中文引用格式： 徐玉婷，劉暢，王雨薇，等. AirGAN: 空調(diào)機(jī)理模型增強(qiáng)生成對抗模型[J]. 電子技術(shù)應(yīng)用，2025，51(6)：1-9.
英文引用格式： Xu Yuting，Liu Chang，Wang Yuwei，et al. AirGAN: air conditioning mechanism enhancement load generation adversarial model[J]. Application of Electronic Technique，2025，51(6)：1-9.
引言
空調(diào)負(fù)荷的準(zhǔn)確預(yù)測與生成一直是暖通空調(diào)系統(tǒng)優(yōu)化中的核心挑戰(zhàn)之一。由于空調(diào)負(fù)荷受多種復(fù)雜因素的影響，如室內(nèi)外環(huán)境、建筑結(jié)構(gòu)、設(shè)備運(yùn)行以及歷史負(fù)荷數(shù)據(jù)，如何準(zhǔn)確預(yù)測并生成負(fù)荷數(shù)據(jù)成為一個持續(xù)困擾研究人員的難題。近年來，相關(guān)領(lǐng)域的研究者通過多種方法對空調(diào)負(fù)荷的預(yù)測與生成進(jìn)行探索，形成了以優(yōu)化模型與神經(jīng)網(wǎng)絡(luò)為核心的兩大研究方向。
在優(yōu)化模型方面，研究人員通過建立空調(diào)負(fù)荷模型來提升預(yù)測精度。陳恒波等人提出了一種基于變分模態(tài)分解的短期負(fù)荷自動預(yù)測方法[1]，綜合考慮了室內(nèi)外環(huán)境、建筑特性、設(shè)備負(fù)荷及歷史數(shù)據(jù)，并構(gòu)建了適應(yīng)復(fù)雜負(fù)荷變化的預(yù)測模型，以確保短期負(fù)荷預(yù)測的準(zhǔn)確性。類似地，宋文杰基于傅里葉變換提出了一種新的負(fù)荷特征提取方法[2]，相比傳統(tǒng)的時(shí)域提取方法，該方法在頻域中的表現(xiàn)更為有效，提升了對復(fù)雜負(fù)荷特征的捕捉能力。此外，馮瑞豪采用隱性馬爾可夫過程對負(fù)荷數(shù)據(jù)進(jìn)行分解與建模[3]，進(jìn)一步增強(qiáng)了模型對負(fù)荷數(shù)據(jù)復(fù)雜性的表達(dá)。
氣象因素與電力負(fù)荷之間的密切關(guān)聯(lián)也是研究的重要領(lǐng)域。張廣倫基于改進(jìn)的FCI算法提出了一種電力負(fù)荷與氣象數(shù)據(jù)因果關(guān)系辨識方法[4]，利用氣象因素如溫度、風(fēng)速、輻射等外部環(huán)境變量提高了負(fù)荷預(yù)測的精準(zhǔn)性。叢琳在多目標(biāo)優(yōu)化的基礎(chǔ)上提出了一種結(jié)合多維度目標(biāo)的空調(diào)負(fù)荷預(yù)測模型[5]，使得預(yù)測結(jié)果更加科學(xué)且符合實(shí)際需求。與此同時(shí)，江熙通過極限學(xué)習(xí)機(jī)對新能源微電網(wǎng)的短期負(fù)荷進(jìn)行了預(yù)測[6]，并采用反饋優(yōu)化機(jī)制提升了負(fù)荷預(yù)測的準(zhǔn)確性。
隨著深度學(xué)習(xí)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用逐漸成為主流。胡競帆利用神經(jīng)網(wǎng)絡(luò)提高了建筑空調(diào)負(fù)荷預(yù)測的動態(tài)擬合能力[7]，展示了神經(jīng)網(wǎng)絡(luò)在處理復(fù)雜非線性數(shù)據(jù)上的優(yōu)勢。翁衛(wèi)兵等人通過將卷積神經(jīng)網(wǎng)絡(luò)、遺傳算法和極限梯度提升樹等算法相結(jié)合[8]，提升了空調(diào)冷水機(jī)組負(fù)荷預(yù)測的準(zhǔn)確性。