编者按： 由“炳华话电气”微信公众号联手“TYT泰永长征”创立的“青年力量·电气技术论坛”充分体现了青年力量 ，经行业专家评审获奖者脱颖而出，并已公布。请点击阅读： “青年力量·电气技术论坛”论文评审揭晓，充分体现了青年力量！

本公众号将陆续发布优秀论文，供大家参考、学习、交流。本文获优秀奖论文奖，具有一定的理论水平，并为前沿性研究。文中为作者观点，希望就技术问题进行探讨！

0 引言

建筑是能源电力消费的主体之一，建筑全过程消耗的能量占全国总能耗 46.5 ％以上，给我国的环境治理带来了巨大的压力。针对化石燃料所面临的危机，多家企业以双碳目标为导向，将太阳能光伏系统广泛应用于建筑设计，如建筑光伏一体化等方案已较为常见 ^[1] 。但这对建筑配电系统会带来一定的挑战，建筑高比例、多主体新能源虽然在产能总量上可能会大于建筑用能量，但产能与用能时序上的不匹配仍会给电网带来极大负担，这就需要更多考虑建筑用能的外部属性，实现与外部电网的友好交互。

清华大学江亿院士团队率先提出了“光储直柔”配电系统的发展思路，通过需求侧响应的用电模式，实现各设备根据电网供需关系自适应改变瞬时功率，缓解光伏发电和建筑用电负荷时间上的矛盾，在较大范围调节从电网的取电量，降低建筑能耗 ^[2] 。

出于“光储直柔”配电系统自身和运营者的需求，需对一些建筑重要数据进行准确预测，包括光伏输出功率、建筑自身负荷、电动汽车负荷，得到未来一段时间需求侧的要求，以应对电力规划及效益评估等问题。目前国内外针对于预测有较多的实验和理论研究，总体来说可以分为持续、统计和机器学习模型。持续性模型是假定在类似典型日不会变化，统计学方法常见于中长期预测，机器学习和深度学习是近年短期预测所采用的主流方法。

针对“光储直柔”配电系统所需数据的精度较高等问题，本文采用 Informer 模型的长序列时间序列预测方法（ Long sequence time-series forecasting ， LSTF ），对建筑自身负荷、光伏发电输出功率、电动汽车负荷等数据进行预测，以平均绝对误差 MAE 和均方误差 MSE 作为模型性能评价指标，验证 Informer 模型有效性。

1 建筑数据

本文所采用的数据分别为 ： 一组已建成并投入使用的典型科研型办公建筑某月运行数据，一组已建成并投入使用的集中式光伏发电站某月数据（ Open Source Datasets ），三组已建成并投入使用的电动汽车充电站同月运行数据，采样点皆以 15 分钟为间隔，部分数据分别如表 1-3 所示。

2 Informer 长序列时间序列预测模型

Informer 长序列时间序列预测模型对传统 Transformer 模型进行了改进，提出了稀疏自注意力机制（ ProSparse Self-attention ），减少了维度与网络参数量，降低了计算复杂程度，极大缩短其运算速度 ^[3] 。 Informer 整体框架如图 1 所示。

Informer 模型较比其他同类模型如 LSTM 模型更像一个滑动的动态预测框，能较好通过历史数据特征预测下一特征，损失函数的值较比一般模型小，具有更强的鲁棒性，模型具体证明过程不在本文赘述。本文具体流程如下：

1 ）模型输入。对于输入数据，首先对时序数日进行了处理，通过 Time Stamp 的方式增强了输入表示的全局位置信息和局部时序信息。

2 ）自注意力机制。传统自注意力机制在输入后进行缩放点积，需要平方级别的时空复杂度，且部分注意力是稀疏的。因此作者通过 KL 散度提出衡量标准，对稀疏性进行度量与评价，挑选出多个精英子项，降低时空复杂度。

3 ）编码器。由图 2 所示的编码器处理大量的长序列输入。提出自注意力蒸馏方法，通过赋予更高的权重突出主要特征，在相邻的注意块（ Attention Block ）之间加入卷积池化操作，对特征进行降采样，允许在内存受限的情况下获取更长的序列输入 ^[4] 。

4 ）解码器。解码器如图 1 右半部分所示，输入中的灰色部分是 time stamp 信息，深黄色是一段开始序列， 0 部分是目标序列的占位符，将其输入送入解码器之后，占位符中得到目标序列。其中，解码器的隐藏注意力机制不会选择一个特定的标记作为开始序列，而利用生成式推理一步生成目标维度的目标序列，不再需要动态解码。一个全连接层获得了最终的输出。

3 结果与分析

通过 Informer 长序列时间序列预测模型分别对 科研型办公建筑某月运行数据，集中式光伏发电站某月数据及三组已建成并投入使用的电动汽车充电站同月运行数据分析，得到以下结果。 科研型办公建筑负荷预测，光伏发电输出功率预测，电动汽车充电站负荷预测结果分别如图 2-4 所示。

通过图 2- 图 4 的预测结果可以看出，目前办公建筑负荷、光伏输出功率预测 informer 模型可以获得较高的拟合程度，无论在预测趋势或峰谷值方面都有良好的表现。对于办公建筑负荷预测模型，在学习率为 0.001 ，迭代次数为 5 的设置条件下，其均方根误差为 0.236 ，平均绝对误差为 0.357 。对比 LSTM 模型，其均方根误差减少了 0.3 左右， Informer 模型较比其它算法拟合程度高。对于集中式光伏发电站输出功率的预测模型中，在学习率 0.0001 ，迭代次数为 6 的设置条件下，其均方根误差为 0.49 ，平均绝对误差为 0.554 ，也有较好的拟合程度。

而对于电动汽车充电站负荷预测模型，虽然预测曲线趋势明显，但在波峰和波谷的真实值与预测值的偏差稍大。因此可以构建不同的模型，观察平均绝对误差 MAE 和均方根误差 MSE 指标，并通过修改学习率、迭代次数来确定最佳模型参数，优化模型。通过优化后的模型分别如图 5-6 所示。

其中图 5 为一次优化优化预测结果，经过 6 次迭代，其均方根误差为 0.378 ，平均绝对误差为 0.471 。图 6 为二次优化预测结果，可以明显看到较比前两次预测结果拟合程度好，可以更好的捕捉到波峰与波谷值。二次优化结果的均方根误差为 0.36 ，平均绝对误差为 0.461 ，较比未优化预测结果均方根误差减少了 12.3% 。对比常用于建筑能耗预测的机器学习回归模型，如基于决策树的四种集成学习 Bagging 、 XGBoost 、 Random Forest 、 Extra Trees 模型，应用于建筑能耗预测结果的平均绝对误差分别为 10.84 、 9.56 、 9.23 、 7.18 。可以看出改进的 Informer 模型在预测的精度上更高，泛化能力更强。

4 结论

后续将根据各类运行数据的特性进行预优化处理以提高精度，如电动汽车充电站运行数据与科研办公建筑相较于光伏发电站运行数据具有一定规律性，与政府法定休假政策关系较大，可以对数据可以进行聚类分析，这是本文未来的研究方向，作者将进一步研究。

参考文献：