引言

空調負荷的準確預測與生成一直是暖通空調系統優化中的核心挑戰之一。由于空調負荷受多種復雜因素的影響，如室內外環境、建筑結構、設備運行以及歷史負荷數據，如何準確預測并生成負荷數據成為一個持續困擾研究人員的難題。近年來，相關領域的研究者通過多種方法對空調負荷的預測與生成進行探索，形成了以優化模型與神經網絡為核心的兩大研究方向。

在優化模型方面，研究人員通過建立空調負荷模型來提升預測精度。陳恒波等人提出了一種基于變分模態分解的短期負荷自動預測方法[1]，綜合考慮了室內外環境、建筑特性、設備負荷及歷史數據，并構建了適應復雜負荷變化的預測模型，以確保短期負荷預測的準確性。類似地，宋文杰基于傅里葉變換提出了一種新的負荷特征提取方法[2]，相比傳統的時域提取方法，該方法在頻域中的表現更為有效，提升了對復雜負荷特征的捕捉能力。此外，馮瑞豪采用隱性馬爾可夫過程對負荷數據進行分解與建模[3]，進一步增強了模型對負荷數據復雜性的表達。

氣象因素與電力負荷之間的密切關聯也是研究的重要領域。張廣倫基于改進的FCI算法提出了一種電力負荷與氣象數據因果關系辨識方法[4]，利用氣象因素如溫度、風速、輻射等外部環境變量提高了負荷預測的精準性。叢琳在多目標優化的基礎上提出了一種結合多維度目標的空調負荷預測模型[5]，使得預測結果更加科學且符合實際需求。與此同時，江熙通過極限學習機對新能源微電網的短期負荷進行了預測[6]，并采用反饋優化機制提升了負荷預測的準確性。

隨著深度學習技術的發展，神經網絡在負荷預測中的應用逐漸成為主流。胡競帆利用神經網絡提高了建筑空調負荷預測的動態擬合能力[7]，展示了神經網絡在處理復雜非線性數據上的優勢。翁衛兵等人通過將卷積神經網絡、遺傳算法和極限梯度提升樹等算法相結合[8]，提升了空調冷水機組負荷預測的準確性。此外，任禹丞提出了一種自適應滑動窗口的LSTM預測方法[9]，針對傳統LSTM模型在處理負荷預測中的局限性進行改進，提升了其對長時間序列數據的適應性。在此基礎上，蔡美玲等人提出了基于Transformer的多變量時間序列預測方法[10]，并將該模型應用于負荷異常行為的檢測中，有效應對了空調負荷的復雜波動性。

負荷生成方法也取得了顯著進展，尤其是生成對抗網絡的引入，為負荷數據生成提供了新的思路。時純將多通道CNN與生成對抗網絡（Generative Adversarial Networks, GAN）相結合，提出了一種電力系統暫態穩定評估方法[11]，通過生成器與判別器的交替訓練提高了模型的穩定性和精度。許軍金進一步結合GRU預測算法與GAN[12]，實現了數據生成與負荷預測的協同優化，增強了負荷生成數據的代表性與預測精度。陳志強利用GAN對負荷數據的擬合能力，提出了一種基于GAN模型的電網用電安全數據生成方法[13]。針對負荷數據的缺失問題，劉志堅等人提出了基于雙通道GAN的負荷數據補全方法[14]，為解決數據缺失提供了有效方案。

此外，序列數據生成技術也逐漸成為負荷生成研究的熱點。朱春強等人提出了基于多判別器TimeGAN的序列數據生成方法[15]，通過引入時域、頻域、自相關特征等多維度判別器，提升了原始數據的判別能力與生成數據的質量。羅萍萍等人則提出了一種基于CGAN的負荷場景生成方法[16]，提升了在特殊氣象條件下負荷場景生成的泛化能力。

本研究提出了一種創新的負荷生成模型AirGAN，結合了機制模型與生成對抗網絡的優勢。該方法首先利用GAN生成器生成虛擬數據，進而持續優化物理模型的超參數，以確保其能夠更有效地匹配實際空調負荷特性。與此同時，采用GAN判別器對機制模型所預測的負荷進行判別，從而為機制模型的訓練提供反饋信息，反向傳遞對機理模型進行優化。這一過程不僅增強了機制模型對負荷特征的適應性，也顯著提升了其預測精度。通過這種結合機制模型與GAN的雙重策略，能夠更精確地模擬和預測空調系統的負荷變化，為相關領域的研究與應用提供了新的思路和方法。

本文詳細內容請下載：

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.中國電力科學研究院有限公司，北京 100192；

2.國網鎮江供電公司，江蘇 鎮江 212000；）