基于数据驱动的建筑电力灵活性潜力评估方法

至2021年，建筑物占全球能源消耗量的40%，在匹配发电和需求响应方面可以发挥重要作用。为应对能源供给侧的要求的当下，短期建筑电力灵活性潜力评估方面仍缺乏研究。随着以新能源为主体的新型电力系统发展，规模化灵活需求侧互动响应资源挖掘成为必然。针对建筑缺少需求响应历史数据时的灵活性潜力分析问题，本文提出了基于多源无监督域适应的建筑电力灵活性潜力评估方法，充分利用已参与响应项目建筑的历史数据来评估建筑电力灵活性潜力。首先，基于仿真模拟方法来构建多个典型办公建筑模型并量化建筑的电力灵活性潜力；其次，构建基于CNN-GRU的特征提取器用于提取多源时间序列数据的时间特征；在此基础上，通过特征提取器和具有softmax输出的域分类器的对抗域自适应来找到源域和目标域之间的域不变特征，更有效地利用源域标签数据，最终实现了缺少建筑历史响应数据时的灵活性潜力评估神经网络的训练；最后，通过算例分析，验证了本文所提方法的有效性。

建筑是能源消耗大户。至2021 年，建筑物占全球能源消耗量的40%，在匹配发电和需求响应方面可以发挥重要作用。建筑电力需求响应资源灵活性评估对建筑能源系统管理起着重要的作用，对建筑能源系统的在线控制和优化具有重要意义。

公共建筑约占中国建筑行业总能耗的40% [1]。

写字楼的能源消耗是一个重要组成部分，占行业的30% [2]。为了缓解电力供需双方的不平衡、电网运行不稳定等问题，有研究提出了供应侧和需求侧的能源灵活性措施， 以创建一个可靠和高效的电力系统[3]。

在最近的研究中， 利用建筑能源的灵活性来缓解供需不平衡引起了越来越多的关注[4] [5]。

国际能源署(IEA)附件67“能源灵活建筑”所定义的那样，建筑能源灵活性是指建筑管理其需求和发电的能力，并在考虑当地天气条件、用户需求和能源网络的情况下实现需求侧管理要求[6]。实现能源灵活性的一般方法是需求侧管理(Demand Side Management, DSM)、需求响应(Demand Response, DR)或灵活资源的灵活控制[7]。然而，在需求响应项目实施初期，负荷响应特征数据缺乏，增加了建筑电力灵活性潜力评估的难度。

在这种情况下，无监督域适应(Unsupervised Domain Adaptation, UDA)是一种有吸引力的解决方案， 它通过从标记良好的源域转移知识来减轻未标记目标域的繁琐标记。现有多源无监督自适应的迁移学习研究多集中于图像识别，严重依赖于数据扩充或伪标记，很少有与时间序列兼容的学习模型[8]。考虑到建筑电力灵活性潜力评估所需为时序数据， 所以如何有效地利用多个时间序列域(本文中为多个建筑)的和目标的元域信息，是多源无监督域适应技术应用于建筑电力灵活性潜力评估中的一个研究重点。为了解决上述问题，文献[9]提出协同对抗学习的原理，利用对抗式学习来对齐源和目标特征表示，并通过对比学习重塑空间，跨域利用跨源标签信息将同一标签的例子拉近，将不同标签的例子推开。建筑电力灵活性潜力评估中的用电数据为时序数据，因此常用的卷积(Convolutional Neural Network, CNN)方法不能很