【技术实现步骤摘要】
本专利技术涉及用户分类，特别是涉及一种光伏用户的辨识方法及装置、存储介质、计算机设备。
技术介绍
1、随着世界能源形势的严峻及环境保护意识的增强，光伏发电在全球、我国国内总发电量中的占比不断增大，分布式光伏的应用也逐渐普及。由于用户电表侧可读取的净负荷数据为用户负荷消耗减去光伏出力的耦合结果，从而使得分布式光伏的接入会导致用户的负荷曲线形态发生较大改变，并对用户需求响应基线负荷的估计造成影响。因此，需要对用户是否安装分布式光伏的情况辨识，进而对该类用户的基线采取进一步估计措施。
2、现有的光伏用户辨识方法，可以通过识别卫星图像中的光伏物理装置及基于历史负荷数据提取可体现不同类用户的特征两种方式进行分类。第一种通过物理装置识别的方法需要额外的卫星图像数据，不仅受环境因素干扰的影响，还存在数据采样困难的问题。第二种通过提取用户特征的方法虽然较第一种方法而言数据更容易获取，但任存在对光伏用户的辨识准确率不足的问题。
技术实现思路
1、有鉴于此，本专利技术提供一种光伏用户的辨识方法及装置、存储介质、计算机设备，主要目的在于解决现有光伏用户的辨识方法中数据采集困难及辨识准确率低的问题。
2、依据本专利技术一个方面，提供了一种光伏用户的辨识方法，包括：
3、分别获取采样周期内各个采样用户在不同辐照度下的历史净负荷；并基于所述历史净负荷构造图数据集；
4、采用所述图数据集训练分类模型，得到训练好的用户辨识模型；
5、获取待辨识用户在不同
6、基于所述用户辨识模型对所述待分析图数据进行分类处理，得到与所述待辨识用户相对应的用户类型。
7、进一步地，所述采样用户划分为光伏用户和非光伏用户；所述分别获取采样周期内各个采样用户在不同辐照度下的历史净负荷，包括：
8、获取采样周期内所述光伏用户在不同辐照度下的历史净负荷；
9、获取采样周期内所述非光伏用户在不同辐照度下的历史净负荷。
10、进一步地，所述基于所述历史净负荷构造图数据集，包括：
11、根据所述采样周期内采样时间的先后顺序和所述历史净负荷绘制不同辐照度下的净负荷曲线图；
12、将相同采样用户不同辐照度下的所述净负荷曲线图进行捆绑，得到与各个采样用户相对应的图数据；
13、将所有采样用户相对应的所述图数据进行汇总，得到所述图数据集。
14、进一步地，所述分类模型为神经网络模型以及神经网络的变体模型中的任意一种。
15、进一步地，当所述分类模型为卷积神经网络模型时，所述采用所述图数据集训练分类模型，得到训练好的用户辨识模型，包括：
16、采用所述卷积神经网络模型中的卷积层对各个所述采样用户相对应的图数据进行特征提取处理，得到与各个采样用户相对应的图像特征；
17、采用所述卷积神经网络模型中的池化层对所述图像特征进行降维处理，得到图特征池化结果；
18、采用所述卷积神经网络模型中的全链接层对所述图特征池化结果进行分类和回归操作，得到训练好的所述用户辨识模型。
19、进一步地，所述采用所述卷积神经网络模型中的全链接层对所述图特征池化结果进行分类和回归操作，得到训练好的所述用户辨识模型，包括：
20、采用所述全链接层中的softmax激活函数得到所述图数据属于各个类别的概率值；并基于所述概率值确定与各个所述图数据相对应的预测用户类别；
21、基于各个采样用户的真实用户类别和所述预测用户类别计算损失值；
22、基于所述损失值对所述卷积神经网络模型中的参数进行调整处理，得到所述用户辨识模型。
23、进一步地，所述将所述待分析净负荷转换成与所述待辨识用户相对应的待分析图数据，包括：
24、根据所述采样周期内采样时间的先后顺序和所述待分析净负荷绘制不同辐照度下的待分析净负荷曲线图；
25、将所述待辨识用户不同辐照度下的所述待分析净负荷曲线图进行捆绑，得到与所述待辨识用户相对应的所述待分析图数据。
26、依据本专利技术另一个方面，提供了一种光伏用户的辨识装置，包括：
27、构造模块，用于分别获取采样周期内各个采样用户在不同辐照度下的历史净负荷；并基于所述历史净负荷构造图数据集；
28、训练模块，用于采用所述图数据集训练分类模型，得到训练好的用户辨识模型；
29、获取及转换模块，用于获取待辨识用户在不同辐照度下的待分析净负荷，并将所述待分析净负荷转换成与所述待辨识用户相对应的待分析图数据；
30、分类辨识模块，用于基于所述用户辨识模型对所述待分析图数据进行分类处理，得到与所述待辨识用户相对应的用户类型。
