本發(fā)明屬于新能源發(fā)電，特別涉及一種源網(wǎng)荷儲(chǔ)協(xié)同分區(qū)協(xié)同優(yōu)化的方法及相關(guān)裝置。

背景技術(shù)：

1、隨著全球?qū)沙掷m(xù)能源追求的不斷升溫，配電網(wǎng)中的新能源裝機(jī)量呈現(xiàn)出顯著增高的趨勢(shì)。在當(dāng)今能源轉(zhuǎn)型的大背景下，新能源如太陽能、風(fēng)能等以其清潔、可再生的特性，成為了滿足不斷增長的能源需求的重要選擇。隨著可再生能源在能源結(jié)構(gòu)中的占比日益增加，其波動(dòng)性、間歇性的特點(diǎn)給電網(wǎng)的穩(wěn)定運(yùn)行帶來了巨大挑戰(zhàn)；同時(shí)，電力負(fù)荷的峰谷差不斷擴(kuò)大以及用戶對(duì)供電可靠性、電能質(zhì)量要求的提高，使得源網(wǎng)荷儲(chǔ)之間的協(xié)同優(yōu)化成為必然。解釋性地，“源”主要是指各類發(fā)電電源，包括傳統(tǒng)的火力發(fā)電、水力發(fā)電，以及新能源發(fā)電（如光伏發(fā)電、風(fēng)力發(fā)電等）；“網(wǎng)”代表輸配電網(wǎng)，負(fù)責(zé)電能的傳輸與分配；“荷”即電力負(fù)荷，是指用戶端消耗電能的設(shè)備或系統(tǒng)；“儲(chǔ)”則是儲(chǔ)能系統(tǒng)，如電池儲(chǔ)能、蓄熱蓄冷等多種儲(chǔ)能方式。

2、電網(wǎng)的拓?fù)浣Y(jié)構(gòu)復(fù)雜，特別是在配電網(wǎng)層面，分布式電源和儲(chǔ)能系統(tǒng)的接入使得潮流分布更加復(fù)雜。有功功率的過量注入可能會(huì)導(dǎo)致電壓波動(dòng)超出電網(wǎng)標(biāo)準(zhǔn)閾值，可以通過利用光伏逆變器自身以及其他可控設(shè)備（示例性地，如靜止無功補(bǔ)償器（svc）和有載調(diào)壓變壓器（oltc））的控制靈活性來緩解電壓波動(dòng)，但需要一個(gè)精心設(shè)計(jì)的方案來大規(guī)模協(xié)調(diào)這些設(shè)備，以便在局部信息有限的情況下對(duì)整個(gè)網(wǎng)絡(luò)的電壓進(jìn)行調(diào)節(jié)。然而，基于最優(yōu)潮流算法（opf）的計(jì)算時(shí)間成本很高，難以在較短時(shí)間內(nèi)對(duì)電壓波動(dòng)做出有效應(yīng)對(duì)。

