2025年人工智能在电力需求侧仿真与预测中的若干应用报告-厦门大学（景锐）

能源与建筑能耗需求侧管理总结

能源问题是全球关注焦点，尤其是全球变暖导致2024年成为有记录以来最热年，大幅增加空调能耗和整体能源消耗。报告聚焦于新能源的不稳定性及建筑领域的应对策略。

主要挑战

• 新能源波动性强，例如“看天吃饭”，热天无风导致电网调节困难。
• 建筑能耗模型构建面临城市尺度海量和多维数据难题，包括天气数据时空颗粒度不对齐，以及建筑信息获取复杂。

解决方案与模型构建

• 推动需求侧灵活性，建设灵活负荷资源库，构造基于机理-数据联合驱动的城市尺度建筑能耗模型（UBEM），实现全自动化与高可信度仿真实。
• 利用GIS、气象数据和机器学习技术，如大语言模型（LLM）推理，估计建筑年龄和空间信息，实现多源数据融合为“一张图”。
• 关键方法：自底向上模拟、多模态数据驱动，结合EnergyPlus等工具，生成典型建筑模型并进行逐时负荷预测。

模型验证

• 验证采用多尺度方法，包括时间-空间-能量三维对比、历史数据对比和实际能耗校准。
• 使用GRU、LSTM、Transformer等深度学习模型处理序列数据，提高负荷预测准确性；但由于小样本问题和黑箱特性，需加强解释性。
• 技术难点：数据稀缺性、模型泛化能力不足，通过GAN增广、迁移学习等方法改进。

应用案例与发现

• 案例分析显示，在气候变化情景下，福州等城市空调能耗显著增加，影响可达36%。
• 城市能耗地图绘制支持负荷预测优化，在主要城市（如福州、厦门）证明模型有效，预测误差低于5%。
• 建筑类型、功能和年代信息集成帮助优化资源分布，提升调控平台效能。

未来愿景

通过数字化建筑能耗管理，实现能源系统韧性提升，应对极端天气和新型负荷挑战，可持续发展城市能源格局。

联系方式：演讲者为某大学副教授，邮箱提供咨询。