在线看片线路1,亚洲综合五月,男人天堂亚洲

AirGAN：空調(diào)機理模型增強生成對抗模型

電子技術(shù)應用

徐玉婷1，劉暢1，王雨薇2，吳含青2，陳偉杰3

1.中國電力科學研究院有限公司；2.國網(wǎng)鎮(zhèn)江供電公司；3.北京郵電大學

摘要： 為引導資源龐大、調(diào)控靈活的空調(diào)負荷參與需求響應實現(xiàn)“源荷互動”，保障電網(wǎng)的安全經(jīng)濟運行，各大研究單位開展了樓宇空調(diào)需求響應實時控制仿真與實踐研究。然而，如何準確地估算空調(diào)的負荷，并對空調(diào)負荷進行預測是目前面臨的重要挑戰(zhàn)。當前主流方法包括模型驅(qū)動型、數(shù)據(jù)驅(qū)動型兩種方法體系。其中模型驅(qū)動型依賴對空調(diào)負荷的建模，難以實現(xiàn)對空調(diào)負荷復雜變化的模擬。數(shù)據(jù)驅(qū)動則是依賴大量數(shù)據(jù)進行模型訓練，但難以覆蓋空調(diào)負荷的各類特點。為此，擬從模型驅(qū)動及數(shù)據(jù)驅(qū)動相結(jié)合的角度進行空調(diào)負荷的智能擬合，以提升空調(diào)負荷生成預測的準確性和適應性。提出了一種基于機制模型與生成對抗網(wǎng)絡（GAN）相結(jié)合的負荷生成方法和模型AirGAN。該方法通過GAN生成器生成的虛擬數(shù)據(jù)，持續(xù)調(diào)整物理模型的超參數(shù)，以使其更好地符合實際空調(diào)負荷特性。同時，采用GAN判別器對機制模型預測的負荷進行判別，以此訓練機制模型，從而提升其預測精度。

關(guān)鍵詞： 生成對抗網(wǎng)絡非線性優(yōu)化負荷生成智能電網(wǎng)

中圖分類號：TP319 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.256513
中文引用格式： 徐玉婷，劉暢，王雨薇，等. AirGAN: 空調(diào)機理模型增強生成對抗模型[J]. 電子技術(shù)應用，2025，51(6)：1-9.
英文引用格式： Xu Yuting，Liu Chang，Wang Yuwei，et al. AirGAN: air conditioning mechanism enhancement load generation adversarial model[J]. Application of Electronic Technique，2025，51(6)：1-9.

AirGAN：air conditioning mechanism enhancement load generation adversarial model

Xu Yuting1，Liu Chang1，Wang Yuwei2，Wu Hanqing2，Chen Weijie3

1.China Electric Power Research Institute；2.State Grid Zhenjiang Power Supply Company；3.Beijing University of Posts and Telecommunications

Abstract： To facilitate the participation of large-scale, flexible air conditioning loads in demand response programs, enabling "source-load interaction" and ensuring the safe and economical operation of the power grid, various research institutions conducted real-time control simulation and practical studies on building air conditioning demand response. However, accurately estimating and forecasting air conditioning load remains a significant challenge. Current mainstream approaches include model-driven and data-driven methodologies. The model-driven approach relies on air conditioning load modeling, which struggles to capture the complex variations of the load. On the other hand, the data-driven approach depends on extensive data for model training, but often fails to account for the diverse characteristics of air conditioning loads. Therefore, this paper aims to integrate both model-driven and data-driven approaches to intelligently fit air conditioning loads, thereby improving the accuracy and adaptability of air conditioning load forecasting and generation. The paper proposes a load generation method and model AirGAN that combines mechanism models with Generative Adversarial Networks (GANs). This method continuously adjusts the hyperparameters of the physical model to better match the actual air conditioning load characteristics using virtual data generated by the GAN generator. Additionally, the GAN discriminator is employed to evaluate the load predicted by the mechanism model, thereby training the mechanism model to enhance its prediction accuracy.

Key words : GAN；nonlinear optimization；load generation；smart grid

引言

空調(diào)負荷的準確預測與生成一直是暖通空調(diào)系統(tǒng)優(yōu)化中的核心挑戰(zhàn)之一。由于空調(diào)負荷受多種復雜因素的影響，如室內(nèi)外環(huán)境、建筑結(jié)構(gòu)、設備運行以及歷史負荷數(shù)據(jù)，如何準確預測并生成負荷數(shù)據(jù)成為一個持續(xù)困擾研究人員的難題。近年來，相關(guān)領(lǐng)域的研究者通過多種方法對空調(diào)負荷的預測與生成進行探索，形成了以優(yōu)化模型與神經(jīng)網(wǎng)絡為核心的兩大研究方向。

在優(yōu)化模型方面，研究人員通過建立空調(diào)負荷模型來提升預測精度。陳恒波等人提出了一種基于變分模態(tài)分解的短期負荷自動預測方法[1]，綜合考慮了室內(nèi)外環(huán)境、建筑特性、設備負荷及歷史數(shù)據(jù)，并構(gòu)建了適應復雜負荷變化的預測模型，以確保短期負荷預測的準確性。類似地，宋文杰基于傅里葉變換提出了一種新的負荷特征提取方法[2]，相比傳統(tǒng)的時域提取方法，該方法在頻域中的表現(xiàn)更為有效，提升了對復雜負荷特征的捕捉能力。此外，馮瑞豪采用隱性馬爾可夫過程對負荷數(shù)據(jù)進行分解與建模[3]，進一步增強了模型對負荷數(shù)據(jù)復雜性的表達。