3、目前，一些研究嘗試使用單智能體的深度強(qiáng)化學(xué)習(xí)（drl）模型，將配電網(wǎng)的無功優(yōu)化問題建模為一個(gè)馬爾科夫決策過程（markovian?decision?process，mdp），比如采用行動(dòng)者-評(píng)論家（actor-critic，ac）的算法將最小化網(wǎng)損和設(shè)備的動(dòng)作成本作為優(yōu)化目標(biāo)，以離散無功調(diào)節(jié)設(shè)備的投切指令為控制變量進(jìn)行求解。另外，一些研究采用確定性策略梯度（dpg）算法，并將逆變器或靜止無功補(bǔ)償器的無功功率作為控制動(dòng)作。然而，上述現(xiàn)有的研究?jī)H將電網(wǎng)節(jié)點(diǎn)數(shù)據(jù)作為同一維度的特征進(jìn)行強(qiáng)化學(xué)習(xí)訓(xùn)練，忽視了電網(wǎng)拓?fù)浣Y(jié)構(gòu)建模對(duì)模型的影響，以現(xiàn)有方法訓(xùn)練的強(qiáng)化學(xué)習(xí)模型難以達(dá)到很好的效果，也難以應(yīng)用到其他不同拓?fù)浣Y(jié)構(gòu)的電網(wǎng)場(chǎng)景下。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種源網(wǎng)荷儲(chǔ)協(xié)同分區(qū)協(xié)同優(yōu)化的方法及相關(guān)裝置，以解決上述存在的一個(gè)或多個(gè)技術(shù)問題。本發(fā)明提供的技術(shù)方案中，利用訓(xùn)練好的強(qiáng)化學(xué)習(xí)模型進(jìn)行預(yù)測(cè)，獲得選定的配電網(wǎng)中調(diào)控裝置的調(diào)控策略預(yù)測(cè)結(jié)果；其中，強(qiáng)化學(xué)習(xí)模型的訓(xùn)練過程中，采用多智能體強(qiáng)化學(xué)習(xí)算法，相比單個(gè)智能體架構(gòu)的強(qiáng)化學(xué)習(xí)，具有更好的效率和性能；另外，強(qiáng)化學(xué)習(xí)模型采用拓?fù)渥兓瘓D卷積網(wǎng)絡(luò)模型，訓(xùn)練好的強(qiáng)化學(xué)習(xí)模型可適用于不同的拓?fù)浣Y(jié)構(gòu)，能夠降低模型移植所需的訓(xùn)練成本。

2、為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：

3、本發(fā)明第一方面，提供一種源網(wǎng)荷儲(chǔ)協(xié)同分區(qū)協(xié)同優(yōu)化的方法，包括以下步驟：

4、基于選定的配電網(wǎng)，獲取電網(wǎng)負(fù)荷的歷史數(shù)據(jù)；

5、基于獲取的電網(wǎng)負(fù)荷的歷史數(shù)據(jù)，利用訓(xùn)練好的強(qiáng)化學(xué)習(xí)模型進(jìn)行預(yù)測(cè)，獲得選定的配電網(wǎng)中調(diào)控裝置的調(diào)控策略預(yù)測(cè)結(jié)果；

6、其中，所述強(qiáng)化學(xué)習(xí)模型的訓(xùn)練步驟包括：基于配電網(wǎng)樣本，獲取配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔ⅲ?gòu)建配電網(wǎng)電壓無功優(yōu)化的數(shù)學(xué)模型；將構(gòu)建的數(shù)學(xué)模型轉(zhuǎn)換成基于多智能體的馬爾科夫決策過程模型；根據(jù)配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔?，?gòu)建拓?fù)渥兓瘓D卷積網(wǎng)絡(luò)模型；基于所述基于多智能體的馬爾科夫決策過程模型，采用多智能體強(qiáng)化學(xué)習(xí)算法訓(xùn)練所述拓?fù)渥兓瘓D卷積網(wǎng)絡(luò)模型，獲得能夠動(dòng)態(tài)適應(yīng)配電網(wǎng)拓?fù)渥兓⒉?yōu)化電壓無功控制的強(qiáng)化學(xué)習(xí)模型；使用基于配電網(wǎng)樣本實(shí)際獲取的電網(wǎng)數(shù)據(jù)對(duì)獲得的所述強(qiáng)化學(xué)習(xí)模型進(jìn)行離線訓(xùn)練和驗(yàn)證，獲得訓(xùn)練好的強(qiáng)化學(xué)習(xí)模型。

7、本發(fā)明的進(jìn)一步改進(jìn)在于，

8、所述拓?fù)渥兓瘓D卷積網(wǎng)絡(luò)模型包括：

9、輸入層，用于輸入配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔ⅲ?/p>

10、重復(fù)堆疊多次的帶有殘差圖的可學(xué)習(xí)的譜圖卷積模塊，用于對(duì)輸入的配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔⑦M(jìn)行特征提取，獲得配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔⒌母呔S特征；其中，每個(gè)帶有殘差圖的可學(xué)習(xí)的譜圖卷積模塊均包括帶有殘差圖的可學(xué)習(xí)的譜圖卷積層、第一歸一化層和池化層；

