《Sustainability》:Prediction of Residential Load Adjustable Capacity Considering User Profile Heterogeneity
编辑推荐:
为解决居民负荷可调容量预测中忽视群体异质性及约束参数难以确定的问题,研究人员提出了一种考虑用电画像异质性的数据驱动预测方法。首先利用K-means++提取多样化用户用电模式(Profile);其次采用双重差分法(Difference-in-Difference
为解决居民负荷可调容量预测中忽视群体异质性及约束参数难以确定的问题,研究人员提出了一种考虑用电画像异质性的数据驱动预测方法。首先利用K-means++提取多样化用户用电模式(Profile);其次采用双重差分法(Difference-in-Differences, DID)实证标定不同聚类的真实物理约束边界,并基于用电成本最小化模型批量生成高质量响应样本以解决真实响应数据稀缺问题;最后构建长短期记忆(Long Short-Term Memory, LSTM)时间序列预测模型实现可调容量的精确量化评估。案例研究表明,引入用户画像标签后,预测模型的三项精度指标分别提升16.29%、24.52%和20.21%。尽管合成标签在实际应用中受用户行为不确定性影响存在微小局限,该可扩展框架支持利用未来实证响应数据进行无缝增量再训练,以实现模型持续演化与精度持久提升,从而为负荷聚合商市场出清及电网需求响应精准调度提供技术支撑。
《Sustainability》刊载的该文针对传统居民负荷可调容量(Adjustable Capacity)预测中忽略用户群体异质性、需求响应(Demand Response, DR)物理约束参数依赖经验设定、真实响应标注样本稀缺导致预测偏差大等问题,开展了考虑用户画像(User Profiling)异质性的居民负荷可调容量预测研究,得出引入画像标签可使预测精度显著提升的结论,对负荷聚合商市场竞价及配电网精准调度具有重要意义。
研究人员采用西北中国某地区2207户居民2024年1月至2025年6月半小时级用电数据(含对照组与ToU电价实验组)作为样本队列,关键技术方法包括:(1)从智能电表数据中提取日平均负荷等7维物理有意义负荷特征(Load Features),经Z-score标准化后,综合肘部法则、轮廓系数(Silhouette Coefficient)、Calinski-Harabasz(CH)指数及Davies-Bouldin(DB)指数确定最佳聚类数,采用K-means++算法将用户划分为6类典型用电画像并赋予物理含义标签;(2)利用双重差分法(Difference-in-Differences, DID)基于真实电价调控数据反推全局校准系数(标定值为0.0546),以修正理论弹性与实际可实现弹性的偏差,在此基础上建立以日用电成本最小化为目标、含电量守恒约束、设备物理上下限约束及画像最大可调弹性系数约束的DR样本优化生成模型(Gurobi求解),批量生成带画像标签的高质量响应曲线作为训练样本;(3)采用High X of Y(High 4 of 5)法估算基线负荷(Baseline Load),以历史基线负荷、分时电价(Time-of-Use, ToU)信号及独热编码的用户画像标签为输入,响应后负荷曲线为输出,构建考虑画像异质性的两层堆叠长短期记忆(Long Short-Term Memory, LSTM)时间序列预测网络,并与1D-CNN、门控循环单元(Gated Recurrent Unit, GRU)及K-means+SVM、K-means+XGBoost进行对照。
研究结果如下:
4.1. Construction of User Profiles(用户画像构建)
研究人员选取未受电价干预的518户对照组历史负荷提取7维负荷特征,Pearson相关性分析表明特征集有效解耦了用户用电规模属性与行为弹性。综合四种聚类有效性指标加权评分确定最优聚类数k=6,经K-means++聚类得到6类具显著异质性的用户画像——中等负荷稳定型、低基值间歇消费型、中等负荷强波动型、高基值连续消费型、高基值强波动型、低基值刚性消费型。PCA三维投影及平均日负荷曲线显示六组群内聚合度高、簇间边界清晰,验证画像系统可有效区分居民用电行为差异。
4.2. Robustness Validation of the User Profiling System(用户画像系统鲁棒性验证)
