【技术实现步骤摘要】
本专利技术属于分布式光伏，具体地说是一种低压分布式光伏用户用电偏好分析方法及系统。
技术介绍
1、目前，针对光伏用户的用电偏好分析缺乏统一的标准体系，各类用户的用电偏好和业务架构错综复杂。因此，在梳理用户偏好种类和确切需求方面存在一定难度，难以根据用户特征和喜好精准推送数据和互动服务。就低压分布式光伏互动服务的建设而言，需要进一步探索分析光伏用户用电偏好特征的技术路径。为了促进电网与分布式光伏用户之间的双向互动，提升公众的参与意识，实现智能化能源管理，有必要深入分析和研究用户的用电偏好。
2、现有针对用户用电偏好的分析普遍使用时间序列聚类分析算法，对光伏出力、用电负荷曲线的聚类方法主要分为直接聚类方法和间接聚类方法。直接聚类方法是指通过修改度量距离直接对用电负荷曲线进行聚类，但在处理高维时间序列时算法复杂度高，计算时间长。而间接聚类方法是通过构建用户用电特征从而使用传统聚类算法对特征指标进行聚类，虽然降低了计算复杂度，但却忽略了时间序列中包含的丰富信息，而且目前少有针对光伏用户用电偏好进行特征提取与分析的方法。
3、智能聚类算法结合了深度学习技术，虽然能够快速提取特征，但过度依赖算力，并且在聚类准确性上不如传统聚类算法。
技术实现思路
1、针对上述现有技术存在的问题，本专利技术提出一种低压分布式光伏用户用电偏好分析方法及系统，其采用光伏用户用电偏好分析模型，分析用能经济、用能保障与用能安全的偏好程度，以得到低压分布式光伏用户用电偏好，可精准优化电力调度，合理
2、为此，本专利技术采用如下的技术方案。
3、第一方面，本专利技术提供一种低压分布式光伏用户用电偏好分析方法，其步骤如下：
4、步骤1，获取低压分布式光伏用户历史数据，并进行数据预处理，得到预处理后的数据集；
5、步骤2，对预处理后的数据集，从用户光伏发电状态、电价系数和负荷选择惯性三个角度分析低压分布式光伏用户的用电偏好特征，得到用电优先级评估指标；
6、步骤3，基于改进的dtw算法对低压分布式光伏用户出力曲线进行聚类，将出力情况相似的划分为同一集群，得到聚类结果集合；
7、步骤4，结合步骤2中得到的用电优先级评估指标和步骤3中聚类得到的聚类结果集合，构建适用于光伏用户用电偏好分析的量子加权神经元，在此基础上建立基于改进量子加权神经元的光伏用户用电偏好分析模型，分析用能经济、用能质量保障与用能安全的偏好程度，从而得到低压分布式光伏用户用电偏好。
8、进一步地，所述的步骤1中，所述的历史数据包括历史光伏数据和负荷数据，具体为光伏用户负荷用电属性、电价系数、发电功率、上网功率、用电功率、日用电量、天气类型、季节、温度和湿度。
9、进一步地，步骤1中，依次按数据清洗、降噪处理、数据集成和数据标准化的步骤进行数据预处理，得到预处理后的数据集。
10、进一步地，步骤2中，所述用电优先级评估指标的计算公式如下：
11、，
12、，
13、，
14、，
15、式中，表示时刻光伏用户的光伏发电状态；表示时刻光伏用户的发电量真实值；表示时刻光伏用户的发电量预测值；表示时刻光伏用户的电价系数；表示时刻光伏用户的实时电价；表示时刻光伏用户的用电功率；表示时刻光伏用户的用电费用历史平均值；表示时刻光伏用户的负荷选择惯性； n表示参与需求响应的所有光伏用户数量；表示时刻光伏用户的用电意愿系数，由光伏用户的时刻历史用电行为预测得到；表示时刻光伏用户的用电优先级评估指标，指标值越大，用户用电概率越大；、、均为权重系数。
16、进一步地，所述的步骤3，构建各个光伏出力曲线之间的距离矩阵，引入图谱算法搜索匹配点，计算出不同光伏出力曲线之间的相似度并建立相似度矩阵，从而将不同类的簇进行划分实现聚类。
17、进一步地，所述的步骤3，具体如下：
18、首先，给定2条光伏出力曲线和，构建2条光伏出力曲线之间的距离矩阵，和分别为2条光伏出力曲线第 i数据点的有功功率值； n表示光伏出力曲线数据点的数量；
19、然后，通过图谱算法进行匹配点搜索，将低压分布式光伏用户特征作为实体，实体之间的关系作为边，所述的用户特征分别为天气类型、电价系数、日用电量和发电功率，对结构化的用户信息进行特征值、关系和实体提取，利用知识图谱生成“特征值-关系-实体”三元组；并根据边界条件、连续性和单调性的约束条件，联合距离矩阵构成弯曲路径集合，其中为动态弯曲路径上第个匹配点的位置坐标，为动态弯曲路径中所含元素的数量；
20、计算满足以上约束条件的动态弯曲路径的累积距离，并取其最小值作为2条光伏出力曲线之间的距离：
