顾 洁，孟 璐，郑睿程，金之俭

（上海交通大学电子信息与电气工程学院,上海市200240）

0 引言

智能电网高级计量体系（advanced metering infrastructure,AMI）的广泛应用［1］,为用户行为特性分析等提供了海量、精细化的负荷数据,有助于供电企业和综合能源服务商等制定个性化的售电服务策略［2］。人工智能技术的蓬勃发展以及电力行业海量数据的累积,促进了用电数据分析与预测中数据驱动技术的研究,产生了丰富的理论研究与实际应用成果［3］。

目前,国内外学者对用户用电模式的相关研究工作主要围绕聚类特征提取及聚类算法的改进开展。按输入特征不同,聚类算法可分为直接聚类法和间接聚类法。文献［4-5］直接以时间序列作为聚类算法的输入特征,使用k-means聚类算法对用户用电模式进行直接聚类,具有收敛速度快等优势；文献［6］使用主成分分析法、文献［7］使用自编码器对用电时间序列进行降维处理,以实现间接聚类,改善聚类效果。在聚类算法改进方面,文献［8］针对智能用电行为最佳聚类数的选择问题,提出聚类数优选策略；文献［9］对k-means聚类算法进行了改进,遍历所有可能聚类数,可以有效提取出用户用电模式,但计算效率低。上述聚类方法因缺少分布式与并行化的改良,应用于海量用户分析时存在计算效率较低和适应性不高的问题。

单一用户或小规模区域用户的负荷变化具有较强的不确定性,为量化负荷预测结果的不确定性、降低预测风险,近年来,负荷预测概率建模的方法成为研究热点［10］,预测结果一般以概率密度、分位点和置信区间等形式呈现［11-12］。……