡 我们的核心思路
我们基于合作Stackelberg博弈开发了一个全面的可交易能源市场（TEM）框架，将配电商（DSO）转变为活跃的市场促进者。通过利用电力电子的灵活控制，我们简化了潮流模型，能够高效计算分布式节点边际定价（LMP），同时保证预算平衡和个人理性。
🔥 争议在哪里
传统观点认为，由于非凸潮流，配电级市场在计算上难以处理，本地交易会破坏预算平衡。批评者经常声称，分布式LMP在具有异质参与者的辐射网络中，在实践中过于复杂。
✅ 我们的发现
我们证明了电力电子使能的TEM是高度有效且计算上可处理的。我们的损耗分配机制在改善参与者收益的同时，保证DSO的预算平衡。定量来看，这种结构减少了系统级损耗，激励了新能源并网，缓解了本地拥堵。
🔍 更多探索
我们团队广泛探索了应对不确定性和信息不对称的市场机制。这包括电力储能共享、隐私保护采购、电动汽车虚拟电厂、防操纵虚拟投标以及碳高效定价，融合了博弈论、优化和统计学习。
[1] N. Gu, J. Cui, C. Wu, "Power-Electronics-Enabled Transactive Energy Market Design for Distribution Networks," IEEE TSG, 2022.
[2] W. Jiang, et al., "Sample-Oriented Electricity Storage Sharing Mechanism Design," IEEE TSG, 2024.
[3] C. Lu, et al., "Manipulation-Proof Virtual Bidding Mechanism Design," IEEE TEMPR, 2024.
[4] C. Lu, et al., "Deadline Differentiated Dynamic EV Charging Price Menu Design," IEEE TSG, 2023.
(And various other works on EV integration, forecasting competition, and carbon efficiency.)
#4: 面向运行效果的学习方法
🤔 "预测越准，电网运行就一定越省钱吗？"
这个问题的背景
准确的概率预测对电网运营商至关重要，但关键日（如周末和节假日）的负荷曲线与工作日差异很大。传统的深度学习模型在处理这些非规律日，特别是历史数据极其有限时，难以产生可靠的不确定性区间。
💡 我们的核心思路
我们设计了一套定制化的深度学习框架，能够用少量数据实现高精度。通过结合信号分解技术来提取趋势/峰值模式，以及专门的损失函数（如分位数回归损失），我们创建了优先考虑关键运行日的模型，直接对齐电网管理目标。
🔥 争议在哪里
人们普遍认为，深度学习模型没有海量历史数据集就无法实现可靠的概率预测。批评者假设人工数据增强可能导致过拟合，质疑机器学习模型能否真正弥补数据多样性缺失而不牺牲可处理性。
✅ 我们的发现
我们的框架打破了数据需求的壁垒。在真实电网测试中，即使历史数据有限，我们的方法也能产生高质量的概率预测，在区间覆盖率和锐度方面显著优于标准基线（LSTM、CNN、Transformer）。
🔍 更多探索
我们强烈倡导从传统的以准确性为中心的机器学习，转向直接优化运行和经济目标的多任务、端到端框架。我们的EDformer联合最小化调度成本和预测误差，而MLP-Carbon为碳市场提供概率预测，在实际经济次优性方面取得了可证明的降低。
[1] Z. Tian, W. Liu, W. Jiang, C. Wu, "CNNs-Transformer based day-ahead probabilistic load forecasting for weekends with limited data availability," Energy, 2024.
[2] Z. Tian, et al., "EDformer family: End-to-end multi-task load forecasting frameworks for day-ahead economic dispatch," Applied Energy, 2025.
[3] Z. Tian, et al., "MLP-Carbon: A new paradigm... for accurate carbon price forecasting," Applied Energy, 2025.
[4] C. Lu, et al., "Effective end-to-end learning framework for economic dispatch," IEEE TNSE, 2022.
#5: 通过近似分解实现样本高效强化学习
🤔 "大规模能源系统中的强化学习，真的逃不开维度灾难吗？"
这个问题的背景
强化学习（RL）在大规模序贯决策中受到"维度灾难"的困扰。虽然因子化MDP试图解决这个问题，但它们需要严格的、完美的分解，这在真实能源系统中几乎不存在。当系统无法完美分解时，我们能打破这个诅咒吗？
💡 我们的核心思路
受电力系统物理模块化的启发，我们提出了"近似分解"方案，放宽了严格可分解性。这使得通用MDP能够灵活地分离为低维分量，同时容忍小误差。结合基于图着色的新型同步采样策略，这大幅降低了无模型RL的样本复杂度。
🔥 争议在哪里
一种长期存在的信念是，除非有完美分解这样的强假设，否则维度灾难是无法逃脱的。怀疑者认为，在学习分量中允许近似误差会降低整体策略性能，并质疑在"混乱"的真实世界领域中，利用结构的算法是否有用。
✅ 我们的发现
即使在近似分解下，我们的方法也能达到接近最小极大的样本复杂度。所需的样本数量仅随最大分量增长，而非整个系统规模。在风电场储能控制上的真实实验证明，我们的因子化RL远优于传统RL，证明了其对模型不完美的鲁棒性。
🚀 未来方向
这项工作深受电力系统实际物理特性（如储能控制状态）的启发。展望未来，我们很高兴将近似分解范式扩展到更广泛的电网运行，证明真实世界的领域结构应该指导AI算法设计，而不是在物理世界上强加不切实际的数学假设。
[1] C. Lu, L. Shi, Z. Chen, C. Wu, A. Wierman, "Overcoming the Curse of Dimensionality in Reinforcement Learning via Approximate Factorization," Proceedings of the 42nd International Conference on Machine Learning (ICML), 2025.