制造与港口等场景中的海量决策变量，导致组合优化问题的解空间呈指数级增长，传统精确算法受算力限制，而启发式方法又易陷入局部最优。针对这一难题，本研究依托中国科学院自主研发的“磐石·科学基础大模型”底座，构建了拥有 320 亿参数的垂直领域大语言模型及五个专业智能体，推动决策范式从人工经验向智能决策重构。在算法机制上，结合 Pareto 思想构建多目标蛙跳算法（MOSFLA），将混合蛙跳算法拓展至多目标领域，以负荷与措施成本为双重目标，寻求最小污染负荷与最低措施成本的最优配置；通过将用能主体的消费与生产决策统一，将最大化问题转化为最小化模型并进一步转换为效用最大化求解，以兼顾多方利益。应用层面，模型在配电网分区中部署预训练智能体神经网络，利用深度强化学习生成控制策略，在满足约束前提下最小化分区运行成本；同时在冷源与热源系统中实施群控优化与自动调优，涵盖水泵、冷却塔频率调整及新风机组联动控制，并严格按国际标准完成水力平衡调适，有效解决了多约束条件下的复杂调度问题。

人工智能应用场景发掘工程早已提出，旨在构建基于通用大模型衍生的工艺过程优化、新产品模拟开发、装置预测性维护等重点场景的行业大模型。但现实中的矛盾在于：许多项目试图用能够生成营销文案的通用模型去求解组合优化问题，这种能力错配正在消解优化的核心价值。运筹优化领域的核心问题通常可建模为组合优化问题，其可行解空间随决策变量呈指数级增长，在制造、港口等运输调度场景中面对大规模、多约束的组合优化难题。百度伐谋与南开大学聚焦在智慧物流、车辆路径优化等领域，引入自演化智能体，探索从人工经验到智能决策的技术范式转变，但这并非简单的工具替换，而是底层逻辑的重塑。

在零碳单元体模式下，用能主体通过分布式可再生电力与储能系统的融合，保障电力的稳定供应。为使理论分析更加符合现实，本文考虑连接电网的一般性情况，即零碳单元体虽能满足大部分电力需求，但因系统故障等不确定性因素，用能主体仍需从电网购入部分电力。首先，作为消费者，用能主体以电力消费效用最大化为目标，此时，其电力需求由系统自发自用电量和从电网购入电量共同组成。系统自给自足部分可节省电费支出，而剩余无法满足的电力需求则从电网购入，对应购电成本需满足预算约束。其次，作为生产者，用能主体通过出售富余电力实现利润最大化。余电收益为售电价格与外送电量的乘积，系统成本为平准化度电成本与发电量的乘积。为同时求解用能主体作为消费者与生产者的决策最优，模型构建方法是将最大化决策转换为最小化模型，并联立相关约束条件，进一步将最小化模型转换为效用最大化求解模型。这一过程揭示了优化的本质：它不是对数据的简单拟合，而是在多重约束下对系统状态的动态重构。

在物流排车场景中，多品类、多仓库、多线路订单面临人工合车率低、配送成本高的问题。排车规则多层嵌套（如品类限制、线路约束、装载上下限），难以标准化，且问题发现滞后导致反复返工。从运筹学视角看，该问题属于多约束车辆路径问题（CVRPTW）的变种，解空间呈指数级爆炸，传统精确算法无法在合理时间内求解，启发式方法易陷入局部最优。在资源调度排班场景中，以航空排版为例，任务与人员的分配面临组合爆炸（如航班数×机组数）。多类硬约束（关键航班优先、过夜合规）与软目标（成本最小化、利用率最大化）相互交织，构成了典型的 NP-hard 问题。面对这种复杂性，单一算法往往捉襟见肘，需要一种能够融合全局寻优与局部精细搜索的混合架构。

