人工智能在电力需求侧仿真与预测中的若干应用
景锐 (副教授） 厦门大学能源学院 在仿真中应用 目录 在预测中应用 2 背景意义 全球变暖，2024年为有记录以来全球最热年，为舒适与健康不得不消耗大量能源 两个问题： 炎热的福州、厦门夏天空调耗多少电？ 全福州/厦门建筑的灵活负荷有多少？ 《电力系统调节能力优化专项行动实施方案(2025-2027年)》 一个挑战：新能源“看天吃饭”，极热无风怎么办？一传统“纯”用能负荷主动支撑电网调节即灵活负荷 自标：在需求侧建设相当于5%峰值负荷的灵活资源库，并常态化参与调节！ 构建城市尺度建筑能耗模型UBEM一机理数据联合驱动+自底向上 一个老问题的几个新挑战 历史/未来天气 难点：海量 (数十万栋)多维（形貌、功能、年龄等的城市级建筑信息难获取 难点：气象与能源学科关于天气数据的时空颗粒度未对齐 目标：机理-数据联合驱动全自动化、结果可信的UBEM 构建城市尺度建筑能耗模型UBEM-机理数据联合驱动+自底向上 一个老问题的儿个新挑战的解决思路 思路：基于GIS城市级建筑数据库耦合EnergyPlus单体建筑仿真自底向上、自动化高通量 思路：基于气象、面向能源，降尺度对齐天气数据居的时空颗粒度 达成自标：自动化、高可信的UBEM 思路：实测电耗、数据驱动验证 社区尺度UBEM模拟建筑群的典型年逐时冷/热/电能耗 EnergyPlus建筑热工机理模拟 从社区到城市尺度一技术难点：热工模拟与地理信息耦合 研究目标 口建立一个城市尺度的建筑能耗负荷灵活资源调控平台口实现数万建筑高通量，高效率且高保真的负荷灵活性仿真口融合多模态数据绘制城市级的建筑灵活资源分布图 研究基础 单栋建筑和社区尺度本项目组已展开大量研究进一步扩展到城市尺度 多元-海量-异构数据融合的关键技术 研发平台和模型的第一步：需要什么数据？能否获得？ 地理空间与负荷仿真耦合的关键技术 全国约4000万城市建筑厦门约4.5万个建筑，全流程自主化、自动化 聚类生成典型建筑，再迁移至能耗仿真平台 福州案例-8种类型每个类型9个最具代表性的建筑 机理-数据联合驱动模型验证的关键技术 平台最易受质疑的就是模型真实性，故采用时间空间-能量三维度验证 B）典型行业多时间尺度验证 A）典型建筑/社区验证 城乡居民+工商业 与实际能耗对比修正 建立典型建筑和社区模型，与实际能耗对比修正 C）冷-热-电多能耗负荷验证 D）单栋-社区-整个城市多空间尺度验证 小样本、多特征、可解释的迁移学习GAN样本增厂+DANN域对抗+LSTM 福州厦门误差<5% 工作基础一全国城市能耗地图（广州、上海为例） 捕捉气候与天气对全国城市建筑能耗的影响 愿景：从能源电力的视角理解气候与天气，结合城市建筑能耗地图捕提其对城市建筑能耗的影响 1关键气象变量温度光照、风速、湿度降水 3.数据处理 2数据来源 统计+动力学+图卷积神经网络全国各地气象站实测数据校正 5典型案例的主要发现： 以2020年为基准，在三种全球升温情景下，2060年福州市的空调电耗将增加36%（极热年）和14%（常规年） 4全国城市历史未来1h/1km时空精度气象服务 城市微气候+全国城市能耗地图 个福州城市能耗地图： 个厦门城市微气候： 自底向上，每一栋建筑（空调、照明、冷热电能耗)丫全国所有城市 lkm/ih温、光、风、湿、水【全国所有城市 在仿真中应用 目录 在预测中应用 负荷预测的深度学习方法 阅控循环单元GRU为LSTM的简化变体，将遗忘门与输入门合并为更新门，将输出门替换为重置门，可对前序信息进行记忆或遗忘，兼顾负荷序列时序性与非线性，进一步减少参数需求，降低训练难度 Transformer由多个编码器和解码器组成，核心在于多头自注意力机制捕捉输入序列中每个元素与其他元素的相关性 LSTM保留RNN的隐含层传递关系，加入遗忘门、输入门和输出门，解决RNN在时间序列训练时的梯度消失与梯度爆炸 负荷预测的小样本问题 极端天气（如热浪、寒潮）和新型负荷如氢能、数据中心）缺乏历史数据导致学习困境小样本训练的模型在面对新场景时，泛化能力差 负荷预测的解释性问题 深度学习模型（如Transformer）在负荷预测中表现出色，但其“黑箱”特性阻碍了工程可信度 MultiHead(X)=Concat(hi,h2,",hn)·Wh;=Attention(X) 谢谢！息请批评指正 景锐（副教授）厦门大学能源学院rjing@xmu.edu.cn
