中文引用格式： 徐玉婷，刘畅，王雨薇，等. AirGAN: 空调机理模型增强生成对抗模型[J]. 电子技术应用，2025，51(6)：1-9.
英文引用格式： Xu Yuting，Liu Chang，Wang Yuwei，et al. AirGAN: air conditioning mechanism enhancement load generation adversarial model[J]. Application of Electronic Technique，2025，51(6)：1-9.
引言
空调负荷的准确预测与生成一直是暖通空调系统优化中的核心挑战之一。由于空调负荷受多种复杂因素的影响，如室内外环境、建筑结构、设备运行以及历史负荷数据，如何准确预测并生成负荷数据成为一个持续困扰研究人员的难题。近年来，相关领域的研究者通过多种方法对空调负荷的预测与生成进行探索，形成了以优化模型与神经网络为核心的两大研究方向。
在优化模型方面，研究人员通过建立空调负荷模型来提升预测精度。陈恒波等人提出了一种基于变分模态分解的短期负荷自动预测方法[1]，综合考虑了室内外环境、建筑特性、设备负荷及历史数据，并构建了适应复杂负荷变化的预测模型，以确保短期负荷预测的准确性。类似地，宋文杰基于傅里叶变换提出了一种新的负荷特征提取方法[2]，相比传统的时域提取方法，该方法在频域中的表现更为有效，提升了对复杂负荷特征的捕捉能力。此外，冯瑞豪采用隐性马尔可夫过程对负荷数据进行分解与建模[3]，进一步增强了模型对负荷数据复杂性的表达。
气象因素与电力负荷之间的密切关联也是研究的重要领域。张广伦基于改进的FCI算法提出了一种电力负荷与气象数据因果关系辨识方法[4]，利用气象因素如温度、风速、辐射等外部环境变量提高了负荷预测的精准性。丛琳在多目标优化的基础上提出了一种结合多维度目标的空调负荷预测模型[5]，使得预测结果更加科学且符合实际需求。与此同时，江熙通过极限学习机对新能源微电网的短期负荷进行了预测[6]，并采用反馈优化机制提升了负荷预测的准确性。
随着深度学习技术的发展，神经网络在负荷预测中的应用逐渐成为主流。胡竞帆利用神经网络提高了建筑空调负荷预测的动态拟合能力[7]，展示了神经网络在处理复杂非线性数据上的优势。翁卫兵等人通过将卷积神经网络、遗传算法和极限梯度提升树等算法相结合[8]，提升了空调冷水机组负荷预测的准确性。此外，任禹丞提出了一种自适应滑动窗口的LSTM预测方法[9]，针对传统LSTM模型在处理负荷预测中的局限性进行改进，提升了其对长时间序列数据的适应性。在此基础上，蔡美玲等人提出了基于Transformer的多变量时间序列预测方法[10]，并将该模型应用于负荷异常行为的检测中，有效应对了空调负荷的复杂波动性。
负荷生成方法也取得了显著进展，尤其是生成对抗网络的引入，为负荷数据生成提供了新的思路。时纯将多通道CNN与生成对抗网络（Generative Adversarial Networks, GAN）相结合，提出了一种电力系统暂态稳定评估方法[11]，通过生成器与判别器的交替训练提高了模型的稳定性和精度。许军金进一步结合GRU预测算法与GAN[12]，实现了数据生成与负荷预测的协同优化，增强了负荷生成数据的代表性与预测精度。陈志强利用GAN对负荷数据的拟合能力，提出了一种基于GAN模型的电网用电安全数据生成方法[13]。针对负荷数据的缺失问题，刘志坚等人提出了基于双通道GAN的负荷数据补全方法[14]，为解决数据缺失提供了有效方案。
此外，序列数据生成技术也逐渐成为负荷生成研究的热点。朱春强等人提出了基于多判别器TimeGAN的序列数据生成方法[15]，通过引入时域、频域、自相关特征等多维度判别器，提升了原始数据的判别能力与生成数据的质量。罗萍萍等人则提出了一种基于CGAN的负荷场景生成方法[16]，提升了在特殊气象条件下负荷场景生成的泛化能力。
本研究提出了一种创新的负荷生成模型AirGAN，结合了机制模型与生成对抗网络的优势。该方法首先利用GAN生成器生成虚拟数据，进而持续优化物理模型的超参数，以确保其能够更有效地匹配实际空调负荷特性。与此同时，采用GAN判别器对机制模型所预测的负荷进行判别，从而为机制模型的训练提供反馈信息，反向传递对机理模型进行优化。这一过程不仅增强了机制模型对负荷特征的适应性，也显著提升了其预测精度。通过这种结合机制模型与GAN的双重策略，能够更精确地模拟和预测空调系统的负荷变化，为相关领域的研究与应用提供了新的思路和方法。
本文详细内容请下载：
//www.51qz.net/resource/share/2000006554
作者信息：
徐玉婷1，刘畅1，王雨薇2，吴含青2，陈伟杰1
（1.中国电力科学研究院有限公司，北京 100192；
2.国网镇江供电公司，江苏 镇江 212000；）
