基于优化的负荷预测与需求管理：智能建筑微电网中的灰雁与双层图模型

为何更智能的建筑需要更聪明的能源“大脑”

随着住宅、办公楼和校园安装太阳能板、电池和电动汽车，能源管理变得出人意料地复杂。建筑需要不断决定何时从电网取电、何时给电池充放电，以及如何避免浪费和停电。本文提出了一种新的智能建筑微电网“能源大脑”，它可以高精度预测用电并精细规划电池使用，从而将电池寿命提升到两倍以上。

在复杂小电网中保持照明不断

智能建筑微电网就像围绕单一场地构建的微型电力系统。它可能包括屋顶光伏、小型风力机、电池、电动汽车以及与主电网的连接。建筑的能源管理者必须每隔几分钟就匹配供需，即便太阳光变化、人员进出或电池老化。如果预测失准，建筑可能在高峰期以高价购电、浪费可再生能源或让电池比预期更快损耗。作者关注两个关键目标：准确预测此类建筑的短期能耗，并利用该预测以既降低成本又减少电池磨损的方式运行电池。

在预测前清理数据

系统以来自印度一座真实智能建筑微电网的一年详细测量数据为起点。传感器每五分钟记录一次电网电流与电压、光伏输出、电池行为以及温度、湿度、风速等天气状况。真实世界的数据常常杂乱：传感器失效、读数突变且不同量纲间尺度不一。为此，作者采用一种专门的数据清洗步骤——快速重采样迭代滤波（Fast Resampled Iterative Filtering），在保留负荷真实波动的同时平滑噪声。随后他们使用一种受自然启发的搜索方法——草原犬鼠优化（Prairie Dog Optimization），来确定哪些传感器读数对预测真正重要。最终锁定五个核心输入，例如太阳能电压、电池放电功率和时间等，剔除那些增加复杂性但信息量有限的冗余信号。

教网络读取能源网络

作者并未把每个测量视为相互独立的时间序列，而是将它们的相互作用建模为一张网络。在他们的关系型双层聚合图卷积网络（Relational Bi-Level Aggregation Graph Convolutional Network）中，图中的每个节点代表一个关键特征（例如温度或电池放电功率），连边表示这些特征随时间相互影响的强度。模型先学习局部模式，例如短时间窗口内太阳能电压与电池功率如何共同变化，然后构建能捕捉日周期和更广泛关系的全局模式。通过组合这些层，系统不仅能看到负荷何时变化，还能理解这种变化如何与日照、温度和电池使用关联，从而提升对未来负荷的预测能力。

借鉴雁群的飞行模式

为了调优该图模型，作者采用了另一种仿生方法——灰雁优化（Greylag Goose Optimization）。在自然界，呈V字队形的雁群不断调整位置以节省能量并保持航向。在该算法中，每只“雁”代表一组可能的模型参数设置，如学习率和内部权重。训练过程中，这些虚拟“雁”探索并优化它们的位置，寻找能带来最低预测误差且不陷入劣解的参数组合。这种自适应调优帮助模型在建筑负荷高度不规则时仍保持稳定，例如电动汽车充电导致的突增或无人时段的骤降。

更精确的预测与更长寿的电池

与多种流行的深度学习和混合方法比较，该框架在平均预测准确率上达到约98.3%，而最佳替代方法约为80–92%。其误差指标不到竞争模型的一半，且预测结果在不同运行间更为一致。当将这些预测用于考虑电池寿命的调度时，建筑能够将负荷维持在更高效的范围内，避免深度、压力大的充放电循环。仿真表明，这种更为谨慎的控制可以使电池保持在原始容量80%以上的时间翻倍以上，将更好的预测转化为实际的硬件节约。

这对日常能源用户意味着什么

对非专业读者来说，核心信息是：建筑内部更好的“数字化规划”可以直接带来更低的账单、更少的电网扰动以及更长寿命的电池和设备。通过清洗传感器数据、聚焦最具信息量的信号、建模信号间的相互作用并智能地调优模型，所提出的方法为建筑微电网提供了对近期情况更清晰的判断。这样的清晰度反过来允许更明智地决定何时存电、用电或售电，使我们更接近于能在幕后安静管理自身能源的可靠低碳建筑。

引用: 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

关键词: 智能建筑微电网, 负荷预测, 电池衰减, 能源管理, 图神经网络