基于深度学习的建筑多时间尺度负荷预测：从研究到部署的机遇与挑战
信号处理
2021-12-20 v2 机器学习
摘要
随着分布式能源资源（DERs）渗透率的提高，建筑和园区的电力负荷预测正变得日益重要。DERs 的高效运行与调度需要对未来能耗进行合理准确的预测，以便对现场发电与储能资产进行近实时优化调度。传统上，电力公司针对跨越广大地理区域的负荷区块进行负荷预测，因此建筑和园区运营者并未将预测作为常见实践。鉴于电网交互式高效建筑领域研究与原型开发的日益增长趋势，除简单算法预测精度之外的特征对于确定算法在智能建筑中的真正效用十分重要。其他特征包括所部署架构的整体设计以及预测系统的运行效率。在本工作中，我们提出一种基于深度学习的负荷预测系统，该系统以 1 小时为间隔预测未来 18 小时内的建筑负荷。我们还讨论了此类系统实时部署所面临的挑战，以及由美国国家可再生能源实验室智能园区计划内开发的具备完整功能的预测系统所带来的研究机遇。
引用
@article{arxiv.2008.05458,
title = {Deep-Learning-Based, Multi-Timescale Load Forecasting in Buildings: Opportunities and Challenges from Research to Deployment},
author = {Sakshi Mishra and Stephen M. Frank and Anya Petersen and Robert Buechler and Michelle Slovensky},
journal= {arXiv preprint arXiv:2008.05458},
year = {2021}
}
备注
13 pages, 4 figures