《Energy Conversion and Management-X》：Introduction of a thermal peak-shaving strategy for buffer storage utilization in multi-residential buildings and prediction of the dampened power profile by data driven models
编辑推荐：
峰值功率需求对可再生区域供热（DH）网络构成重大挑战，因其通常由燃气辅助锅炉满足。优化利用用户侧水力装置中的分布式缓冲储热罐是解决该问题的一种有前景的方法。针对一座具有并联空间供暖（SH）与生活热水（DHW）供应及缓冲储热罐的多户住宅建筑，研究人员在仿真工具中
峰值功率需求对可再生区域供热（DH）网络构成重大挑战，因其通常由燃气辅助锅炉满足。优化利用用户侧水力装置中的分布式缓冲储热罐是解决该问题的一种有前景的方法。针对一座具有并联空间供暖（SH）与生活热水（DHW）供应及缓冲储热罐的多户住宅建筑，研究人员在仿真工具中开发了一种削峰控制策略，与基于温度阈值的典型泵控 lf控制相比，可实现53.3%的峰值功率削减，与无缓冲储热系统的直接热耗功率相比可实现31.9%的峰值功率削减。由于预期功率与回水温度曲线的快速预测对区域供热运营商调整其运行策略至关重要，研究人员开发并评估了线性动态模型与神经网络方法。带外生输入的自回归模型（ARX）取得了相当好的预测精度（功率平均百分比误差（MAPE）为5.4%，回水温度为4.7%），同时计算效率高（在32 GB CPU上耗时11秒）。卷积神经网络（CNN）-长短期记忆网络（LSTM）架构提供更高精度，但计算成本更高（在32 GB GPU上耗时40秒）。由网格搜索确定的最佳CNN-LSTM模型，针对年空间供暖需求74至354 MWh、空间供暖与生活热水需求比值0.8至8.2的建筑进行了评估。功率预测的年均MAPE为2.6%至3.9%，回水温度预测为0.7%至1.0%。
气候变化被描述为人类未来数年面临的最大威胁之一，温室气体浓度因化石燃料主导的能源供应而快速增加。建筑能耗占全球能源消耗的36%，其中空间供暖（SH）约占三分之一，因此建筑 sector 能源供应的去化石燃料化对缓解气候变化至关重要。区域供热（DH）在向零CO?排放供暖转变中可发挥关键作用，尤其在城市密集区域，因其能整合多种波动性可再生热源并协调供需。然而，当前区域供热系统的热源仍以化石燃料为主，向100%可再生区域供热系统转型需要更多运行灵活性以调控峰值负荷或转移热需求。由于大多数可再生热源调度性和可编程性较低，需要灵活性方案来克服热源可用性与需求之间的不匹配，包括利用管网本身、大型季节性储热或用户侧方案。在用户侧，分布式缓冲储热罐具有显著的削峰潜力，但这些储热罐通常仅作为水力开关使用，其潜力未被充分挖掘。通过优化缓冲储热罐的充放策略，可平滑用户侧热功率曲线并降低连接容量需求。此外，对建筑热功率及回水温度曲线的预测对区域供热运营商调整管网控制策略也具有重要意义。
该研究聚焦于多户住宅建筑中并联空间供暖与生活热水供应系统的水力配置，旨在开发一种不依赖用户行为或上层控制的削峰策略，并建立能预测削峰后功率曲线和回水温度曲线的神经网络模型。现有研究多集中于整体区域供热网络或单一负荷的预测，缺乏对用户侧缓冲储热削峰策略下建筑功率与回水温度联合预测的研究。研究人员采用Polysun动态水力仿真软件建立典型技术机房模型，包含3000升缓冲储热罐、空间供暖回路、生活热水换热器及储热水箱等组件。基于实测数据校准后，开发了新型连续泵控制逻辑：通过计算储热罐的状态荷电（SOC），即基于温度和?含量的加权变量，确定相对于上一时间步的最大允许流量变化和总流量限制，实现热负荷的平滑调度。
