基于前馈神经网络的楼宇综合能源系统日前调度

doi:10.3969/j.issn.1008-0198.2026.01.001

湖南电力 ›› 2026, Vol. 46 ›› Issue (1): 1-7.doi: 10.3969/j.issn.1008-0198.2026.01.001

• 电网运行与控制 • 下一篇

基于前馈神经网络的楼宇综合能源系统日前调度

王泽烨¹, 李雪莹², 周宇杰³, 井天军¹

1.中国农业大学信息与电气工程学院,北京 100083;
2.太原理工大学电气与动力工程学院,山西太原 030024;
3.香港城市大学工学院,香港 999077

收稿日期:2025-09-26 修回日期:2025-10-25 出版日期:2026-02-25 发布日期:2026-03-10
通信作者: 王泽烨（2001）,男,硕士,主要研究方向为电力系统运行控制。
作者简介:李雪莹（2005）,女,本科,主要研究方向为电力系统运行控制。周宇杰（2002）,男,硕士,主要研究方向为电力系统运行控制。井天军（1980）,男,博士,教授,主要研究方向为微电网运行与控制、配电自动化、分布式电源运行控制。
基金资助:
智能电网国家科技重大专项（2024ZD0800500）

Day-Ahead Scheduling of Building Integrated Energy System Based on Feedforward Neural Network

WANG Zeye¹, LI Xueying², ZHOU Yujie³, JING Tianjun¹

1. College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China;
2. College of Electrical and Power Engineering, Taiyuan University of Technology, Taiyuan 030024, China;
3. College of Engineering, City University of Hong Kong, Hong Kong 999077, China

Received:2025-09-26 Revised:2025-10-25 Online:2026-02-25 Published:2026-03-10

摘要/Abstract

摘要： 随着楼宇综合能源系统(integrated energy system of building,BIES)的增多及其提升能源利用率的作用日益凸显,研究提升BIES内各设备耦合程度及与电网协调程度、降低BIES日综合运行成本具有重要意义。为此,提出基于前馈神经网络(feedforward neural network,FNN)的BIES日前优化调度模型。首先,分析含屋顶光伏的BIES的结构;其次,提出基于FNN的光伏出力日前预测方法及流程,为BIES优化调度提供可靠光伏发电数据;最后,以BIES购电成本、购气成本、设备运行维护成本组成的日综合运行成本最低为目标,提出基于BIES日前调度模型。算例结果表明,所提光伏出力预测方法能有效提高光伏发电出力预测精度,基于FNN的BIES日前优化调度模型能够有效提高BIES运行经济性。

关键词: BIES, FNN, 优化调度

Abstract: With the increase of building integrated energy systems(BIES) and its increasingly prominent role in improving energy utilization efficiency, it is necessary to study how to enhance the coupling degree of equipment within BIES and its coordination with the power grid, thereby reducing the daily comprehensive operating cost of BIES. Therefore, a BIES day-ahead optimization scheduling model based on feedforward neural network(FNN) is proposed. Firstly, the structure of BIES with rooftop photovoltaics is analyzed. Secondly, a day-ahead PV output prediction method and process based on FNN are proposed, providing reliable PV power generation data for BIES optimization scheduling. Finally, with the objective of minimizing the daily comprehensive operating cost composed of electricity purchase cost, gas purchase cost, and equipment operation and maintenance cost, a day-ahead scheduling model for BIES is proposed. The result of the calculation examples show that the proposed PV output prediction method can effectively improve the prediction accuracy of PV power generation output, and the propose day-ahead optimization scheduling model can effectively improve the operational economy of BIES.

Key words: BIES(integrated energy system of building), FNN(feedforward neural network), optimization scheduling

中图分类号:

TM714

王泽烨, 李雪莹, 周宇杰, 井天军. 基于前馈神经网络的楼宇综合能源系统日前调度[J]. 湖南电力, 2026, 46(1): 1-7.

WANG Zeye, LI Xueying, ZHOU Yujie, JING Tianjun. Day-Ahead Scheduling of Building Integrated Energy System Based on Feedforward Neural Network[J]. Hunan Electric Power, 2026, 46(1): 1-7.

