Clustering Modeling and Characteristic Analysis of Power Load Based on Long-short-term Memory Auto-encoder

Chuanjun PANG; Jianming YU; Changyou FENG; Yan LIU; Yefeng JIANG

doi:10.7500/AEPS20200222005

您当前的位置：

首页 >

文章列表页 >

Clustering Modeling and Characteristic Analysis of Power Load Based on Long-short-term Memory Auto-encoder

Basic Research | 更新时间：2025-06-16

- Clustering Modeling and Characteristic Analysis of Power Load Based on Long-short-term Memory Auto-encoder
- Automation of Electric Power Systems Vol. 44, Issue 23, Pages: 57-63(2020)
- 作者机构：
  
  1.南瑞集团有限公司（国网电力科学研究院有限公司），江苏省南京市 211106
  2.北京科东电力控制系统有限责任公司，北京市 100192
  3.国家电网有限公司国家电力调度控制中心，北京市100031
  4.国网江苏省电力有限公司，江苏省南京市 210024
- 作者简介：
- 基金信息：
  
  State Grid Corporation of China
- DOI：10.7500/AEPS20200222005
  CLC：
- Received：22 February 2020，
  
  Revised：2020-04-29，
  
  Published Online：11 August 2020，
  
  Published：10 December 2020
- 稿件说明：
移动端阅览
庞传军,余建明,冯长有等.基于LSTM自动编码器的电力负荷聚类建模及特性分析[J].电力系统自动化,2020,44(23):57-63.

PANG Chuanjun,YU Jianming,FENG Changyou,et al.Clustering Modeling and Characteristic Analysis of Power Load Based on Long-short-term Memory Auto-encoder[J].Automation of Electric Power Systems,2020,44(23):57-63.
庞传军,余建明,冯长有等.基于LSTM自动编码器的电力负荷聚类建模及特性分析[J].电力系统自动化,2020,44(23):57-63. DOI： 10.7500/AEPS20200222005.

PANG Chuanjun,YU Jianming,FENG Changyou,et al.Clustering Modeling and Characteristic Analysis of Power Load Based on Long-short-term Memory Auto-encoder[J].Automation of Electric Power Systems,2020,44(23):57-63. DOI： 10.7500/AEPS20200222005.

摘要

电力系统负荷聚类和特性分析对电网的安全与经济调度、运行具有重要意义，是提升调度人员对电网感知能力的重要技术手段。为了解决传统负荷聚类方法需要人工设定负荷特征指标和无法考虑负荷时序特性等问题，提出了一种由长短期记忆(LSTM)自动编码器构成的负荷聚类方法。利用LSTM的时序记忆能力和自动编码器的非线性特征提取能力，实现了考虑负荷时序特性的自动特征提取和非线性降维。然后，基于提取的负荷特征采用

-means聚类算法进行电力负荷聚类分析。最后，采用实际供电区域的负荷数据进行验证，并对负荷特性进行详细的分析。结果表明所提方法与其他负荷特征提取方法相比，有较好的负荷聚类效果。

Abstract

Load clustering and characteristic analysis of the power system are of great significance for the safe

economic dispatching and operation of the power grid

which is an important way to improve the perception ability of regulators. In order to solve the problems that traditional load clustering methods require manual setting of characteristics indices for power load and cannot consider sequential characteristics of loads

a load clustering method is proposed which is made up of long-short-term memory (LSTM) and auto-encoder. The sequential memory capability of LSTM and extraction capability of non-linear characteristics for the auto-encoder are used to achieve automatic extraction of characteristics and non-linear dimensionality reduction considering sequential characteristics of loads. Then

based on the extracted load characteristics

-means clustering algorithm is used for clustering analysis of power loads. Finally

the load data in an actual power supply area is used for verification

and load characteristics are analyzed in detail. The results show that compared with other extraction methods of load characteristics

the proposed method has better efficiency for load clustering.

关键词

Keywords

references

孙国强，李逸驰，卫志农，等 . 智能用电互动体系构架探讨［J］. 电力系统自动化， 2015 ， 39 （ 17 ）： 68 - 74 .

SUN Guoqiang ， LI Yichi ， WEI Zhinong ， et al . Discussion on interactive architecture of smart power utilization ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 17 ）： 68 - 74 .

朱文俊，王毅，罗敏，等 . 面向海量用户用电特性感知的分布式聚类算法［J］. 电力系统自动化， 2016 ， 40 （ 12 ）： 21 - 27 .