氣象因素與電力負荷之間的密切關(guān)聯(lián)也是研究的重要領(lǐng)域。張廣倫基于改進的FCI算法提出了一種電力負荷與氣象數(shù)據(jù)因果關(guān)系辨識方法[4]，利用氣象因素如溫度、風速、輻射等外部環(huán)境變量提高了負荷預測的精準性。叢琳在多目標優(yōu)化的基礎(chǔ)上提出了一種結(jié)合多維度目標的空調(diào)負荷預測模型[5]，使得預測結(jié)果更加科學且符合實際需求。與此同時，江熙通過極限學習機對新能源微電網(wǎng)的短期負荷進行了預測[6]，并采用反饋優(yōu)化機制提升了負荷預測的準確性。

隨著深度學習技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡在負荷預測中的應用逐漸成為主流。胡競帆利用神經(jīng)網(wǎng)絡提高了建筑空調(diào)負荷預測的動態(tài)擬合能力[7]，展示了神經(jīng)網(wǎng)絡在處理復雜非線性數(shù)據(jù)上的優(yōu)勢。翁衛(wèi)兵等人通過將卷積神經(jīng)網(wǎng)絡、遺傳算法和極限梯度提升樹等算法相結(jié)合[8]，提升了空調(diào)冷水機組負荷預測的準確性。此外，任禹丞提出了一種自適應滑動窗口的LSTM預測方法[9]，針對傳統(tǒng)LSTM模型在處理負荷預測中的局限性進行改進，提升了其對長時間序列數(shù)據(jù)的適應性。在此基礎(chǔ)上，蔡美玲等人提出了基于Transformer的多變量時間序列預測方法[10]，并將該模型應用于負荷異常行為的檢測中，有效應對了空調(diào)負荷的復雜波動性。

負荷生成方法也取得了顯著進展，尤其是生成對抗網(wǎng)絡的引入，為負荷數(shù)據(jù)生成提供了新的思路。時純將多通道CNN與生成對抗網(wǎng)絡（Generative Adversarial Networks, GAN）相結(jié)合，提出了一種電力系統(tǒng)暫態(tài)穩(wěn)定評估方法[11]，通過生成器與判別器的交替訓練提高了模型的穩(wěn)定性和精度。許軍金進一步結(jié)合GRU預測算法與GAN[12]，實現(xiàn)了數(shù)據(jù)生成與負荷預測的協(xié)同優(yōu)化，增強了負荷生成數(shù)據(jù)的代表性與預測精度。陳志強利用GAN對負荷數(shù)據(jù)的擬合能力，提出了一種基于GAN模型的電網(wǎng)用電安全數(shù)據(jù)生成方法[13]。針對負荷數(shù)據(jù)的缺失問題，劉志堅等人提出了基于雙通道GAN的負荷數(shù)據(jù)補全方法[14]，為解決數(shù)據(jù)缺失提供了有效方案。

此外，序列數(shù)據(jù)生成技術(shù)也逐漸成為負荷生成研究的熱點。朱春強等人提出了基于多判別器TimeGAN的序列數(shù)據(jù)生成方法[15]，通過引入時域、頻域、自相關(guān)特征等多維度判別器，提升了原始數(shù)據(jù)的判別能力與生成數(shù)據(jù)的質(zhì)量。羅萍萍等人則提出了一種基于CGAN的負荷場景生成方法[16]，提升了在特殊氣象條件下負荷場景生成的泛化能力。

本研究提出了一種創(chuàng)新的負荷生成模型AirGAN，結(jié)合了機制模型與生成對抗網(wǎng)絡的優(yōu)勢。該方法首先利用GAN生成器生成虛擬數(shù)據(jù)，進而持續(xù)優(yōu)化物理模型的超參數(shù)，以確保其能夠更有效地匹配實際空調(diào)負荷特性。與此同時，采用GAN判別器對機制模型所預測的負荷進行判別，從而為機制模型的訓練提供反饋信息，反向傳遞對機理模型進行優(yōu)化。這一過程不僅增強了機制模型對負荷特征的適應性，也顯著提升了其預測精度。通過這種結(jié)合機制模型與GAN的雙重策略，能夠更精確地模擬和預測空調(diào)系統(tǒng)的負荷變化，為相關(guān)領(lǐng)域的研究與應用提供了新的思路和方法。

本文詳細內(nèi)容請下載：

http://www.jysgc.com/resource/share/2000006554

作者信息：

徐玉婷1，劉暢1，王雨薇2，吳含青2，陳偉杰3

（1.中國電力科學研究院有限公司，北京 100192；

2.國網(wǎng)鎮(zhèn)江供電公司，江蘇鎮(zhèn)江 212000；

3.北京郵電大學，北京 100876）

Magazine.Subscription.jpg

原創(chuàng)聲明：此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容