Load-stratified Probability Forecasting for Massive Users Considering Cluster Identification

Jie GU; Lu MENG; Ruicheng ZHENG; Zhijian JIN

doi:10.7500/AEPS20200423008

您当前的位置：

首页 >

文章列表页 >

Load-stratified Probability Forecasting for Massive Users Considering Cluster Identification

Basic Research | 更新时间：2025-06-16

- Load-stratified Probability Forecasting for Massive Users Considering Cluster Identification
- Automation of Electric Power Systems Vol. 45, Issue 5, Pages: 71-78(2021)
- 作者机构：
  
  上海交通大学电子信息与电气工程学院，上海市 200240
- 作者简介：
- 基金信息：
  
  Scientific Research Project of Shanghai Science and Technology Committee
- DOI：10.7500/AEPS20200423008
  CLC：
- Received：23 April 2020，
  
  Revised：2020-09-09，
  
  Published Online：12 October 2020，
  
  Published：10 March 2021
- 稿件说明：
移动端阅览
顾洁,孟璐,郑睿程等.考虑集群辨识的海量用户负荷分层概率预测[J].电力系统自动化,2021,45(5):71-78.

GU Jie,MENG Lu,ZHENG Ruicheng,et al.Load-stratified Probability Forecasting for Massive Users Considering Cluster Identification[J].Automation of Electric Power Systems,2021,45(5):71-78.
顾洁,孟璐,郑睿程等.考虑集群辨识的海量用户负荷分层概率预测[J].电力系统自动化,2021,45(5):71-78. DOI： 10.7500/AEPS20200423008.

GU Jie,MENG Lu,ZHENG Ruicheng,et al.Load-stratified Probability Forecasting for Massive Users Considering Cluster Identification[J].Automation of Electric Power Systems,2021,45(5):71-78. DOI： 10.7500/AEPS20200423008.

摘要

随着电力公司等传统能源企业向综合能源服务商的加速转型，原有的粗放式用户用电管理模式逐渐难以满足电力营销管理的需求。针对海量用户场景提出了用电模式分层聚类方法及用户集群辨识模型。基于用户集群辨识结果提出了条件残差模拟负荷概率预测模型，进行负荷分层概率预测，以实现对用户精细化用电管理。通过典型案例验证了所提方法的可行性与优越性。

Abstract

With the accelerated transformation of traditional energy companies such as power companies to integrated energy service providers

the original extensive power management model of users has gradually become difficult to meet the needs of power marketing management. A stratified clustering method of electricity consumption patterns and a model of user cluster identification are proposed for the scenarios including massive users. Based on the identification results of user clusters

this paper proposes a probability forecasting model of conditional residual simulation load. The load-stratified probability forecasting is carried out to realize the refined power management of users. A typical case verifies the feasibility and superiority of the proposed method.

关键词

Keywords

references

王继业，季知祥，史梦洁，等 . 智能配用电大数据需求分析与应用研究［J］. 中国电机工程学报， 2015 ， 35 （ 8 ）： 1829 - 1836 .

WANG Jiye ， JI Zhixiang ， SHI Mengjie ， et al . Scenario analysis and application research on big data in smart power distribution and consumption systems ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 8 ）： 1829 - 1836 .

宋阳 . 电力用户用电信息采集系统设计［D］. 北京：华北电力大学， 2015 .

SONG Yang . Design of electric energy data acquisition system for power user ［D］. Beijing ： North China Electric Power University ， 2015 .

KANG C Q ， WANG Y ， XUE Y S ， et al . Big data analytics in China’s electric power industry： modern information， communication technologies， and millions of smart meters ［J］. IEEE Power & Energy Magazine ， 2018 ， 16 （ 3 ）： 54 - 65 .

刘洋，刘洋，许立雄 . 适用于海量负荷数据分类的高性能反向传播神经网络算法［J］. 电力系统自动化， 2018 ， 42 （ 21 ）： 96 - 105 .

LIU Yang ， LIU Yang ， XU Lixiong . High-performance back propagation neural network algorithm for classification of mass load data ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 21 ）： 96 - 105 .

VIEGAS J L ， VIEIRA S M ， SOUSA J M C ， et al . Electricity demand profile prediction based on household characteristics ［C］// 12th International Conference on the European Energy Market （EEM）， May 19 - 22 ， 2015 ， Lisbon ， Portugal .

MOORE B . Principal component analysis in linear systems： controllability， observability， and model reduction ［J］. IEEE Transactions on Automatic Control ， 2012 ， 26 （ 1 ）： 17 - 32 .

SAINATH T N ， KINGSBURY B ， RAMABHADRAN B . Auto-encoder bottleneck features using deep belief networks ［C］// 2012 IEEE International Conference on Acoustics ， Speech and Signal Processing， March 25 - 30 ， 2012 ， Kyoto， Japan： 4153 - 4156 .

龚钢军，陈志敏，陆俊，等 . 智能用电用户行为分析的聚类优选策略［J］. 电力系统自动化， 2018 ， 42 （ 2 ）： 58 - 63 .

GONG Gangjun ， CHEN Zhimin ， LU Jun ， et al . Clustering optimization strategy for electricity consumption behavior analysis in smart grid ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 2 ）： 58 - 63 .

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 ）： 74 - 77 .

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 ）： 74 - 77 .

HONG T ， XIE J R ， BLACK J . Global energy forecasting competition 2017： hierarchical probabilistic load forecasting ［J］. International Journal of Forecasting ， 2019 ， 35 （ 4 ）： 1389 - 1399 .

