一种用于大学建筑能源管理的混合智能方法：结合GABP预测与改进的PSO调度算法

《Renewable Energy》：A Hybrid Intelligent Approach for University Building Energy Management: Integrating GABP Prediction with Improved PSO Scheduling

　　陈吕阳|吴伟|何业聪|陈雅婷|钟鹤鸿|李思辉|张晓峰|张玉倩中国湖南省长沙市410114，长沙理工大学能源与动力工程学院摘要精确的能源负荷预测对于优化集成可再生能源系统，尤其是建筑一体化光伏系统，以及推动建筑领域的“双碳”目标具有重要意义。一个全面的能源系统研究应涵盖精准的负荷预测、高效的能源系统以及有效的优化调度。虽然基于神经网络的预测模型容易陷入局部最优解，而传统的粒子群优化算法在微电网优化中存在收敛速度慢且约束处理机制僵化的问题。因此，本文提出了一种基于能量级分类的GABP（基于遗传算法的反向传播）负荷预测模型，并构建了一个包含教学楼、实验楼和宿舍楼的微电网系统。为最小化日常综合供电成本，采用了改进的粒子群优化算法进行低碳调度。改进措施包括：自适应惯性权重从0.9线性递减至0.4，以平衡全局搜索和局部搜索；在速度更新后进行变异操作，以扩大搜索范围并避免陷入局部最优解。实验结果表明，优化后的负荷预测模型具有更高的精度，教学楼、实验楼和宿舍楼的MAE、RMSE和MSE分别降低了9%、5.7%和1%，R2值则分别提高了9%、5.7%和1%。优化后，这三天典型的日经济效益分别提升了503.2%（6月23日）、450.3%（9月11日）和96.5%（12月25日）。这三天的碳排放量分别减少了160.0公斤、197.2公斤和485.5公斤。本研究为构建零碳校园微电网提供了理论依据。引言精确的电力负荷预测对于有效制定电力管理策略至关重要，尤其是对于能够同时发电并调节建筑热负荷的建筑一体化光伏系统而言。全球能源需求的不断增长使得减少碳排放和控制环境污染成为全球性的重要挑战。集成能源系统作为一种涵盖能源生产、传输、存储和消费的综合性解决方案，被广泛认为是利用可再生能源的有效技术。目前关于集成能源系统的研究主要聚焦于负荷预测、系统建模或优化调度等单一方面。一个完整的微电网能源系统应整合三个核心要素：精准的预测模型、高效的系统建模以及有效的调度策略。基于精准的负荷预测建立最优调度策略，对于缓解可再生能源的高波动性、提高能源利用效率以及实现建筑领域的双碳目标具有重要意义。目前，大多数关于负荷预测的研究都是基于神经网络来预测办公建筑的能源消耗。Waheed等人采用纯数据驱动的深度神经网络，Su等人通过图网络捕捉时空依赖关系，Tully等人则使用扩张因果卷积神经网络预测区域气流。这些代表了不同的负荷预测神经网络架构。然而，神经网络优化过程中的收敛机制容易导致参数陷入局部最小值，无法获得全局最优解，从而大大增加了能源消耗预测的难度。为了解决传统神经网络优化中的局部最优收敛问题，可以采用一种混合策略，将遗传算法的全局搜索能力与神经网络的非线性映射能力相结合，构建多模态优化框架。特征选择对预测模型的准确性具有重要意义，包括利用建筑特性、气候参数和时间序列数据作为预测模型的输入。然而，由于受到多种因素的影响，电力消耗预测往往表现不佳且精度较低。通过对能源消耗进行分类，可以将各种影响因素归纳到特定范围内，从而帮助理解使用模式并降低变化性，进而为能源管理策略提供支持。此外，可再生能源的随机性和波动性也给并网系统的稳定性带来了挑战。多个微电网集群可以有效提升单个微电网对干扰的恢复能力，通过分布式自我管理和相互协作实现相邻微电网之间的资源互补，从而提高系统的经济性和可靠性。与现有研究中的园区级或公共建筑微电网不同，我们所研究的教学-实验-宿舍微电网明确考虑了不同建筑运营时间表之间的时空互补性。这种将负荷特性分析与多微电网协调相结合的方法，为微电网架构带来了新的思路。表1总结了上述参考文献。