11、第二歸一化層，用于對(duì)獲得的高維特征進(jìn)行歸一化處理，獲得配電網(wǎng)優(yōu)化預(yù)測(cè)信息；

12、輸出層，用于將獲得的配電網(wǎng)優(yōu)化預(yù)測(cè)信息輸出。

13、本發(fā)明的進(jìn)一步改進(jìn)在于，

14、所述拓?fù)渥兓瘓D卷積網(wǎng)絡(luò)模型還包括：

15、雙邊濾波器層，所述雙邊濾波器層設(shè)置于重復(fù)堆疊多次的帶有殘差圖的可學(xué)習(xí)的譜圖卷積模塊與第二歸一化層之間，用于將獲得的配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔⒌母呔S特征進(jìn)行濾波處理，獲得濾波后的高維特征并輸入所述第二歸一化層。

16、本發(fā)明的進(jìn)一步改進(jìn)在于，

17、所述帶有殘差圖的可學(xué)習(xí)的譜圖卷積層表示為：

18、；

19、式中，為帶有殘差圖的可學(xué)習(xí)的譜圖卷積層的輸出；是激活函數(shù)；是帶有殘差圖的可學(xué)習(xí)的譜卷積核，的運(yùn)算結(jié)果為帶有殘差圖的可學(xué)習(xí)的譜卷積矩陣；是圖上對(duì)應(yīng)于每個(gè)頂點(diǎn)的特征向量；為可訓(xùn)練的權(quán)重矩陣；為可訓(xùn)練的權(quán)重向量；

20、；

21、式中，是帶殘差的可學(xué)習(xí)的拉普拉斯矩陣；為關(guān)于的 k階多項(xiàng)式； k為求和函數(shù)遍歷序號(hào)； k為圖中節(jié)點(diǎn)總數(shù)；為中多項(xiàng)式的參數(shù)；

22、；

23、；

24、；

25、式中， l為歸一化圖拉普拉斯矩陣；為給定的常數(shù)值；為單位矩陣；為采用廣義馬氏距離的距離度量矩陣； a為鄰接矩陣；、分別是隨機(jī)初始化的距離度量矩陣、鄰接矩陣；為距離度量和鄰接關(guān)系隨機(jī)初始化時(shí)訓(xùn)練得到的殘差拉普拉斯矩陣。

26、本發(fā)明的進(jìn)一步改進(jìn)在于，

27、采用廣義馬氏距離的距離度量矩陣的計(jì)算表達(dá)式為：

28、；

29、式中，是圖上對(duì)應(yīng)于頂點(diǎn)的特征向量；，為可訓(xùn)練權(quán)重。

30、本發(fā)明的進(jìn)一步改進(jìn)在于，

31、所述基于多智能體的馬爾科夫決策過程模型中，

32、將配電網(wǎng)中擁有獨(dú)立動(dòng)作空間的調(diào)控裝置定義為智能體；

33、狀態(tài)觀測(cè)空間定義為：；

34、式中，是一組有功和無功功率負(fù)荷；是由發(fā)電設(shè)備產(chǎn)生的一組有功功率；是由發(fā)電設(shè)備產(chǎn)生的一組無功功率；是一組電壓幅值和以弧度為單位的電壓相位；分別為負(fù)荷的有功功率、無功功率和相角；分別為發(fā)電設(shè)備產(chǎn)生的有功功率、無功功率；

