一种基于预测的商业建筑负荷管理方法——比较LSTM与标准化负荷曲线技术
系统与控制
2020-07-15 v1 系统与控制
摘要
负荷预测问题已借助不同方法、粒度与目标被广泛研究。近期研究不仅关注深度学习方法，也关注单栋建筑层面的负荷预测。本研究旨在探讨使用不同负荷预测技术进行负荷管理时所产生的问题与可能性。为此，通过分析并评估两种神经网络（Long Short-Term Memory与Feed Forward Neural Network）与两种统计方法（标准化负荷曲线与个性化标准化负荷曲线）的行为，采用滑动窗口预测方法。结果表明，机器学习算法具有适应新模式的好处，而个性化标准化负荷曲线在所测指标上表现与所测深度学习算法相似。作为评估负荷预测对能源管理系统应用支持的案例研究，利用负荷预测调度充电过程，模拟了充电站集成入既有建筑的情形。结果表明，与无序充电相比，此类系统可显著降低超出既定电网限制的负荷峰值，并减少过载次数。
引用
@article{arxiv.2007.06832,
title = {A Forecast Based Load Management Approach For Commercial Buildings -- Comparing LSTM And Standardized Load Profile Techniques},
author = {Thomas Steens and Jan-Simon Telle and Benedikt Hanke and Karsten von Maydell and Carsten Agert and Gian-Luca di Modica and Bernd Engel and Matthias Grottke},
journal= {arXiv preprint arXiv:2007.06832},
year = {2020}
}
备注
19 Pages, 16 Figures, 1 Postscript figure