CN109980695A - 一种配用电系统的分布式能源和用户行为预测方法 - Google Patents

Abstract

本发明涉及一种配用电系统的分布式能源和用户行为预测方法，通过利用大量的历史运行数据实现分布式能源和用户群体运行的行为预测，其中：通过数据准备，形成信息矩阵；对大量的信息矩阵进行特征根聚合，获得不同的场景集，有效减少信息搜索空间；在此基础上针对各场景集中的多个信息矩阵进行等效矩阵计算，形成每个场景对应的等效特征根，有利于加快场景匹配速度，改善搜索效果；最后通过场景匹配完成运行预测。本发明可以大幅减少历史运行信息的搜索空间和时间，提高场景匹配的整体效率，快速确定系统的行为预测值，支撑配用电系统的能量管理和互动优化等功能。

Description

一种配用电系统的分布式能源和用户行为预测方法

技术领域

本发明涉及一种配用电系统的分布式能源和用户行为预测方法，属于配用电系统技术领域。

背景技术

随着能源和环境问题的日益突出，可再生能源的迅速增长，基于可再生能源的新型供能技术得到越来越广泛的研究和应用，分布式电源、储能系统、微网、虚拟电厂等技术日益成熟，其规模化接入给配用电系统注入了大量柔性可控、快速响应的分布式资源与灵活的分布式供能手段，同时具有柔性调控功能的多类型用户也成为配用电系统中的重要元素。

现阶段分布式能源迅速增长及售电侧市场逐步放开，配用电系统将向智能化互动运行方向发展。配用电系统可以包含多个子系统，其典型结构如图1所示。每个配用电子系统中通常包含负荷、风电、光伏、电动汽车等，也包含可调度单元如热电联产机组CHP、储能系统，多个配用电子系统接入交流母线，交流母线处可配置公共的负荷，另外还有集中式的风电、光伏以及电动汽车充电桩等。配用电系统通过交流母线与大电网进行互联。

配用电系统中分布式能源和用户存在数量多、分属不同主体运营等特点，各自运行目标不一致甚至相互冲突，传统基于模型的配用电互动将面临分布式能源及用户互动模式大量简化近似、扩展性差、变量数高等障碍，难以保证配用电系统互动行为的快速预测、强不确定性环境下的安全运行以及各方利益诉求。与此同时，智能信息技术在配用电领域的应用已积累了较为丰富的数据，大量的历史运行数据能够为分布式能源和用户群体运行的行为预测提供了新的技术手段与可行解决方案。本发明针对该问题，提出配用电系统的智能化行为预测方法，结合历史数据弥补传统物理模型的缺陷，挖掘历史数据信息，通过特征根聚合和场景匹配来自动、快速确定可能的行为值，完成运行预测，支撑配用电系统后续的能量管理和互动优化等高级功能。

日益成熟的分布式电源、储能系统、微网控制等技术，全面支撑微网、园区、负荷聚合商等多主体参与配用电系统智能化互动的主动意愿以及市场激励机制。对配用电系统中多种能源和用户间互补互动来说，目前基于模型优化的互动行为解决思路存在难以应对不确定性、用户行为模型需要大幅简化等障碍和瓶颈。因而，本发明提出一种配用电系统的分布式能源和用户行为预测方法，结合数据弥补物理模型的缺陷，填补技术空白，应用前景广阔。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种配用电系统的分布式能源和用户行为预测方法，能够提高场景匹配的整体效率，快速确定配用电系统的用户行为预测，支撑配用电系统的能量管理和互动优化。

本发明技术解决方案：一种配用电系统的分布式能源和用户行为预测方法，包括以下步骤：

第一步，数据准备，获取一天之中分时变化中所有电力价格下所对应的数据集，对所述数据集中各组数据进行信息矩阵表示，并进行特征根求解，获得不同数据集中各组数据对应信息矩阵的特征根；

第二步，特征根聚合，对第一步得到的数据集中各组数据对应信息矩阵的特征根，进行特征根聚类处理，得到数据集对应的场景集；

第三步，场景等效矩阵计算，基于第二步得到的数据集中对应的场景集，构建各信息矩阵的更新信息矩阵，并进行特征根求解，获得不同数据集中各场景集的等效矩阵特征根；

第四步，场景匹配，根据当前的电力价格匹配对应的数据集，然后求解状态矩阵的特征根，并根据第三步中获得不同数据集中各场景集的等效矩阵特征根，进行状态矩阵与各场景集的等效矩阵特征根的参考距离计算，得到匹配数据集中对应的场景集；

