基于K-means聚类算法和BP神经网络的代理购电量预测模型研究

doi:10.3969/j.issn.1008-0198.2025.01.010

湖南电力 ›› 2025, Vol. 45 ›› Issue (1): 68-72.doi: 10.3969/j.issn.1008-0198.2025.01.010

• 源网协调与能源转换利用 • 上一篇下一篇

基于K-means聚类算法和BP神经网络的代理购电量预测模型研究

于志诚¹, 穆士才², 梁晔², 李镓辰², 林华³, 陈己宸¹, 金鑫¹

1.国网北京朝阳供电公司,北京 100020;
2.国网北京客服中心,北京 100010;
3.国网北京市电力公司,北京 100032

收稿日期:2024-10-11 修回日期:2024-11-17 出版日期:2025-02-25 发布日期:2025-03-05
通信作者: 于志诚（1991）,男,硕士,工程师,主要从事电力营销工作。

Research on Electricity Prediction Model of Power Purchasing Agent Based on K-means Clustering Algorithm and BP Neural Network

YU Zhicheng¹, MU Shicai², LIANG Ye², LI Jiachen², LIN Hua³, CHEN Jichen¹, JIN Xin¹

1. State Grid Beijing Chaoyang Power Supply Company, Beijing 100020, China;
2. State Grid Beijing Customer Service Center, Beijing 100010, China;
3. State Grid Beijing Electric Power Company, Beijing 100032, China

Received:2024-10-11 Revised:2024-11-17 Online:2025-02-25 Published:2025-03-05

摘要/Abstract

摘要： 通过对某地区代理购电用户的深入画像分析,研究不同因素对代理购电用户电量的影响;通过聚类算法实现用户群体的分类;通过神经网络算法将纵向时序电量和横向影响因素纳入预测公式,针对不同聚类簇构建符合其特征的预测模型;最后将模型整合,实现对整体电量的高准确率预测。

关键词: 代理购电, 电量预测, 聚类算法, 神经网络, 画像分析

Abstract: Through the in-depth portrait analysis of power purchasing agents in a certain region, the influence of different factors on the power consumption of power purchasing agents is studied, and the classification of user groups is realized through the clustering algorithm. Through the neural network algorithm, the longitudinal time series electricity and horizontal influencing factors are incorporated into the prediction formula, and the prediction models conforming to the characteristics of different clusters are constructed. Finally, the models are integrated to achieve high accuracy prediction of the overall electricity.

Key words: power purchasing agent, electricity prediction, clustering algorithm, neural network, portrait analysis

中图分类号:

TM714

于志诚, 穆士才, 梁晔, 李镓辰, 林华, 陈己宸, 金鑫. 基于K-means聚类算法和BP神经网络的代理购电量预测模型研究[J]. 湖南电力, 2025, 45(1): 68-72.

YU Zhicheng, MU Shicai, LIANG Ye, LI Jiachen, LIN Hua, CHEN Jichen, JIN Xin. Research on Electricity Prediction Model of Power Purchasing Agent Based on K-means Clustering Algorithm and BP Neural Network[J]. Hunan Electric Power, 2025, 45(1): 68-72.

参考文献

[1] 韩跃峻,张洋,陆斌,等. 代购电用户用电量影响因素的画像分析[J]. 电气自动化,2023,45(6):7-9.
[2] 胡博,王南,吕旭明,等. BP神经网络和数学模型在电量预测中的应用[J]. 电子技术,2023,52(11):28-30.
[3] 管维灵. 基于数据挖掘的行业用电行为画像构建与应用研究[D]. 广州:华南理工大学,2022.
[4] 章姝俊,陆海清,陈佳玺,等. 基于多因素相关性分析的气温敏感负荷预测[J]. 浙江电力,2023,42(9):27-35.
[5] 费宇,鲁筠. 多元统计分析:基于R:第3版[M]. 北京:中国人民大学出版社,2024.
[6] 欧飞,刘敏,李震. 基于电价敏感度和价格弹性的地区需求响应潜力评估[J]. 电力科学与工程,2022,38(9):1-7.
[7] 徐广达,张利,梁军,等. 基于设备用电特征的居民电力需求价格弹性评估[J]. 电力系统自动化,2020,44(13):48-55.
[8] 于志诚,梁晔,穆士才,等. 基于聚类算法的代理购电工商业用户典型画像分析[J]. 电力大数据,2024,27(3):57-63.
[9] 张智,王韵楚,林振智,等. 基于套餐隐式评分与用户画像的电力套餐推荐方法[J]. 电力系统自动化,2022,47(4):91-101.
[10] JEREMIE B,LOUIS H,ZACHARIE G,et al. Very-short-term probabilistic forecasting for a risk-aware participation in the single price imbalance settlement[J]. IEEE Transactions on Power Systems,2020,35(2):1218-1230.
[11] 崔立卿,王胜男,袁海范,等. 基于神经网络MLP和RBF的全社会用电量预测研究[J]. 电力大数据,2023,26(9):31-39.
[12] 贾历. 基于神经网络的电量分析与预测[D]. 绵阳:西南科技大学,2021.
[13] JAVED S A,CUDJOE D. A novel grey forecasting of greenhouse gas emissions from four industries of China and India[J]. Sustainable Production and Consumption,2022,29:777-790.
[14] 李龙飞,钟海旺,张广伦,等. 基于因果分析的行业月度电量预测方法[J]. 电网技术,2023,47(9):3629-3638.
[15] 任伟杰,韩敏. 多元时间序列因果关系分析研究综述[J]. 自动化学报,2021,47(1):64-78.
[16] 徐俊,徐文辉,曾鑫,等. 基于大数据挖掘电量预测方法的创新及应用[J]. 电力大数据,2018,21(10):57-61.
[17] 吴琦. 新电价改革形势下基于大数据的地区行业电量预测方法研究[D]. 天津:天津职业技术师范大学,2024.
[18] HADJOUT D,TORRES J F,TRONCOSO A,et al.Electricity consumption forecasting based on ensemble deep learning with application to the Algerian market[J]. Energy,2022,243:123060.
[19] 赵长伟,骈睿珺,杜天硕. 基于LSTM的重要用户电能质量趋势预测分析模型[J]. 电力系统及其自动化学报,2022,34(7):26-33.
[20] JALALI S M J,AHMADIAN S,KHODAYAR M,et al. An advanced short-term wind power forecasting framework based on the optimized deep neural network models[J]. International Journal of Electrical Power and Energy Systems,2022,141:108143.
[21] 陈纬楠,胡志坚,岳菁鹏,等. 基于长短期记忆网络和LightGBM组合模型的短期负荷预测[J]. 电力系统自动化,2021,45(4):91-97.
[22] 张岚,季天瑶,刘嘉宁. 考虑细分行业及多影响因素的月度电量预测[J]. 广东电力,2023,36(6):30-39.
[23] 王胜,胡武军,金慎,等. 基于时间序列的月度用电量预测算法研究[J]. 电力系统装备,2020(20):177-179.
[24] 罗毅初,冯天瑞,李达凯,等. 基于加和比例分配算法的中长期电量预测改进方法[J]. 电力需求侧管理,2014,16(4):11-15.
[25] 谢小鹏. 深度学习算法在电力负荷预测中的应用研究[J]. 广西电力,2023,46(2):48-55.