31、进一步地，所述采样用户划分为光伏用户和非光伏用户；所述构造模块包括获取单元和构造单元；其中，获取单元用于：
32、获取采样周期内所述光伏用户在不同辐照度下的历史净负荷；
33、获取采样周期内所述非光伏用户在不同辐照度下的历史净负荷。
34、其中，构造单元用于：
35、根据所述采样周期内采样时间的先后顺序和所述历史净负荷绘制不同辐照度下的净负荷曲线图；
36、将相同采样用户不同辐照度下的所述净负荷曲线图进行捆绑，得到与各个采样用户相对应的图数据；
37、将所有采样用户相对应的所述图数据进行汇总，得到所述图数据集。
38、进一步地，所述装置中分类模型为神经网络模型以及神经网络的变体模型中的任意一种。当所述分类模型为卷积神经网络模型时，所述训练模块用于：
39、采用所述卷积神经网络模型中的卷积层对各个所述采样用户相对应的图数据进行特征提取处理，得到与各个采样用户相对应的图像特征；
40、采用所述卷积神经网络模型中的池化层对所述图像特征进行降维处理，得到图特征池化结果；
41、采用所述卷积神经网络模型中的全链接层对所述图特征池化结果进行分类和回归操作，得到训练好的所述用户辨识模型。
42、进一步地，所述训练模块还用于：
43、采用所述全链接层中的softmax激活函数得到所述图数据属于各个类别的概率值；并基于所述概率值确定与各个所述图数据相对应的预测用户类别；
44、基于各个采样用户的真实用户类别和所述预测用户类别计算损失值；
45、基于所述损失值对所述卷积神经网络模型中的参数进行调整处理，得到所述用户辨识模型。
46、进一步的，所述获取及转换模块还用于：
47、根据所述采样周期内采样时间的先后顺序和所述待分析净负荷绘制不同辐照度下的待分析净负荷曲线图；
48、将所述待辨识用户不同辐照度下的所述待分析净负荷曲线图进行捆绑，得到与所述待辨识用户相对应的所述待分析本文档来自技高网...
【技术保护点】
1.一种光伏用户的辨识方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述采样用户划分为光伏用户和非光伏用户；所述分别获取采样周期内各个采样用户在不同辐照度下的历史净负荷，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述历史净负荷构造图数据集，包括：
4.根据权利要求1所述的方法，其特征在于，所述分类模型为神经网络模型以及神经网络的变体模型中的任意一种。
5.根据权利要求4所述的方法，其特征在于，当所述分类模型为卷积神经网络模型时，所述采用所述图数据集训练分类模型，得到训练好的用户辨识模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述采用所述卷积神经网络模型中的全链接层对所述图特征池化结果进行分类和回归操作，得到训练好的所述用户辨识模型，包括：
7.根据权利要求1～6任一项所述的方法，其特征在于，所述将所述待分析净负荷转换成与所述待辨识用户相对应的待分析图数据，包括：
8.一种光伏用户的辨识装置，其特征在于，包括：
9.一种存储介质，所述存储
10.一种计算机设备，包括处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
...【技术特征摘要】
1.一种光伏用户的辨识方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述采样用户划分为光伏用户和非光伏用户；所述分别获取采样周期内各个采样用户在不同辐照度下的历史净负荷，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述历史净负荷构造图数据集，包括：
4.根据权利要求1所述的方法，其特征在于，所述分类模型为神经网络模型以及神经网络的变体模型中的任意一种。
5.根据权利要求4所述的方法，其特征在于，当所述分类模型为卷积神经网络模型时，所述采用所述图数据集训练分类模型，得到训练好的用户辨识模型，包括：
6.根据权利要求5所述的方...
【专利技术属性】
技术研发人员：宋柄兵，滕晓毕，何红玉，缪源诚，秦康平，
申请(专利权)人：国家电网有限公司华东分部，
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。