基于多时间尺度深度学习的商业建筑非侵入式负荷分解方法OA
商业建筑负荷约占城市终端负荷的25%,其中包含大量如空调等可灵活调节的负荷,使得商业建筑具有显著的需求响应调节潜力。负荷分解识别可调资源以支持电网制定响应策略,而现有非侵入式分解方法受限于建筑设备运行频次差异,单一时间尺度建模难以在边端设备高效捕捉异步设备特征。为此,提出基于多时间尺度深度学习的非侵入式负荷分解方法。首先,构建了卷积神经网络和长短期记忆神经网络融合模型,实现负荷动态变化中时空特征的协同提取。其次,通过多时间尺度采样机制进行时间敏感性分析,选取边端最佳采样时间。最后,基于商业建筑实际负荷数据的实验表明所提模型在综合性能最优,当采样时间间隔从30 s延长至60 s时,所提模型的马修斯相关系数提升了7.35%。
王楠;高正浩;蒋思宇;解戴旭;胡厚鹏;陈泽瑞;惠红勋
贵州电网有限责任公司电力科学研究院,贵阳550000贵州电网有限责任公司电力科学研究院,贵阳550000澳门大学智慧城市物联网国家重点实验室,中国澳门9990781澳门大学智慧城市物联网国家重点实验室,中国澳门9990781贵州电网有限责任公司电力科学研究院,贵阳550000贵州电网有限责任公司电力科学研究院,贵阳550000澳门大学智慧城市物联网国家重点实验室,中国澳门9990781
信息技术与安全科学
商业建筑非侵入式负荷分解卷积神经网络长短期记忆神经网络
《南方电网技术》 2026 (6)
P.134-143,10
国家自然科学基金资助项目(52407075)贵州电网有限责任公司电力科学研究院项目(GZKJXM20240010)澳门特别行政区科学技术发展基金项目(001/2024/SKL)。
评论