厦门大学 景锐：人工智能在电力需求侧仿真与预测中的若干应用（18页 PPT）

微信扫码，打开到小程序

人工智能在电力需求侧仿真与预测中的若千应用 景锐 ( 副教授 ) 厦门大学能源学院 目录 1 在仿真中应用 2 在预测中应用 2 3 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 ! 《电力系统调节能力 优化专项行动实施方 案 (2025-2027 年 ) 》 目标：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 ! 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 ? 一个挑战：新能源“看天吃饭” , 极热无风怎么办 ? -- 传统“纯”用能负荷主动支撑电网调节即灵活负荷 源 荷 ( 灵活负荷 ) 储 分体空调 难点：气象与能源学科关于天 气数据的时空颗粒度未对齐 模型可靠性 Cooling Heatng Electrical 65010t000 □5058 170 09080100 13009000 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 个老问题的几个新挑战： 历史 / 未来天气 (a)CMIP6 未来气象数据库 (b) 动态降尺度方法 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 Dabe/Time 目标：机理 - 数据联合驱动、 全自动化、结果可信的 UBEM 方法：自底向上够建模型 楼宇级 目标：自顶向下评估影响 难点：如何验证模型 广地域建筑信息 (a)MERRA-2 历史气象库 (c) 聚类生成典型概率场景 ArcGIS 城市级 社区级 Energy use(kWh/sqm) 城 民 生 活 赴 发 零 售 BnergyPLS 全 社 会 用 电 交 闺 通 墙 4 (a)CMIP6 未来气象数据库 (b) 动态降尺度方法 (a)MERRA-2 历史气象库 (c) 聚类生成典型概率场景 思路：基于气象、面向能源，降 尺度对齐天气数据的时空颗粒度 思路：实测电耗、数据驱动验证 ArcGIS 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 g10 D000 m2s 0000 0M IT0000 Date/Time 达成目标：自动化、高可信的 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 城市级 社区级 楼宇级 一个老问题的几个新挑战的解决思路： EnergyPlus 全 社 会 用 电 交 通 运 输 批 发 零 售 5 1 民 生 活 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 ● 室外太阳热辐射 ● 围护结构传热 ● 室内非均匀温度场 90 Energy use(kWh'sqm) Energy use(kWhisqm) 70 Cooling Heating Electrical 10 06.2001:0000 09280L:00600 Date/Time 加 Cooling —— Heating 3 珍珠湾花园 50 Electrical 40 50 20 10- 04/P101-00:00 0401 D10000 0620010D0c0 092801020 1227010000 1010100 D4010100:0 063001.00.0 12701:2000 ● 机械系统 ( 暖通 / 照明 ) 仿真 ● 运 行时 刻表 厦门市 4 类典型住 宅 Energy use(kWh/sqm) Energy use(kWh/sqm) 0101010000 40101000 063001.00:0 0923010000 12/2701:50.00 嘉福花园 ( 一 期 ) 0101 C1:00:02 04010+000 127 D100 Date/Time Date/Time Date/Time 1 0 50 研究目标 □ 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 从社区到城市尺度 - 技术难点：热工模拟与地理信息耦合 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 社区尺度 负荷仿真 Rhinoceros 单栋建筑 负荷仿真 城市建筑 负荷仿真 7 数据大类 数据小类 颗粒度 是否学服 地理空间 坐标 是 气候环境 温、光、风湿、水 是 建筑物理 外轮廓、窗墙比 是 楼层、高度 是 空调、照明等主要设备 是 窗墙材料 否 建筑年龄 否 用能行为 运 行时 刻表 是 冬夏、工作 / 节假日差异 是 电网侧 全市用电负荷曲线 是 实时电价 是 需求响应电价 是 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 ? du ArcGIS 图像处理 + 地图信 息 A) 厘清建模所需数据与可获得性 B) 基于 GIS 的城市建筑信息获取 C) 基于大语言模型 (LLM) 推理的城 市 级建筑年龄信息增广 设计问答范式“ [ 某市 ][ 某区 [ 某街道 ] 有一栋 [ 某类型建 筑 ], 请估测它的建设年代， 无需 给出详细解释” 脚本批 量问 答 收集答案 + 抽样验 证 + 数据集导 入 一建筑高度 建筑投影面积 一建筑外观形态 一建筑功能分类 一建筑年代 住宅 3 类 公共服务 商业 办公 工业 交 通 多元 - 海量 - 异构数据融合为“ 一张图” 8 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 Data/Tim EnergyPlus 高保真的能耗仿 真 面到体 (3D)+ 建筑能 耗 模型的 idf 文件 聚类生成典型建筑，再 迁移至能耗仿真平台 端点提取 + 全新坐标 系 + 点连成面 整个城市建筑的空间信息 独创端点坐标迁移技术 9 福州案例 -8 种类型，每个类型 9 个最具代表性的建 筑 150le A1 01S1O CL 国 ot0BN Chuster 1 Chuster 2 Chuster 3 Chuster 4 Chuster 5 Cluster 6 Cluster 