摘要
针对新型电力系统下传统用电行为分析难以刻画细粒度用电模式、不足以支撑差异化管理的问题,提出一种基于AE-K-means与随机森林的用户用电行为识别方法。利用某地区电网企业采集的用户日负荷曲线,采用自编码器对高维日负荷数据进行非线性降维;在潜在空间上用K-means聚类,并结合聚类有效性指标确定最优簇数为3,获得典型用电行为模式。随后将聚类结果作为行为标签来训练随机森林模型,实现对新用户用电行为的自动识别,并采用准确率、类别平均精确率和类别平均召回率指标评估模型性能。算例结果表明:在k=3时,AE-Kmeans的聚类效果优于K-means、GMM和层次聚类;在分类任务中,所提出的模型在三项指标上均优于KNN、SVM、决策树和GBDT等算法。所提方法结构简洁、易于工程实现,可为电网企业开展用户分群和差异化用电策略制定提供技术支撑。
出处
《物联网技术》
2026年第4期94-98,共5页
Internet of things technologies
基金
质量工程“四新”研究与改革实践项目(2024sx204)
质量工程2024cxtd170大数据专业教学创新团队。
