整合智能电表数据与建筑能耗建模的深度学习及时序数据库技术需求响应管理

《IEEE Access》：Integrating Smart Meter Data and Building Energy Modeling for Demand Response Management Using Deep Learning and Temporal Database Techniques

　　

本研究提出了一种集成式居民用电量预测方法，通过将匿名化智能电表数据与建筑能耗建模（BEM）模拟相结合，增强了需求响应（DR）管理。研究人员收集了台湾某社区10户连续居住家庭三年间的分钟级智能电表测量数据。长短期记忆网络（LSTM）模型作为基线预测框架。为提升预测性能，将建筑物理特性（如朝向、楼层面积、高度及窗墙比）与当地天气条件纳入标准化入住率的BEM模拟，生成小时级能耗曲线。将这些BEM模拟数据与实测智能电表记录整合后，相比基线LSTM框架，高消耗时段的预测准确率提高了约5%-10%。除了总家庭负荷，智能电表数据还用于识别每个时段内的主导高功率电器类型，从而检测达到或超过用户定义阈值的事件。应用时序数据库操作，特别是合并（coalescing），将重叠的高消耗时段合并，并精确找出社区层面节能潜力最大的家庭、电器和时间窗口。通过提取这些事件的最早和最晚时间边界，该框架支持针对DR应用的目标化LSTM预测。所提出的方法为DR项目设计提供了可操作的见解，包括最优负荷削减时段、特定电器干预策略以及跨家庭的协调能源管理。尽管结果验证了该方法对于寻求实施居民DR项目并增强电网灵活性服务的公用事业和聚合商的实用价值，但当前研究仅为概念验证；更广泛的部署需要进一步的数据采集和验证。

**论文解读**

**1. 研究背景与问题**
全球能源格局正经历脱碳化与间歇性可再生能源（RES）大规模并网的深刻变革，这给电网运营商在实时供需平衡中带来严峻挑战。传统供给侧管理策略已显不足，必须转向需求侧解决方案。需求响应（DR）成为现代智能电网的基石，但住宅部门作为总用电量的重要组成部分，其DR激活高度复杂：居民用电分散、异质性强，且与居住者随机行为、热舒适偏好及日常作息紧密交织。现有研究主要依赖纯数据驱动模型（如长短期记忆网络（LSTM））基于智能电表数据进行负荷预测，但此类模型缺乏建筑物理上下文信息，预测精度有限；而纯物理建模方法（如建筑能耗建模（BEM））虽能基于工程原理模拟能耗，却无法表征随机、异质的居住者行为。两者均无法单独满足DR管理对高精度、高解析度负荷预测的需求。为此，研究人员提出一种混合框架，整合智能电表数据与BEM模拟输出，利用深度学习及时序数据库技术提升预测性能并支撑DR决策。该研究发表在《IEEE Access》。

**2. 研究内容与结论**
本研究基于台湾某社区10户连续居住家庭（超过70%的住户）的分钟级智能电表数据（2022-2024年，实际使用2023年数据）和对应建筑信息模型（BIM）数据，开发并验证了一种混合LSTM-BEM预测框架。实验结果表明：
- 通过将BEM模拟生成的小时级能耗曲线（经线性插值至分钟级）与智能电表数据融合，LSTM-BEM框架相比基线LSTM模型（平均MAPE 28.22%），平均MAPE降至14.23%，高消耗时段预测精度提升约5-10个百分点。
- 引入加权平均绝对百分比误差（WMAPE）损失函数，进一步将高负荷（≥2000 W）时段的MAPE从13.2%降至5.0%，显著增强了对DR关键时段的预测能力。
- 结合时序数据库合并（coalescing）技术，将碎片化分钟级预测转换为连续高负荷区间，精准识别社区层面节能潜力最大的家庭、电器类型及时间窗口，支撑目标化DR策略设计。
该研究的重要意义在于：首次将BEM模拟输出作为物理信息特征融入智能电表数据驱动的LSTM模型，而非用于校准或残差修正；同时提出基于时序数据库的DR目标定位方法，验证了混合框架在实际住宅DR应用中的可行性。

**3. 主要关键技术方法**
- **数据预处理程序**：处理智能电表原始CSV文件中异常值（负值、超20,000 W）及不规则时间分辨率（多读、缺读），通过均值或零值插值构建统一的分钟级时间序列，并提取总负荷及主要电器类型（MajApp）字段。
- **LSTM/BiLSTM模型**：以30分钟历史序列预测未来30分钟负荷；基线采用单层LSTM（32单元），改进后采用双向LSTM（64单元）加密集层（4单元），使用TensorFlow实现。
- **BEM模拟**：基于Autodesk Revit Insight工具，利用台湾典型气象年（TMY）数据及建筑属性（朝向、面积、窗墙比等）生成小时级能耗数据（HVAC、照明、设备、总负荷），再线性插值至分钟级。样本队列来自台湾北部同一社会住宅社区，共10户（含三室、两室、一室户型）。
- **加权MAPE损失函数**：为强调高负荷时段预测，定义WMAPE；对功率≥2000 W的记录赋予高权重（F=2.0），其余赋予低权重（f），引导模型优化重点。
- **时序数据库合并操作**：基于PostgreSQL 18.4实现，通过视图分解与聚合，将重叠或相邻的高负荷区间合并为最大连续窗口，输出（主要电器类型、开始时间、结束时间）三元组。

