LSTM-WGCNA负荷聚类模型

边界可分性提升43%

将日负荷曲线编码为动态基因表达，识别出五种典型用电模式，为聚合商制定差异化灵活性分配策略提供依据。

Peng, Bo · Baolin, Cui · Xin, Ma · Liu, Che

Energy and Buildings 2026

参数信息

Davies-Bouldin指数

2.24

边界可分性提升

43 %

最高潜力组得分

0.58

最低潜力组得分

0.40

技术优势

聚类质量更优

Davies-Bouldin指数2.24，优于K-means的2.84和AE+K-means的2.45，表明簇内更紧凑、簇间分离更好。

边界可分性提升43%

与现有方法相比，聚类边界可分性提升约43%，使不同用电模式的区分更清晰。

量化需求响应潜力

基于CDL的两级评估模型为每个模式输出潜力得分，如C2为0.58、C5为0.40，支持差异化资源分配。

应用场景

• 需求响应潜力评估：输出各用电模式的需求响应潜力得分，帮助聚合商快速筛选高潜力用户群。
• 负荷模式识别：自动识别典型用电模式，替代人工经验分类，提升负荷分析效率。
• 居民灵活资源聚合：为聚合居民灵活资源提供量化优先级，支持差异化调度策略制定。
• 智能电网数据分析：作为负荷数据分析模块嵌入智能电网系统，支撑需求侧管理决策。