为了解决虚拟机在动态运行中的资源分配问题，相关研究设计了随机规划方法，并设计了虚拟机动态聚合算法，通过真实负载实验评估算法在节约能量消耗与保障服务质量之间的权衡作用。考虑 1 个包含 m 个同构或者异构的服务器节点。在时刻 t 有 nt 个虚拟机在运行，每个虚拟机装载 1 个应用实例。求不同时刻运行的服务器节点数，使得将空转服务器关闭后数据中心总能耗最低。首先建立物理服务器的功耗模型与服务器节点 CPU 利用率之间的关系。当分配给虚拟机的资源少于完成应用请求所需要的资源时，平均响应时间会超过请求定义的服务质量要求，因而产生服务质量损失。时刻的 CPU 利用率对服务质量损失代价建模为特定公式。定义时间表为虚拟机触发迁移的时间，τ为迁移间的持续时间。在每个调度时间表，虚拟机的资源需求都将进行重分配。文献研究表明 CPU 利用率与请求数目成正比，这意味着在低负载时关闭服务器能显著降低能耗，但频繁迁移又会增加通信开销和延迟，这是一个典型的帕累托前沿（Pareto Frontier）问题。

本研究结合 Pareto 思想构建了多目标蛙跳算法（MOSFLA），将混合蛙跳算法（SFLA）拓展至多目标优化问题。在实际优化问题中，分别将负荷（L）和措施成本（C）设为两个优化目标进行模拟与优化，即寻求同时满足最小污染负荷与最小措施成本的措施配置模式。SFLA 算法综合了模因算法（memetic algorithm, MA）和粒子群算法（particle swarm optimization, PSO）的优点，耦合全局寻优和局部寻优过程，具有概念简单、参数少、计算速度快、寻优能力出色和鲁棒性强等特点，已经在函数优化、生产调度、网络优化和图像处理等方面广泛应用。但单纯的 SFLA 在处理高维、非线性约束问题时，往往容易过早收敛。为此，引入马尔可夫链模型加速优化过程，通过状态转移概率引导种群向更优解空间探索，从而突破传统算法的瓶颈。

本发明公开了一种分布式电源协同优化方法、装置、设备及介质，旨在解决高渗透率分布式电源接入配电网后的运行优化问题。该方法将接入有分布式电源的配电网进行分区，每个分区内分别设置有预训练好的智能体神经网络。通过获取当前电网状态的观测值，将其作为深度强化学习模型的输入，模型生成当前所属分区内分布式电源的控制策略，使分区运行成本最小化，同时满足各项运行约束条件。这种架构使各区域既能实现本分区自治又可协同运行，避免了集中控制中心对大量数据的收集和处理，降低了通信负担。在智能体神经网络的训练方面，采用分布式逐次凸逼近策略优化算法进行离线训练。具体步骤包括：获取经验回放池储存的历史数据；利用历史数据分别计算目标函数和价值约束泰勒展开的常数项及一阶导数项；基于上述项将目标函数和价值约束进行二阶泰勒展开，转化为凸优化问题；使用原始对偶梯度法迭代求解该凸优化问题，得到最优控制策略参数。

4 月 8 日，“磐石·禹衡碳核算大模型”1.0 版在上海发布。这是全球首个覆盖生产端、消费端及自然源的全景式碳排放核算系统，首次将生产端、消费端与自然源纳入统一的全景框架，实现多口径、可协同的系统性核算，为我国参与全球气候治理、推动绿色低碳转型提供实质性支撑。长期以来，碳排放这笔账主要采用联合国政府间气候变化专门委员会（IPCC）的“生产端”核算方法——谁生产，就算在谁头上。“全球大部分碳排放核算系统聚焦在生产端，忽视了消费端。”中国科学院上海高等研究院副院长魏伟表示，碳核算领域长期存在数据口径不一、核算周期长、更新滞后、核算过程不透明等痛点。“不仅要算清‘谁排放’，还要厘清‘为谁排放’。”魏伟指出，传统碳核算体系存在短板。例如，2024 年中国出口的风机和光伏产品，在生产阶段产生约 200 万吨碳排放，却在运行阶段为全球贡献了约 3.5 亿吨的二氧化碳减排量，这体现了使用端与生产端在碳足迹上的巨大差异。

