微电网优化调度三篇新思路：ReLU线性化嵌入、DDPG能量管理与分布式无功调度（2026论文精读）

电气工程硕士 | 研究方向：微电网优化调度 × 深度学习

写在前面

微电网优化调度这几年有两个明显的技术走向。一是把深度学习直接嵌进优化问题内部，让神经网络既当预测器又当被约束对象，但这样做会带来很强的非凸性，求解常常走不下去；二是用深度强化学习替换传统的规则查表式能量管理，让控制器在连续动作空间里自己学着做决策。这两个方向乍看分属不同流派，实际上都在回答同一个问题：调度决策怎么从"预先写死的规则"走向"数据驱动、可在运行中自适应"的智能体。今天精读的三篇论文正好各占一条线，一篇讲神经网络嵌入优化的可解性，一篇讲 DDPG 在港口直流微网能量管理里的落地，一篇讲多微网之间如何分布式分担无功支撑责任。放在一起看，能拼出一套对微电网优化调度研究挺有参考价值的图谱。

论文一：ReLU 线性化，让神经网络嵌入优化变得可解

论文标题是 Linearization of ReLU activation function for neural network-embedded optimization: Optimal day-ahead energy scheduling，期刊版发表在 Sustainable Energy Grids and Networks（Elsevier），arXiv 编号 2310.01758，链接 https://www.sciencedirect.com/science/article/pii/S235246772600370X 与 https://arxiv.org/abs/2310.01758。

要解决的核心问题：很多微网调度场景里，我们希望把电池退化这类"由数据建模出来的行为"直接写进日前优化。模型的输入本身就是待优化的决策变量，模型的输出又要反过来受优化约束的约束，这就是神经网络嵌入优化（neural network-embedded optimization）。麻烦在于，神经网络的非线性激活函数（尤其是最常用的 ReLU）会引入非凸性，让原本的调度问题变得极难甚至不可解。作者要做的，就是用一组等价的线性约束去替换掉 ReLU，把不可解的非线性问题转成可以精确高效求解的线性问题。

技术方案拆解：作者针对 ReLU 这个具体激活函数做文章。ReLU 的输出在输入非负时等于输入、输入为负时等于零，这个分段线性的特性意味着它可以被有限组线性约束精确刻画。作者开发并系统对比了四种面向 ReLU 的线性化策略，每种都用一组线性约束集来替代原激活，最终把整个调度问题变成混合整数线性规划或者纯线性规划，交给成熟求解器处理。整个过程没有引入对原问题近似性能的大幅损失，因为 ReLU 本身是分段线性的，替换是精确等价的。

创新点：第一，系统比较了多种 ReLU 线性化方法，并给出各自的适用条件，这比单独提一种方法更有工程参考价值。第二，把非线性神经网络嵌入优化转化成可解的 MILP 或 LP，真正解决了计算可行性问题。第三，为后续把 DRL 策略网络嵌入优化、做动作可行性校正这一类更前沿的用法打下了方法学基础。

实验与结论：作者以微网电池退化的日前调度为实例进行验证，证明了所提方法能够克服神经网络非线性带来的计算挑战，并顺利得到可行解。也就是说，神经网络嵌入优化在这个工程场景下不再是"能建模但解不出来"的空谈，而是真正能落地的。

对微网优化调度研究的启发：第一，如果你的 DRL 调度动作需要直接约束电池或储能的充放电状态，可以把策略网络的映射线性化后嵌入 MILP 做可行性校正，这就是一条安全调度的可行路径。第二，凡是"在优化内部用神经网络做预测或建模"的场景，这一类线性化方法都是让问题变得可解的关键工程手段。第三，微网日前调度叠加储能退化建模，与你的方向强相关，这篇可以作为方法学支撑直接引用。

论文二：DDPG 驱动的港口光-风-储直流微网自适应能量管理

论文标题是 DDPG-based adaptive energy management of a PV–wind–BESS cold-ironing DC microgrid for sustainable port electrification，发表在 IJOCTA，2026-08-12，链接 https://accscience.com/journal/IJOCTA/articles/online_first/8432。

要解决的核心问题：港口靠岸船舶的岸电（cold-ironing）负荷波动大，可再生能源间歇性强，传统的规则式能量管理系统面对多场景、多工况时很难兼顾母线电压稳定和储能寿命。作者想用强化学习做一个能自适应连续决策的能量管理系统，替代规则查表。

技术方案拆解：目标系统含 2 兆瓦光伏、1 兆瓦风机、1 兆瓦时电池、1 千伏直流母线，以及一个岸电并网接口（仅在可再生能源和电池都无法满足负荷时才启用）。作者先在 MATLAB/Simulink 里搭了完整的动态模型，覆盖正常运行、能源短缺、发电过剩等典型场景，并用亚历山大港的真实气象数据驱动。先用规则式 EMS 做基线，再开发 DDPG-EMS：策略网络直接输出连续的控制动作驱动电池充放电，同时监督光伏和风机的运行状态。