第五步，运行预测，根据第四步得到的数据集中对应的场景集，进行状态矩阵与场景集中各更新信息矩阵之间的综合判据计算，得到场景集中对应的更新信息矩阵，最终确定行为预测值。

所述第一步，具体实现如下：

电力价格一天之中分时变化，具备p₁、p₂、…p_i、…、p_T等多个价格，设定第i个电力价格为p_i，T为分时电价的总时段，设定{DATAp_i}为第i个电力价格下的输入数据集，此时整体的数据集为{DATAp₁}，{DATAp₂}，…,{DATAp_i}，…，{DATAp_T}；{DATAp_i}包括光伏、风电、负荷的运行数据和可调单元的调度指令历史记录，可调单元的调度指令包括CHP调度指令、储能系统调度指令，当{DATAp_i}包含总数为N的多组数据，假定DATAⁿp_i为第n组数据的信息矩阵表示形式：

其中，下标Sm表示第m个配用电子系统，M为配用电子系统总数量， 分别为第m个配用电子系统中在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令，分别为交流母线处在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令；

对DATA¹p_i求解信息矩阵的特征根，得对应的特征根为 其中代表第i个电力价格下第1个信息矩阵对应的第k个特征根，K代表信息矩阵对应的特征根总数量；

对DATAⁿp_i求解第i个电力价格下第n个信息矩阵的特征根，得对应的特征根为 其中代表第i个电力价格下第n个信息矩阵对应的第k个特征根；

对DATA¹p_i，DATA²p_i，…，DATAⁿp_i，…DATA^Np_i，分别求解各矩阵的特征根，得到

其中代表第i个电力价格下第N组信息矩阵对应的第k个特征根。

所述第二步，具体实现如下：

对{DATAp_i}，进行特征根聚合：

(1)设定聚合阈值α，设定全局变量j＝1；

(2)设定j1＝1，如果{DATAp_i}非空则获取DATA¹p_i对应的 将DATA^j1p_i新增至场景集{NEWp_i，j}；否则视为完成特征根聚合，退出；

(3)：j1＝j1+1，求解DATA^j1p_i对应的判断如果则将DATA^j1p_i增加至{NEWp_i，j}集合中，并从数据集{DATAp_i}中删除第j1个信息矩阵，接着判断如果{DATAp_i}中的信息矩阵，如果搜索完毕，则从{DATAp_i}中删除第1个信息矩阵，j＝j+1，{DATAp_i}中剩余信息矩阵按照原有各自的编号，按从小到大的顺序重新从1开始，按递增重置编号，各信息矩阵对应的特征根中的上标n也相应重新从1开始，按递增重置编号，跳转至步骤(2)；如果{DATAp_i}中的信息矩阵未搜索完成，则继续跳至步骤(3)；

聚合完成以后，{DATAp_i}将划分为J个场景集，其中第i个电力价格下{DATAp_i}包含的所有场景集表示为：{NEWp_i，1}，{NEWp_i，2}，…，{NEWp_i，j}，…，{NEWp_i，_J}；

(4)在此基础上，从i＝1到i＝T重复步骤(1)至步骤(3)，获得分时电价所有时段下的数据集的各场景集。

所述第三步，具体实现如下:

第i个电力价格下{DATAp_i}包含场景集的数量为W，即场景集为{NEWp_i，1}，{NEWp_i，2}，…，{NEWp_i，w}，…，{NEWp_i，W}，其中{NEWp_i，w}表示数据集{DATAp_i}下的第w个场景集，其含有H个信息矩阵，DATA^w,hp_i表示第i个电力价格下第w个场景集中第h个信息矩阵：

其中，分别为第m个配用电子系统中在第i个电力价格下第w个场景集中第h个信息矩阵的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令； 分别为交流母线处在第i个电力价格下第w个场景集中第h组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令；

消减每个信息矩阵中的可控单元项，消减后第i个电力价格下第w个场景集中第h个更新信息矩阵表示为ND^w,hp_i；

则数据集{DATAp_i}下更新后的第w个场景集{NEWp_i，w}包含的更新信息矩阵有ND^{w, 1}p_i，ND^w,2p_i，…，ND^w,hp_i，…，ND^w,Hp_i，对ND^w,hp_i求取对应的特征根，可得 其中代表第i个电力价格下第w个场景集中第h个更新信息矩阵对应的第l个特征根，L代表更新信息矩阵对应的特征根总数量；计算：

其中，为{NEWp_i，w}的等效矩阵对应的第l个特征根；

在此基础上，从w＝1到w＝W重复，获得第i个电力价格下{DATAp_i}包含各场景集的等效矩阵对应的所有特征根；依次类推，从i＝1到i＝T执行步骤(3)，获得分时电价所有时段下的数据集包含各场景集的等效矩阵对应的所有特征根。

