當地震或臺風導致電網癱瘓，如何快速調度多個維修團隊恢復供電？傳統方法常因路線重疊、順序混亂延長恢復時間。近日，北京航空航天大學團隊提出基于深度強化學習的AC-MCTS算法，通過AI“全局指揮+沙盤推演”模式，讓多團隊協同效率顯著提升。在228節點電網模擬中，該算法將恢復時間縮短近20%，彈性損失降低14%，為城市基礎設施災后快速重建提供新思路，相關成果發表于《Frontiers of Engineering Management》。

多團隊維修為何總“打亂仗”？

基礎設施網絡（如電網、交通網）是城市的“生命線”，但災害后的修復堪稱“復雜系統工程”。想象一個場景：某區域電網62個節點、186條線路受損，3個維修團隊同時作業——A隊奔赴城東修復線路，B隊卻已在附近搶修；C隊耗時3小時趕到偏遠變電站，卻發現關鍵工具未帶齊……這種“各自為戰”的混亂，根源在于傳統調度方法存在兩大短板：

局部最優陷阱：單一團隊調度算法（如LSTM）只關注自身效率，可能導致多團隊重復作業。例如2021年某臺風災害中，兩個團隊同時趕往同一變電站，浪費4小時搶修時間。

短視決策困境：人工調度依賴經驗，難以預判維修順序對整體網絡的影響。比如優先修復次要線路，可能導致主干電網恢復延遲，數十萬用戶停電時間延長。

“這就像沒有GPS的車隊穿越迷宮，每個司機只看眼前路況，整體必然低效。”研究團隊表示，多團隊協同需破解“路線規劃”與“順序決策”的雙重難題，而AI正是突破這一瓶頸的關鍵。

AI“指揮官”如何調度千軍萬馬？

AC-MCTS算法的核心是“演員-評論家神經網絡（ACNN）+蒙特卡洛樹搜索（MCTS）”的黃金組合。簡單說，ACNN像“軍師”提供決策建議，MCTS則像“沙盤推演”模擬最優方案，二者協同實現全局調度。

ACNN的“火眼金睛”：它接收電網實時狀態（故障節點位置、團隊當前坐標、維修能力），輸出“維修優先級地圖”。例如，一級變電站（權重>4）故障會被標紅，普通線路（權重<2）標藍，就像急診室的“三色分診”系統，確保資源投向最關鍵處。

MCTS的“時空推演”：基于ACNN的建議，MCTS會模擬未來100步維修動作。比如“團隊A先修線路（i,j）再修節點j，團隊B同步修復節點k”，通過上萬次虛擬演練，計算每種方案的恢復時間和彈性損失（網絡功能損失的量化指標）。這種“瞻前顧后”的能力，讓算法能提前規避路線沖突，就像下棋時預判對手下一步。

更巧妙的是雙層決策機制：艦隊層協調多團隊分工，避免重復作業；團隊層優化個體路線，縮短移動時間。例如在228節點電網中，算法會讓高能力團隊（如Crew 1，修復一級節點僅需1小時）主攻關鍵變電站，普通團隊負責周邊線路，實現“人盡其才”。

模擬測試：恢復時間縮短近20%，彈性損失降低14%

團隊在Python中模擬了4種電網災害場景（故障節點34-62個），對比AC-MCTS與PPO、DDPG等5種主流算法。在最嚴重的Case 1中：

  • 恢復速度：AC-MCTS耗時984小時，較傳統HHG方法（1011小時）縮短2.7%，較先進的PPO算法（1034小時）縮短4.8%；若增加至5個團隊，恢復時間進一步壓縮至670小時。
  • 恢復質量：彈性損失（RL）降至202.45，較HHG方法（256.5）降低21%，意味著網絡功能損失更小。
  • 效率穩定性：面對62個故障節點，AC-MCTS運行時間僅97.6秒，而傳統ASC算法需312秒，證明其在大規模災害中仍能高效決策。

“這相當于將原本10天的恢復周期壓縮到8天，減少數億元經濟損失。”團隊強調，算法的優勢在多團隊場景下更明顯——團隊越多，協同優化空間越大，傳統方法的調度混亂問題也越突出。

從模擬到現實：AI調度離實戰還有多遠？

目前，該算法已在228節點電網模擬中驗證有效性，但尚未應用于真實災害場景。研究團隊表示，下一步將重點突破兩大瓶頸：一是動態環境適應，比如應對災害現場突發的道路堵塞、團隊失聯；二是多網絡協同，如同時調度電網、水網、交通網的維修資源。

專家認為，這種“AI+基礎設施韌性”的范式，為城市防災減災提供了新工具。未來，當地震、臺風等災害發生時，AI或許能成為“隱形指揮官”，讓維修團隊像精密齒輪般高效運轉，更快恢復城市“生命線”。

來源: 工程管理前沿