基于聚类-粒化-聚类的多微电网时空电力负荷画像方法研究

本文提出了一种基于多源数据驱动的多微电网（MMGs）时空电力负荷画像方法，通过两阶段聚类（功能区域聚类和典型负荷曲线二次聚类）结合信息粒化技术，解决了传统空间负荷预测（SLF）中用户类型与需求特征分析缺失的问题。创新性采用粗糙K均值（RKM）算法处理模糊边界和不均衡数据，为中国宣城案例提供了优化需求响应（DR）机制和促进可再生能源消纳的实践指导。

　　

亮点

本研究通过融合地理信息系统（GIS）与高级计量基础设施（AMI）数据，首次构建了多微电网（MMGs）的时空电力负荷画像框架，揭示了区域类型与用户用电模式的潜在关联。

结论

基于时空负荷曲线与地理数据的多源驱动方法表明：不同微电网（MGs）在用户构成和需求特征上存在显著时空异质性。这些发现为优化需求响应（DR）机制、实现时空能源互补提供了可操作依据，并推动了可再生能源的高效消纳。

方法创新

1. 1.

   采用两阶段聚类（功能区域聚类→典型负荷曲线聚类）确保地理背景一致性；

2. 2.

   基于信息粒化提取典型负荷曲线（TLCs），有效消除异常数据干扰；

3. 3.

   改进粗糙K均值（RKM）算法，解决模糊边界与样本不均衡问题。

案例验证

以中国宣城市607个功能区域为研究对象，证实该方法在聚类性能与计算效率上优于现有技术，并识别出商业区（三峰/双峰模式）等细分用户类型的差异化用电特征。

应用价值

研究成果可直接支持：

• •

  动态电价策略设计

• •

  跨微电网能源调度优化

• •

  风光消纳率提升

（注：翻译严格遵循生命科学领域专业性，术语如TLCs、RKM等保留英文缩写，并采用"峰模式""风光消纳"等符合中文能源领域习惯的表达。）