考虑电力消费规模和多维特征融合的电力消费行为分析：一种双通道深度嵌入式聚类方法

《Expert Systems with Applications》：Electricity Consumption Behavior Analysis Considering Electricity Consumption Scale and Multidimensional Feature Fusion: A Dual-Channel Deep Embedded Clustering Method

　　• 两级架构结合了宏观能量级别和微观模式识别。
• 提出了一种DC-DEC模型来聚类微观层面的电力使用模式。
• 融合了时间和统计特征，以使聚类结果更具可解释性。
• 引入了Canopy算法来确定簇的数量。
• 结合了静态轮廓和动态演化，以进行更精细的行为分析。

**引言**
受碳峰值和碳中和目标的驱动，以及向绿色和低碳能源系统的转型，作为能源消耗与分布式能源整合关键接口的用户侧的运营特性正在发生显著变化。随着分布式发电（DG）特别是分布式光伏（PV）发电的快速发展（Ahir & Chakraborty, 2022; Zhang, Ramírez-Mendiola, Li, & Guo, 2022），用户负荷轮廓变得越来越不稳定、非线性且不确定（Hou et al., 2019）。负荷数据包含了关于用户电力消耗水平、时间变化和运营特性的丰富信息，从而为理解和描述用户侧电力消耗行为提供了重要基础（Dong et al., 2025; Liu, Hu, Chen, Wu, & Chen, 2024b; Peng, Cui, Ma, & Liu, 2026; Yuan, Xie, Liu, & Xu, 2025）。因此，从大规模、高维和复杂的负荷数据中提取具有实际意义的电力消耗特征和行为模式已成为用户侧能源分析中的一个重要研究问题（Sharma, Sangal, & Sharma, 2025）。

**聚类在电力负荷分析中的应用**
作为代表性的无监督数据挖掘技术，聚类已被广泛应用于电力负荷分析中。通过测量负荷轮廓之间的相似性，聚类方法可以将大规模的用户负荷数据划分为几个代表性类别，从而提取典型的负荷模式并分类电力消耗行为（Bandoria, Silva, de Almeida, & Dias, 2025; Lu et al., 2022）。具体来说，负荷聚类可以识别用户在电力消耗时段、峰谷分布和负荷系数方面的差异，从而为基于组的负荷预测、需求响应策略制定以及用户侧灵活性资源识别提供基础（Si et al., 2021; Wang et al., 2015）。然而，在高渗透率分布式光伏集成下，某些用户的净负荷轮廓可能显示负值和反向功率流，导致明显的双向功率特性，进一步增加了典型模式提取和准确行为识别的难度。因此，对于具有双向功率流、复杂波动和显著规模差异的用户，准确提取净负荷特征和识别典型电力消耗行为模式已成为当前负荷聚类研究的关键挑战（Gao, Zhi, Rong, & Yang, 2025）。

**现有研究方法**
现有研究通常采用K-means（Flygare, Nystrand, Eriksson, & Castellucci, 2025）、K-shape（Zhu et al., 2024）、高斯混合模型（GMM）（Zhou, Peng, Hu, & Shao, 2023）或模糊聚类（Liu, Dong, Liu, Liu, & Li, 2024a）等方法，直接根据日负荷曲线或基于距离的相似性度量对用户进行分类（Yerbury, Campello, Livingston, Goldsworthy, & O’Neil, 2025）。这些方法实现简单且计算效率高，但它们严重依赖欧几里得距离，并对负荷幅度的变化非常敏感。当大型工业用户与小型商业或住宅用户共存时，负荷规模的巨大差异可能导致基于距离的聚类方法受到幅度效应的影响，使得难以正确识别具有相似负荷轮廓但不同消耗规模的用户。尽管标准化可以在一定程度上减轻规模差异，但它不可避免地会削弱与负荷容量相关的物理信息，从而限制了聚类结果的可解释性。

**数据驱动方法的发展**
为克服传统时间序列相似性分析在描述电力消耗行为方面的局限性，已经开发了多种数据驱动的方法。例如，基于特征的方法使用统计、时间和行为指标（如不同时间段的负荷系数以及峰谷负荷的发生时间）构建负荷曲线的多维表示。这些表示支持负荷模式聚类和用户画像，并提高了用户间行为差异的可解释性（Huang, Yao, & Xu, 2024; Kaur & Gabrijel?i?, 2022）。最近，Tzalas等人（Tzallas et al., 2025）结合了统计、时间和行为特征与多种聚类算法，对住宅用户进行细分，以支持需求响应计划的设计。此外，还引入了多时间尺度建模，以更好地捕捉电力消耗模式中嵌入的时间结构。例如，Huang等人（Huang et al., 2019）提出了一种结合层次多矩阵马尔可夫模型的自适应K-means聚类算法，以在日、周和年时间尺度上模拟负荷曲线。Fang等人（Fang, Wang, Xiao, Cui, & Qin, 2021）提出了一种分段符号空间聚类（PSSCN）算法，将符号聚合近似（SAX）与基于密度的聚类相结合，以识别典型的电力消耗模式并分析其与家庭特征的关联。类似地，Guo等人（Guo, Zhou, Zhang, Yang, & Shao, 2018）开发了一个基于聚类的数据挖掘框架，以研究不同假期和季节的电力消耗模式，并进一步探讨了温度与电力需求之间的关系。除了模式识别和影响因素分析外，电力消耗行为建模还扩展到了个性化能源服务（Papaioannou et al., 2025），他们整合了设备级消费分析、行为建模和大型语言模型，以生成个性化的节能建议。

