智能配电网短期负荷预测：数据分析、聚类技术与预测模型的系统综述

《Energies》：Short-Term Load Forecasting in Smart Distribution Networks: A Systematic Review of Data Analytics, Clustering Techniques, and Forecasting Models

　　

智能配电网（Smart Distribution Networks, SDNs）的运营与管理在很大程度上依赖于需求侧管理（Demand-Side Management, DSM）、分布式能源资源（Distributed Energy Resource, DER）集成以及电网可靠性背景下的短期负荷预测（Short-Term Load Forecasting, STLF）。随着智能电表和高级量测基础设施（Advanced Metering Infrastructure, AMI）的广泛应用，如今可以获得高分辨率的电力消耗数据，这为在变压器、馈线、变电站和用户层面开展数据驱动预测开辟了新机遇。然而，由于负荷的可变性、数据的异构性、能源资源的分布式特性以及消费者的随机行为，SDN中的预测仍面临诸多困难。本文对智能配电系统中基于聚类和数据驱动的STLF方法进行了系统性文献综述。依据PRISMA指南，研究人员从Google Scholar、Scopus和Web of Science中检索了2018年至2026年3月的文献，并从聚类技术、预测方法、数据来源和应用领域等方面进行分析。综述重点关注K-Means、K-Medoids、层次聚类、动态时间规整（Dynamic Time Warping, DTW）和DBSCAN，以及统计、机器学习（Machine Learning, ML）、深度学习（Deep Learning, DL）、联邦学习（Federated Learning, FL）和边缘计算预测框架。综述结果表明，基于聚类的预处理在负荷特征刻画和负荷预测方面非常有用。在所综述的研究中，DL模型（尤其是LSTM、GRU和CNN模型）在各自实验场景中反复表现出优于统计和ML基线架构的性能，而FL和边缘计算方法在实时预测和隐私保护预测方面展现出潜力。最后，本综述提出了在SDN中构建可扩展、智能且隐私保护的预测系统所存在的现有问题与未来研究方向。

2. 系统综述方法
该综述遵循PRISMA框架，围绕三个研究问题展开：聚类增强预测框架如何提升SDN预测性能；集中式与分布式框架在准确性、可扩展性、可靠性和实时性方面的表现；现有智能电表和配电级预测研究的主要局限与空白。研究人员在Google Scholar、Scopus和Web of Science中检索了2018年至2026年3月的文献，经过去重、标题筛选、摘要筛选和全文筛选，最终纳入51篇研究。纳入标准要求研究使用智能电表或AMI数据、包含聚类方法并报告足够的方法学细节。质量评估从数据集描述、验证策略、性能报告完整性和可复现性四个方面进行。

3. 二次配电负荷预测的数据分析与预处理
二次配电数据具有高负荷变化性和异构性，居民、商业和工业用户行为差异显著，分布式光伏、电池储能、电动汽车和需求响应进一步增加了不确定性。数据质量挑战包括缺失值、重复数据、异常值、传感器误差和通信故障。常用预处理任务包括缺失值填充、异常识别、平滑处理、时间对齐和一致性验证。归一化和标准化采用min-max归一化与z-score标准化。针对高维智能电表数据，综述讨论了主成分分析（PCA）、奇异值分解（SVD）、独立成分分析（ICA）、线性判别分析（LDA）以及自编码器等深度特征提取方法。特征选择方法包括Pearson相关分析、互信息、递归特征消除（RFE）、ReliefF、随机森林特征重要性和优化方法；时间特征工程对识别周期性消费模式至关重要。GIS和空间数据集成可提升变压器、馈线和变电站层面的负荷预测能力，但当前真正将土地利用、人口密度等GIS属性层与智能电表数据结合的研究仍然有限。

