核心痛点：为什么 MES 设计这么难？
综合能源系统 (MES) 的设计不仅仅是决定“买多大的设备”（容量），更难的是决定“买什么设备”以及“设备间如何连接”（结构）。
- ❌ 传统方法缺陷： 往往预先固定好层级结构（例如：燃气轮机必须连锅炉），导致错失了更灵活、更节能的非典型连接方案。
- ❌ 组合爆炸： 如果让计算机自由组合设备，搜索空间是 $2^n \times n!$，计算量也是天文数字。
IIDF 的解决方案
将物理问题转化为“AI 画图”问题。
1. 上层 (RL):
AI 智能体负责“搭积木”，生成系统拓扑。
AI 智能体负责“搭积木”，生成系统拓扑。
2. 下层 (Opt):
数学求解器负责“算账”，评估这个拓扑能不能省钱。
数学求解器负责“算账”，评估这个拓扑能不能省钱。
双层交互设计框架
RL Agent 与 数学规划求解器的闭环博弈
Level 1
结构搜索层
智能体 (Agent): 基于 RNN 的策略网络 $\pi_\theta(A|S)$。
动作 (Action): 生成一个结构序列 $\alpha$。
$\alpha = [PGU, HP, \text{Link}_{AB}, ...]$
策略更新: 使用带基线的策略梯度算法 (Policy Gradient with Baseline) 来减少方差。
结构 $\alpha$
奖励 $R$
Level 2
容量-运行协同优化层
任务: 给定结构 $\alpha$，求解最优容量 $\beta^*$ 和运行策略 $\gamma^*$。
技术难点: 储能约束是非线性的。
Big-M 法: 引入大数 M，将非线性约束转化为混合整数线性规划 (MILP)，从而可以用 CPLEX 快速求解。
当前成本:
--
核心创新：领域知识如何“裁剪”搜索空间？
如果不加限制，AI 会尝试很多无效组合（比如把光伏板装在地下室，或者让冷水机给锅炉供热）。 论文引入了两类领域知识来约束搜索空间 $\mathbb{N}$：
-
1
多能供需平衡法则
将设备划分为“供电”、“供热”、“供冷”等子空间。强制要求每个能量流层级至少选一个设备，避免系统瘫痪。
-
2
热力学第二定律（能质匹配）
规定了连接的物理优先级。例如，高品位能源（电）可以梯级转化为低品位（热），但反之受限。这在搜索空间中表现为设备连接顺序的约束。
消融实验：有无领域知识的收敛速度对比
数据来源：论文 Fig. 8 (Case 2)
实验结果：全方位碾压
| 场景 (Scenario) | 对比方法 | 年化总成本 (CNY) | 计算耗时 (s) | 核心优势 |
|---|---|---|---|---|
| Case 2: 居民区 复杂负荷, 含光伏 |
IIDF (Ours) WINNER | 4,787,500 | 324.07 | 成本最低，速度比 GA 快 3 倍 |
| TID (传统遗传算法) | 4,814,300 | 1,041.74 | 结构搜索受限 | |
| TID-S (固定结构) | 5,515,800 | - | 成本高出 ~15% | |
| Case 3: 工业园 | IIDF (Ours) | 5,276,200 | 329.50 | 相比 TID 减少 76% 计算时间 |