所述第四步，具体实现如下:

首先判断当前的电力价格p，针对电力价格p₁、p₂、…p_i、…、p_T等多个价格，寻找最接近p的电力价格，假定为第i个电力价格，记为p_i，则匹配的数据集为{DATAp_i}，然后针对数据集{DATAp_i}下的W个场景集，匹配特征根，具体方法为：

获取目前的运行数据，记为状态矩阵A

其中，P_Sm,load，P_Sm,pv，P_Sm,wt，P_Sm,ev分别为第m个配用电子系统中当前状态的等值负荷、光伏功率、风电功率、电动汽车功率；P_C,load，P_C,pv，P_C,wt，P_C,ev分别为交流母线处当前状态的等值负荷、光伏功率、风电功率、电动汽车功率；

求解A矩阵的特征根，得到对应的特征根为λ₁，λ₂，…，λ_l，…，λ_L，其中λ_l代表状态矩阵A的第l个特征根，计算状态矩阵A与第w个场景等效矩阵的参考距离，以d_w进行表示：

在d₁，d₂，…，d_w…，d_W中寻找最小值，其对应的下标记为w1，即此时状态矩阵A匹配第w1个场景集{NEWp_i，w1}。

所述第五步，具体实现如下：

{NEWp_i，w1}表示数据集{DATAp_i}下的第w1个场景集，假定其含有H个更新信息矩阵，即ND^w1,1p_i，ND^w1,2p_i，…，ND^w1,hp_i…，ND^w1,Hp_i，其中ND^w1,hp_i表示消减后第i个电力价格下第w1个场景集中第h个更新信息矩阵，设定综合判据f_h满足：

其中，tr(·)表示矩阵的迹，k₁、k₂为权重系数；

则求得f₁，f₂，…，f_h，…，f_H,在其中寻找最小值，其对应的下标记为h1，即此时状态矩阵A匹配第h1个更新信息矩阵，即ND^w1,h1p_i；

依据ND^w1,h1p_i中确定的w1、h1两个数值，确定第i个电力价格下第w1个场景集中第h1个信息矩阵DATA^w1,h1p_i，此时DATA^w1,h1p_i可控单元项为：

其中，分别为第m个配用电子系统中在第i个电力价格下第w1个场景集中第h1个信息矩阵的CHP调度指令、储能系统调度指令；分别为交流母线处在第i个电力价格下第w1个场景集中第h1组历史记录中的CHP调度指令、储能系统调度指令，将作为目前运行状态下CHP与储能系统的行为预测值。

本发明与现有技术相比的优点在于：本发明通过利用大量的历史运行数据实现分布式能源和用户群体运行的行为预测，其中：通过数据准备，形成信息矩阵；对大量的信息矩阵进行特征根聚合，获得不同的场景集，有效减少信息搜索空间；在此基础上针对各场景集中的多个信息矩阵进行等效矩阵计算，形成每个场景对应的等效特征根，有利于加快场景匹配速度，改善搜索效果；最后通过场景匹配完成运行预测。本发明可以大幅减少历史运行信息的搜索空间和时间，提高场景匹配的整体效率，快速确定系统的行为预测值，支撑配用电系统的能量管理和互动优化等功能。

附图说明

图1为典型配用电系统结构；

图2为本发明的行为预测方法流程图。

具体实施方式

下面结合附图及实施例对本发明进行详细说明。

如图2所示，本发明具体实现如下：

1.数据准备

电力价格一天之中可能分时变化，因此具备p₁、p₂、…p_i、…、p_T等多个价格，设定第i个电力价格为p_i，T为分时电价的总时段，设定{DATAp_i}为第i个电力价格下的输入数据集，此时整体的数据集为{DATAp₁}，{DATAp₂}，…,{DATAp_i}，…，{DATAp_T}。{DATAp_i}包含光伏、风电、负荷等运行数据和可调单元如CHP、储能等的调度指令历史记录，当{DATAp_i}包含总数为N的多组数据，假定DATAⁿp_i为第n组数据的信息矩阵表示形式：

其中，下标Sm表示第m个配用电子系统，M为配用电子系统总数量， 分别为第m个配用电子系统中在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令。分别为交流母线处在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令。