35、智能體的動(dòng)作空間定義為：

36、對(duì)于連續(xù)調(diào)控設(shè)備，智能體配備一個(gè)連續(xù)的動(dòng)作集，表示為：

37、；

38、式中，為調(diào)控設(shè)備的輸出；分別表示連續(xù)調(diào)控設(shè)備的輸出下限、輸出上限；

39、對(duì)于離散調(diào)控設(shè)備，智能體配備一個(gè)離散的動(dòng)作集，表示為：

40、；

41、式中，為調(diào)控設(shè)備的輸出；表示設(shè)備能夠執(zhí)行的所有動(dòng)作；

42、獎(jiǎng)勵(lì)函數(shù)為：

43、；

44、式中，為網(wǎng)損懲罰項(xiàng)；為電壓偏差懲罰項(xiàng)；

45、；

46、式中，是正的權(quán)重系數(shù)；表示網(wǎng)損；

47、；

48、式中，為配電網(wǎng)中節(jié)點(diǎn)數(shù)量；為正的權(quán)重系數(shù)；表示節(jié)點(diǎn)的電壓幅值；表示節(jié)點(diǎn)的參考電壓幅值。

49、本發(fā)明的進(jìn)一步改進(jìn)在于，配電網(wǎng)中調(diào)控裝置包括開關(guān)、逆變器和儲(chǔ)能裝置。

50、本發(fā)明第二方面，提供一種源網(wǎng)荷儲(chǔ)協(xié)同分區(qū)協(xié)同優(yōu)化的系統(tǒng)，包括：

51、數(shù)據(jù)獲取模塊，用于基于選定的配電網(wǎng)，獲取電網(wǎng)負(fù)荷的歷史數(shù)據(jù)；

52、預(yù)測(cè)模塊，用于基于獲取的電網(wǎng)負(fù)荷的歷史數(shù)據(jù)，利用訓(xùn)練好的強(qiáng)化學(xué)習(xí)模型進(jìn)行預(yù)測(cè)，獲得選定的配電網(wǎng)中調(diào)控裝置的調(diào)控策略預(yù)測(cè)結(jié)果；

53、其中，所述強(qiáng)化學(xué)習(xí)模型的訓(xùn)練步驟包括：基于配電網(wǎng)樣本，獲取配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔?，并?gòu)建配電網(wǎng)電壓無功優(yōu)化的數(shù)學(xué)模型；將構(gòu)建的數(shù)學(xué)模型轉(zhuǎn)換成基于多智能體的馬爾科夫決策過程模型；根據(jù)配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔?，?gòu)建拓?fù)渥兓瘓D卷積網(wǎng)絡(luò)模型；基于所述基于多智能體的馬爾科夫決策過程模型，采用多智能體強(qiáng)化學(xué)習(xí)算法訓(xùn)練所述拓?fù)渥兓瘓D卷積網(wǎng)絡(luò)模型，獲得能夠動(dòng)態(tài)適應(yīng)配電網(wǎng)拓?fù)渥兓?、并?yōu)化電壓無功控制的強(qiáng)化學(xué)習(xí)模型；使用基于配電網(wǎng)樣本實(shí)際獲取的電網(wǎng)數(shù)據(jù)對(duì)獲得的所述強(qiáng)化學(xué)習(xí)模型進(jìn)行離線訓(xùn)練和驗(yàn)證，獲得訓(xùn)練好的強(qiáng)化學(xué)習(xí)模型。

54、本發(fā)明的進(jìn)一步改進(jìn)在于，

55、所述拓?fù)渥兓瘓D卷積網(wǎng)絡(luò)模型包括：

56、輸入層，用于輸入配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔ⅲ?/p>

57、重復(fù)堆疊多次的帶有殘差圖的可學(xué)習(xí)的譜圖卷積模塊，用于對(duì)輸入的配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔⑦M(jìn)行特征提取，獲得配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔⒌母呔S特征；其中，每個(gè)帶有殘差圖的可學(xué)習(xí)的譜圖卷積模塊均包括帶有殘差圖的可學(xué)習(xí)的譜圖卷積層、第一歸一化層和池化層；

