为实现净零能耗建筑中智能电网的集成，提升能源预测能力

《Energy and Buildings》：Toward Enhanced Energy Forecasting for Smart Grid Integration in Net Zero Energy Buildings

净零能耗建筑（NZEBs）需平衡年度能耗与可再生能源生产，本研究提出融合时空卷积网络（TCN）与双向长短期记忆网络（BiLSTM）的混合深度学习框架，通过多尺度卷积（1/6/12/24核）捕捉不同时序分辨率特征，结合渐进式膨胀卷积增强时间模式识别，并引入多头自注意力机制和通道注意力机制优化特征表示，最终实现0.0007的均方误差精度。

　　

沙夫卡特·乌拉（Shafqat Ullah）|阿莉奥娜·德雷格莱亚（Aliona Dreglea）|萨里尔·乌尔·阿明（Sareer Ul Amin）|王立国（Wang Liguo）|魏玲（Wei Ling）|伊尔凡·萨米（Irfan Sami）|丹尼斯·西多罗夫（Denis Sidorov）

哈尔滨工业大学电气工程与自动化系，中国哈尔滨

摘要

净零能耗建筑（NZEBs）是可持续建筑领域的一项重要进展，实现了年度能源消耗与现场可再生能源生产之间的平衡。准确的短期能源生成和消耗预测对于NZEBs的高效运行和智能电网管理至关重要。本研究提出了一种新的混合深度学习（DL）框架，通过将时间卷积网络（TCN）与双向长短期记忆（BiLSTM）网络相结合，以实现NZEBs中的精确能源预测。该架构采用多尺度时间特征提取方法，使用不同核大小的1D卷积层（1、6、12、24）来捕捉不同时间分辨率下的依赖关系。带有扩张因果卷积的残差TCN能够提取复杂的时间模式，同时扩大感受野。BiLSTM模块双向处理序列，捕捉整个时间窗口序列中的上下文信息。关键创新包括用于动态时间聚焦的多头自注意力机制、用于自适应特征细化的挤压-激励（SE）技术，以及一种受动态时间规整（DTW）启发的损失函数，该函数既能保持幅度精度又能保持时间结构。全面的预处理包括数据清洗、归一化、环境特征整合、用于高效采样的课程学习以及用于增强鲁棒性的自监督预训练。在两个真实世界数据集上的实验验证表明，该模型性能优于现有最佳方法：澳大利亚爱丽斯泉的太阳能光伏发电系统（26.5千瓦）和法国建筑四年的能源消耗数据（超过200万个样本），其MSE值分别为0.0008和0.0007。该模型为NZEBs的能源管理和智能电网运营提供了可扩展的解决方案。

引言

近年来，建筑行业的全球能源需求显著增长。这主要是由于人口增长、室内活动增加以及气候变化的影响。根据国际能源署（IEA，2023年）和联合国环境规划署（UNEP，2024年）的数据，建筑行业约占全球总能源消耗的30%和能源相关二氧化碳排放的37%。这种需求使得建筑成为全球能源消耗和温室气体排放的最大单一贡献者，主要原因是供暖、通风和建筑活动，从而加剧了全球变暖及相关环境问题。能源消耗受到建筑设计、气象条件和用户行为等因素的显著影响。传统的电力网络缺乏有效的管理系统，导致客户和供应商都遭受了严重的能源损失。通过集成高效建筑系统和可再生能源（如太阳能光伏板和风力涡轮机）可以解决这一问题。相比之下，大多数地方电网正在迅速发展为智能电网，从而显著减少了碳排放和运营成本[1]。同时，微电网电力电子技术的进步提供了经过验证的转换器架构，用于整合太阳能光伏系统、电池和超级电容器，这些架构基于对33种直流-直流转换器（隔离/非隔离）家族的全面概述，并根据增益、解耦、效率、隔离、功率容量和紧凑性进行评估[2]。从这个角度来看，太阳能光伏系统是可持续建筑设计的重要的可再生能源，因为它们可以很容易地应用于人口密集的大都市地区，特别是通过集成建筑解决方案[3]。因此，中国、欧盟、美国和其他多个国家承诺在2050年前实现碳中和[4]，而中国则承诺在2060年前实现完全净零（碳中和）排放[5]。中国的目标是到2030年实现16%的可再生能源占比；然而，全面评估表明，到那时实现26%的可再生能源占比以及到2050年实现60%的可再生能源占比和86%的可再生电力是可行的[6]。国际能源署的最新统计数据显示（见图1），太阳能和风能的可再生能源正在迅速增长。本文使用的缩写术语总结见表1。

对太阳能光伏能源和建筑能耗（BEC）的多变量预测对于NZEBs至关重要，这需要利用在高维实时数据上训练的DL模型来预测太阳能光伏发电和能源消耗[8]。NZEBs的概念始于1976年，由丹麦技术大学的埃斯本森（Esbensen）和科尔斯高德（Korsgaard）在研究住宅建筑冬季太阳能供暖时提出。自那时以来，NZEBs在多个国家取得了实质性进展。在NZEBs中，年度能源消耗通过来自可再生能源（主要是太阳能光伏系统）的等量能源来平衡，通常辅以储能解决方案，以同步发电和需求并提高可靠性[9]。由于NZEBs在减少温室气体方面发挥着重要作用，它们被认为是降低建筑环境内能源消耗和排放的有效手段[10]。此外，NZEBs使得构建能源社区成为可能，从而提供比其各个孤立部分更高效、更有韧性和经济可行的系统互连框架[11]。在这种情况下，太阳能光伏发电预测预测未来的现场发电量，而负荷预测定义了建筑的预期能源消耗；这些预测共同实现了在整个评估期间维持NZE平衡的运营控制策略[8]。

