利用智能电表数据揭示住宅光伏与电动车协同采用模式以优化需求侧规划

一句话结论

新研究利用智能电表数据准确识别住宅光伏与电动车协同采用模式，为需求侧规划提供关键决策支持。

关键要点

• 研究构建了整合式分析流程，将动态时间规整（DTW）k-means聚类与双向长短期记忆（BiLSTM）预测模型相结合
• 基于澳大利亚维多利亚州AusNet每半小时智能电表数据识别出光伏单独、电动车单独、协同采用和未采用四类用户行为原型
• 对于协同采用用户，以中午为中心的平日出口电量原型约占其用电日的50%
• BiLSTM模型在验证集调参阈值下实现0.991的AUROC、0.906的宏观F1，且在最具挑战性的电动车单独类中达到0.836的召回率
• 实验证明性能在合理的标注规则（宏观F1：0.894-0.914）和严格的时间前向分割（宏观F1：0.894-0.906）下保持稳定

背景与事实

随着电动车（EV）和屋顶光伏（PV）系统采用率持续上升，居民用电需求正在发生结构性变化，这对需求侧管理（DSM）、电价设计和低压电网规划带来新挑战。目前多数文献仅单独研究电动车充电或光伏发电，缺乏对家庭协同采用行为动态的深入理解。这项2026年9月23日提交的研究填补了这一空白，提出了一个整合式双模块分析框架，专门用于挖掘智能电表数据中的协同采用行为特征。

研究使用的高级计量基础设施（AMI）数据来自澳大利亚维多利亚州AusNet，时间粒度为每半小时。数据处理环节面临的关键限制是充电器测量数据不可用，因此电动车活动标签需从充电类负荷特征中推断。聚类阶段采用动态时间规整k-means结合动态时间规整重心平均方法，将每日进口或出口电量曲线归纳为可解释的行为原型。预测阶段则在21天时间窗口上训练双向长短期记忆（BiLSTM）模型，并与表格基线模型进行光伏/电动车活动检测对比。

实验结果揭示了不同用户群体的显著差异：光伏单独采用者、电动车单独采用者、协同采用者和未采用者各自呈现独特的用电模式。对于协同采用用户群体，一个以中午为中心的平日出口电量原型占据了约50%的用电日，这反映出光伏日间发电与电动车充电的时空互动特征。

影响分析

这项研究对中文电力行业从业者和智能电网研究者具有三方面实际价值。首先，行为原型识别方法可直接应用于国内智能电表数据，帮助电网企业从海量居民用电数据中精准识别光伏与电动车协同采用用户，优化低压配电网负荷预测和扩容规划。其次，基于负荷特征推断电动车活动的技术路线在缺乏专用测量设备时尤为实用，适合国内多数地区仅部署基础智能电表而非双路计量表的现状。需要明确的是，本研究基于澳大利亚维多利亚州数据，国内应用时需考虑各地光伏渗透率、电动车普及节奏、电价结构和气候条件差异，相关参数需重新校准。

适用边界

该结论主要适用于具备至少半小时粒度智能电表数据的住宅用电场景，且假设用户光伏系统和电动车均接入家庭电网。对于仅使用月度抄表或仅有总表而无分表数据的地区，行为原型识别精度会显著下降。此外，研究中的阈值和原型分布基于特定地区的协同采用用户群体，直接迁移到其他地区时聚类结构和模型性能可能需要调整。

孤本观察

从编辑角度观察，该研究的价值不仅在于准确率数字本身，更在于将聚类发现与预测验证结合为闭环分析框架的思路。协同采用用户中50%的用电日呈现以中午为中心的出口模式这一发现，为需求侧管理提供了可量化的行为基准，这比单纯的检测准确率对规划决策更具操作意义。

来源：arXiv cs.LG