此外，任禹丞提出了一種自適應(yīng)滑動窗口的LSTM預(yù)測方法[9]，針對傳統(tǒng)LSTM模型在處理負(fù)荷預(yù)測中的局限性進(jìn)行改進(jìn)，提升了其對長時(shí)間序列數(shù)據(jù)的適應(yīng)性。在此基礎(chǔ)上，蔡美玲等人提出了基于Transformer的多變量時(shí)間序列預(yù)測方法[10]，并將該模型應(yīng)用于負(fù)荷異常行為的檢測中，有效應(yīng)對了空調(diào)負(fù)荷的復(fù)雜波動性。
負(fù)荷生成方法也取得了顯著進(jìn)展，尤其是生成對抗網(wǎng)絡(luò)的引入，為負(fù)荷數(shù)據(jù)生成提供了新的思路。時(shí)純將多通道CNN與生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks, GAN）相結(jié)合，提出了一種電力系統(tǒng)暫態(tài)穩(wěn)定評估方法[11]，通過生成器與判別器的交替訓(xùn)練提高了模型的穩(wěn)定性和精度。許軍金進(jìn)一步結(jié)合GRU預(yù)測算法與GAN[12]，實(shí)現(xiàn)了數(shù)據(jù)生成與負(fù)荷預(yù)測的協(xié)同優(yōu)化，增強(qiáng)了負(fù)荷生成數(shù)據(jù)的代表性與預(yù)測精度。陳志強(qiáng)利用GAN對負(fù)荷數(shù)據(jù)的擬合能力，提出了一種基于GAN模型的電網(wǎng)用電安全數(shù)據(jù)生成方法[13]。針對負(fù)荷數(shù)據(jù)的缺失問題，劉志堅(jiān)等人提出了基于雙通道GAN的負(fù)荷數(shù)據(jù)補(bǔ)全方法[14]，為解決數(shù)據(jù)缺失提供了有效方案。
此外，序列數(shù)據(jù)生成技術(shù)也逐漸成為負(fù)荷生成研究的熱點(diǎn)。朱春強(qiáng)等人提出了基于多判別器TimeGAN的序列數(shù)據(jù)生成方法[15]，通過引入時(shí)域、頻域、自相關(guān)特征等多維度判別器，提升了原始數(shù)據(jù)的判別能力與生成數(shù)據(jù)的質(zhì)量。羅萍萍等人則提出了一種基于CGAN的負(fù)荷場景生成方法[16]，提升了在特殊氣象條件下負(fù)荷場景生成的泛化能力。
本研究提出了一種創(chuàng)新的負(fù)荷生成模型AirGAN，結(jié)合了機(jī)制模型與生成對抗網(wǎng)絡(luò)的優(yōu)勢。該方法首先利用GAN生成器生成虛擬數(shù)據(jù)，進(jìn)而持續(xù)優(yōu)化物理模型的超參數(shù)，以確保其能夠更有效地匹配實(shí)際空調(diào)負(fù)荷特性。與此同時(shí)，采用GAN判別器對機(jī)制模型所預(yù)測的負(fù)荷進(jìn)行判別，從而為機(jī)制模型的訓(xùn)練提供反饋信息，反向傳遞對機(jī)理模型進(jìn)行優(yōu)化。這一過程不僅增強(qiáng)了機(jī)制模型對負(fù)荷特征的適應(yīng)性，也顯著提升了其預(yù)測精度。通過這種結(jié)合機(jī)制模型與GAN的雙重策略，能夠更精確地模擬和預(yù)測空調(diào)系統(tǒng)的負(fù)荷變化，為相關(guān)領(lǐng)域的研究與應(yīng)用提供了新的思路和方法。
本文詳細(xì)內(nèi)容請下載：
http://m.jysgc.com/resource/share/2000006554
作者信息：
徐玉婷1，劉暢1，王雨薇2，吳含青2，陳偉杰1
（1.中國電力科學(xué)研究院有限公司，北京 100192；
2.國網(wǎng)鎮(zhèn)江供電公司，江蘇 鎮(zhèn)江 212000；）
