基于端到端学习的建筑与数据中心集成能源系统运行
系统与控制
2026-04-17 v1 人工智能
系统与控制
摘要
建筑和数据中心（DC）是能源密集型部门，在实现低碳和可持续能源转型目标方面发挥着关键作用。为此，已广泛研究针对建筑和数据中心的集成能源系统（IES），其包含多样化的可再生能源、能源生成、转换和储存技术，以实现协调的多能源供给。然而，很少有研究在IES中联合考虑这两个部门，以发挥其巨大的协同效益。同时，由于难以准确预测多能源需求和供给，IES的运行优化仍然具有挑战性。为解决这些问题，本文针对建筑和数据中心的协调多能源供给，探讨了一种集成能源系统（IES），其中将数据中心的废热回收并重新利用，以提高能源效率。此外，提出了一种基于端到端学习的方法，用于不确定性下的IES运行优化。不同于传统的预测-优化方法，所提方法将不确定变量的预测模型训练与IES的受约束优化集成到一个统一的学习框架中，引导预测模型的训练以提高操作性能，而非预测准确性，从而减轻预测误差的影响。基于真实数据集的案例研究表明，所提方法比现有的预测-优化方法提高了约7-9%的运行性能。此外，在IES中协调建筑和数据中心可获得显著的经济效益。特别是，数据中心的废热回收可使IES的总能源成本降低约10%。
引用
@article{arxiv.2604.14184,
title = {End-to-End Learning-based Operation of Integrated Energy Systems for Buildings and Data Centers},
author = {Zhenyu Pu and Yu Yang and Liang Yu and Xiaohong Guan},
journal= {arXiv preprint arXiv:2604.14184},
year = {2026}
}
备注
7 pages, 4 figures