锌离子霍克蓄电池：可持续储能的缺点、机遇与性能优化

修建在全球能源消耗中发挥着关键作用，占全球能源运用的30%[1]。这一巨大的能源需求已成为修建运营本钱的首要因素。然而，如今大多数修建仍依据统一电价的假设运转，这与电力商场的价格动摇相违背，从而导致了不必要的经济损失[2]，[3]。
为了运用实时电价或分时电价（ToU，依据一天中的不同时间段改变的价格）所带来的潜在收益，修建管理者旨在经过依据价格的DR项目[4]，[5]来优化其电力本钱。对于住宅修建，已有研讨深入探讨了家用电器运转的优化[6]以及住宅微电网的日前调度[7]。与此同时，针对商业修建的研讨首要重视多区域工作空间中暖通空调（HVAC）系统操控的优化[8]，[9]。此外，该领域的一个当代趋势触及先进BESS处理计划的集成（例如CityLearn挑战赛[10]）。BESS的灵活性使其既能与其他可再生能源设备（如光伏（PV））配对运用，以存储或向电网输送剩余能量[11]，[12]，也能独立运转，在低需求期间存储多余能量并在顶峰需求时段释放[13]，从而提升DR战略的功率和本钱效益。
尽管近期取得了进展，但值得注意的是，现有研讨往往采用简化方法来构建负荷曲线。一些研讨预定义近似的需求形式[14]，或在不同的模拟运用场景中聚合电器负荷[6]，这可能会忽略实践能源需求的复杂性。另一些研讨依靠历史数据[7]、[8]，如果不整合未来的负荷猜测，这些数据可能无法运用于实际环境。此外，大多数研讨的规划有限，仅触及相对较少的修建[15]、[16]、[17]、[18]。由于修建表现出多样化的运用形式，当扩展到更大的城市布景时，简化的负荷曲线会变得效果欠佳。因而，迫切需求创立精确且可扩展的DF方法论，使其在城市尺度上与实际场景严密契合。
随着近年来Machine learning (ML)和Internet of Things (IoT)的前进[19]，ML驱动的模型已成为提高DF精确性的强壮工具[20], [21], [22], [23], [24], [25], [26]。然而，当时的方法首要针对短期问题场景开发，侧重于猜测未来24小时乃至更短的时间范围（例如，Chen等[22]设定为未来8小时，Tian等[26]猜测未来24小时）。正如Stoll [27]、De Felice等[28]、Zhang等[29]所指出的，电力系统管理中的有效运转和经济功率需求跨过各种时间距离的负荷猜测，而中期（一天到几个月）和长时间（一年以上）猜测模型的缺失约束了DR程序在更长规划周期内的运转，导致在电力采购、设备操控战略和保护操作方面做出次优决议计划。
短期设置的普遍性归因于当时主流模型的局限性，这些模型往往难以精确猜测长序列。正如Zhou等[30]所着重的那样，随着猜测序列长度的增加，通常会导致Mean Squared Error（MSE）明显上升以及推理速度大幅下降。为了处理这一问题，Transformer模型[31]——一种最初为Natural Language Processing（NLP）使命设计的Deep Learning（DL）架构——已成为一个具有变革性的候选计划。其捕捉序列数据中长程依靠联系和形式的卓越才能，引发了将其运用于Long Sequence Time-series Forecasting（LSTF）[32]的浓厚兴趣。

•  
•  
•  

因而，本文介绍了最先进的（SOTA）Transformer模型之一——Informer在猜测实际国际电力需求方面的运用[30]。DF模型运用来自ASHRAE 90.1–2010气候区5（加拿大温哥华）的72栋修建的六年逐小时需求数据作为练习数据集[33]，时间跨度从2015年8月至2021年12月。为了挑选用于猜测电力需求基准的最佳模型，实施了一项融化研讨。结果发现，30天前瞻模型比常用的1天模型表现出明显优势。随后采用该最佳DF模型来猜测下一年度三个冬季月份的电力需求基准。结合BESS规格和ToU电价计划，该框架为针对单体修建量身定制的最优BESS部署战略以及依据逐小时价格的DR操控提供了辅导。综上所述，本文的贡献在于：（1）提出了一种依据DR的BESS设计与运转优化框架，该框架将猜测的需求基准与BESS规格及ToU定价相结合，从而同时拟定目标修建的最优BESS部署计划和依据逐小时价格的DR操控战略。（2）运用一种SOTA Transformer模型对城市规划的电力需求进行猜测，填补了中长时间、高分辨率DR基准猜测方面的空白。此外，一项融化研讨验证了迭代猜测o...