58、第二歸一化層，用于對(duì)獲得的高維特征進(jìn)行歸一化處理，獲得配電網(wǎng)優(yōu)化預(yù)測(cè)信息；

59、輸出層，用于將獲得的配電網(wǎng)優(yōu)化預(yù)測(cè)信息輸出。

60、本發(fā)明的進(jìn)一步改進(jìn)在于，

61、所述拓?fù)渥兓瘓D卷積網(wǎng)絡(luò)模型還包括：

62、雙邊濾波器層，所述雙邊濾波器層設(shè)置于重復(fù)堆疊多次的帶有殘差圖的可學(xué)習(xí)的譜圖卷積模塊與第二歸一化層之間，用于將獲得的配電網(wǎng)運(yùn)行數(shù)據(jù)和拓?fù)湫畔⒌母呔S特征進(jìn)行濾波處理，獲得濾波后的高維特征并輸入所述第二歸一化層。

63、本發(fā)明的進(jìn)一步改進(jìn)在于，

64、所述帶有殘差圖的可學(xué)習(xí)的譜圖卷積層表示為：

65、；

66、式中，為帶有殘差圖的可學(xué)習(xí)的譜圖卷積層的輸出；是激活函數(shù)；是帶有殘差圖的可學(xué)習(xí)的譜卷積核，的運(yùn)算結(jié)果為帶有殘差圖的可學(xué)習(xí)的譜卷積矩陣；是圖上對(duì)應(yīng)于每個(gè)頂點(diǎn)的特征向量；為可訓(xùn)練的權(quán)重矩陣；為可訓(xùn)練的權(quán)重向量；

67、；

68、式中，是帶殘差的可學(xué)習(xí)的拉普拉斯矩陣；為關(guān)于的 k階多項(xiàng)式； k為求和函數(shù)遍歷序號(hào)； k為圖中節(jié)點(diǎn)總數(shù)；為中多項(xiàng)式的參數(shù)；

69、；

70、；

71、；

72、式中， l為歸一化圖拉普拉斯矩陣；為給定的常數(shù)值；為單位矩陣；為采用廣義馬氏距離的距離度量矩陣； a為鄰接矩陣；、分別是隨機(jī)初始化的距離度量矩陣、鄰接矩陣；為距離度量和鄰接關(guān)系隨機(jī)初始化時(shí)訓(xùn)練得到的殘差拉普拉斯矩陣。

73、本發(fā)明的進(jìn)一步改進(jìn)在于，

74、采用廣義馬氏距離的距離度量矩陣的計(jì)算表達(dá)式為：

75、；

76、式中，是圖上對(duì)應(yīng)于頂點(diǎn)的特征向量；，為可訓(xùn)練權(quán)重。

77、本發(fā)明的進(jìn)一步改進(jìn)在于，

78、所述基于多智能體的馬爾科夫決策過程模型中，

79、將配電網(wǎng)中擁有獨(dú)立動(dòng)作空間的調(diào)控裝置定義為智能體；

80、狀態(tài)觀測(cè)空間定義為：；

81、式中，是一組有功和無功功率負(fù)荷；是由發(fā)電設(shè)備產(chǎn)生的一組有功功率；是由發(fā)電設(shè)備產(chǎn)生的一組無功功率；是一組電壓幅值和以弧度為單位的電壓相位；分別為負(fù)荷的有功功率、無功功率和相角；分別為發(fā)電設(shè)備產(chǎn)生的有功功率、無功功率；

82、智能體的動(dòng)作空間定義為：

83、對(duì)于連續(xù)調(diào)控設(shè)備，智能體配備一個(gè)連續(xù)的動(dòng)作集，表示為：

84、；

85、式中，為調(diào)控設(shè)備的輸出；分別表示連續(xù)調(diào)控設(shè)備的輸出下限、輸出上限；

86、對(duì)于離散調(diào)控設(shè)備，智能體配備一個(gè)離散的動(dòng)作集，表示為：

87、；

88、式中，為調(diào)控設(shè)備的輸出；表示設(shè)備能夠執(zhí)行的所有動(dòng)作；

89、獎(jiǎng)勵(lì)函數(shù)為：

90、；

91、式中，為網(wǎng)損懲罰項(xiàng)；為電壓偏差懲罰項(xiàng)；

92、；

93、式中，是正的權(quán)重系數(shù)；表示網(wǎng)損；

94、；

95、式中，為配電網(wǎng)中節(jié)點(diǎn)數(shù)量；為正的權(quán)重系數(shù)；表示節(jié)點(diǎn)的電壓幅值；表示節(jié)點(diǎn)的參考電壓幅值。