准确的预测对于管理太阳能光伏系统对当地智能电网的影响至关重要，以确保电网的稳定性和可靠性[12]，同时降低市场不确定性和电力成本。预测太阳能光伏发电和BEC的方法包括统计方法[13]、物理方法[14]、机器学习（ML）[15]和深度学习（DL）模型[16]，这些方法在识别复杂数据模式方面越来越受到认可。这些模型在包含太阳能光伏系统和气象数据的综合数据集上进行训练，以生成精确的预测[17]。大都市地区人口的增长强调了精确的STLF（Short-Term Load Forecasting）对于优化能源管理的必要性[18]。实证研究表明，混合模型在能源系统中能够产生极其准确的预测[19]。结合注意力机制的混合DL模型[20]通过整合多种架构提高了预测精度，在处理复杂的多维数据用于能源预测和时间序列分析方面表现出特别的有效性[22]。

通过审查现有文献，我们发现混合模型在从历史能源数据中提取可靠、独特和最优特征方面展现出巨大潜力，并在准确预测可再生能源发电和电力负荷模式方面表现出强大的能力。然而，这些模型的预测结果仍需改进，以便为NZEBs提供可靠的管理系统。

本工作介绍了当前与能源生成和消耗预测相关的能源管理研究，指出了仍需解决的研究空白。这项详细研究提出了一种新的方法，以提高短期依赖关系的能源生成和消耗预测的精度和可靠性，为相关技术的进步提供了重要见解。它为未来电力系统的进步和管理提供了宝贵的见解，旨在实现可持续和高效的能源未来。本工作的贡献可以概括为以下四点： •

所提出的能源消耗预测模型包含几个创新组件，使其区别于传统方法。该模型通过具有不同核大小的并行卷积层（1、6、12、24）进行多尺度时间特征提取，能够同时捕捉不同时间尺度上的模式，并检测短期波动和长期趋势。此外，该架构在TCN组件中采用了渐进式扩张模式（1、2、3、5、8），而不是传统的指数扩张，从而更渐进地扩展感受野，实现更细粒度的时间模式识别。

•

该框架进一步在TCN和BiLSTM组件之间集成了多头注意力机制，创建了一种混合架构，结合了三种强大方法的优势，同时允许模型专注于最相关的时间步骤。为了提高特征表示质量，模型在BiLSTM组件之后加入了特征蒸馏和挤压-激励模块，该模块通过自适应重新校准动态地加权不同特征通道的重要性。

•

最后，该架构实现了具有动态维度匹配的自适应残差连接，需要在时通过1×1卷积自动处理维度不匹配问题，改善了整个复杂架构中的梯度流动。这些创新协同作用，创建了一个特别适合捕捉能源消耗数据中复杂时间动态的模型，每个组件在处理时间序列预测时解决了特定的挑战，同时保持了计算效率和预测精度。

•

实验结果验证了该模型在短期能源预测方面的显著准确性。该模型在各种时间线和特征学习方法上的泛化能力得到了评估。使用MSE、RMSE和MAE进行的比较分析表明，所提出的方法在预测建筑消耗和太阳能光伏能源数据方面优于多种最先进模型。

本文的后续部分结构如下：第2节简要回顾了现有的能源生成和消耗预测方法。第3节描述了所提出的混合深度学习框架的技术细节。第4节介绍了在多个数据集上的实现细节和实验评估。最后，第5节提出了结论性意见。

相关工作

相关工作

能源领域的最新创新越来越关注优化建筑中的能源消耗，同时促进可再生能源（特别是太阳能光伏系统）的整合。这些项目旨在减少对传统化石燃料的依赖，提高能源效率，并促进NZEBs目标的实现。

研究方法

本节详细介绍了用于NZEBs能源预测的强大混合DL框架的设计和实现。所提出的方法集成了多源数据预处理、知识驱动的特征工程、通过TCN进行的多尺度时间特征提取、使用BiLSTM的序列建模、基于注意力的特征蒸馏以及严格的评估。所提出模型的框架如图2所示。

实验结果

从消费者需求和供应商角度收集的能源数据显示出相当大的不规则性。这些不规则性是由于电路和硬件故障以及环境条件的变化引起的，这严重扭曲了结果。因此，需要进行预处理阶段以减轻这些变化并确保数据质量。此外，能源生成资源（尤其是太阳能光伏系统）完全依赖于太阳辐射，这使得天气条件

结论与未来方向

本研究提出了一种创新的混合深度学习架构，该架构整合了TCN和BiLSTM网络，以增强NZEBs中的能源预测。所提出的方法使用具有不同核大小的并行1D卷积层（1、6、12和24）来提取多尺度时间特征。这些层捕捉不同时间分辨率下的依赖关系，随后是使用扩张因果卷积的残差TCN模块，以提取复杂的时间模式并提高

论文写作过程中生成式AI和AI辅助工具的声明

在这项研究工作中，作者使用了AI工具（Grammarly和QuillBot）来提高文章的语法质量和简洁性。使用这些工具，作者审阅和编辑了文章内容，并对文章的发表负责。

利益冲突

作者声明没有利益冲突。

CRediT作者贡献声明

沙夫卡特·乌拉（Shafqat Ullah）：撰写——原始草稿、软件、方法论。

阿莉奥娜·德雷格莱亚（Aliona Dreglea）：撰写——审阅与编辑、数据整理。

萨里尔·乌尔·阿明（Sareer Ul Amin）：验证、形式分析。 王立国（Wang Liguo）：撰写——审阅与编辑、监督、资源提供。 魏玲（Wei Ling）：调查、形式分析。 伊尔凡·萨米（Irfan Sami）：验证、调查。 丹尼斯·西多罗夫（Denis Sidorov）：撰写——审阅与编辑、验证、监督。

利益冲突声明

作者声明没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。