21、，
22、式中，表示2条光伏出力曲线之间的距离，以此作为衡量任意2条光伏出力曲线之间相似度的指标；距离越小，表示2条光伏出力曲线之间的相似度越高；
23、构建相似度矩阵，并根据相似性矩阵计算邻接矩阵与度矩阵；
24、，
25、，
26、，
27、，
28、式中，表示相似度；表示邻接矩阵的非负权值；表示任一样本点的度；
29、计算拉普拉斯矩阵，并进行标准化处理；计算矩阵各个特征值所对应的特征向量，并组成特征矩阵；中每一行作为一个样本点，对进行聚类，得到聚类结果集合。
30、进一步地，利用轮廓系数和戴维森堡丁指数对聚类结果进行指标评价。
31、进一步地，所述步骤4中，所述的量子加权神经元为：
32、，
33、式中，为光伏用户相似度划分的聚类结果集合h的输入；是活性值量子态，是其相位；为的相位；为聚合算子；为第 i个权值量子态，是其相位；为 m维权值量子态向量；
34、基于改进量子加权神经元的光伏用户用电偏好分析模型为：
35、，
36、式中，为光伏用户 i用能场景偏好程度的输出，；为第个权值量子态向量；；；
37、根据上述基于分布式低压光伏用户相似度划分的聚类结果集合 h作为用户用电偏好分析模型输入，输出变量为用户对于用能经济、用能保障与用能安全的偏好程度，从而得到分布式低压光伏用户用电偏好。
38、进一步地，基于改进量子加权神经元的用户用电偏好分析模型的架构由输入层、隐藏层、dropout层、全连接层和输出层构成；
39、输入层为压分布式光伏用户负荷数据聚类后的聚类结果集合，隐藏层为单隐藏层，本文档来自技高网...
【技术保护点】
1.一种低压分布式光伏用户用电偏好分析方法，其特征在于，包括：
2.根据权利要求1所述的低压分布式光伏用户用电偏好分析方法，其特征在于，所述的步骤1中，所述的历史数据包括光伏用户负荷用电属性、电价系数、发电功率、上网功率、用电功率、日用电量、天气类型、季节、温度和湿度。
3.根据权利要求1所述的低压分布式光伏用户用电偏好分析方法，其特征在于，步骤1中，依次按数据清洗、降噪处理、数据集成和数据标准化的步骤进行数据预处理，得到预处理后的数据集。
4.根据权利要求1所述的低压分布式光伏用户用电偏好分析方法，其特征在于，步骤2中，所述用电优先级评估指标的计算公式如下：
5.根据权利要求4所述的低压分布式光伏用户用电偏好分析方法，其特征在于，所述的步骤3，构建各个光伏出力曲线之间的距离矩阵，引入图谱算法搜索匹配点，计算出不同光伏出力曲线之间的相似度并建立相似度矩阵，从而将不同类的簇进行划分实现聚类。
6.根据权利要求5所述的低压分布式光伏用户用电偏好分析方法，其特征在于，所述的步骤3，具体如下：
7.根据权利要求6所述
8.根据权利要求6所述的低压分布式光伏用户用电偏好分析方法，其特征在于，所述步骤4中，所述的量子加权神经元为：
9.根据权利要求8所述的低压分布式光伏用户用电偏好分析方法，其特征在于，基于改进量子加权神经元的用户用电偏好分析模型的架构由输入层、隐藏层、Dropout层、全连接层和输出层构成；
10.一种低压分布式光伏用户用电偏好分析系统，用于实现权利要求1-9任一项所述低压分布式光伏用户用电偏好分析方法，其特征在于，包括：
...【技术特征摘要】
1.一种低压分布式光伏用户用电偏好分析方法，其特征在于，包括：
2.根据权利要求1所述的低压分布式光伏用户用电偏好分析方法，其特征在于，所述的步骤1中，所述的历史数据包括光伏用户负荷用电属性、电价系数、发电功率、上网功率、用电功率、日用电量、天气类型、季节、温度和湿度。
3.根据权利要求1所述的低压分布式光伏用户用电偏好分析方法，其特征在于，步骤1中，依次按数据清洗、降噪处理、数据集成和数据标准化的步骤进行数据预处理，得到预处理后的数据集。
4.根据权利要求1所述的低压分布式光伏用户用电偏好分析方法，其特征在于，步骤2中，所述用电优先级评估指标的计算公式如下：
5.根据权利要求4所述的低压分布式光伏用户用电偏好分析方法，其特征在于，所述的步骤3，构建各个光伏出力曲线之间的距离矩阵，引入图谱算法搜索匹配点，计算出不同光伏出力...
【专利技术属性】
技术研发人员：汪金荣，王伟峰，叶方彬，沈皓，祝恩国，蒋群，刘岩，叶盛，
申请(专利权)人：国网浙江省电力有限公司营销服务中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。