4. 短期负荷预测中的聚类技术
聚类将消费者、变压器、馈线或负荷曲线划分为同质组群，以降低数据异质性并提高预测精度。K-Means是最常用的方法，通过最小化簇内平方距离实现高效聚类；K-Medoids使用代表性观测值作为簇中心，对离群值更稳健；层次聚类生成树状图以揭示消费者层级关系，但可扩展性有限；基于动态时间规整（DTW）的聚类能够捕捉时间移位下的相似负荷模式，但计算复杂度较高；DBSCAN基于密度聚类，无需预先指定簇数，可自动识别噪声和不规则消费模式。聚类与预测模型的配对分析显示，K-Means和K-Medoids常与梯度提升树或轻量DL模型组合；层次聚类和DTW聚类多与GRU、BiLSTM等循环结构结合；DBSCAN则常与CNN架构搭配。聚类在负荷数据异构且存在明显重复模式时最有益，但当负荷曲线本身已相似或聚类参数敏感时，其增益可能有限。

5. 智能配电系统中的预测方法
集中式预测架构将智能电表、变压器和变电站数据汇集至云服务器或控制中心进行训练和部署。统计模型（ARIMA、SARIMA）仍作为基准，适合线性和相对平稳的负荷。机器学习模型（SVR、RF、GBM、XGBoost）能够有效捕捉非线性需求模式。深度学习模型（ANN、CNN、LSTM、GRU）在大型智能电表数据集和动态配电环境中通常优于统计和ML基线；Transformer架构在纳入综述的51项研究中尚未作为主要预测模型出现。集中式框架便于全局优化和多源数据集成，但面临消费者隐私、通信开销、可扩展性不足和单点故障风险。分布式架构中，联邦学习（FL）允许在不共享原始数据的情况下训练模型，但仅共享模型参数或梯度并不能完全保证隐私，综述中未见明确采用安全聚合或差分隐私的报道。边缘计算将预测任务下沉至本地设备，支持实时预测和局部决策，但受限于计算能力和存储容量。

6. STLF模型的性能评估
常用评价指标包括平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）和决定系数R²。由于各研究在数据集规模、预测时长、时间分辨率和聚合层级上差异显著，跨研究的绝对值不可直接对比。大致而言，MAPE低于5%常见于稳定工业馈线或聚合变电站负荷，5%–15%常见于居民/商业混合变压器级预测，高于15%–20%常见于高随机性住户级预测。预测准确性受预测时长、数据质量、消费者多样性、数据集大小和建模方法共同影响。可靠性考量要求模型在异常需求模式、极端天气和高DER渗透条件下仍保持稳定；聚类预处理和分布式架构有助于增强预测系统的可靠性。

7. 本综述的贡献与局限性
本综述的贡献包括：提供聚类方法选择与预测精度、计算复杂度和适用条件的跨方法比较；基于证据分析聚类在何种条件下能提升预测精度；识别出Transformer架构采用不足、隐私保护机制落实不够等研究空白。局限性包括：质量评估与筛选流程整合而非独立双人评审；2018年前的基础性研究和非英文文献未被纳入；由于数据集和评估指标差异，无法进行正式定量meta分析；全文排除原因的时间演化数据不足。

8. 研究空白与未来方向
现有研究对GIS与智能电表数据集成关注不足，针对二次配电网、馈线、变压器和交付点（POD）层面的预测应用仍较少。联邦学习面临非独立同分布（non-IID）数据、通信开销和模型收敛等问题。深度学习模型的可解释性不足也限制了实际决策应用。电动汽车、分布式能源、电池储能和需求响应带来的新不确定性要求未来开发结合聚类、深度混合模型、Transformer架构、GIS信息和分布式智能的预测系统，以实现可扩展、隐私保护和强韧性的SDN短期负荷预测。

9. 结论
该综述表明，聚类方法已成为现代STLF系统的重要预处理工具，其中K-Means最为常用，K-Medoids、DTW、层次聚类和DBSCAN分别在离群值鲁棒性、时间相似性、层级结构和异常检测方面提供额外优势。深度学习模型尤其是LSTM、GRU和CNN在多数评审研究中优于统计和ML基线；联邦学习与边缘计算为隐私保护和实时预测提供了有前景的路线。未来仍需应对数据质量、可扩展性、模型可解释性、非IID数据以及DER和EV带来的挑战。将先进聚类技术、稳健预测模型与分布式部署架构相结合，是实现下一代SDN准确、可扩展且弹性STLF的关键路径。