为检验聚类稳定性,研究人员设置100组不同随机种子重复K-means++聚类,调整兰德指数(Adjusted Rand Index, ARI)均值近1.0、最低0.9888,归一化互信息(Normalized Mutual Information, NMI)均值近1.0、最低0.9833,证明算法对初值不敏感。按春夏秋冬四季及工作日/周末子集分别与年度基准聚类对比,各季节ARI与NMI均高于随机水平(秋冬高于春夏),工作日一致性高于周末但核心用电规模与波动特征保持稳定,表明画像系统在时序波动与季节变化下具备良好鲁棒性。
4.3. Construction of Sample Pool(样本池构建)
将各类用户历史基线负荷曲线与ToU电价信号输入含画像约束的成本最小化优化模型,经Gurobi 13.0.1求解批量获得六类画像对应的理想DR响应负荷曲线,构建了融合异质性与物理合理性的训练样本池。
4.4. Training of Deep Learning Model(深度学习模型训练)
样本按7:3划分为训练集与测试集,输入为基线负荷、ToU电价及画像标签,输出为优化生成的响应负荷曲线。在相同超参数下,LSTM模型的RMSE较1D-CNN和GRU分别低8.83%和18.37%,MAE分别低7.2%和55.2%,MAPE分别低20.89%和60.52%;与K-means+SVM及K-means+XGBoost相比,所提方法三项误差指标均更优,验证了LSTM对居民负荷时序依赖及画像异质性特征的捕捉优势。
4.5. Prediction and Analysis of Adjustable Capacity(可调容量预测与分析)
选取典型夏日六类画像各一用户输入不同峰谷价差梯度的ToU方案,LSTM预测显示晚间峰值随电价梯度增大明显削减平移——高基值连续消费型可调容量最大(Price C方案下达约1.6018 kW),低基值刚性消费型最小(约0.2004 kW)。进一步构建分位数回归LSTM(Quantile Regression LSTM, QR-LSTM)进行区间预测,输出95%置信区间(Confidence Interval, CI)上下界及中位数,实际覆盖率接近预设95%,平均区间宽度仅0.0813 kW;建议电网调度取0.05分位数保守值防过调度,负荷聚合商竞价取0.5分位数中性值,DR潜力评估取0.95分位数乐观值作上限。
4.6. Validation of the Necessity of Considering User Profile Heterogeneity and Analysis of Generalization Limitations(画像异质性必要性验证与泛化局限分析)
去除画像标签的LSTM基线模型对比显示,加入画像标签后MAE改善16.29%、RMSE改善24.52%、MAPE改善20.21%,证实画像标签显著增强时序模型对异质响应行为的特征提取能力。因训练样本为Gurobi理想约束下生成合成数据,应用于实测数据集时误差较合成测试集升高(分别增9.41%、12.67%、15.12%),源于无法完全复现用户主观响应意愿波动等不确定因素;但框架支持未来积累足量真实DR标注样本后无缝增量再训练以提升精度与泛化性。
讨论与结论翻译:
针对居民可调容量预测中忽视群体异质性、约束参数主观设定、真实响应标注匮乏及传统固定削减量系数法预测偏差显著的问题,研究人员深度融合K-means++聚类与LSTM时序预测模型,构建了考虑用户画像异质性的居民负荷可调容量预测方法。主要结论如下:(1)基于含日平均负荷、峰谷差及晚峰负荷占比等的7维负荷特征,采用K-means++将居民划分为6类典型用电组,所建用户画像系统可有效表征消费行为异质性,为差异化预测奠定基础;(2)提出的画像约束样本池构建方法以用电成本最小化为目标批量生成高质量响应样本,解决了传统模型约束参数依赖经验设定及响应样本稀缺难题;(3)融合用户画像标签的LSTM预测模型表现优异,精度优于K-means+SVM与K-means+XGBoost等常用异质性感知方法,引入画像标签后三项核心精度指标分别提升16.29%、24.52%和20.21%,验证了画像异质性对提升预测精度的关键作用。实际电网调度与市场中可调用容量受工程因素制约,未来研究将从联邦学习隐私保护架构、轻量化边缘计算算法及融入行为经济学模型考量用户动态参与意愿三方面推进实用化。