基于数据驱动-物理模型的制冷空调负荷预测及可调潜力分析

李彬; 罗鑫宇; 祁兵; 陈宋宋; 石坤; 刘颖

doi:10.16543/j.2095-641x.electric.power.ict.2025.10.06

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

基于数据驱动-物理模型的制冷空调负荷预测及可调潜力分析

更新时间：2026-10-17

- 基于数据驱动-物理模型的制冷空调负荷预测及可调潜力分析
- Vol. 23, Issue 10, Pages: 43-52(2025)
- 作者机构：
  
  1. 华北电力大学电气与电子工程学院
  2. 需求侧多能互补优化与供需互动技术北京市重点实验室(中国电力科学研究院有限公司)
  3. 国网江苏省电力有限公司营销服务中心
- 作者简介：
- 基金信息：
- DOI：10.16543/j.2095-641x.electric.power.ict.2025.10.06
  CLC： TU831.2
- Published：2025
- 稿件说明：
移动端阅览
李彬, 罗鑫宇, 祁兵, et al. 基于数据驱动-物理模型的制冷空调负荷预测及可调潜力分析[J]. 2025, 23(10): 43-52.
DOI：

李彬, 罗鑫宇, 祁兵, et al. 基于数据驱动-物理模型的制冷空调负荷预测及可调潜力分析[J]. 2025, 23(10): 43-52. DOI： 10.16543/j.2095-641x.electric.power.ict.2025.10.06.

摘要

空调制冷负荷作为电网的关键可调弹性资源，评估其在多样化用电需求下的调节潜力，对于优化负荷管理、推动能效提升及节能减排具有显著作用，然而传统的数据驱动模型预测精度差且过拟合现象严重，同时差异化分析制冷空调负荷的调控潜力存在困难。因此，文章通过皮尔森和斯皮尔曼等相关系数法量化不同因素与空调负荷的相关性，筛选关键因素作为构建负荷预测模型的自变量，提出一种引入混沌映射和主动运动策略改进蜣螂算法优化注意力机制的双向长短期记忆神经网络模型，基于数据模型预测的负荷曲线，融合空调物理模型的功率特性聚合，运用专家加权评分法，分析各时段空调负荷的调节潜力，实现精准评估。算例分析表明，所提方法能够精确预测空调负荷结果，评估空调负荷潜力准确性高，为空调负荷参与电网需求响应互动提供可靠的依据。

Abstract

关键词

Keywords

references

付凌晖,叶礼奇总编.中国统计年鉴[Z].中国统计出版社,2023.

Bowen Zhou,Hao Wang,Yichao Xie,Guangdi Li,Dongsheng Yang,Bo Hu.Regional short-term load forecasting method based on power load characteristics of different industries[J].Sustainable Energy, Grids and Networks,2024.

Osama Khan,Mohd Parvez,Mohammad Seraj,Zeinebou Yahya,Yuvarajan Devarajan,Beemkumar Nagappan.Optimising building heat load prediction using advanced control strategies and Artificial Intelligence for HVAC system[J].Thermal Science and Engineering Progress,2024.

Yuhao Zhang,Ting Li,Tianyi Ma,Dongsheng Yang,Xiaolong Sun.Short-Term Photovoltaic Power Prediction Based on Extreme Learning Machine with Improved Dung Beetle Optimization Algorithm[J].Energies,2024.

Song Zhaofang,Shi Jing,Li Shujian,Chen Zexu,Jiao Fengshun,Yang Wangwang,Zhang Zitong.Data-driven and physical model-based evaluation method for the achievable demand response potential of residential consumers' air conditioning loads[J].Applied Energy,2022.

Qi Ning,Cheng Lin,Xu Helin,Wang Zihan,Zhou Xuyan.Practical demand response potential evaluation of air-conditioning loads for aggregated customers[J].Energy Reports,2020.

贺馨仪,董明,颜拥,姚影,黄建平.基于改进BERT预训练模型的电力标准命名实体识别方法研究[J].电力信息与通信技术,2024(11).

任禹丞,王玉珏,贾丰全,胡涵天.公共建筑空调负荷的自适应滑窗LSTM预测方法[J].电力需求侧管理,2024(05).