**提高聚类和识别性能**
为了提高高维时间序列数据的聚类和识别性能，先前的研究引入了降维策略来增强聚类质量，如主成分分析（PCA）（Motlagh, Berry, & O’Neil, 2019）、自动编码器（AE）（Kumar & Mallipeddi, 2024）、堆叠自动编码器（SAE）（Deng, Cai, Zhang, & Wu, 2021）和卷积自动编码器（CAE）（Ryu, Choi, Lee, & Kim, 2019），从而提高了聚类性能（Zhou & He, 2025）。Yang等人（Yang, Li, Chen, & Hong, 2022）开发了一个数据驱动框架，该框架结合了基于长短期记忆自动编码器的特征提取和两级聚类策略，以识别和描述多个时间段内的居民负荷模式。随着深度学习在负荷分析中的广泛应用（Xiao, Xie, Fang, & Wang, 2023），深度嵌入聚类（DEC）（Xie, Girshick, & Farhadi, 2016）利用自动编码器学习时间序列曲线的非线性表示，并在低维潜在空间中执行聚类，显示出在识别复杂时间模式方面的强大能力（Kim, Song, Lee, & Lee, 2024）。为了进一步改进表示学习和聚类稳定性，改进的深度嵌入聚类（IDEC）在聚类过程中引入了重建目标，以保持原始数据的局部结构（Guo, Gao, Liu, & Yin, 2017a）。此外，深度卷积嵌入聚类（DCEC）将卷积自动编码器与聚类目标相结合，从而能够更有效地从高维序列数据中提取局部时间特征（Guo, Liu, Zhu, & Yin, 2017b）。此外，还提出了动态自动编码器（DynAE），以更好地平衡特征随机性和特征漂移（Eskandarnia, Al-Ammal, & Ksantini, 2022）。

**本研究的新贡献**
尽管现有研究取得了相当大的进展，但大多数深度聚类模型仍然主要以负荷曲线或单一类型的特征作为输入，并主要通过重建和聚类损失进行优化。虽然这些方法可以提取复杂的非线性时间特征，但其聚类结果往往严重依赖于深度网络学习的抽象潜在表示。因此，直接将识别的簇与物理意义上的行为信息（如使用时间能源分布、峰谷特征、负荷系数以及用户与电网之间的功率交互）联系起来仍然很困难。为了解决这些限制，本研究提出了一种基于宏观-微观两级架构和双通道深度嵌入聚类的电力消耗行为分析方法。所提出的框架将深度时间表示和物理意义上的统计特征结合到聚类过程中，并通过代表性曲线、统计指标和行为演化信息提供了多级别的聚类结果解释。

**研究的主要贡献**
1. 提出了一个宏观-微观两级分析框架，用于分析不同行业用户的净负荷行为。在宏观层面，根据统计特征将用户分为不同的能量级别组，并为每个用户分配相应的能量级别标签。在微观层面，分析标准化负荷曲线及其统计特征，以实现电力消耗行为的细粒度识别。
2. 开发了一种具有协调的时间-物理表示学习的双通道深度嵌入聚类模型，称为DC-DEC。该模型结合了一维卷积自动编码器（1D-CAE）的时间特征提取能力和多层感知器（MLP）的统计特征映射能力。进一步设计了联合损失函数，以同时优化数据重建准确性和簇的紧凑性。
3. 采用基于Canopy的自适应初始化策略来估计融合潜在特征空间中的候选簇数量，从而提高聚类过程的适应性和稳定性。随后，联合使用轮廓系数（SC）和Davies-Bouldin指数（DBI）来评估候选簇数量并确定最终的簇数量。
4. 建立了一个可解释的分析框架，将静态簇标签扩展为行为指纹和行为演化轮廓。通过将聚类结果与物理行为指标、代表性电力消耗模式曲线和月度簇演化相结合，构建了多维行为指纹和动态行为轮廓。
5. 使用来自特定地区大约40个不同行业用户的为期一年的真实世界净负荷数据进行了案例研究。分析了具有不同电力消耗规模和行业类型的用户的典型行为特征和演化模式，并验证了所提出框架在区域用户行为识别和差异化分析中的可行性。