为生成训练与测试数据，研究人员使用来自奥地利W?rgl市64户住宅建筑的一年实测数据，通过Polysun仿真生成不同空间供暖与生活热水需求组合下的功率曲线和二次侧回水温度曲线。训练数据涵盖5年（第1-5年，基于原始数据及统计变异生成），验证年1年（第6年），测试年3年（第7-9年）。空间供暖年需求变化范围为180-400 MWh，生活热水为50-150 MWh。
在模型方法方面，研究人员首先测试了带外生输入的自回归模型（ARX）作为线性基线，采用网格搜索优化自回归阶数na、输入系数阶数nb及滞后项结构，使用岭回归进行系数估计。其次构建了深度神经网络模型，采用Keras框架，测试了纯CNN、纯LSTM及CNN-LSTM组合架构。CNN部分包含两个Conv1D层，参数包括滤波器数量（64/32或128/64）、卷积核尺寸（3或5）等；LSTM部分包含三层，单元数分别测试256-128-64和128-64-32两种配置。通过网格搜索共训练72个模型，评价指标为平均绝对误差（MAE）和平均百分比误差（MAPE）。最佳CNN-LSTM模型采用128-64滤波器、5-3卷积核、128-64-32 LSTM单元、MAE损失函数及32批量大小，在NVIDIA A30 GPU上完成训练。
研究结果部分，"峰值削减缓冲充注策略的评价"显示：与传统阶梯式控制相比，新型削峰控制使区域供热子站功率峰值从超过200 kW降至约100 kW以上，年峰值功率削减率达53.3%；与无缓冲储热的直接消费相比削减31.9%。同时，年能量加权平均回水温度从47.2°C降至43.8°C，降低3.4 K。
"自回归外生输入模型"结果表明：低阶ARX模型（na=4, nb=3, nk=[96,192,288]）自由运行预测的年均MAPE为功率5.4%、回水温度4.8%；高阶ARX模型（na=96, nb=96）功率MAPE降至4.7%，回水温度4.7%。残差分析显示ARX模型能较好地捕捉线性动态，但存在短期自相关和周期性结构，表明系统存在未完全捕捉的非线性和状态依赖特性。ARX模型计算效率极高，全年预测仅需11秒。
"神经网络：CNN-LSTM"部分表明：网格搜索中功率预测MAE从952 W到1804 W不等，最佳模型MAE为952 W（MAPE 2.4%）；回水温度预测MAE从0.32°C到0.50°C，最佳模型0.32°C（MAPE 0.7%）。序列长度测试显示96、192、288时间步的性能差异较小。纯CNN模型功率MAPE为3.6%、回水温度0.9%，预测时间25秒；纯LSTM模型性能较差，功率MAPE 6.6%，预测时间80秒。
"动态线性模型与神经网络的比较讨论"指出：ARX模型作为强线性基线具有计算速度优势，但无法捕捉长期依赖和状态依赖控制动态；CNN-LSTM通过隐式学习紧凑潜在表示，能更高效地表示多尺度和非线性相互作用，以40秒计算时间获得最高精度，适合集成到管网级仿真中。
"最准确模型泛化能力评价"显示：该模型对年空间供暖需求74-354 MWh、空间供暖与生活热水比值0.8-8.2的建筑具有良好的泛化能力。测试年7（211 MWh空间供暖，88 MWh生活热水）功率年均MAPE 2.6%，回水温度0.7%；测试年8（354 MWh空间供暖，43 MWh生活热水，高空间供暖需求比）功率MAPE 3.9%，回水温度1.0%；测试年9（74 MWh空间供暖，88 MWh生活热水，低空间供暖需求比）功率MAPE 3.3%，回水温度1.0%。