谢国民,陆子俊.基于优化VMD和BiLSTM的短期负荷预测[J].电力系统及其自动化学报,2025(04).

孙静,彭勇刚,倪旖旎,韦巍,蔡田田,习伟.基于改进联邦学习算法的电力负荷预测方法[J].高电压技术,2024(07).

王延峰,曹育晗,孙军伟.基于多策略改进金豺算法优化LSTM的短期电力负荷预测[J].电力系统保护与控制,2024(14).

邱敏,周颖,赵伟博,王阳,陈宋宋,郭耀扬,赵波.基于特征构建的区域电力负荷增长归因及量化分析方法[J].中国电力,2024(08).

白宇,薛贵军,谢文举,史彩娟.改进GJO优化CNN-BiLSTM的热负荷预测模型[J].中国测试,2025(04).

国家发展改革委国家能源局发布《关于新形势下配电网高质量发展的指导意见》[J].节能与环保,2024(03).

李洁,顾水福,周磊,李亚飞,刘乙,朱超群.计及用电行为模式的区域商业建筑负荷预测方法[J].电力需求侧管理,2024(02).

易俊,林伟芳,任萱,崔艳妍,韩凝晖.新型电力系统发展水平指标体系构建及综合评价方法研究[J].电网技术,2024(09).

罗紫怡,张吉,张涛,刘晓华.空调新风系统需求响应潜力评估及影响因素研究[J].电网技术,2024(07).

匡鑫,阳波,马华,唐文胜,肖宏峰,陈灵.多策略改进的蜣螂优化算法[J].计算机工程,2024(10).

祁宇轩,范俊岩,吴定会,汪晶.基于相似日与BiLSTM组合的短期电力负荷预测[J].控制理论与应用,2024(12).

金旭,张远实,李明,窦晓波,阮文骏,段梅梅.考虑热舒适度的居民空调负荷调控潜力差异化评估[J].电力系统自动化,2024(01).

龙寰,赵烁,吴志,陈鼎,刘维亮.考虑反弹效应的空调负荷可调潜力评估与控制策略研究[J].电网技术,2023(09).

徐玉婷,田世明,陈宋宋,阮文骏,张海静,宫飞翔,李永军.基于LSTM的居民负荷预测及其可调节潜力分析[J].电力信息与通信技术,2023(05).

韩富佳,王晓辉,乔骥,史梦洁,蒲天骄.基于人工智能技术的新型电力系统负荷预测研究综述[J].中国电机工程学报,2023(22).

李松,刘晓楠,刘娟.基于JS散度的不确定数据密度峰值聚类算法[J].吉林大学学报(工学版),2024(07).

杨恺,姚宇,孙可,惠恒宇,李黎,鲍卫东,叶承晋,王曦冉.考虑用户满意度的温控负荷能效综合指标模型和调峰策略[J].电力需求侧管理,2022(05).

陈雪敏,周丽霞,丁恒春,张立鹏.基于可调节负荷参与电网需求响应的潜力挖掘研究[J].电子设计工程,2022(15).

李亚平,姚建国,雍太有,鞠平,杨胜春,时欣利.居民温控负荷聚合功率及响应潜力评估方法研究[J].中国电机工程学报,2017(19).

王德文,孙志伟.电力用户侧大数据分析与并行负荷预测[J].中国电机工程学报,2015(03).

王珂,姚建国,姚良忠,杨胜春,雍太有.电力柔性负荷调度研究综述[J].电力系统自动化,2014(20).

莫维仁,张伯明,孙宏斌,胡子珩,刘顺桂.扩展短期负荷预测的原理和方法[J].中国电机工程学报,2003(03).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

主客观复合赋权的化学纤维制造业虚拟电厂可调潜力评估方法

基于CPSO-BiLSTM的电力巡检机器人漫游无损切换研究

基于PUF和RedCap的电力5G轻量化二次鉴权终端设计与实现

去蜂窝电力通信网络中多天线分布式资源数据可达速率分析

基于多源注意力机制的电力市场领域文档级实体显著性检测研究

Related Author

陈珂

周亚军

陈宋宋

刘樱慧

武亚杰

王隗东

Related Institution

No data

AI问答

⁰