这种不匹配长期以来导致了可再生能源输出的浪费。人工智能提供了一个潜在的解决方案。与传统行业不同，计算工作负载可以重新部署。数据中心可以建在能源源附近，减少传输需求，同时将电力转化为更高价值的数字服务。罗兰贝格合伙人傅强表示：“行业正转向综合的‘绿色电力 - 计算 - 储能’项目，”他补充道，这可能会重塑能源的消耗和定价方式。经济优势已经显现。根据券商估算，电力占数据中心运营成本的一半以上，低成本的可再生能源是一个显著优势。在一些西部地区，太阳能和风能的发电成本已降至每千瓦时 0.1 元左右，远低于煤炭基准。这一成本优势也是中国 AI 模型在海外获得 traction 的原因之一。例如，DeepSeek 的收费约为每百万 Token 0.42 美元，远低于可比模型的约 15 美元。产业链上的公司正在迅速行动。中国南方电网能源发展有限公司推出了整合电力、算力与储能的综合解决方案，试图在物理世界与数字世界之间建立新的连接。

能源行业知识管理解决方案面向电力、发电、油气等能源企业，基于大模型、RAG、智能搜索、知识图谱和数据湖能力，帮助企业打通分散在不同系统、文档和业务流程中的知识数据。面临的现状及痛点在于，能源企业面临内外网隔离导致知识检索效率低的问题，传统搜索多停留在文件名检索，难以深入文档内容。系统割裂与信息孤岛普遍存在，集团统建与单位自建系统导致数据分散，知识难以统一沉淀。历史数据难以资产化，大量设备运维记录、故障日志等无法转化为可用知识。数据接入融合难，业务专业性强，结构化与非结构化数据统一治理难度大。知识提炼加工难，传统方式难以自动识别隐性经验与深层知识，依赖人工整理效率低下。本方案通过大模型重构知识闭环，覆盖知识生产、加工、组织、获取和应用全流程。支持多源多态数据接入，涵盖第三方系统、本地文档、多模态数据及结构化数据库。

当决策不会影响市场时，例如单个消费者的选择行为，使用复杂性较高的结果导向型生命周期评价（CLCA）是不必要的。在这种情况下，应优先选择归因性生命周期评价（ALCA）以简化分析并避免过度建模。CLCA 考虑了替代效应和市场反馈，适用于政策制定或大规模市场干预场景；而 ALCA 则关注特定产品或活动的直接环境影响，适用于企业层面的内部管理或单个项目的评估。很多研究直接基于数理结果提出决策建议可能诱发新问题，例如数值都高就被认定为协同关系，忽略了未来可能存在的潜在博弈与竞争关系。针对假设选择导致的情景不确定性，应进行情景分析，涵盖最佳/最差案例及当前/未来技术对比。情景分析不仅能判断何种情形下能取得特定生态系统服务最大化，还能揭示不同时空尺度上生态系统服务权衡关系的潜在差异，帮助决策者清楚选择管理措施。

当目标对象更看重成本效率时，选择基于规则驱动的确定性优化算法；当更看重系统鲁棒性与适应性时，选择基于深度强化学习的自适应智能体。例如，在冷源系统实施群控优化、水泵及冷却塔自动调优的场景中，若负荷波动较小且可预测，采用基于历史数据的规则控制即可满足需求，其优势在于计算速度快、逻辑透明、易于解释；若负荷波动剧烈且存在大量不确定性，如数据中心随业务峰谷剧烈变化的场景，则需采用基于深度强化学习的智能体，其优势在于能从历史交互中学习非线性策略，动态调整控制参数以最小化分区运行成本并满足约束条件。在热源系统实施自动调优、板换二次侧泵频率调优的场景中，同样遵循这一逻辑：对于稳定的工业热源，规则控制足以应对；而对于受天气、外部环境变化影响较大的区域供能系统，智能体神经网络生成的控制策略能更好地平衡能耗与舒适度。

