Integrated Investment and Policy Planning for Power Systems via Differentiable Scenario Generation
藉由擴散模型與隱式微分，系統精確運算出電網硬體擴充與36%智慧充電政策的最佳預算配比。
- 創立可微情境生成器，使無形政策變數與實體電網硬體投資能同時進行聯合最佳化。
- 利用隱式微分從營運最佳解提取雅可比矩陣，突破雙層最佳化模型的運算與求導瓶頸。
- 實驗於一分鐘內完成迭代，精算出需配置36%資源於彈性充電以最小化電網總體成本。
傳統電力系統擴充規劃中，用電需求通常被視為無法改變的外部條件。然而，一項發表於 arXiv 的最新研究提出突破性作法，透過導入擴散模型（Diffusion Model）作為可微的情境生成器，研究團隊成功將政策投資與實體電網擴建納入聯合最佳化計算。在針對 PJM 電網數據的實驗中，模型於不到一分鐘內完成 180 次迭代，精確算出若要達成 100% 電動車普及，最佳的智慧充電政策投資比例應落在 36%，藉此大幅降低發電與輸電基礎設施的無謂擴建成本。
傳統規劃盲點與無形投資變數納入矩陣
決策規劃者試圖在一個預期的負載分佈條件下，最小化系統的總體投資目標。傳統方法中，這些影響淨負載型態的變數（例如數據中心的用電增長、熱泵或電動車的普及率）往往是由外部預先設定的固定情境。決策者只能被動地針對這些情境，決定發電機組或輸電線路的佈建。這種被動反應模式忽略了一個關鍵：決策者其實可以透過無形投資（Intangible Investments），例如稅收抵免、補貼或特定費率設計等政策來主動引導消費者的行為。
這份研究在數學模型中加入了一個細微卻影響深遠的改動：讓淨負載的分佈直接成為政策向量的函數。這項改動明確量化了政策資金與實體電力設施擴建之間的替代關係。由於政策可以直接影響負載曲線的峰谷分佈，將其納入規劃空間，能大幅防範因過度預估極端峰值而造成的資產閒置風險。
隱式微分與KKT系統打通最佳化運算
將政策與投資合併後，隨即面臨一個複雜的雙層最佳化（Bilevel Optimization）難題：外層要最小化總投資與長期營運成本，內層則是電力系統每日追求最低成本的經濟調度。直接求解這類問題在計算上幾乎是不可能的任務。為了取得關鍵的運算梯度，演算法大量借助了隱式微分（Implicit Differentiation）技術。
相較於傳統方法先計算出規劃決策對營運結果的雅可比矩陣，再進行矩陣相乘，現代可微最佳化技術允許直接從內層問題最佳解的 KKT（Karush-Kuhn-Tucker）系統結構切入。透過自動微分進行反向傳播，系統能夠有效率地計算出約束條件右側參數的導數。搭配隨機投影梯度下降法，規劃系統得以在每次運算迭代中，同步且平滑地微調基礎設施投資額度與政策資源配比。
建立可微情境生成器與Diffusion擴散架構
有了優異的最佳化演算法，系統還需要一套能計算出具體梯度的負載生成機制。研究團隊正式定義了可微情境生成器（Differentiable Scenario Generator）的數學屬性，證明只要生成式機器學習模型具備可微的隨機採樣路徑，其計算出的梯度就能作為目標分佈偏移的無偏估計值。藉由這套機制，時間序列資料不再只是靜態圖表，而是成為可被優化的函數。
在本次實作中，作者採用了在影像與音訊合成領域常見的擴散模型來合成每日電力負載數據。模型架構包含一個具備單一隱藏層（寬度 128）的多層感知器，訓練過程建立在逐步添加雜訊的正向過程，與利用神經網路去噪的反向過程之上。為了確保能計算出表現穩定且連續的政策梯度並加速採樣效率，研究稍微修改了傳統架構，在反向過程中採用從初始雜訊到最終情境的確定性路徑，讓模型精確學會基礎負載曲線會如何依據不同的政策條件產生變形。
基於PJM區域電網數據建立一萬筆訓練樣本
為了驗證這套運算管線的資料處理能力，資料基底擷取自 PJM 區域輸電組織在 2023 至 2025 年間的每日 24 小時真實負載數據，以及哥白尼 ERA5 的每小時氣候再分析資料。研究團隊建構了 10,000 筆訓練樣本，政策向量設定為四個連續維度：電動車普及率、電動車充電彈性、熱泵普及率與建築節能效率。
在資料合成邏輯中，提升電動車普及率會在每日第 18 小時處疊加一個標準差為 1 小時的鐘型負載，最大可達年度峰值負載的 75%；而導入充電彈性政策，則會將此鐘型曲線的標準差拉寬至 4 小時，並將峰值偏移至離峰時段。熱泵普及率的計算則設定了攝氏 19 度的觸發閾值，將負載變化與氣溫軌跡緊密綁定。模型不僅能產生逼真的樣本外負載曲線，由單一採樣實例提取出的梯度，更完美捕捉了上述政策參數對電力需求造成的複雜非線性拉扯。
耗時不到一分鐘收斂，精算36%最佳彈性充電
研究團隊最終將訓練好的情境生成器，部署到一個簡化版的五節點容量擴充規劃模型中。該模型的背景設定為必須容納 100% 電動車普及率所帶來的大幅負載增長。為免除因可用發電與輸電容量不足而遭受的高額系統罰款，決策者面臨兩個預算選項：一是花費每 MW 年化成本 100 萬美金升級五座發電機與六條輸電分支；二是斥資 11 億美金將電動車彈性充電比例推升至最高點。
整個最佳化程式以 Julia 語言結合 JuMP、Flux.jl 與 DiffOpt.jl 等開源套件編寫。在蘋果 M3 Pro 晶片環境下，設定學習率為 $10^{-9}$，模型展現極高效率，僅耗時不到一分鐘、歷經 180 次迭代即穩定收斂。系統算出的最佳解答，是將電動車彈性充電政策的投資比例精確鎖定在 36%，此配置能最有效率地平衡無形政策引導與實體硬體升級的總體開銷，避免過度投資單一面向。
可微情境生成器成功打破傳統界線，讓實體電網硬體擴充與無形政策預算實現聯合最佳化。