摘要
准确提取典型的负荷曲线对于电力市场交易、需求侧管理以及能源存储系统的优化设计至关重要。然而，传统方法对因设备故障或维护导致的异常用电日极为敏感，这些异常情况会扰乱正常的用电模式。为解决这一问题，本文提出了一种两阶段无监督框架，将深度序列模型与异常检测算法相结合，以实现更可靠的负荷曲线提取。首先，利用基于Transformer的自编码器从历史每日负荷数据中学习复杂的时序依赖关系和内在规律，通过重构输入的负荷序列来提取稳定的周期性特征。随后，以每条每日负荷曲线的重构误差作为异常评估指标。这些重构误差特征会被输入到隔离森林算法中，用于识别那些显著偏离所学正常模式的异常负荷，且无需预先设定阈值或使用标记数据。通过实际商业和工业用电数据的验证表明，所提出的方法能够有效过滤掉传统方法无法识别的各类异常情况（如峰值、低谷以及形状扭曲等），从而提升提取负荷曲线的稳定性和代表性。进一步的案例研究显示，利用经过处理的负荷曲线指导电力市场交易中的采购决策，有助于制定更为科学的交易策略，避免因负荷模式异常而导致的电费增加。总之，所提出的Transformer-隔离森林混合框架为可靠提取负荷曲线提供了有效的数据驱动解决方案。由此得到的负荷曲线可直接用于指导日前市场竞价、优化购电合同的分解，以及评估用户的需求响应潜力。