大模型在供应链管理中的优化潜力同样巨大。在运营管理环节，需发挥大模型推理预测能力，加速订单处理、销量预测、库存预警等环节智能升级，优化供应链管理；运用大模型分析和生成能力，提升企业对战略、人力资源、财务、风险等管理能力。本方案通过大模型重构知识闭环，覆盖知识生产、加工、组织、获取和应用全流程，支持多源多态数据接入及智能搜索问答。这不仅解决了传统搜索难以深入文档内容的问题，更通过智能体技术实现了从“检索知识”到“生成决策”的跨越。例如，在供应链中断风险预警中，大模型可以综合天气数据、地缘政治新闻、港口拥堵指数等多源信息，生成前瞻性的风险报告，而不仅仅是罗列历史数据。

面对高维非线性约束与动态环境的不确定性，单一算法难以兼顾全局寻优与局部精细搜索。DE-PSO 优化模型通过差分进化强大的全局探索能力与粒子群算法高效的局部开发机制深度融合，构建了适应复杂能源调度场景的混合架构。该模型在求解多目标问题时，能够有效平衡负荷削减与措施成本，突破传统算法过早收敛的瓶颈，为分布式电源协同控制、数据中心能耗管理及碳核算体系优化提供了坚实的数学基础。

在实际工程应用中，算法的选择需严格匹配场景特征：对于负荷波动小、逻辑透明的确定性环境，基于规则驱动的优化策略能以低成本实现高效管控；而在面对数据中心业务峰谷剧烈变化、气象条件多变等强不确定性场景时，则应引入融合深度强化学习或马尔可夫链引导的智能体策略。这种“规则 + 智能”的分层决策机制，既保证了系统运行的实时性与可解释性，又赋予了系统在动态扰动下的自适应鲁棒性，实现了从静态计算向动态协同的跨越。

DE-PSO 优化模型的核心价值在于其将全局探索的广度与局部开发的精度在数学层面进行了有效耦合，这种混合架构不仅解决了高维非线性约束下的求解难题，更为能源系统的精细化调度提供了可量化的决策依据。通过差分进化算子对种群多样性的维持与粒子群速度机制对最优解区域的聚焦，该模型在降低负荷损失代价与控制措施成本之间找到了动态平衡点，使得分布式电源在配电网中的协同运行从理论推演走向工程落地成为可能。

DE-PSO 优化模型并非孤立存在的数学工具，而是连接能源物理特性与数字智能算法的关键枢纽。它通过将差分进化对种群多样性的全局维持能力，与粒子群算法对最优解区域的快速收敛机制深度融合，成功破解了高维非线性约束下的多目标权衡难题。这种架构不仅为分布式电源在配电网中的协同控制提供了精确的数学支撑，更在数据中心能耗管理与碳核算体系优化中展现了将理论推演转化为工程实效的强大潜力，确保在降低负荷损失代价与控制措施成本之间始终维持动态平衡。

面对日益复杂的能源系统，算法的选型与应用必须遵循“场景适配”原则：在负荷波动小、逻辑透明的确定性环境中，依托规则驱动策略保障系统的低耗高效与可解释性；而在面对数据中心业务峰谷剧烈变化、气象条件多变等强不确定性场景时，则需引入融合深度强化学习或马尔可夫链引导的智能体策略，以应对动态扰动。这种“规则 + 智能”的分层决策机制，既规避了单一算法在复杂环境下的收敛瓶颈，又实现了从静态计算向动态协同的跨越，为构建兼具实时响应速度与自适应鲁棒性的新型能源调度体系奠定了坚实基础。