《Frontiers in Artificial Intelligence》：DynEC: dynamic evolutionary clustering for power user load profiling using multi-view graph neural networks
编辑推荐：
摘要：随着发-输-配-储系统的深度融合，电力需求侧呈现出高度动态性与随机性，这挑战了传统用户行为在时间维度保持平稳性的假设。静态聚类模型因此易受日常噪声干扰并产生虚假的用户身份切换现象。本研究提出了一种名为动态演化聚类（Dynamic Evolutionary
摘要：随着发-输-配-储系统的深度融合，电力需求侧呈现出高度动态性与随机性，这挑战了传统用户行为在时间维度保持平稳性的假设。静态聚类模型因此易受日常噪声干扰并产生虚假的用户身份切换现象。本研究提出了一种名为动态演化聚类（Dynamic Evolutionary Clustering, DynEC）的多视图图神经网络框架，用于电力用户负荷画像构建。DynEC首先构建一个稀疏的多视图动态图，该图融合了几何邻近性、通过约束动态时间规整（constrained Dynamic Time Warping, cDTW）实现的时间对齐关系以及统计依赖性。随后，一个门控时空图神经网络（Gated Spatio-Temporal Graph Neural Network, GST-GNN）通过优化双重目标损失函数来学习潜在特征表示，该函数同时平衡了当前快照质量与历史时间平滑性。在真实世界数据集上的实验结果表明，DynEC优于现有的基线方法。该框架能够更准确地识别真实的概念漂移（concept drift），同时减少错误的集群切换。DynEC将负荷画像建模为一个连续的演化过程，而非一系列独立的静态聚类任务，从而为现代电网管理提供了一种稳定可靠的画像工具。
研究背景与意义
在电力系统中，发-输-配-储一体化结构的推进使得需求侧呈现高度动态与随机特性，传统的静态聚类方法假设用户行为在时间上平稳，已无法适应当前环境。分布式能源和电动汽车的普及，使大量用户转变为既是消费者又是生产者的产消者（prosumer），其用电模式受实时电价、极端天气及居家办公等因素影响，频繁发生概念漂移（concept drift）。静态模型要么对长期变化反应滞后，要么对短期噪声过度敏感，导致“身份切换”（identity switching）现象，严重影响需求响应（Demand Response, DR）策略的稳定性与可靠性。现有欧几里得距离度量对相位偏移高度敏感，动态时间规整（Dynamic Time Warping, DTW）虽可缓解但对大规模数据扩展性差，而时空图神经网络（Spatio-Temporal Graph Neural Networks, ST-GNNs）缺乏兼顾结构特征学习与聚类一致性的无监督损失函数。为此，研究人员提出了DynEC框架，以实现稳定、精准的动态用户负荷画像。该研究发表于《Frontiers in Artificial Intelligence》。
主要技术方法
研究人员采用三个来自中国四川省的真实智能电表数据集（城市A混合类型、城市B居民主导型、城市C工业园区型），采样间隔15分钟并聚合为24维小时级负荷曲线。方法核心包括：（1）多视图动态图构建，融合几何邻近性（Euclidean distance）、时间对齐（cDTW）和统计依赖性（Pearson相关系数）三种相似性度量；（2）门控时空图编码器（GST-GNN），结合多头图注意力网络（Multi-Head Graph Attention Network, GAT）与门控循环单元（Gated Recurrent Unit, GRU）捕捉空间与时间特征；（3）双重目标优化机制，结合快照聚类损失（KL divergence）与时间一致性损失（temporal smoothness loss），通过超参数λ调节稳定性与适应性的平衡。
研究结果
4.4 比较分析
在三个城市的实验中，DynEC在城市A取得最高调整兰德指数（Adjusted Rand Index, ARI）0.56±0.06，显著优于K-Means与Evol-KMeans（p<0.05），并在所有城市中实现了极低的集群切换率（Cluster Switching Rate, CSR）0.02–0.04，相比静态方法（约0.70–0.79）显著降低。虽然静态方法在稳定环境下可获得更高瞬时轮廓系数（Silhouette Coefficient, SC），但DynEC在动态环境中保持了语义一致性，避免了因噪声导致的频繁切换。
4.5 消融研究
移除cDTW视图导致ARI从0.62降至0.35，证明其在处理时间偏移方面的关键作用；移除Pearson相关性视图则使CSR由0.02升至0.05，表明统计依赖关系增强了鲁棒性；去除时间一致性约束（λ=0）降低ARI至0.50，去除门控机制则全面降低性能（ARI 0.51，CSR 0.07）。
4.6 参数敏感性分析
时间一致性权重λ在0.1–0.3区间达到最佳平衡，λ过高会抑制对新概念漂移的适应能力；多视图融合权重取等权（α=β=γ=1/3）时获得最优综合表现。
4.7 案例研究
在相位偏移案例中，cDTW成功将形状相似但峰值时间不同的用户归入同一功能簇，而欧几里得距离则将其错误分离；在用户#42的V2G（Vehicle-to-Grid）概念漂移案例中，DynEC仅在模式稳定后切换簇，避免了静态K-Means的剧烈波动。
4.8 讨论与局限性
在极稳定的城市B环境中，静态K-Means的瞬时ARI略高于DynEC，反映了演化聚类的轻微正则化代价；事件驱动验证显示，DynEC在高峰事件月份保持较高ARI并适度提升CSR，而Evol-KMeans则因过平滑丧失适应性。
结论翻译
本研究提出的DynEC框架针对发-输-配-储一体化环境下的动态用户负荷画像问题，将画像建模为连续演化过程而非静态标签集合，有效缓解了双向源荷互动引发的身份切换现象。核心技术贡献包括：（1）融合几何、时间与统计依赖的多视图动态图构建方法，全面捕捉非欧几里得关联；（2）结合门控时空图编码器与双重目标演化优化的统一范式，在学习演化感知表征的同时显式平衡快照质量与时间平滑性。在三类真实场景数据集上的实验表明，DynEC显著降低CSR并保持领先水平的聚类质量（SC），为动态定价与目标需求响应提供了稳健基础，实现了稳定性与适应性的关键平衡，推动了下一代可靠自动化电网管理的发展。