参考文献

[1] 徐潇源,王晗,严正,等. 能源转型背景下电力系统不确定性及应对方法综述[J]. 电力系统自动化,2021,45(16):2-13.
[2] 王永真,张宁,关永刚,等. 当前能源互联网与智能电网研究选题的继承与拓展[J]. 电力系统自动化,2020,44(4):1-7.
[3] SUN X R,LUH P B,CHEUNG K W,et al.An efficient approach to short-term load forecasting at the distribution level[J]. IEEE Transactions on Power Systems,2016,31(4):2526-2537.
[4] 李虎军,张栋,吕梦璇,等. 考虑碳排放约束的新能源与调峰资源优化配置方法[J]. 中国电力,2024,57(4):42-51.
[5] 李虹,杜世旗. 考虑能源枢纽变工况特性的综合能源系统优化配置[J]. 现代电力,2022,39(5):547-553.
[6] LIU S,ZHOU C,GUO H M,et al.Operational optimization of a building-level integrated energy system considering additional potential benefits of energy storage[J]. Protection and Control of Modern Power Systems,2021,6:4.
[7] 张浩,仇晨光,闫朝阳,等. 基于人工神经网络的电网运行维护优化决策策略[J]. 高电压技术,2023,49(S1):122-127.
[8] 陈晓龙,孙丽蓉,李永丽,等. 基于人工神经网络和网络迁移的双端输电线路非同步故障测距算法[J]. 电网技术,2023,47(12):5169-5181.
[9] 皮琳琳,田立国. 基于KNN-IDBO-LSTM的光伏短期发电预测方法研究[J]. 太阳能学报,2025,46(5):320-330.
[10] 李英顺,阚宏达,郭占男,等. 基于数据预处理和VMD-LSTM-GPR的锂离子电池剩余寿命预测[J]. 电工技术学报,2024,39(10):3244-3258.
[11] 张宇帆,艾芊,郝然,等. 基于机会约束规划的楼宇综合能源系统经济调度[J]. 电网技术,2019,43(1):108-115.
[12] 刘向向,卢婕,严勤,等. 考虑热惯性的居民楼宇综合能源系统日前运行优化[J]. 可再生能源,2020,38(3):409-415.
[13] 高晋,王雪文,陈凯鹏,等. 考虑光储柔的楼宇综合能源系统优化调度[J]. 电力需求侧管理,2025,27(1):33-39.
[14] 刘帅,刘方,陈登勇. 含相变墙体的综合能源系统优化调度[J]. 电网技术,2023,47(8):3238-3248.
[15] 易文飞,张潼,岳东,等. 考虑不确定性的楼宇综合能源系统日前调度[J]. 电力工程技术,2024,43(4):166-176.
[16] 程杉,陈诺,徐建宇,等. 考虑综合需求响应的楼宇综合能源系统能量管理优化[J]. 电力工程技术,2023,42(2):40-47,57.
[17] 梁涛,杨改文,姜文,等. 基于ARMA误差修正的LM-BP模型的风功率预测[J]. 高技术通讯,2019,29(5):487-493.
[18] 钟建伟,周文辉,贾犇,等. 基于LM改进BP神经网络的电网无功负荷预测[J]. 电气自动化,2019,41(5):57-59,69.
[19] 彭曙蓉,彭家宜,杨云皓,等. 基于时变深度前馈神经网络的风电功率概率密度预测[J]. 电力科学与技术学报,2023,38(3):84-93.
[20] 陈宇航,王渝红,南璐,等. 基于自组织映射-前馈神经网络和先知混合模型的短期负荷预测[J]. 现代电力,2025,42(2):352-359.
[21] 高瑜,康兴国,周少迪,等. 基于改进BES-LSSVM光伏组件积灰预测[J]. 太阳能学报,2023,44(6):213-219.
[22] 岳有军,刘金林,赵辉,等. 考虑特征提取和优化LSSVM的短期光伏功率预测[J]. 陕西科技大学学报,2023,41(3):200-207.
[23] 徐一伦,张彬桥,黄婧,等. 考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测[J]. 中国电力,2023,56(2):143-149.
[24] 王瑞,王英洲,逯静. 基于ICEEMDAN-DTW和ISMA-WLSSVM的光伏发电功率预测[J]. 热能动力工程,2023,38(9):131-140.

基于前馈神经网络的楼宇综合能源系统日前调度

Day-Ahead Scheduling of Building Integrated Energy System Based on Feedforward Neural Network

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 9

编辑推荐

Metrics

本文评价

[1]	郭凌旭, 唐萍, 李宜芳, 马世乾, 高圣源, 马万乐. 基于元宇宙电力轻量化三维引擎的电网一张图展示与优化调度[J]. 湖南电力, 2026, 46(1): 54-59.
[2]	夏天宇, 牛欢, 文玉杰, 艾子硕, 芮树玲. 考虑源荷双侧不确定边界的主动配电网优化调度方法[J]. 湖南电力, 2025, 45(4): 56-63.
[3]	王辉, 王政伟, 陈衡, 范蓝心, 董长青, 雷兢. 抽水蓄能电站与下游水电站协同调峰调度优化[J]. 湖南电力, 2025, 45(3): 27-34.
[4]	郎益涛, 黄美珑, 吴沂林, 刘心刚, 沈非凡. 光伏配储系统多场景优化调度策略研究[J]. 湖南电力, 2025, 45(2): 30-35.
[5]	杨玉洁, 张莲, 梁法政, 杨家豪, 李蘅, 肖远强. 考虑碳交易机制的微电网鲁棒优化调度[J]. 湖南电力, 2024, 44(6): 24-31.
[6]	刘硕, 马兆兴, 刘金鑫, 钱宝珊, 王瑞华. 面向新能源消纳的新型电力系统优化运行策略[J]. 湖南电力, 2024, 44(1): 59-66.
[7]	左啸云, 罗珍珍, 刘宏毅. 基于阴影检测的双模式光伏最大功率点跟踪算法[J]. 湖南电力, 2023, 43(5): 43-48.
[8]	肖白, 张博. 考虑电源灵活性和互补性的多能源电力系统日前优化调度[J]. 湖南电力, 2023, 43(4): 16-23.
[9]	李安乐, 易志刚, 彭星. 基于模型预测控制的厨余垃圾处理厂分布式发电系统优化调度[J]. 湖南电力, 2022, 42(4): 75-80.