基于K-means聚类算法和BP神经网络的代理购电量预测模型研究

Research on Electricity Prediction Model of Power Purchasing Agent Based on K-means Clustering Algorithm and BP Neural Network

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	耿萌萌, 范茂松, 官亦标, 魏斌. 基于运行数据的电化学储能电池SOH评估[J]. 湖南电力, 2025, 45(1): 8-13.
[2]	王才倩, 胡倩, 苗文捷, 陆沈雄. 基于嵌入式小波的CNN-LSTM电力系统负荷预测[J]. 湖南电力, 2025, 45(1): 86-92.
[3]	梁海维, 王阳光, 邓小亮, 刘静, 文明, 于宗超, 李文英. 基于分段预测及天气相似日选择的区域电网短期负荷预测方法[J]. 湖南电力, 2024, 44(5): 109-116.
[4]	文思伦, 张楚岩, 刁明光, 周振安, 徐惠勇, 刘慧芳. 基于LSTM和ArcGIS的区域输电网污秽状态智能评估方法[J]. 湖南电力, 2024, 44(3): 55-63.
[5]	杨芳僚, 黄鑫, 谭鸿志, 闵琦, 祝视, 燕磊. 基于信息融合与一维卷积神经网络的光伏电站传感器健康状态评估方法[J]. 湖南电力, 2024, 44(3): 105-113.
[6]	文博, 李家熙, 文明, 张欣杨, 许加柱. 基于电力数据的碳排放组合预测方法研究[J]. 湖南电力, 2024, 44(2): 134-140.
[7]	许顺凯, 朱吉然, 唐海国, 邓威, 黄肇, 邹长春. 短期尖峰负荷多信息融合的神经网络预测方法[J]. 湖南电力, 2024, 44(1): 38-44.
[8]	邵志翔, 刘柱, 亢银虎, 卢啸风, 王泉海. 基于GA-BP神经网络的煤质元素分析预测模型及其应用[J]. 湖南电力, 2023, 43(6): 54-62.
[9]	左啸云, 罗珍珍, 刘宏毅. 基于阴影检测的双模式光伏最大功率点跟踪算法[J]. 湖南电力, 2023, 43(5): 43-48.
[10]	高攀, 李飞, 彭远豪, 张璨辉, 彭海君. 基于jieba中文分词的电力客户精准分类方法[J]. 湖南电力, 2023, 43(5): 151-154.
[11]	李奕杰, 宋恒, 叶晨晖, 申庆祥. 基于融合模型驱动和数据驱动的电动汽车充电负荷预测[J]. 湖南电力, 2023, 43(3): 9-15.
[12]	邓怡卿, 孙斌, 李晓兵, 李丹, 王嵘婧. 基于大数据的输变电工程造价趋势预测[J]. 湖南电力, 2023, 43(2): 108-111.
[13]	陈文, 陈凯平, 夏向阳, 夏君山, 王瑞琪, 胡小忠. 高压直流输电系统输电电缆的故障定位方法[J]. 湖南电力, 2022, 42(6): 123-128.
[14]	贾浩, 张莲, 张尚德, 赵梦琪, 赵娜, 黄伟. 基于LSSA-BP神经网络的断路器分合闸电流特征诊断[J]. 湖南电力, 2022, 42(5): 36-41.
[15]	李振华, 李浩, 黄景光, 张磊, 吴琳. 基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究[J]. 湖南电力, 2022, 42(4): 18-22.