基于动态基准线预测模型的公共建筑空调负荷分解方法

胡涵天; 黄莉; 周赣; 张娅楠; 季晓明; 王雨薇

doi:10.19421/j.cnki.1006-6357.2026.01.010

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于动态基准线预测模型的公共建筑空调负荷分解方法

用电 | 更新时间：2026-01-14

- 基于动态基准线预测模型的公共建筑空调负荷分解方法
- 基于动态基准线预测模型的公共建筑空调负荷分解方法
- 供用电 2026年43卷第1期页码：89-101
- 作者机构：
  
  1. 东南大学
  2. 国网江苏省电力有限公司
  3. 国网江苏省电力有限公司镇江供电分公司
- 作者简介：
- 基金信息：
  
  国家电网有限公司科技项目“基于关口量测的典型公共建筑空调负荷分解及节电潜力评估技术研究与应用”（5400-202318574A-3-2-ZN）~~
- DOI：10.19421/j.cnki.1006-6357.2026.01.010
  中图分类号： TU831.2
- 纸质出版：2026
- 稿件说明：
移动端阅览
胡涵天, 黄莉, 周赣, 等. 基于动态基准线预测模型的公共建筑空调负荷分解方法[J]. 供用电, 2026,43(1):89-101.

胡涵天, 黄莉, 周赣, et al. 基于动态基准线预测模型的公共建筑空调负荷分解方法[J]. 2026, 43(1): 89-101.
胡涵天, 黄莉, 周赣, 等. 基于动态基准线预测模型的公共建筑空调负荷分解方法[J]. 供用电, 2026,43(1):89-101. DOI： 10.19421/j.cnki.1006-6357.2026.01.010.

胡涵天, 黄莉, 周赣, et al. 基于动态基准线预测模型的公共建筑空调负荷分解方法[J]. 2026, 43(1): 89-101. DOI： 10.19421/j.cnki.1006-6357.2026.01.010.

摘要

针对公共建筑现有空调负荷分解方法误差较大的问题，在总负荷季节性作差分解空调负荷的传统方法的基础上，提出了基于动态基准线预测模型的分解方法。首先，提出了基于改进K-Medoids模型的基准日划分方法，通过疏离系数修正K-Medoids聚类结果，准确划分季节交替期的空调日和基准日，为动态基准线预测提供准确的标签数据。其次，构建了基于两阶段注意力机制-长短期记忆（dual-stage attention mechanismlong short-term memory

DAM-LSTM）的动态基准线预测模型，引入两阶段注意力机制（dual-stage attention mechanism

DAM）优化配置长短期记忆（long short-term memory

LSTM）网络，通过特征注意力机制提升对关键特征的侧重、时序注意力机制强化对时序信息的筛选，为空调负荷分解提供准确的基准负荷曲线。最后，以镇江某办公建筑和商业建筑为例进行实验，结果表明该方法显著提升了空调负荷分解精度和鲁棒性，尤其对小样本算例和尖峰负荷预测等难点优势明显。

Abstract

关键词

Keywords

references

陶一凡.融合迁移学习和长短记忆网络的建筑负荷预测研究[D].中国矿业大学,2021(03).

张志强.基于电网侧的空调负荷特性分析及其调控措施研究[D].华北电力大学（北京）,2007(02).

Xu Tuo,Han Bing,Li Jie,Du Yuefan.A locally weighted, correlated subdomain adaptive network employed to facilitate transfer learning[J].Image and Vision Computing,2024.

Chinnaraji Ragupathi,Ragupathy Prakash.Accurate electricity consumption prediction using enhanced long short‐term memory[J].IET Communications,2022.

aff > .Analysis of Emergency Demand Response Levels of Central Air-Conditioning[J].Journal of Electrical Engineering & Technology,2020.

Laboratory of Cyber‐Physical System, Department of Computer Science and Technology, School of Computes Guangdong University of Technology Guangzhou China,School of Computes Guangdong University of Technology Guangzhou China,School of Computes Guangdong University of Technology Guangzhou China.Electricity consumption prediction based on LSTM with attention mechanism[J].IEEJ Transactions on Electrical and Electronic Engineering,2020.

杨丽洁,邓振宇,陈作双,黄超,江美慧,朱虹谕.基于MSCNN-BiGRU-MLP模型的公共建筑非侵入式负荷辨识[J].综合智慧能源,2025(03).

谭伟涛,姚冰峰,郭大琦,马闯,麻吕斌,王朝亮,林振智.基于特征辨识和变分自编码器网络的工商业空调负荷辨识[J].电力自动化设备,2024(12).

季玉琦,严亚帮,和萍,刘小梅,李从善,赵琛,范嘉乐.基于K-Medoids聚类与栅格法提取负荷曲线特征的CNN-LSTM短期负荷预测[J].电力系统保护与控制,2023(18).

卢俊菠,刘俊峰,罗燕,曾君.基于改进WGAN考虑特征分布相似性的小样本负荷预测方法[J].控制理论与应用,2024(04).

欧阳福莲,王俊,周杭霞.基于改进迁移学习和多尺度CNN-BiLSTM-Attention的短期电力负荷预测方法[J].电力系统保护与控制,2023(02).

向颖,严慧峰,余旭阳,余爱琴,刘顺成,江卓翰,刘鹏飞,杨秀媛.基于特征优选及改进自组织神经网络的非侵入式负荷辨识[J].中国电机工程学报,2022(S1).

卢德龙,郭聚一,吴阳.新冠肺炎疫情影响下基于多源数据驱动的电力系统负荷预测方法[J].供用电,2022(01).

王瑞妙,姚欣愚,赵小娟,朱小军,李牧水.考虑温度和负荷相关性的重庆冬季空调负荷计算[J].电力科学与技术学报,2021(06).

朱江行,邹晓松,熊炜,袁旭峰,艾小清,彭月.基于Prophet与XGBoost混合模型的短期负荷预测[J].现代电力,2021(03).

肖潇,栾文鹏,刘博,王岩,杨劲男,刘子帅,韦尊.基于电器粗糙归类的无监督NILM结果自主标注[J].中国电机工程学报,2022(07).

王文秀,田世明,卜凡鹏,闫宵雅.一种基于粒子群优化算法的公共台区基础负荷计算方法[J].供用电,2021(01).

张勇,陶一凡,巩敦卫.迁移学习引导的变源域长短时记忆网络建筑负荷预测[J].控制与决策,2021(10).

武昕,焦点,高宇辰.基于非侵入式用电数据分解的自适应特征库构建与负荷辨识[J].电力系统自动化,2020(04).

孟明,陈世超,杨娜,马明禹,张彬,杨静然.城市配电网商业调温负荷特性分析[J].电力系统及其自动化学报,2017(11).

陈众励,许维胜.多冷源空调系统节能优化调度算法初探[J].电工技术学报,2015(S1).

任志超,杜新伟,王海燕,叶春燕.调温负荷的估算方法及影响因素研究[J].现代电力,2014(03).

雷铮,张振高,周进,陈妍.天津电网空调负荷分析与研究[J].华北电力技术,2013(02).

楚成博,刘继东,张利,何飞.山东电网夏季降温负荷特性及影响因素分析[J].电力需求侧管理,2013(01).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据