"局限性讨论"部分说明：模型适用范围限于并联空间供暖与生活热水供应、缓冲储热罐供热的多户住宅建筑，不适用于单户住宅或办公楼等不同水力配置。系统总热需求上限约450 MWh（空间供暖350 MWh加生活热水），下限取决于建筑损失大小。缓冲储热罐容积固定为3000升，对不同容积（1500-6000升）的预测存在约5-8%的峰值功率偏差。模型训练基于Polysun仿真数据而非实测数据，生活热水需求的统计不确定性会影响预测精度。计算时间方面，全年预测40秒、48小时预测15秒，适合自动化和多建筑并行预测。
研究结论部分翻译如下：在该项工作中，开发了一种削峰控制策略，并测试了两类数据驱动模型（线性动态模型和神经网络模型）以预测区域供热子站的热功率和回水温度。在Polysun中建立了空间供暖与生活热水并联供应的典型水力配置，并使用来自实测及其变异的空间供暖和生活热水负荷曲线。削峰控制策略利用指代分布式缓冲储热罐当前能量和?含量的变量来确定充注过程。与基于温度阈值的典型阶梯式控制逻辑相比，削峰缓冲充注策略实现了区域供热子站53.3%的峰值功率削减，与直接消费相比削减31.9%。削峰充注策略的年均二次侧回水温度比阶梯式充注策略降低3.4 K。
为预测子站处的削峰功率曲线，测试了不同的数据驱动模型。由于二次侧回水温度也是完全描述子站的必要参数，其预测被纳入模型。在神经网络研究之前，首先评估了线性动态模型作为计算高效的基线方法。ARX模型在子站功率（na=4, nb=3和nk=[96,192,288]时MAPE为5.4%）和二次侧回水温度（na=2, nb=3和nk=[96,192,288]时MAPE为4.8%.8%）方面均取得了良好的预测精度。这意味着系统行为的很大一部分可以通过线性输入-输出关系和自回归动态来解释。然而，残差分析揭示了剩余的短期自相关和循环结构，表明底层系统动态未被线性框架完全捕捉。更高的自回归阶数（na=nb=96）仅略微提高了预测精度，未能消除残差结构。
因此，研究了神经网络方法，特别是CNN-LSTM，以在不需显式系统假设的情况下捕捉这些时间依赖。为确定典型选项中的最佳参数组合而进行的网格搜索表明，parameter最佳预测精度的CNN-LSTM模型具有128-64个滤波器和5-3的卷积核用于CNN层，LSTM部分为128-64-32个单元，采用MAE损失函数和32的批量大小。对于年空间供暖需求218 MWh、年生活热水需求88 MWh的测试年，功率预测的年均百分比误差为2.6%，回水温度预测为0.7%。纯CNN架构也取得了相当好的结果，功率预测年均MAPE为3.6%，回水温度预测为0.9%。CNN-LSTM最高精度模型在年空间供暖需求高达350 MWh、空间供暖与生活热水需求比值0.8至8.2的范围内显示了良好的泛化能力，尽管存在一些局限性，如对不同缓冲储热罐尺寸的预测精度降低，或需要对生活热水循环损失进行手动校正。这些局限性就其性质而言适用于所有数据驱动模型。然而，它们的优势在于易于在Python环境中加载、多建筑自动化处理、一定程度的可扩展性，这些都是集成到管网级优化的要求。ARX模型在优先考虑低计算量和快速计算（使用32 GB CPU耗时11秒）的应用中具有吸引力，而CNN模型可能是计算时间（使用32 GB GPU耗时25秒）方面有趣折衷方案。然而，CNN-LSTM方法提供了最高的预测精度和对底层系统动态的最佳表示，使用32 GB GPU的仿真时间为40秒。相比之下，Polysun仿真全年也需要40秒，这不包括输入配置文件的读取和结果导出。该过程必须对每个建筑分别手动进行，额外需要一到两分钟。这使得Polysun仿真工具不适用于多建筑的自动化负荷曲线预测和集成到管网级仿真中，而所提出的模型应能满足这一目的。对于统计生活热水需求估算和基于室外温度的热负荷预测，使用这种充注策略可以同时预测许多建筑的削峰功率和回水温度。这可以集成到由管网运营商运行的区域供热控制软件中。
