基于城市聚类的电力需求预测方法设计及应用_1

基于城市聚类的电力需求预测方法设计及应用
发布时间：2022-12-06T07:47:05.979Z 来源：《福光技术》2022年23期作者：彭妍捷[导读] 随着我国国内国际双循环格局的生成与发展，城市电力需求也在逐渐发生变化，呈现社会化、多元化与复杂化的趋向，原本的电力需求预测已经无法满足实际需要，如何应对更复杂的影响因素、更复杂的电力需求环境，是应当重点思考的问题，也是本次开展城市聚类的电力需求预测方法设计应用的主要目的。

身份证号：43010319880914XXXX
摘要：随着我国国内国际双循环格局的生成与发展，城市电力需求也在逐渐发生变化，呈现社会化、多元化与复杂化的趋向，原本的电力需求预测已经无法满足实际需要，如何应对更复杂的影响因素、更复杂的电力需求环境，是应当重点思考的问题，也是本次开展城市聚类的电力需求预测方法设计应用的主要目的。

本文简要阐述了基于城市聚类的电力需求预测有关内容，分析了基于城市聚类的电力需求预测方法设计思路，对基于城市聚类的电力需求预测的应用进行深入探究。

关键词：城市；聚类；电力需求；预测
在双循环经济格局背景下，我国电力环境发生较大的变化，电力需求预测面临城市集群化、复杂化发展局面。

为了更好地适应复杂的环境，精准预测电力需求，应当创新电力需求预测方法，以聚类分析为核心，优化电力需求预测方法，合理设计预测思路，灵活应用预测方法。

以数据发掘搭配聚类分析，能够进一步精准划分城市电力需求聚类，针对每类需求开展电力电量预测，最终获取准确可靠的电力需求预测结果，为进一步开展电力服务提供有力依据[1]。

一、基于城市聚类的电力需求预测有关阐述
聚类分析就是将无标记的多个样本划分为互不相交的Cluster的过程，在某个Cluster之中的多个样本具有较高的相似性，而不同的Cluster 之间样本存在较大的差异。

目前，聚类分析已经被广泛应用于信息检索、模式识别、数据发掘等多方面应用中，也开始被应用于电力需求管理中。

基于划分的聚类是电力需求预测中最基础的聚类，需要先确定Cluster的数量，之后选择若干样本作为初始的均值样本，以样本数据迭代重置，最后实现“Cluster内点均足够近，Cluster之间的点都足够远”的目标。

经典的基于划分的聚类算法是K-means、K-modes、K-medians等。

基于模型的聚类，也是电力需求预测与管理中常见的聚类分析算法，是基于概率模型开发出来的，比如：概率密度的混合模型、神经网络模型。

在基于模型的聚类中，每个Cluster均有一个特定的模型，之后寻求样本数据与给定的模型拟合[2]。

二、基于城市聚类的电力需求预测方法设计思路
本次基于城市聚类开展电力需求预测，可以根据城市内不同电力用户的偏好与特征，划分不同的聚类，之后基于划分的聚类开展预测，预测方法的设计思路如下。

采用K-means聚类算法对用户进行划分，将电力用户划分为不同的Cluster，不同Cluster中的用户进行偏好分析，预先设定不同Cluster的数值。

技术人员可以按照电力企业自身意愿与实际情况，将用户聚类划分为不同的Cluster，在相同的大方向上对不同Cluster的小策略进行调整，从而提升聚类分析的效果。

根据聚类算法，可以提取每个Cluster用户的特征，包括：用户主动提出的特征、从智能电表中提取出来的特征，提取用户的用电灵活性因子、用电中断容忍程度因子[3]。

之后，基于K-means聚类算法结构，将用户聚集为C个Cluster，获取不同Cluster内用户的满意程度、不公平程度、电力成本程度的关注数据，设置参数，针对响应程序内不同Cluster内用户的情况设计不同的用电需求应对方案。

根据方案开展仿真分析，利用数据发掘与人工智能技术辅助完成分析，分析结果可以衡量不同参数对用电需求满足结果的影响，从而分析不同Cluster内用户的特征、用电需求及用电倾向，将这些作为进一步提供用电服务的依据。

