基于深度数据挖掘的用电行为关联提取与分类技术

王伟; 钱旭盛; 俞阳; 李明; 朱萌

沈阳工业大学学报 ›› 2026, Vol. 48 ›› Issue (5) : 49 -56.

王伟, 钱旭盛, 俞阳, 李明, 朱萌

作者信息 +

Author information +

文章历史 +

摘要

【目的】用电行为的精准识别与监测，对电力系统调度计划的科学制定至关重要。当前，用电行为识别算法主要分为机器学习与深度学习两大类。其中，机器学习算法的识别精度尚存提升空间，且模型泛化能力相对不足。深度学习算法虽具备独特优势，但对数据时序特征的挖掘不够充分，易出现过拟合现象，进而降低识别精度。【方法】针对用电行为分类算法中时序特征挖掘不充分、分类精度有待提升的问题，本文提出了一种基于改进双层双向长短期记忆网络与注意力机制(IDL-BiLSTM-Atten)的用电行为分类模型。该模型的核心实现流程为：首先，采用融合累积和(CUSUM)算法精准识别用电设备的投切事件；其次，整合稳态特征、暂态特征与非电量参数，构建全面的用电设备行为特征集。针对传统神经网络因逐层串行连接架构导致的性能瓶颈，本文对双层双向长短期记忆(IDL-BiLSTM)网络进行改进，引入数据跨层传输策略，允许数据跳过部分或全部中间层，直接传递至深层网络进行处理，从而有效增强模型的稳定性与分类精度。同时，为强化关键信息对输出结果的驱动作用，将注意力机制嵌入双层双向长短期记忆(LSTM)模型，进一步提升模型在复杂任务场景下的计算效率与分类精度。【结果】利用典型用电设备生成了1 500组训练样本并以此作为输入数据，对IDL-BiLSTM-Atten模型进行了训练。结果表明：增加暂态特征与非电量参数作为输入数据，有利于提升模型分类精度；相较于传统双向长短期记忆(BiLSTM)和长短期记忆(LSTM)模型，IDL-BiLSTM-Atten模型在收敛速度和分类精度方面具有更优性能；在实际应用案例中，IDL-BiLSTM-Atten模型能够实现用电行为的精确分类，验证了其在实际场景中应用的可靠性。【结论】相较于传统模型，本文模型的改进之处主要体现在两个方面：其一，拓展输入特征维度，将暂态特征与非电量参数纳入模型输入数据，有效提升模型的分类精度；其二，优化模型结构设计，通过改进BiLSTM模型并嵌入注意力机制，使得模型在收敛速度与分类精度方面均具备更优的性能表现。