目前关于微电网的研究主要集中在人员时空分布相对稳定的办公建筑上，在大学建筑的能源消耗模式识别、负荷特性分析以及模型构建等方面还存在明显的研究空白。关于潮汐能等其他可再生能源的预测研究也相对较少。能够提高预测精度的高精度数值方法应用也较为匮乏。此外，目前关于集成能源系统的研究主要聚焦于负荷预测、系统建模或最优调度等单一方面，尚未有研究全面系统地覆盖微电网能源系统的这三个方面，这使得多能源系统的协同优化和能源效率的全面提升变得困难。同时，传统的微电网优化方法存在收敛速度慢且约束处理僵硬的问题，难以在可再生能源波动、时空负荷差异以及分时电价等复杂情况下快速准确地制定调度方案。因此，运用改进的粒子群优化算法研究大学中集成光伏-储能建筑的负荷预测和最优调度具有重要的现实意义。本文基于能量级分类建立了GABP驱动的能源消耗预测模型。我们没有直接预测波动较大的数值型消耗量，而是将能源消耗划分为基于百分位的离散类别，并结合周数因素进行扩展，从而降低了波动性和离散性，无需外部天气或占用率数据，显著提高了预测精度，还能实现多日（最多15天）的预测，为后续的优化调度提供支持。在此基础上，本文开发了针对教学-实验-宿舍微电网的提前一天优化模型，并采用改进的粒子群优化算法来实现经济高效的调度，提高能源效率并降低运营成本。以往的研究要么单独研究预测问题，要么仅关注微电网的配置和调度，但没有研究能在基于真实大学数据的统一框架下整合这三个方面。本文创新地将能源预测、负荷特性分析和多微电网优化整合到一个统一的分析框架中，这是现有研究中未曾出现的，为在大学校园构建微电网能源系统提供了从理论到实践的完整解决方案。虽然BP、GA和PSO等单一技术已经十分成熟，但它们与能量级分类的新颖结合，以及为多建筑提前调度所做的特定改进，构成了本项工作的主要贡献。该框架针对大学建筑的特殊负荷模式，为构建校园零碳微电网提供了可行的路径。本文开展了以下研究：●提出了基于能量级分类的GABP负荷预测模型●建立了教学-实验-宿舍建筑微电网的最优调度模型●开发了改进的粒子群算法，用于优化大学建筑微电网系统的调度●提供了一个集理论性和实用性于一体的校园微电网能源管理框架，并通过定量经济指标和碳排放指标进行了验证。建筑描述本研究调查了长沙某大学的三类建筑：宿舍楼、教学楼和实验楼。它们的详细特点见附录1和附录2。教学楼主要用于上课，其运行时间和能源消耗集中在教室和教师休息室。实验楼主要由实验室和会议室组成，其日常使用率很高，能源消耗结构较为复杂。BP神经网络图5展示了神经网络的结构。本文所使用的神经网络是基于误差反向传播算法的多层前馈神经网络。微电网最优调度模型基于前文建立的教学楼-实验楼-宿舍楼的负荷预测模型，构建了该微电网的提前一天优化调度模型。该模型的输入参数包括三栋建筑的电力负荷、光伏发电容量、储能设备参数以及电网电力购售价格。系统微电网最优调度结果图19显示了实验楼、宿舍楼和教学楼每月的光伏发电量和负荷需求情况。选择了6月、9月和12月作为典型月份，以体现季节性微电网调度场景。根据负荷匹配结果，应用能量级分类预测方法，对6月23日、9月4日和12月25日这三天典型的调度日进行负荷范围预测，以便进一步分析。结论本文提出了一种基于能量级的GABP负荷预测方法以及一种改进的PSO调度模型，用于多建筑校园微电网（教学楼、实验楼、宿舍楼）的优化。主要研究成果如下：通过對建筑能源消耗进行分类，该系统能够准确预测下一天的能源消耗水平，减少了对复杂输入的依赖，同时简化了模型结构。经过GABP优化的负荷预测模型具有极高的预测精度。MAE、CRediT作者贡献声明何业聪：监督、方法论、概念设计。陈雅婷：软件、调研。吴伟：写作——审阅与编辑。张晓峰：资源、概念设计。张玉倩：可视化、验证、数据整理。钟鹤鸿：方法论、调研。李思辉：资源、形式分析。陈吕阳：写作——初稿、软件、数据整理利益冲突声明? 作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。致谢本研究得到了国家自然科学基金（编号5240082212）和湖南省自然科学基金青年项目（编号2023JJ40038）的支持。