Управление пиковым потреблением электроэнергии в интеллектуальной сети и факторы, влияющие на него, на основе рекуррентной нейронной сети и глубокого обучения

Почему важна более разумная энергопользовательская практика на кампусе

Университетские кампусы работают круглосуточно: занятия, лаборатории, общежития, ночные учебные сессии и постоянный гул серверов и освещения. Всё это даёт большие колебания в потреблении электроэнергии — резкие пики, когда одновременно включено много приборов, и глубокие провалы, когда здания недогружены. Эти пики дорого обходятся для сети и вредят экологии. В исследовании рассматривается, как сочетание современных инструментов ИИ и водородного накопления энергии может помочь кампусам предсказывать потребности в электроэнергии, сглаживать пики и использовать электричество эффективнее, не ухудшая условия для обучения.

Выявление закономерностей в повседневной жизни кампуса

В основе работы лежит представление о том, что потребление электроэнергии на кампусе не случайно — оно тесно связано с человеческими рутиной. Исследователи собрали подробные данные по энергопотреблению 15 зданий китайского университета примерно за полтора года, а также записи о погоде и расписания занятий. Затем они использовали цветные тепловые карты, чтобы показать, как потребление энергии меняется по часам в разных местах: в общежитиях, аудиториях, офисах, столовых и в системах освещения. Исходя из этих карт, были выделены шесть повседневных шаблонов, например общежития с двумя крупными пиками в обеденное и позднее ночное время, аудитории с пиком только в часы занятий и уличное освещение, горящее равномерно ночью. Эти шаблоны служат основой для целевых мероприятий по энергосбережению для каждого типа зданий.

Обучение нейронной сети прогнозированию спроса

Чтобы опираться на эти закономерности, сначала нужно знать, что будет завтра. Команда обучила тип искусственного интеллекта, называемый рекуррентной нейронной сетью (RNN), прогнозировать, сколько электроэнергии каждое здание будет потреблять по часам. RNN спроектированы для работы с последовательностями, поэтому они хорошо подходят для отслеживания изменения спроса во времени. Модель обрабатывала сразу 24 часа недавней истории — прошлое потребление электроэнергии, температуру, влажность, время суток, будний или выходной день и даже наличие занятий — и затем предсказывала потребление на следующий час. Авторы тщательно обработали данные: пропущенные показания дополнялись на основе похожих дней с аналогичной погодой и расписанием, а наборы данных были разделены по хронологии на обучающую, валидационную и тестовую выборки, чтобы избежать переобучения.

Превосходство над другими методами прогнозирования

Производительность RNN была сопоставлена с несколькими распространёнными инструментами прогнозирования, включая простую линейную регрессию, более гибкую нелинейную регрессию, традиционные статистические модели, такие как ARIMA и серые модели, и ещё один метод глубокого обучения — LSTM. На данных кампуса и трёх публичных наборах электропотребления RNN стабильно давала меньшие ошибки. В реальных тестах на кампусе среднеквадратическая ошибка RNN — метрика, которая сильнее наказывает крупные промахи — была заметно ниже, чем у линейной регрессии, а средняя процентная ошибка оставалась в пределах одной цифры. Распределение ошибок показало, что ошибки RNN сгруппированы плотно, а предсказанные кривые почти совпадают с реальной нагрузкой, что указывает как на точность, так и на стабильность. Авторы отмечают, что это не означает, что RNN всегда превосходит LSTM в общем случае, но показывает, что относительно простая сеть может работать очень хорошо в данном конкретном сценарии.

Сглаживание кривой потребления с помощью водородного накопителя

Одних прогнозов недостаточно, чтобы сократить расходы; нужна возможность формировать спрос. В этом разделе исследования предлагается виртуальная система водородного накопления энергии, которая действует как большой перезаряжаемый буфер. Когда RNN прогнозирует часы с низкой нагрузкой, система «заряжается», превращая электричество в водород; при приближении пиков она «разряжается», возвращая накопленную энергию на кампус. Динамическая программная процедура решает поквартально, заряжать, разряжать или оставаться в режиме ожидания накопитель, соблюдая пределы его ёмкости, мощности и эффективности. В типичном 24-часовом примере эта стратегия снизила суточный максимальный спрос примерно с 46 киловатт-часов до около 33, уменьшила разрыв между пиком и средним потреблением и устранила все периоды, когда спрос превышал заранее заданную квоту. Ценой стало небольшое увеличение общего суточного расхода энергии — менее одного процента — из‑за потерь в цикле накопления.

Что это означает для повседневных потребителей энергии

Проще говоря, исследование показывает, что кампусы — а также офисные парки, госпитальные комплексы или жилые кварталы — могут использовать ИИ не только для прогнозирования своего энергопотребления, но и для его формирования. Предсказывая, когда и где потребуется электроэнергия, и сочетая эти прогнозы с гибкими накопителями, такими как водородные ёмкости или батареи, операторы могут сглаживать дорогостоящие пики, лучше использовать ночную (внепиковую) энергию и снижать нагрузку на общую сеть. Авторы предупреждают, что их результаты получены для одного кампуса и имитационной модели накопителя, и что реальные внедрения должны учитывать цены, выбросы и комфорт. Тем не менее предложенная рамочная модель даёт реалистичный план для более умного и чистого потребления электроэнергии в местах, где завтра формируются энергетические привычки уже сегодня.

Цитирование: Wang, F., Huang, D. & Lu, W. The peak shifting electricity consumption management and influencing factors of smart grid from recurrent neural network model and deep learning. Sci Rep 16, 5569 (2026). https://doi.org/10.1038/s41598-026-35754-5

Ключевые слова: умная сеть, энергетика кампуса, прогнозирование нагрузки, водородное хранение, глубокое обучение