日韩欧美一区二,日韩一二三区不卡在线视频,久久这里只有精品视频首页

AirGAN：空调机理模型增强生成对抗模型

电子技术应用

徐玉婷1，刘畅1，王雨薇2，吴含青2，陈伟杰1

1. 中国电力科学研究院有限公司；2. 国网镇江供电公司

摘要： 为引导资源庞大、调控灵活的空调负荷参与需求响应实现“源荷互动”，保障电网的安全经济运行，各大研究单位开展了楼宇空调需求响应实时控制仿真与实践研究。然而，如何准确地估算空调的负荷，并对空调负荷进行预测是目前面临的重要挑战。当前主流方法包括模型驱动型、数据驱动型两种方法体系。其中模型驱动型依赖对空调负荷的建模，难以实现对空调负荷复杂变化的模拟。数据驱动则是依赖大量数据进行模型训练，但难以覆盖空调负荷的各类特点。为此，拟从模型驱动及数据驱动相结合的角度进行空调负荷的智能拟合，以提升空调负荷生成预测的准确性和适应性。提出了一种基于机制模型与生成对抗网络（GAN）相结合的负荷生成方法和模型AirGAN。该方法通过GAN生成器生成的虚拟数据，持续调整物理模型的超参数，以使其更好地符合实际空调负荷特性。同时，采用GAN判别器对机制模型预测的负荷进行判别，以此训练机制模型，从而提升其预测精度。

關(guān)鍵詞： 生成对抗网络非线性优化负荷生成智能电网

中圖分類號：TP319 文獻(xiàn)標(biāo)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(jī)理模型增強(qiáng)生成對抗模型[J]. 電子技術(shù)應(yīng)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(fù)荷的準(zhǔn)確預(yù)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(fù)荷受多種復(fù)雜因素的影響，如室內(nèi)外環(huán)境、建筑結(jié)構(gòu)、設(shè)備運(yùn)行以及歷史負(fù)荷數(shù)據(jù)，如何準(zhǔn)確預(yù)測并生成負(fù)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(fù)荷的預(yù)測與生成進(jìn)行探索，形成了以優(yōu)化模型與神經(jīng)網(wǎng)絡(luò)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(fù)荷模型來提升預(yù)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(fù)荷自動預(yù)測方法[1]，綜合考慮了室內(nèi)外環(huán)境、建筑特性、設(shè)備負(fù)荷及歷史數(shù)據(jù)，并構(gòu)建了適應(yīng)復(fù)雜負(fù)荷變化的預(yù)測模型，以確保短期負(fù)荷預(yù)測的準(zhǔn)確性。類似地，宋文杰基于傅里葉變換提出了一種新的負(fù)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(fù)雜負(fù)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(fù)荷數(shù)據(jù)進(jìn)行分解與建模[3]，進(jìn)一步增強(qiáng)了模型對負(fù)荷數(shù)據(jù)復(fù)雜性的表達(dá)。

氣象因素與電力負(fù)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(jìn)的FCI算法提出了一種電力負(fù)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(fēng)速、輻射等外部環(huán)境變量提高了負(fù)荷預(yù)測的精準(zhǔn)性。叢琳在多目標(biāo)優(yōu)化的基礎(chǔ)上提出了一種結(jié)合多維度目標(biāo)的空調(diào)負(fù)荷預(yù)測模型[5]，使得預(yù)測結(jié)果更加科學(xué)且符合實際需求。與此同時，江熙通過極限學(xué)習(xí)機(jī)對新能源微電網(wǎng)的短期負(fù)荷進(jìn)行了預(yù)測[6]，并采用反饋優(yōu)化機(jī)制提升了負(fù)荷預(yù)測的準(zhǔn)確性。

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用逐漸成為主流。胡競帆利用神經(jīng)網(wǎng)絡(luò)提高了建筑空調(diào)負(fù)荷預(yù)測的動態(tài)擬合能力[7]，展示了神經(jīng)網(wǎng)絡(luò)在處理復(fù)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(luò)、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(jī)組負(fù)荷預(yù)測的準(zhǔn)確性。此外，任禹丞提出了一種自適應(yīng)滑動窗口的LSTM預(yù)測方法[9]，針對傳統(tǒng)LSTM模型在處理負(fù)荷預(yù)測中的局限性進(jìn)行改進(jìn)，提升了其對長時間序列數(shù)據(jù)的適應(yīng)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(yù)測方法[10]，并將該模型應(yīng)用于負(fù)荷異常行為的檢測中，有效應(yīng)對了空調(diào)負(fù)荷的復(fù)雜波動性。

負(fù)荷生成方法也取得了顯著進(jìn)展，尤其是生成對抗網(wǎng)絡(luò)的引入，為負(fù)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(luò)（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(xùn)練提高了模型的穩(wěn)定性和精度。許軍金進(jìn)一步結(jié)合GRU預(yù)測算法與GAN[12]，實現(xiàn)了數(shù)據(jù)生成與負(fù)荷預(yù)測的協(xié)同優(yōu)化，增強(qiáng)了負(fù)荷生成數(shù)據(jù)的代表性與預(yù)測精度。陳志強(qiáng)利用GAN對負(fù)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(fù)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(fù)荷數(shù)據(jù)補(bǔ)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(fù)荷生成研究的熱點(diǎn)。朱春強(qiáng)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(fù)荷場景生成方法[16]，提升了在特殊氣象條件下負(fù)荷場景生成的泛化能力。

本研究提出了一種創(chuàng)新的負(fù)荷生成模型AirGAN，結(jié)合了機(jī)制模型與生成對抗網(wǎng)絡(luò)的優(yōu)勢。該方法首先利用GAN生成器生成虛擬數(shù)據(jù)，進(jìn)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(fù)荷特性。與此同時，采用GAN判別器對機(jī)制模型所預(yù)測的負(fù)荷進(jìn)行判別，從而為機(jī)制模型的訓(xùn)練提供反饋信息，反向傳遞對機(jī)理模型進(jìn)行優(yōu)化。這一過程不僅增強(qiáng)了機(jī)制模型對負(fù)荷特征的適應(yīng)性，也顯著提升了其預(yù)測精度。通過這種結(jié)合機(jī)制模型與GAN的雙重策略，能夠更精確地模擬和預(yù)測空調(diào)系統(tǒng)的負(fù)荷變化，為相關(guān)領(lǐng)域的研究與應(yīng)用提供了新的思路和方法。

本文詳細(xì)內(nèi)容請下載：

http://www.tom3567.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1

（1.中國電力科學(xué)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；）

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