EPTSMElectric Power Technology and Safety Management2997-34732997-3503Art and Technology10.61369/EPTSM.2025060018Article基于用户用电行为聚类与经济指标关联的工业sector中长期电力需求预测方法https://artdesignp.com/journal/EPTSM/2/6/10.61369/EPTSM.2025060018冯胜涛,马宏图,杨娜,董宇,王少敏2025262025-06-20本文聚焦工业sector中长期电力需求预测方法，提出一种融合用户用电行为聚类与经济指标关联的预测方法。在数据层面，整合多源异构的工业用户用电数据、生产数据及外部环境数据，通过数据清洗、标准化与特征工程，构建了反映用户用电特性的高维特征体系。在用户画像层面，综合比较K-Means、层次聚类、DBSCAN等算法，选取最优聚类模型对工业用户进行细分，识别并提炼出稳定型、波动型、高耗低效型等典型用电模式，为差异化预测奠定基础。在经济关联层面，筛选出工业增加值、产业结构、单位产值电耗等关键经济指标，运用相关性分析、回归模型及时间序列分析等方法，量化各指标与不同用电模式群体电力需求的内在关联机制与动态影响。在模型构建层面，设计“分群-关联-预测”的融合框架，针对不同用电模式群体建立差异化预测子模型，并通过加权集成形成总需求预测。研究表明，该方法通过精细化用户分群与深度经济关联分析，能够有效捕捉工业用电的复杂性与规律性，相比传统单一模型，显著提升了预测的准确性和稳定性，可为电力系统规划、调度及能源政策制定提供更科学、可靠的决策支持。电力需求预测,中长期预测,用户用电行为聚类,经济指标关联

[1] 陈俊艺. 计及用户用电行为聚类的不确定性需求响应概率模型研究[D]. 湖北: 武汉大学,2019.[2] 黄薇, 温蜜, 张照贝. 考虑用户用电行为聚类的电力负荷预测方法[J].计算机仿真,2022,39(12):148-153. DOI:10.3969/j.issn.1006-9348.2022.12.027.[3]汪颖,杨维,肖先勇,等.基于去噪自编码器网络特征降维与改进小批优化K均值算法的海量用户用电行为聚类及分析[J].电力自动化设备,2022,42(6):146-153. DOI:10.16081/j.epae.202203017.[4] 冯志颖, 唐文虎, 吴青华, 等. 考虑负荷纵向随机性的用户用电行为聚类方法[J].电力自动化设备,2018,38(9):39-44,53. DOI:10.16081/j.issn.1006-6047.2018.09.007.[5] 于文龙. 基于用电特征选择的用户用电行为聚类分析及应用[D]. 湖南:湖南大学,2020.[6] 龚钢军, 陈志敏, 陆俊, 等. 智能用电用户行为分析的聚类优选策略[J].电力系统自动化,2018,42(2):58-63. DOI:10.7500/AEPS20170726009.[7]李春燕, 蔡文悦, 赵溶生, 等. 基于优化SAX和带权负荷特性指标的AP聚类用户用电行为分析[J].电工技术学报,2019,34(z1):368-377. DOI:10.19595/j.cnki.1000-6753.tces.L80097.[8] 国网上海市电力公司, 上海电力大学. 一种基于用户用电行为聚类的电力负荷概率预测方法:CN202110635884.8[P].2021-09-07.[9] 朱炎平. 基于聚类的用户用电行为分析研究[D]. 华北电力大学, 华北电力大学( 北京),2017.DOI:10.7666/d.Y3264136.[10] 李顺昕, 远振海, 丁健民, 等. 基于聚类的用户用电行为及其影响因素分析[J].电力需求侧管理,2019,21(3):53-58. DOI:10.3969/j.issn.1009-1831.2019.03.012.