三、基于城市聚类的电力需求预测的应用（一）优化聚类模式
根据电力服务的城市聚类需求分析来看，传统的聚类算法实施中，Cluster的大小与规模是无限制的，且最终的分析结果中，Cluster的大小不同，不利于结果的利用与需求预测分析。

因此，可以在基本的K-means算法基础上，进一步进行大的Cluster的二次聚类，以初始化阶段、迭代阶段两个阶段完成算法的运行[4]。

假设，聚类之前的电力用户样本数量为m，聚类的Cluster的数量为k，可以设定聚类结果中每个Cluster的大小为{m/k}，向上取整。

按照这样的算法进行初始阶段的运行，之后计算最近与最远的未满Cluster的距离之差，将其作为分配收益；按照这样的逻辑持续运行，最终判断被分配的Cluster的大小是否已满，若已满，则标记当前的Cluster已满，并且回到初始聚类行重新计算未被分配的样本，持续这一过程，实现对Cluster内样本的二次聚类，细化聚类，提升聚类的效果。

（二）构建需求分析框架
完成聚类划分之后，可以采用大数据技术与人工智能技术构建神经网络，以神经网络将聚类运算方案划分为两个阶段，分别为数据准备阶段、网络训练阶段。

假设本城市内有长度为T0天的用户用电数据，细化分为T1、T2两组数据和最后一天的长度数据，得到T0=T1+T2+1，将这些运用于两个阶段，验证运算效果。

通过这样的方法构建聚类分析的框架，以大Cluster细化分出若干小Cluster，提取用户的电能消耗数据，分析每个Cluster内用户的满意度，分析用户DR之后的能耗数据，进入数据准备阶段，利用网络训练得到结果，修正结果，分析出单个用户的用电满意程度，最终得到分析结果[5]。

（三）开展数据准备与网络训练
上述需求分析框架的运行过程中，技术人员应当重点推进数据准备与网络训练阶段。

在数据准备阶段，使用同等大小的Cluster开展聚类算法，将大Cluster进一步细化分为若干个小Cluster，将每个小Cluster看作是独立的优化去听你，根据计算机内的程序算法获取最小Cluster 之下的最优解，得到DR调度之后获取每个Cluster内于用户能够获得电能资源的最优结果[6]。

在网络训练阶段，应当为每个Cluster内的每个消费者提供一个LSTM网络，利用网络预测消费者的电力能耗数据，之后根据用户的历史能耗与结果进行对比分析，按照运算规则修正。

之后将修正获得的结果回归于大Cluster计算求解，对比各个用户修正之后的预测结果，将用电数据投入到LSTM网络训练循环中，最终预测出城市电力用户的电能需求。

结语：
综上所述，聚类算法在电力预测中应用，能够有效预测城市电力需求，为之后的电力配置与服务提供依据。

根据上述研究，可以看出基于城市的聚类电力需求预测与设计，均需要建立在聚类算法、数据分析的基础上。

因此，要想合理预测城市电力需求，灵活应用电力需求分析，就应当根据城市区域的总体情况，合理划分聚类类别，兼顾整体预测与聚类分析，并且充分利用到聚类分析之后不同的城市需求，生成个性化预测方案，提升城市电力需求预测的精准度。

参考文献：
[1]王颖，和敬涵，许寅，王子渊，陈韵含，杜韶华.考虑疏散需求的城市电力-交通系统协同应急恢复方法[J/OL].电力系统自动化：1-13[2022-11-06].
[2]李冰洁，胡晓燕，袁晓昀，邵晓茹，张树永.基于城市聚类的电力需求预测方法设计及应用[J].电工技术，2022（12）：155-157.
[3]戴碧坚. 智能电网中基于用户聚类的需求响应方法[D].南京航空航天大学，2020.
[4]杨志明，李婉睿，鄢哲明.温度变化与电力需求的关系——基于2000—2014年中国城市面板数据的经验证据[J/OL].北京理工大学学报（社会科学版）：1-12[2022-11-06].
[5]王娟，周伏秋，许文.新形势下推进电力需求侧管理财政政策研究[J].地方财政研究，2018（07）：43-47+73.
[6]刘燕飞，周晖，郁灿，吴兴华.基于智慧城市产业重构的中长期电力需求预测[J].水电能源科学，2017，35（12）：204-207.。