ZHU Wenjun ， WANG Yi ， LUO Min ， et al . Distributed clustering algorithm for awareness of electricity consumption characteristics of massive consumers ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 12 ）： 21 - 27 .

刘莉，王刚，翟登辉 . k -means聚类算法在负荷曲线分类中的应用［J］. 电力系统保护与控制， 2011 ， 39 （ 23 ）： 65 - 68 .

LIU Li ， WANG Gang ， ZHAI Denghui . Application of k -means clustering algorithm in load curve classification ［J］. Power System Protection and Control ， 2011 ， 39 （ 23 ）： 65 - 68 .

李培强，李欣然，陈辉华，等 . 基于模糊聚类的电力负荷特性的分类与综合［J］. 中国电机工程学报， 2005 ， 25 （ 24 ）： 73 - 78 .

LI Peiqiang ， LI Xinran ， CHEN Huihua ， et al . The characteristics classification and synthesis of power load based on fuzzy clustering ［J］. Proceedings of the CSEE ， 2005 ， 25 （ 24 ）： 73 - 78 .

李欣然，姜学皎，钱军，等 . 基于用户日负荷曲线的用电行业分类与综合方法［J］. 电力系统自动化， 2010 ， 34 （ 10 ）： 56 - 61 .

LI Xinran ， JIANG Xuejiao ， QIAN Jun ， et al . A classifying and synthesizing method of power consumer industry based on the daily load profile ［J］. Automation of Electric Power Systems ， 2010 ， 34 （ 10 ）： 56 - 61 .

杨浩，张磊，何潜，等 . 基于自适应模糊 C 均值算法的电力负荷分类研究［J］. 电力系统保护与控制， 2010 ， 38 （ 16 ）： 111 - 115 .

YANG Hao ， ZHANG Lei ， HE Qian ， et al . Study of power load classification based on adaptive fuzzy C means ［J］. Power System Protection and Control ， 2010 ， 38 （ 16 ）： 111 - 115 .

李智勇，吴晶莹，吴为麟，等 . 基于自组织映射神经网络的电力用户负荷曲线聚类［J］. 电力系统自动化， 2008 ， 32 （ 15 ）： 66 - 70 .

LI Zhiyong ， WU Jingying ， WU Weilin ， et al . Power customers load profile clustering using the SOM neural network ［J］. Automation of Electric Power Systems ， 2008 ， 32 （ 15 ）： 66 - 70 .

宋军英，何聪，李欣然，等 . 基于特征指标降维及熵权法的日负荷曲线聚类方法［J］. 电力系统自动化， 2019 ， 43 （ 20 ）： 65 - 72 .

SONG Junying ， HE Cong ， LI Xinran ， et al . Daily load curve clustering method based on feature index dimension reduction and entropy weight method ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 20 ）： 65 - 72 .

刘思，李林芝，吴浩，等 . 基于特性指标降维的日负荷曲线聚类分析［J］. 电网技术， 2016 ， 40 （ 3 ）： 797 - 803 .

LIU Si ， LI Linzhi ， WU Hao ， et al . Cluster analysis of daily load curves using load pattern indexes to reduce dimensions ［J］. Power System Technology ， 2016 ， 40 （ 3 ）： 797 - 803 .

高亚静，孙永健，杨文海，等 . 基于非参数核密度估计和改进谱多流形聚类的负荷曲线分类研究［J］. 电网技术， 2018 ， 42 （ 5 ）： 1605 - 1612 .

GAO Yajing ， SUN Yongjian ， YANG Wenhai ， et al . Classification based on nonparametric kernel density estimation and improved spectral multi-manifold clustering ［J］. Power System Technology ， 2018 ， 42 （ 5 ）： 1605 - 1612 .

陈烨，吴浩，史俊祎，等 . 奇异值分解方法在日负荷曲线降维聚类分析中的应用［J］. 电力系统自动化， 2018 ， 42 （ 3 ）： 105 - 111 .

CHEN Ye ， WU Hao ， SHI Junyi ， et al . Application of singular value decomposition algorithm to dimension-reduced clustering analysis of daily load profiles ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 3 ）： 105 - 111 .

张斌，庄池杰，胡军，等 . 结合降维技术的电力负荷曲线集成聚类算法［J］. 中国电机工程学报， 2015 ， 35 （ 15 ）： 3741 - 3749 .

