19、基于机器学习的混合需求侧控制器实现可再生能源高级调度

基于机器学习的混合需求侧控制器实现可再生能源高级调度

1. 引言

对传统化石燃料的高度依赖加剧了能源短缺危机、碳排放和全球变暖问题。部署可再生能源系统是满足不断增长的能源需求的有效策略之一。然而，可再生能源电力系统的间歇性和脆弱性，在极端天气条件下会导致电力不稳定、电力设备损坏和停电。例如，2021年初，美国南部受极端寒冷气流影响（温度低至 -17.78°C），得克萨斯州的火力发电系统陷入瘫痪，南部约400万人在严寒天气中被迫停电。

开发先进的可再生能源调度策略对于提高多能源系统在电源波动和随机需求情况下的可靠性、恢复能力和灵活性具有重要意义。基于先进数学工具的建筑能源需求预测，以其高精度和高效率受到了全球关注。动态性能预测模型可分为基于物理的模型和机器学习（ML）模型。与基于物理的模型相比，机器学习模型在建模过程中更简单，计算效率更高，并且更能适应捕捉非线性系统的动态特性。

需求侧响应和管理可以提高可再生能源的自消费率和负载覆盖率，增强应对间歇性可再生能源发电时的供电可靠性，并减轻电网的进出口压力，同时不牺牲建筑所有者的室内热舒适度。需求侧响应提供的能源灵活性可以满足电网在应对气候条件、随机需求和间歇性可再生能源整合方面的要求。灵活的需求侧管理策略主要包括智能电器、供暖、通风和空调（HVAC）系统以及插电式负载和存储设备。

2. 基于机器学习的建筑能源需求预测

机器学习技术已应用于建筑能源需求预测。与传统的物理模型相比，数据驱动的模型计算效率更高、效果更好，可用于对数千个具有不确定性的场景进行性能预测。

2.1 冷/热/电负荷预测

能源需求类型