黄南天，齐斌，刘座铭，等 . 采用面积灰关联决策的高斯过程回归概率短期负荷预测［J］. 电力系统自动化， 2018 ， 42 （ 23 ）： 64 - 75 .

HUANG Nantian ， QI Bin ， LIU Zuoming ， et al . Probabilistic short-term load forecasting using Gaussian process regression with area grey incidence decision making ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 23 ）： 64 - 75 .

徐诗鸿，张宏志，林湘宁，等 . 基于改进评价指标的波动性负荷短期区间预测［J］. 电力系统自动化， 2020 ， 44 （ 2 ）： 156 - 168 .

XU Shihong ， ZHANG Hongzhi ， LIN Xiangning ， et al . Improved evaluation index based short-term interval prediction of fluctuation load ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 2 ）： 156 - 168 .

陈新宇，康重庆，陈敏杰 . 极值负荷及其出现时刻的概率化预测［J］. 中国电机工程学报， 2011 ， 31 （ 22 ）： 64 - 72 .

CHEN Xinyu ， KANG Chongqing ， CHEN Minjie . Short term probabilistic forecasting of the magnitude and timing of extreme load ［J］. Proceedings of the CSEE ， 2011 ， 31 （ 22 ）： 64 - 72 .

HONG T ， WILSON J ， XIE J R . Long term probabilistic load forecasting and normalization with hourly information ［J］. IEEE Transactions on Smart Grid ， 2014 ， 5 （ 1 ）： 456 - 462 .

KONG W ， DONG Z ， JIA Y ， et al . Short-term residential load forecasting based on LSTM recurrent neural network ［J］. IEEE Transactions on Smart Grid ， 2017 ， 10 （ 1 ）： 841 - 851 .

代家强 . 面向工商业负荷的智能用电能量管理建模及优化研究［D］. 天津：天津大学， 2014 .

DAI Jiaqiang . Study on intelligent energy management modeling and optimization of electricity for commercial and industrial loads ［D］. Tianjin ： Tianjin University ， 2014 .

BRACALE A ， CARPINELLI G ， FALCO P D ， et al . Short-term industrial load forecasting： a case study in an Italian factory ［C］// 2017 IEEE PES Innovative Smart Grid Technologies Conference Europe （ISGT-Europe）， September 26 - 29 ， 2017 ， Torino ， Italy .

武星辰 . 地市级地区短期负荷分类预测方法的研究［D］. 北京：华北电力大学， 2017 .

WU Xingchen . Research on classify forecasting of regional short-term load ［D］. Beijing ： North China Electric Power University ， 2017 .

SHI H ， XU M H ， LI R . Deep learning for household load forecasting—a novel pooling deep RNN ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 5 ）： 5271 - 5280 .

彭虹桥 . 基于行为特性的用户侧短期负荷概率预测［D］. 上海：上海交通大学， 2019 .

PENG Hongqiao . Short term probabilistic load forecasting for customer side based on behavioral characteristics ［D］. Shanghai ： Shanghai Jiao Tong University ， 2019 .

彭晨宇，陈宁，高丙团 . 结合多重聚类和分层聚类的超短期风电功率预测方法［J］. 电力系统自动化， 2020 ， 44 （ 2 ）： 173 - 181 .

PENG Chenyu ， CHEN Ning ， GAO Bingtuan . Ultra-short-term wind power forecasting method combining multiple clustering and hierarchical clustering ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 2 ）： 173 - 181 .

张健沛，刘洋，杨静，等 . 搜索引擎结果聚类算法研究［J］. 计算机工程， 2004 ， 30 （ 5 ）： 95 - 97 .

ZHANG Jianpei ， LIU Yang ， YANG Jing ， et al . Research on clustering algorithms for search engine results ［J］. Computer Engineering ， 2004 ， 30 （ 5 ）： 95 - 97 .

BRACALE A ， CARPINELLI G ， FALCO P D ， et al . Short-term industrial reactive power forecasting ［J］. International Journal of Electrical Power & Energy Systems ， 2019 ， 107 ： 177 - 185 .

HONG T ， FAN S . Probabilistic electric load forecasting： a tutorial review ［J］. International Journal of Forecasting ， 2016 ， 32 （ 3 ）： 914 - 938 .

XIE B ， MU Y ， TAO D C ， et al . M-SNE： multiview stochastic neighbor embedding ［J］. IEEE Transactions on Systems ， Man ， and Cybernetics ， 2011 ， 41 （ 4 ）： 1088 - 1096 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Spatio-Temporal Cooperative Probability Forecasting Method for Distributed Photovoltaic Output Based on iDGA-LSTM

Efficient Capacity Planning Method for Demand-side Energy Storage Based on Scenario Linearization Reconfiguration

Short-term Load Forecasting for Multi-task Consumers Based on Multi-dimensional Fusion Feature and Convolutional Neural Network

Short-term Wind Power Probability Forecasting Method Based on Improved Meteorological Clustering and Classification

Identification of Low-voltage User Meter Box Combined with Known Phase and Address Information

Related Author

LIN Zhenzhi

WEI Yuanqing

TAN Weitao

ZHONG Hongmei

ZHANG Tianhan

ZHANG Kunming

MA Longyi

MA Jianjun

Related Institution

College of Electric Engineering, Zhejiang University

Huizhou Power Supply Bureau of Guangdong Electric Power Co., Ltd.

Energy Co., Ltd., Shenyang

College of Smart Energy, Shanghai Jiao Tong University

Key Laboratory of Control of Power Transmission and Conversion, Ministry of Education(Shanghai Jiao Tong University)

⁰