7 Cluster 8 Residennal (ow-rise) Residential (mid-rise) Residennal Chigh-nise) Ofce Commercial Industrial Adninistative Educatonsl Chuster 9 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 A) 典型建筑 / 社区验证 B) 典型行业多时间尺度验证 逐时 - 周 - 冬季 - 城乡居民 + 工商业 0 - 与实际能耗对比修正 五 直 逐时 - 周 - 夏 季 - 四季逐时典型周验证 VVV V D) 单栋 - 社区 - 整个城市多空间尺度验 证 2 Generator C) 冷 - 热 - 电多能耗负荷验证 夏季冷、冬季热、全年电负荷，用实际能耗校准 城市能耗地图 福州厦门误差 <5% 小样本、多特征、可解释的迁移学习 GAN 样本增广 +DANN 域对抗 +LSTM 建立典型建筑和社区模型，与实际能耗对比修正 典型建筑能耗 逐时 - 周 - 春 秋 oo o Diserimirator 11 工作基础 - 全国城市能耗地图 ( 广州、上海为例 ) 个上海 2D/ 3D 城市能耗地图 个广州 2D/3D 城市能耗地图 12 13 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，捕捉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… 2 数据来源 CECMWF WCRP CMIP6 World Cimabe Research Programme 超 2TB 气象数据滚动迭 代 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 3 6 % ( 极 热年 ) 和 14% ( 常规年 ) 3 数据处理 √ 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 某时刻的温度分布 保定 南京 4 全国城 市 历史未来 1h/1km 时空精度 气象服务 福州主城区 74500 建筑 夏季空调能耗占比 38% 综合考虑建筑年 龄和碳中和目标， 分析 2020~2060 40 30 20 10 0 10 -20 -30 EWY f SSP1-2.6 SSP2-4.5 SSP5-8.5 TMY 空调电耗的年变化 率 204 0 206 0 ECY 来 上海城市能耗地图 广州城市能耗地图 城市微气候 + 全国城市能耗地图 个福州城市能耗地图： √ 自底向上，每一栋建筑 ( 空调、 照明、冷热电能耗 ) √ 全国所有城市 个厦门城市微气候： √ 1km/1h 温、光、风、湿、 水 √ 全国所有城市 14 目录 1 在仿真中应用 2 在预测中应用 15 门控循环单元 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 GRU h- hi 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 Transformer 负荷预测的深度学习方法 CNN 在 BP 网络基 础上将隐含层替换 为卷积层与池化层， 减少网络需要优化 的参数 CNN 人 t 是 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 L Q saly M⁹ 简化结构，模型 参数更少，训练 速度更快 2017 Vaswani 等在论文《 Attention Is All You Need 》中提出 2014 Kyunghyun Cho 和 Caglar Gulcehre 等提出 1997 Sepp Hochreiter 和 Jürgen Schmidhuber 提出 an 引入了自注意 力机制，提高 处理效率 解决梯度消失 问 题，可以处理更长 序列的数据 脱 磨 1989 Yann LeCun 等人 在 贝尔实验室开发 - an k- u LSTM i 卤 BP 网络 时间 1 6 式 9g 0ei e 214 Tne c) L 上 h d 十 有实际意义的天气和负荷数据 上 16 I 02214 1114 D 29 二 4 Tinr Tae ) Tia(h) Reconstrctions Classifications Discriminate network Latent space Generate network TimeGAN Random noise ● 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 负荷预测的小样本问题 Recovery network Embedding network Real data 1 7 1 5 1 著 #4 T=P 3 14 Tnt Ch m 日 3 如 负荷预测的解释性问题 输 人 线性变换 线性变换 线性变换 Q K 找性变接 线性变换 线性变换 缩放点积注意力机制 拼接 线性变换 输出 3.4×10° 3.2 TuneMN DulAliendon-BLSTM 3.0 BiL STM 2.8 CHN 2.6 24- 2.2 2.0 1.8 iI 1 4 6 8 10 12 14 16 1820 2224 lmt 二 0.9— 08 67 06 0.25 03 02 0.1 0.0 T 092 RH 9279 TH 0.409 AT Fciliee 046 S8D 49 B 0.748 Lud 时间重要性 特征重要性 MultiHead(X)=Concat(h₁,h₂,…,hn)·W hi=Attention(X) 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 X F. C U H C F₂ 少 IIⅢ Fa(W X 11 1 F( Spatial Attention Module COTV layer Channe -refned [MaxPool,AngPoo] feature F 多头自注意力机制 提升预 测精度 注意力机制变体 时间注意力 空间注意力 Rel =DualAneoten·BiLSTM FA-BiLSTM TA-BiLSTM Spatial Attention CSDNs Lond(k W) 18 1.6 2