**4. 研究结果**

**III. 分钟级住宅用电数据预处理**
通过三步预处理程序（异常值去除、时间分辨率标准化、数据库构建），将原始CSV数据转化为统一分钟级时间序列记录（含House_id、时间戳、功率W、节假日长度、主要电器类型MajApp）。在10户研究中，约30%的记录包含有效MajApp信息（如冰箱、空调等），其余仅总负荷可靠。

**IV. 混合LSTM-BEM预测框架的建立与评估**
- **A. 10户家庭与假设**：选取台湾同一社会住宅社区10户（占社区超过70%），假定连续居住、同一社区、自愿参与DR。建筑属性（户型、面积、朝向、窗墙比）公开可获取。
- **B. BEM模拟结果**：基于BIM模型，以标准台湾施工规范及典型气象年数据，为每户生成小时级HVAC、照明、设备及总负荷曲线，再上采样至分钟级。
- **C. 初步LSTM-BEM开发**：
- 第一阶段：基线LSTM（仅7个智能电表特征）MAPE均超40%。
- 第二阶段：双向LSTM（仅智能电表特征）MAPE降至24.3%-30.1%。
- 第三阶段：加入BEM特征（11个特征）的初步LSTM-BEM，MAPE降至11.2%-16.5%。消融实验表明，BEM特征中总_grid_kW贡献最大，且时间特征（小时/分钟）不可或缺。
- **D. 额外家庭数据评估**：在另外3个独立社区家庭中验证，初步LSTM-BEM同样优于基线，表明方法可推广至不同社区。
- **E. 加权MAPE与最终LSTM-BEM**：基于2000 W阈值计算WMAPE损失，最终LSTM-BEM在10户上WMAPE平均10.51%（最低8.1%），高负荷子集MAPE从13.2%降至5.0%，验证了加权策略的有效性。
- **F. 敏感性分析**：改变阈值（2000/3000 W）和权重因子（2.0/2.5），WMAPE均一致改善，但更高阈值因样本稀疏，改进幅度有限。
- **G. 3000 W高负荷预测验证**：以House ID 8为例，逐月高负荷事件（≥3000 W）预测误差常在±250 W以内，足以支撑DR操作。

**V. DR应用与整体流程**
- **A. 利用时序数据库的潜在DR应用**：提出基于时序数据库合并的算法（Code 2），将LSTM-BEM预测的未来分钟级负荷与电器类型区间合并，输出（MajApp, beginT, endT）元组，标识社区聚合负荷超过阈值（如100 kW）的连续时间窗口。示例分析了三户家庭模拟数据。
- **B. 整体流程**：从智能电表数据采集、预处理、招募≥70%住户、获取BIM/BEM模拟、分钟级插值融合、LSTM-BEM训练（目标MAPE<20%、WMAPE<12%）、30分钟前向预测、到执行合并算法输出DR管理策略，形成完整工作流。

**5. 讨论与结论**

**讨论部分**总结：
- 与先前物理信息预测框架的区别：本研究将BEM输出作为输入特征而非结构约束，有效整合物理与数据优势。
- 局限性：实验仅基于单一社区10户，存在同质性问题（建筑、气候、行为等）；亚热带气候限制推广性；未来需跨气候区、多建筑类型、大样本验证。
- 可扩展性：LSTM-BEM按户独立训练，可并行化；在线推理计算轻量；大规模部署挑战在于数据管理而非模型计算。

**结论部分**翻译：
本研究提出并验证了一种混合LSTM-BEM框架，用于高分辨率住宅电力负荷预测及需求响应支持。通过将物理信息建筑能耗建模（BEM）特征与数据驱动长短期记忆网络（LSTM）预测相结合，所提出的方法融合了物理建筑知识与时序学习能力，从而改善短期住宅电力需求的预测。实验结果表明，纳入BEM衍生特征可提升预测性能，尤其在对需求响应操作最关键的高需求时段。研究还通过引入预处理方法处理实际智能电表部署中不规则传输间隔，生成适合机器学习应用的一致分钟级时序数据，解决了实际挑战。此外，时序数据库合并将碎片化、可能重叠的分钟级预测区间整合为可行的高负荷时段，使需求响应调度与操作决策更加高效。当前验证仅基于单一社区10户家庭数据，应视为概念验证而非大规模运营验证。然而，所提出框架具有良好的可扩展性，因为预测模型在家庭层面独立训练，可跨分布式计算环境并行化。未来研究将聚焦跨气候区与建筑类型的大规模验证、分布式时序数据库架构优化、与自动需求响应控制系统的集成，以及更先进入住率与电器级建模技术的纳入。