基于预测的能量存储系统控制方法，采用动态精度加权技术

《Advances in Applied Energy》：Prediction-Based Control of Energy Storage Systems Using Dynamic Accuracy Weighting

本研究提出动态加权误差（DWE）指标，结合HVAC领域知识，通过动态调整各小时预测误差权重，有效解决传统预测指标（如MAPE、CV-MAE、CV-RMSE）与能源存储系统控制性能不匹配的问题。实验表明，DWE在六个建筑案例中可将运营成本降低6.5%，且在10种储能容量和18种时间电价场景下达到93.9%-97.2%的理想成本缩减率，优于传统指标86.4%-95.4%。动态加权误差通过整合储能容量、时间电价和负荷预测动态调整权重，实现预测模型与控制策略的协同优化。

　　近年来，随着人工智能技术在建筑能源管理中的广泛应用，如何提升能源存储系统（Energy Storage System, ESS）的控制性能成为研究的热点。传统上，研究者普遍采用均方根误差（RMSE）、平均绝对百分比误差（MAPE）以及平均绝对误差的变异系数（CV-MAE）等指标来评估负载预测模型的准确性。然而，这些指标在实际应用中暴露出一个关键问题：它们并不能准确反映最终控制性能，因此，模型预测精度最高并不意味着控制效果最佳。为了解决这一问题，本文提出了一种基于动态权重的误差评估方法，该方法通过引入建筑环境中的领域知识，特别是供暖、通风与空调系统（HVAC）的特性，实现了对负载预测模型选择的优化，并显著提升了能源存储系统的控制性能。

建筑能源存储系统在节能、降低运营成本和减少碳排放方面发挥着重要作用。例如，基于冰蓄冷技术的冷却负荷移位系统（Ice Thermal Energy Storage, ITES）已被证明在建筑冷却负荷管理中具有较高的效率。随着电网提供时间电价（Time-of-Use, TOU）和碳排放因素等激励机制，建筑物可以利用能源存储系统将负荷转移至电价较低或碳排放较低的时间段，从而有效降低成本并支持电网的低碳化发展。然而，当前的负载预测模型在选择上仍然面临挑战，尤其是在如何将预测精度与控制效果更好地结合方面。

研究发现，现有的预测精度指标与控制性能之间存在明显的不一致性。例如，某些模型虽然在预测精度上表现优异，但在实际控制过程中却未能实现最佳的节能效果。这种现象表明，传统的评估方式未能充分考虑不同时间段内预测误差对控制策略的影响。在某些关键时间段，如电价较高或系统储能接近上限时，准确的预测尤为关键，而这些时间段的误差往往被传统的静态误差指标所忽视。因此，研究者开始探索一种新的方法，通过引入动态权重机制，将预测误差与控制策略的实际需求相结合，从而实现更有效的模型选择。

本文提出的动态加权误差（Dynamically Weighted Error, DWE）方法正是基于这一思路。DWE通过结合系统相关的权重（如储能容量和电价）与时间相关的权重（如预测误差随时间的重要性变化），构建了一个更贴近实际控制需求的评估体系。具体而言，系统相关的权重考虑了储能系统在不同时间点的运行状态，而时间相关的权重则反映了预测误差在不同时间段对控制策略的影响程度。通过这种方式，DWE能够更准确地衡量模型在关键时段的预测精度，并据此优化控制策略，从而实现更高的成本节约率。

在六座建筑案例中，研究团队使用了180个基于人工智能的负载预测模型，并结合DWE与其他传统指标（如MAPE、CV-MAE和CV-RMSE）进行了对比分析。结果显示，DWE在所有六个案例中均表现出更强的单调性和确定性。在预测精度相同的情况下，DWE能够实现更稳定的成本节约率，表明其在模型选择和控制优化方面具有更高的可靠性。此外，DWE在10种不同的储能容量和18种不同的TOU电价结构下均表现出良好的可扩展性，达到了理想成本节约率的93.9%–97.2%，而传统指标的实现率则在86.4%–95.4%之间。这说明，DWE不仅在单一建筑中表现优异，而且具备较强的适应性和通用性，适用于不同规模和不同电价结构下的能源存储系统。

为了进一步验证DWE的实际应用价值，研究团队开发了一个基于网页的工具，该工具能够帮助研究人员和工程师在实际场景中快速计算DWE，并根据不同的控制需求进行动态调整。这一工具的推出不仅提升了DWE的可操作性，还为后续的工程应用提供了便利。通过该工具，用户可以输入相关数据，如储能容量、电价结构和预测负荷，从而自动生成DWE指标，并据此选择最优的负载预测模型。这为实现高效、智能的能源存储系统控制提供了技术支持。

在实际应用中，DWE方法的优势体现在多个方面。首先，它能够动态调整模型选择策略，使得预测模型更符合实际控制需求，从而提升整体控制效果。其次，DWE考虑了不同时间段内预测误差的重要性变化，避免了传统指标对所有时间点均等对待的局限性。这种设计使得模型在关键时段的预测精度对控制性能的影响得到充分重视，从而在实际操作中实现更高效的能源利用。此外，DWE方法还能够适应不同类型的能源存储系统，如电池储能、相变材料储能和水储能系统等，只要这些系统具备类似的负载预测和控制需求，DWE均能有效应用。

尽管DWE方法在多个案例中表现出色，但研究者也指出了一些潜在的局限性。例如，在某些特定的储能系统（如地下水储能、地坑储能等）中，由于储能和释放速率较低，DWE方法可能无法充分发挥其优势。此外，在需要每小时或更细粒度决策的场景中，如优化冷水机组组合的运行策略，DWE方法同样面临一定的挑战。因此，未来的研究可以进一步探讨如何在这些特定场景中优化DWE的应用，或者开发新的误差评估指标，以适应更复杂和多样化的控制需求。

本文还提出了一个重要的研究方向：如何通过DWE方法推动人工智能模型的优化。传统的预测模型通常依赖于固定的损失函数，而DWE作为一种新的误差评估指标，可以作为优化目标函数的一部分，引导模型在关键时段上更精确地预测负荷。这种方法不仅能够提升模型的预测精度，还能够增强其在实际控制中的适应性和鲁棒性。此外，未来的研究可以结合更先进的机器学习技术，如集成学习和强化学习，进一步探索如何利用DWE优化模型结构和参数设置，从而提升预测性能。

总的来说，本文通过引入DWE方法，为提升基于负载预测的能源存储系统控制性能提供了一个全新的视角。该方法不仅能够克服传统预测精度指标的不足，还能够通过动态权重机制，使模型选择更加贴近实际需求。同时，DWE方法的可扩展性和可操作性也为未来的工程应用奠定了基础。随着人工智能和领域知识的进一步融合，DWE有望成为能源存储系统控制中的重要工具，推动建筑能源管理向更智能、更高效的方向发展。