ZHANG Bin ， ZHUANG Chijie ， HU Jun ， et al ． Ensemble clustering algorithm combined with dimension reduction techniques for power load profiles ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 15 ）： 3741 - 3749 .

MIRANBEIGI M ， IMAN-EINI H . Robust real-time load profile encoding and classification framework for efficient power systems operation ［J］. IEEE Transactions on Power Systems ， 2015 ， 30 （ 4 ）： 1897 - 1904 .

ZHAO Q ， LI H ， WANG X ， et al . Analysis of users’ electricity consumption behavior based on ensemble clustering ［J］. Global Energy Interconnection ， 2019 ， 2 （ 6 ）： 480 - 489 .

LAROCHELLE V P . Stacked denoising auto encoders： learning useful representations in a deep network with a local denoising criterion ［J］. Journal of Machine Learning Research ， 2010 ， 11 ： 3371 - 3408 .

LIOU C Y ， CHENG W C ， LIOU J W ， et al . Autoencoder for words ［J］. Neuro Computing ， 2014 ， 139 ： 84 - 96 .

刘建华，李锦程，杨龙月，等 . 基于EMD-SLSTM的家庭短期负荷预测［J］. 电力系统保护与控制， 2019 ， 47 （ 6 ）： 40 - 47 .

LIU Jianhua ， LI Jincheng ， YANG Longyue ， et al . Short-term household load forecasting based on EMD-SLSTM ［J］. Power System Protection and Control ， 2019 ， 47 （ 6 ）： 40 - 47 .

陆继翔，张琪培，杨志宏，等 . 基于CNN-LSTM混合神经网络模型的短期负荷预测方法［J］. 电力系统自动化， 2019 ， 43 （ 8 ）： 131 - 137 .

LU Jixiang ， ZHANG Qipei ， YANG Zhihong ， et al . Short-term load forecasting method based on CNN-LSTM hybrid neural network model ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 8 ）： 131 - 137 .

曹梦舟，张艳 . 基于卷积-长短期记忆网络的电能质量扰动分类［J］. 电力系统保护与控制， 2020 ， 48 （ 2 ）： 86 - 92 .

CAO Mengzhou ， ZHANG Yan . Classification for power quality disturbances based on CNN-LSTM network ［J］. Power System Protection and Control ， 2020 ， 48 （ 2 ）： 86 - 92 .

BENGIO Y ， BOULANGER-LEWANDOWSKI N ， PASCANU R . Advances in optimizing recurrent networks ［C］// IEEE International Conference on Acoustics， May 26-31 ， 2013 ， Vancouver ， Canada .

HOCHREITER S ， SCHMIDHUBER J . Long short-term memory ［J］. Neural Computation ， 1997 ， 9 （ 8 ）： 1735 - 1780 .

ROUSSEEUW P J . Silhouettes： a graphical aid to the interpretation and validation of cluster analysis ［J］. Computational and Applied Mathematics ， 1987 ， 20 ： 53 - 65 .

MULYADI A ， DJAMAL E C . Sunshine duration prediction using 1D convolutional neural networks ［EB/OL］. ［ 2020-04-01 ］. https：//www.researchgate.net/publication/337646127_Sunshine_Duration_Prediction_Using_1D_Convolutional_Neural_Networks https://www.researchgate.net/publication/337646127_Sunshine_Duration_Prediction_Using_1D_Convolutional_Neural_Networks .

VAN DER MAATEN L J P . Accelerating t -SNE using tree-based algorithms ［J］. Journal of Machine Learning Research ， 2014 ， 15 ： 3221 - 3245 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Identification Method of Load Outlier Based on Density-based Spatial Clustering and Outlier Boundaries

Second Inspection Method for Electricity Theft Detection with Low False Alarm Rate Based on Identification of Production and Operation Status

Ensemble Spectral Clustering Algorithm for Load Profiles Considering Dual-scale Similarities

Related Author

Jianxue WANG

Yao ZHANG

Tianhui ZHAO

Zhanghua DU

Sheng SU

Zhengyi LIU

Yang XUE

Yining YANG

Related Institution

Shaanxi Key Laboratory of Smart Grid (Xi’an Jiaotong University)

School of Electrical Engineering, Xi’an Jiaotong University

School of Electrical and Information Engineering, Changsha University of Science &Technology

State Grid Changde Power Supply Company

China Electric Power Research Institute

⁰