基于非参数贝叶斯模型的电力负荷曲线聚类新方法：DPM-SHMGP框架构建与应用

针对电力负荷曲线聚类中存在的时序错位、缺失数据处理及不确定性量化等难题，研究人员提出Dirichlet Process Mixture of Sparse Heteroskedastic Multi-output Gaussian Processes（DPM-SHMGP）模型。该模型通过Dirichlet过程（DP）自动确定聚类数量，结合高斯过程（GP）建模时序依赖性，并采用线性协同区域化模型（LMC）实现均值-方差联合建模。实验证明其优于传统算法，为电力系统优化提供可靠工具。

　　

电力系统智能化进程中，高精度负荷曲线分析是优化电网运行的关键。然而，传统聚类方法如k-means难以处理时序数据的动态依赖性、缺失值及概率分布相同但时序模式迥异的场景。更棘手的是，聚类数量需人工预设，且缺乏不确定性量化能力。这些局限促使研究人员寻求更强大的时序建模工具。

中国研究人员提出DPM-SHMGP模型，其创新性体现在三方面：首先，通过Dirichlet过程（DP）实现聚类数量自动推断，避免主观设定；其次，采用多输出异方差高斯过程（GP）捕捉负荷曲线的时空相关性，并利用线性协同区域化模型（LMC）同步建模均值与标准差；最后，引入子集数据（SoD）近似法提升计算效率。该模型在合成与真实数据集上均展现优异性能，相关成果发表于《Future Generation Computer Systems》。

关键技术包括：1）基于Blocked Gibbs采样的贝叶斯推断框架；2）LMC驱动的多输出GP构建；3）针对大规模数据的SoD近似策略；4）验证阶段采用中国某电网智能电表数据集。

研究结果
Dirichlet Process Mixture Model
通过截断策略实现DP的高效采样，理论证明其L₁
误差边界可控。相比有限混合模型，DPMM自动识别出电力用户的5类典型负荷模式。

Temporal Data Handling
GP核函数成功对齐不同用户的用电峰值时间（时序错位容忍度达±2小时），且对30%随机缺失数据仍保持90%以上的聚类准确率。

Joint Mean-Variance Modeling
LMC框架揭示负荷曲线的标准差与温度呈非线性相关（R²
=0.82），而传统同方差模型仅达0.61。

Computational Efficiency
SoD方法将万级数据点的训练时间从72小时缩短至4.5小时，聚类纯度损失不足3%。

结论与意义
该研究首创将非参数贝叶斯与多输出GP结合用于负荷聚类，其核心价值在于：1）为电力市场细分提供自动化工具；2）异方差建模提升风电消纳预测可靠性；3）计算优化策略使算法具备工程落地性。附录C进一步展示其在概率预测中的扩展应用，证实DPM-SHMGP可作为智能电网分析的通用框架。作者团队强调，未来将探索该模型在医疗时序数据等跨领域应用。