创新点：第一，用 DDPG 的连续动作直接驱动电池充放电控制，替代了规则查表式的离散决策。第二，面向港口直流微网加岸电这一具体落地场景，而不是停留在通用学术示例。第三，给出完整的 Simulink 动态模型加真实港口数据的验证链条。

实验与结论：与规则 EMS 相比，DDPG-EMS 能把 1 千伏直流母线电压稳定在接近参考值，电池响应更平滑，与可再生能源的协调更好，在短缺和过剩的临界时刻电压波动更小。亚历山大港的真实案例验证了这套方法在地中海与北非港口的适用性。

对微网优化调度研究的启发：第一，如果你已经有 MATLAB/Simulink 的风光储微网建模基础，这篇的 DDPG-EMS 框架可以直接类比到你的微网优化调度上，连续动作、多场景训练的做法都是现成的模板。第二，把直流母线电压稳定与能量管理耦合起来，是一个可以写进论文的工程验证维度。第三，DDPG 在连续决策空间上的经验，也可以作为你选用 actor-critic 类算法的一条佐证。

论文三：多微网分布式无功调度与边界支撑责任分摊

论文标题是 Cost-aware distributed reactive power dispatch for voltage optimization in active distribution networks with multiple microgrids，发表在 Frontiers in Energy Research，2026-08-17，链接 https://www.frontiersin.org/journals/energy-research/articles/10.3389/fenrg.2026.1906240/full。

要解决的核心问题：配电网接入多个微网之后，无功支撑由谁负责、成本怎么分摊，边界责任常常归属不清，集中式全网建模又牺牲了各微网的运行自治。作者想做一个既分布式、又能把成本和责任讲清楚的无功调度框架。

技术方案拆解：作者先建立 PCC 无功参考模型，量化各微网在额定电压工况下的基准无功支撑责任；再构建统一的无功调度成本模型，把固定成本、运行成本和机会成本都算进去；随后配电网与各微网分别优化本地目标，通过 PCC 边界变量协调，构成多代理分布式调度框架；求解用自适应共识 ADMM，配合连续松弛与离散装置的整数恢复。

创新点：第一，显式量化了微网对配电网的边界支撑责任分摊。第二，把机会成本纳入无功调度目标，区别于纯最小网损的简化目标。第三，分布式加自治的保留，不需要集中式全网建模。

实验与结论：在修改版 IEEE 69 节点系统上验证，能改善电压分布、降低网损与综合运行成本，提升微网侧无功资源的协调利用率，同时保留微网运行自治。

对微网优化调度研究的启发：第一，做多微网协同调度时可以用 consensus ADMM 替代集中式求解，契合大系统的可扩展性需求。第二，边界支撑责任量化的思路可以直接迁移到论文里微网并网点的功率与电压协调建模。第三，机会成本项的建模是区别于纯最小网损目标的加分点，很适合写进经济性章节。

多篇合起来看

这三篇放在一起，能看出微网调度研究的几条趋势。第一，神经网络正在从"外部工具"变成"优化问题内部的一等公民"，这也意味着必须同时解决它带来的非凸性，ReLU 线性化就是其中一条可行的工程路径。第二，强化学习的价值越来越体现在连续动作和高频控制上，DDPG 这类 actor-critic 方法在直流微网能量管理里已经能稳定母线电压、平滑电池响应。第三，微网不再是孤立的单点，多微网之间的协同、边界责任与成本的分布式分摊，正在成为新的研究重心。这三条线索对你的论文都挺值得发力的点：一条撑起方法学，一条撑起建模与实验，一条撑起系统层面的协同视角。

如果想复现下一步看什么

想复现的话，建议从场景最具体、工程链路最完整的论文二入手，因为它给了完整的系统配置和 MATLAB/Simulink 建模路径，把 DDPG-EMS 搭起来后再换到你的微网场景跑一遍，产出周期最短。紧接着可以啃论文一，把 ReLU 线性化嵌入你的日前调度 MILP，重点验证"神经网络预测加可行性校正"这一条路径。最后再看论文三的 consensus ADMM，把它作为从单微网走向多微网协同时的求解器选型参考。

参考文献

1. Linearization of ReLU activation function for neural network-embedded optimization: Optimal day-ahead energy scheduling. Sustainable Energy Grids and Networks / Elsevier（2026）, arXiv:2310.01758. https://www.sciencedirect.com/science/article/pii/S235246772600370X ; https://arxiv.org/abs/2310.01758

2. DDPG-based adaptive energy management of a PV–wind–BESS cold-ironing DC microgrid for sustainable port electrification. IJOCTA（2026）. https://accscience.com/journal/IJOCTA/articles/online_first/8432

3. Cost-aware distributed reactive power dispatch for voltage optimization in active distribution networks with multiple microgrids. Frontiers in Energy Research（2026）. https://www.frontiersin.org/journals/energy-research/articles/10.3389/fenrg.2026.1906240/full