AEii國際應用能源 - 【Applied Energy最新原創論文】用於居民用電模式分析的新型自適應半監督聚類方法和應用案例研究－鑽石舞台

原文信息：

Electricity consumption pattern analysis beyond traditional clustering methods: A novel self-adapting semi-supervised clustering method and application case study

原文鏈接：

https://www.sciencedirect.com/science/article/pii/S0306261921015853

Highlights

•提出了一種基於度量學習的日負荷樣本聚類方法.

•在人工標記樣本集的測試中，該算法的準確度比基於K-means的傳統聚類算法平均高75%.

•生成了一個代表倫敦家庭主流日用電模式的負荷字典.

•基於家庭的日用電量和日用電模式特徵實現了有效的相似用電家庭組劃分.

摘要

電力系統的高速信息化提供了前所未有的能源大數據，極大地促進了能源系統向真正的智能化和低碳化轉型。在這之中，使用聚類方法研究家庭用電行為（ECB）有助於更有效地部署分布式可再生能源資產、制定差異化的電價政策和進行更精確的負荷預測等。然而，傳統聚類方法中使用的相似性度量難以準確地描述電力負荷曲線中複雜的時間變化性，因此難以獲得高精度聚類結果。為此，我們提出了一種基於度量學習的新型半監督自適應聚類方法。該方法結合了監督學習中的深度線性判別分析（DLDA）算法與數據自適應的近鄰傳播（AP）聚類算法，可實現針對特定類型場景樣本的相似性度量學習，進而完成高質量的自動聚類，其準確率比K-means等傳統方法平均高75%。基於該方法，我們對倫敦5566戶家庭的歸一化日負荷樣本進行自動聚類，得到代表該地區家庭主流日用電模式的統一負荷字典，精確描述家庭用電行為的時序特徵。進一步地，結合家庭的日用電量特徵，可實現對家庭ECB的準確描述，以此劃分相似用電家庭組。最後，我們研究了與ECB強相關的206個家庭屬性，為電力市場的家庭客戶細分提供了可靠途徑。

更多關於"clustering method"的研究請見：

https://www.sciencedirect.com/search?qs=clustering%20method&pub=Applied%20Energy&cid=271429

Abstract

The fast-paced informatization of power systems across the world provides an unprecedented amount of data, which greatly facilitates their study and offers in turn the possibility to assist in the transition towards truly smart, low-carbon energy systems. In this context, the use of clustering methods for the study of household Electricity Consumption Behaviour (ECB) proves highly beneficial as it facilitates, among other things, more effective deployment of distributed renewable energy assets, development of differentiated tariff policies and load forecasting. However, the similarity metrics used in traditional clustering methods have difficulties in accurately capturing the time variability of electrical load profiles. In order to address this problem, we developed a novel semi-supervised automatic clustering method based on a self-adapting metric learning process. The proposed method is a bespoke application to the analysis of electricity demand load patterns that combines the recently developed Deep Linear Discriminant Analysis algorithm for supervised learning with the data-adaptive Affinity Propagation clustering algorithm (DLDA+AP), and achieves high-quality automatic clustering with an accuracy that is 75 percentage points higher than traditional methods such as k-means, on average. Based on this bespoke method, a unified load dictionary which captures the mainstream daily electricity consumption patterns of 5566 households in London was produced. Through the analysis of the load dictionary and household daily electricity consumption, it’s possible to build a complete ECB profile for the households in the sample dataset. Furthermore, combining the 206 household properties which were found to be strongly correlated with the ECB, this method provides a practical approach to residential customer segmentation for the electricity market.

Keywords

Household electricity consumption behavior;

Semi-supervised clustering;

Metric learning

Graphics

Fig. 6. Workflow of proposed clustering strategy.

Fig. 9. Different key steps followed by different clustering methods used for comparison purposes.

團隊簡介

本研究由中國西安交通大學和英國University of Reading的研究人員共同完成。

通信作者簡介：

李明濤，博士，西安交通大學動力工程多相流國家重點實驗室副教授，博士生導師。中國節能協會公共機構節約能源資源專業委員會委員。現帶領智慧能源與碳中和研究組從事綜合能源系統建模、仿真、優化與控制研究。主持科研項目多項，包括國家自然科學基金項目、國家973計劃子課題、教育部博士點新教師基金、陝西省自然科學基金等。獲陝西省科學技術獎一等獎1項（R8）。在能源化工材料領域國際著名期刊Advanced Materials、Nano Letters、Journal of Catalysis、Nanoscale、ACS Applied Materials & Interface、Langmiur、Carbon、International Journal of Hydrogen Energy等發表論文30餘篇，其中3篇為領域高被引論文，包括化學、材料科學、物理領域高被引論文各1篇。

第一作者簡介：

張曉海，西安交通大學博士在讀，從事居民能源行為建模、需求響應和綜合能源系統領域研究。在Applied Energy期刊發表一作論文1篇，開源基於粒子群優化算法的仿真優化框架GenSBO。

關於Applied Energy

本期小編：軒昂；審核人：李明濤。

《Applied Energy》是世界能源領域著名學術期刊，在全球出版巨頭愛思唯爾 (Elsevier) 旗下，1975年創刊，影響因子9.746，CiteScore 19.6，高被引論文ESI全球工程期刊排名第4，谷歌學術全球學術期刊第53，本刊旨在為清潔能源轉換技術、能源過程和系統優化、能源效率、智慧能源、環境污染物及溫室氣體減排、能源與其他學科交叉融合、以及能源可持續發展等領域提供交流分享和合作的平台。開源（Open Access）姊妹新刊《Advances in Applied Energy》現已正式上線。在《Applied Energy》的成功經驗基礎上，致力於發表應用能源領域頂尖科研成果，並為廣大科研人員提供一個快速權威的學術交流和發表平台，歡迎關注！

公眾號團隊小編招募長期開放，歡迎發送自我簡介（含教育背景、研究方向等內容）至wechat@applied-energy.org