Прогнозирование нагрузки и управление спросом на основе оптимизации в микросетях умных зданий с моделями Greylag Goose и биуровневого графа

Почему умным зданиям нужен более умный «энергетический мозг»

По мере того как дома, офисы и кампусы оснащаются солнечными панелями, батареями и электромобилями, управление энергией становится неожиданно сложной задачей. Зданиям нужно постоянно решать, когда брать энергию из сети, когда заряжать или разряжать батареи и как избегать потерь и отключений. В этой статье предлагается новый «энергетический мозг» для микросетей умных зданий, который с высокой точностью прогнозирует потребление электроэнергии и планирует использование батарей настолько аккуратно, что это может более чем вдвое увеличить их срок службы.

Поддержание электроснабжения в сложной мини-сети

Микросеть умного здания — это как небольшая энергосистема, охватывающая один объект. В ней могут быть солнечные панели на крыше, небольшие ветряки, батареи, электромобили и подключение к основной сети. Энергоменеджеру здания нужно согласовывать предложение и спрос каждые несколько минут, даже когда меняется освещённость, люди приходят и уходят, а батареи стареют. Если прогнозы неточны, здание может покупать дорогую пиковую электроэнергию, терять возобновляемую энергию или преждевременно изнашивать батареи. Авторы сосредотачиваются на двух ключевых задачах: краткосрочном прогнозировании энергопотребления в таких зданиях и использовании этих прогнозов для управления батареями с целью снижения как затрат, так и износа.

Очистка данных перед прогнозированием

Система начинается с года детальных измерений реальной микросети умного здания в Индии. Каждые пять минут датчики фиксировали сетевые токи и напряжения, выработку солнечной энергии, поведение батареи и погодные параметры, такие как температура, влажность и скорость ветра. Данные из реального мира шумны: датчики выходят из строя, показания скачут, а разные величины имеют разные масштабы. Чтобы это исправить, авторы применяют специализированную процедуру очистки — Fast Resampled Iterative Filtering, которая сглаживает шум, сохраняя при этом реальные колебания спроса. Затем они используют натуралистически вдохновлённый метод поиска Prairie Dog Optimization, чтобы определить, какие показания датчиков действительно наиболее важны для прогноза. В результате остаются пять основных входных величин — например, напряжение солнечной панели, мощность разряда батареи и время суток — устраняя избыточные сигналы, добавляющие сложность, но мало дающие новой информации.

Обучение сети «читать» энергетическую сеть

Вместо того чтобы рассматривать каждое измерение как изолированный временной ряд, авторы моделируют их взаимодействия в виде сети. В их Relational Bi-Level Aggregation Graph Convolutional Network каждая вершина графа представляет одну из ключевых характеристик (например, температуру или мощность разряда батареи), а ребра показывают, насколько сильно они влияют друг на друга со временем. Модель сначала учит локальные закономерности — например, как напряжение солнечной панели и мощность батареи изменяются вместе в коротком окне времени — а затем выстраивает глобальные паттерны, охватывающие суточные циклы и более широкие взаимосвязи. Объединяя эти уровни, система видит не только когда меняется потребление, но и как это изменение связано с солнцем, температурой и использованием батарей, что улучшает её способность прогнозировать предстоящие нагрузки.

Заимствование схемы полёта у гусей

Для настройки этого графового модели авторы используют ещё один био-вдохновлённый метод — Greylag Goose Optimization. В природе гуси в клиновидной формации постоянно подстраивают свои позиции, чтобы экономить энергию и сохранять курс. В этом алгоритме каждая «гусь» представляет собой возможный набор настроек модели, таких как скорость обучения и внутренние веса. В процессе обучения эти виртуальные гуси исследуют пространство параметров и уточняют свои позиции, ища комбинации с минимальной ошибкой прогноза, не застревая в плохих локальных решениях. Такая адаптивная настройка помогает модели оставаться устойчивой даже когда нагрузки в здании сильно нерегулярны, например при резких всплесках из‑за зарядки электромобилей или провалах в нерабочие часы.

Более точные прогнозы и более долговечные батареи

По сравнению с несколькими популярными глубинными и гибридными методами новая структура достигает примерно 98,3% средней точности прогнозирования против примерно 80–92% у лучших альтернатив. Её показатели ошибок меньше менее чем вдвое по сравнению с конкурирующими моделями, и предсказания более стабильны от запуска к запуску. Когда полученные прогнозы используются для расписания с учётом состояния батареи, здание может поддерживать потребление в эффективном диапазоне и избегать глубоких стрессовых циклов заряд–разряд. Моделирование показывает, что такое более аккуратное управление может более чем вдвое увеличить время, в течение которого батарея сохраняет более 80% своей первоначальной ёмкости, превращая улучшенное прогнозирование в реальную экономию оборудования.

Что это значит для повседневных потребителей энергии

Для широкой аудитории ключевая мысль в том, что более продуманное «цифровое планирование» внутри здания напрямую переводится в более низкие счета, меньше нарушений в работе сети и более долговечные батареи и оборудование. Очищая данные датчиков, фокусируясь на наиболее информативных сигналах, моделируя их взаимодействия и интеллектуально настраивая модель, предлагаемый подход даёт микросетям зданий гораздо более ясное представление о ближайшем будущем. Эта ясность, в свою очередь, позволяет принимать более умные решения о том, когда хранить, использовать или продавать электроэнергию, приближая нас к надёжным, малоуглеродным зданиям, которые незаметно управляют собственной энергией за кулисами.

Цитирование: Ahamed, B.S., Dhanya, D., Sivaramkrishnan, M. et al. Optimization based load forecasting and demand management in smart building microgrids with Greylag Goose and Bi level graph models. Sci Rep 16, 6386 (2026). https://doi.org/10.1038/s41598-026-36960-x

Ключевые слова: микросети умных зданий, прогнозирование нагрузки, деградация батареи, управление энергией, графовые нейронные сети