王圆圆，韩 丁，王世谦，白宏坤，王 磊，刘 洋

（1.国网河南省电力公司经济技术研究院，郑州 450052；2.四川大学电气工程学院，成都 610065）

伴随智能电网和能源互联网的发展，人工智能技术与传统电网技术的日益融合，成为电网管理者快速感知电力系统多源数据规律、实施精准控制和决策的重要辅助手段[1-4]。当前，集成学习和神经网络等人工智能理论在电力用户负荷模式识别中已受到广泛重视，其对电网企业开展精细化用户用电行为建模、制定个性化用电服务及提升企业市场竞争力具有重要价值[5-8]。

集成学习因具有良好的算法稳定性、准确度增益和算法普适性被引入计算机视觉、生物、医学及工程等多个学科领域。近年来，集成学习在电力负荷模式识别领域的研究中备受重视。负荷模式直观表现为负荷时间序列的曲线形态和时段负荷水平，它反映了用户该时间尺度下的用电行为规律。负荷模式是精细化开展用电行为画像、辨识需求响应潜力用户的理论基础[9-11]，文献[12]结合负荷序列的时域和频域特征，构建基于长短期记忆LSTM（long short-term memory）神经网络的日负荷模式辨识及提取算法；文献[13]针对传统K-means聚类方法中聚类结果稳定性差和距离度量不能反映负荷曲线趋势相似度的问题，提出一种基于中心优化和双尺度相似性度量的负荷聚类式分类方法。随着智能仪表的普及应用，用户级负荷数据大量累积，海量用户负荷数据高性能处理成为重要研究课题。……