96、本發(fā)明的進(jìn)一步改進(jìn)在于，配電網(wǎng)中調(diào)控裝置包括開關(guān)、逆變器和儲(chǔ)能裝置。

97、本發(fā)明第三方面，提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如本發(fā)明第一方面中任一項(xiàng)所述的源網(wǎng)荷儲(chǔ)協(xié)同分區(qū)協(xié)同優(yōu)化的方法。

98、本發(fā)明第四方面，提供一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面中任一項(xiàng)所述的源網(wǎng)荷儲(chǔ)協(xié)同分區(qū)協(xié)同優(yōu)化的方法。

99、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

100、本發(fā)明提供了一種源網(wǎng)荷儲(chǔ)協(xié)同分區(qū)協(xié)同優(yōu)化的方法，其利用訓(xùn)練好的強(qiáng)化學(xué)習(xí)模型進(jìn)行預(yù)測(cè)，獲得選定的配電網(wǎng)中調(diào)控裝置的調(diào)控策略預(yù)測(cè)結(jié)果；其中，強(qiáng)化學(xué)習(xí)模型的訓(xùn)練過程中，采用多智能體強(qiáng)化學(xué)習(xí)算法，相比單個(gè)智能體架構(gòu)的強(qiáng)化學(xué)習(xí)，具有更好的效率和性能；另外，強(qiáng)化學(xué)習(xí)模型采用拓?fù)渥兓瘓D卷積網(wǎng)絡(luò)模型，訓(xùn)練好的強(qiáng)化學(xué)習(xí)模型可適用于不同的拓?fù)浣Y(jié)構(gòu)，能夠降低模型移植所需的訓(xùn)練成本。進(jìn)一步解釋性地，多智能體強(qiáng)化學(xué)習(xí)算法（marl）在集中控制機(jī)制無法很好地預(yù)測(cè)每個(gè)個(gè)體下一步的行為時(shí)有非常好的表現(xiàn)，配電網(wǎng)電力網(wǎng)絡(luò)中存在諸多涉及大量智能體協(xié)作或競(jìng)爭(zhēng)行為的問題，適合采用marl作為電力網(wǎng)絡(luò)優(yōu)化模型的訓(xùn)練框架。

101、本發(fā)明改進(jìn)強(qiáng)化學(xué)習(xí)模型中的譜卷積核，采用可學(xué)習(xí)的拉普拉斯矩陣，使譜卷積核能夠適用于具有多樣圖拓?fù)浣Y(jié)構(gòu)的數(shù)據(jù)，提高網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)泛化性，訓(xùn)練后的模型可以適用于不同的拓?fù)浣Y(jié)構(gòu)，降低模型移植所需的訓(xùn)練成本。本發(fā)明提出殘差拉普拉斯矩陣，以無監(jiān)督方式創(chuàng)建圖結(jié)構(gòu)，提高模型對(duì)圖中節(jié)點(diǎn)內(nèi)聯(lián)關(guān)系的感知，以適應(yīng)電網(wǎng)拓?fù)浣Y(jié)構(gòu)變化（如開關(guān)、負(fù)荷變化）做出動(dòng)態(tài)調(diào)整。

102、本發(fā)明提出的強(qiáng)化學(xué)習(xí)模型中，衡量節(jié)點(diǎn)間的關(guān)系時(shí)，使用廣義馬氏距離而非歐式距離作為距離度量，廣義馬氏距離作為參數(shù)進(jìn)行訓(xùn)練，可以根據(jù)拓?fù)浣Y(jié)構(gòu)和節(jié)點(diǎn)間的關(guān)系進(jìn)行自適應(yīng)，使構(gòu)建的拉普拉斯矩陣在拓?fù)浣Y(jié)構(gòu)變化的環(huán)境能更合理地預(yù)測(cè)損失。