电力需求响应下商业楼宇群空调负荷调控研究
电力需求响应下商业楼宇群空调负荷调控研究
一句话摘要：针对电力需求响应中商业楼宇群空调统一调温导致响应误差大、用户配合度低的问题，构建 CNN-LSTM 空调负荷预测模型和 PMV-PPD 不满意度模型，利用多目标优化和粒子群算法形成「基于多目标优化的电力需求响应商业楼宇群调控决策模型」，不满意度降 27.8%、配合度提高 77%。
📝 摘要
以商业楼宇群空调为对象，运用 CNN-LSTM 混合模型进行负荷预测，结合多目标优化方法在电力需求响应下实现负荷调控。
基本信息
| 字段 | 内容 |
|---|---|
| 题目 | 电力需求响应下商业楼宇群空调负荷调控研究 |
| 学校 | 浙江大学（工程师学院） |
| 作者 | 施开译（指导教师：陈国柱） |
| 学位 | 工程管理硕士 |
| 年份 | 2024 |
| 行业 | 电力行业 / 建筑节能 |
| 研究方向 | 负荷调控 / 多目标优化 |
| 关键词 | 电力需求响应；神经网络；人体舒适度指数；多目标优化 |
🎯 研究问题
商业楼宇空调能耗大、需求响应调控缺乏精准预测支持。
研究背景与问题
极端天气下电力供需不平衡日渐增长。现行商业楼宇群空调调控方案统一设置温度，导致实际响应负荷与计划误差大、用户配合度低。主要原因：未根据每栋楼宇空调实际工况预测调控，也未考虑对用户的影响。
核心方法
- 负荷预测模型：CNN-LSTM 混合神经网络构建「设定温度-空调可调负荷」预测模型
- 不满意度模型：问卷调查法 + PMV-PPD 人体舒适度理论，得到不同商业楼宇不满意度系数（办公楼 2.04、营业场所 1.94、酒店 2.64）
- 多目标优化决策：多目标优化 + 粒子群算法，平衡响应负荷与不满意度矛盾
- 实证验证：以 A 街道 20 栋商业楼宇实际调控为例
主要结论
- 不满意度降低 27.8%，配合度提高 77%
- 模型有效提高负荷预测准确性、减少不必要负荷响应
- 量化并控制不满意度，平衡了响应负荷与用户体验的矛盾
亮点与可借鉴之处
- CNN-LSTM + PMV-PPD + 多目标优化的技术方法链
- 工程管理与深度学习、人体舒适度理论的跨学科融合
- 可迁移至其他需求响应场景（工业负荷、居民负荷）
相关链接
📂 原文
00-Raw/
📝 本文为论文知识整理笔记，仅供个人学习研究使用
观点归属原作者 · 转载请注明出处