针对DATA¹p_i求解信息矩阵的特征根，可得对应的特征根为 其中代表第i个电力价格下第1个信息矩阵对应的第k个特征根，K代表信息矩阵对应的特征根总数量。

同理，针对DATAⁿp_i求解第i个电力价格下第n个信息矩阵的特征根，可得对应的特征根为其中代表第i个电力价格下第n个信息矩阵对应的第k个特征根。

针对DATA¹p_i，DATA²p_i，…，DATAⁿp_i，…DATA^Np_i，分别求解各矩阵的特征根，可得

其中代表第i个电力价格下第N组信息矩阵对应的第k个特征根。

2.特征根聚合

针对{DATAp_i}，进行特征根聚合：

第一步：设定聚合阈值α，设定全局变量j＝1；

第二步：设定j1＝1，如果{DATAp_i}非空则获取DATA¹p_i对应的 将DATA^j1p_i新增至场景集{NEWp_i，j}；否则视为完成特征根聚合，退出。

第三步：j1＝j1+1，求解DATA^j1p_i对应的判断如果

则将DATA^j1p_i增加至{NEWp_i，j}集合中，并从数据集{DATAp_i}中删除第j1个信息矩阵，接着判断如果{DATAp_i}中的信息矩阵，如果搜索完毕，则从{DATAp_i}中删除第1个信息矩阵，j＝j+1，{DATAp_i}中剩余信息矩阵按照原有各自的编号，按从小到大的顺序重新从1开始，按递增重置编号(各信息矩阵对应的特征根中的上标n也相应重新从1开始，按递增重置编号)，跳转至第二步；如果{DATAp_i}中的信息矩阵未搜索完成，则继续跳至第三步。

聚合完成以后，{DATAp_i}将划分为J个场景集，其中第i个电力价格下{DATAp_i}包含的所有场景集表示为：{NEWp_i，1}，{NEWp_i，2}，…，{NEWp_i，j}，…，{NEWp_i，_J}

3.场景等效矩阵计算：

假定第i个电力价格下{DATAp_i}包含场景集的数量为W，即场景集为{NEWp_i，1}，{NEWp_i，2}，…，{NEWp_i，w}，…，{NEWp_i，W}，其中{NEWp_i，w}表示数据集{DATAp_i}下的第w个场景集，假定其含有H个信息矩阵，那么DATA^w,hp_i表示第i个电力价格下第w个场景集中第h个信息矩阵：

其中，分别为第m个配用电子系统中在第i个电力价格下第w个场景集中第h个信息矩阵的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令。 分别为交流母线处在第i个电力价格下第w个场景集中第h组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令。

消减每个信息矩阵中的可控单元项，消减后第i个电力价格下第w个场景集中第h个更新信息矩阵表示为ND^w,hp_i；

则数据集{DATAp_i}下更新后的第w个场景集{NEWp_i，w}包含的更新信息矩阵有ND^{w, 1}p_i，ND^w,2p_i，…，ND^w,hp_i，…，ND^w,Hp_i，对ND^w,hp_i求取对应的特征根，可得 其中代表第i个电力价格下第w个场景集中第h个更新信息矩阵对应的第l个特征根，L代表更新信息矩阵对应的特征根总数量。计算：

其中，为{NEWp_i，w}的等效矩阵对应的第l个特征根。

4.场景匹配

首先判断当前的电力价格p，针对电力价格p₁、p₂、…p_i、…、p_T等多个价格，寻找最接近p的电力价格，假定为第i个电力价格，记为p_i，则匹配的数据集为{DATAp_i}，然后针对数据集{DATAp_i}下的W个场景集，快速匹配特征根，具体方法为：

获取目前的运行数据，记为状态矩阵A

其中，P_Sm,load，P_Sm,pv，P_Sm,wt，P_Sm,ev分别为第m个配用电子系统中当前状态的等值负荷、光伏功率、风电功率、电动汽车功率。P_C,load，P_C,pv，P_C,wt，P_C,ev分别为交流母线处当前状态的等值负荷、光伏功率、风电功率、电动汽车功率。

求解A矩阵的特征根，可得对应的特征根为λ₁，λ₂，…，λ_l，…，λ_L，其中λ_l代表状态矩阵A的第l个特征根，计算状态矩阵A与第w个场景等效矩阵的参考距离，以d_w进行表示：

在d₁，d₂，…，d_w…，d_W中寻找最小值，其对应的下标记为w1，即此时状态矩阵A匹配第w1个场景集{NEWp_i，w1}。

5.运行预测

{NEWp_i，w1}表示数据集{DATAp_i}下的第w1个场景集，假定其含有H个更新信息矩阵，即ND^w1,1p_i，ND^w1,2p_i，…，ND^w1,hp_i…，ND^w1,Hp_i，其中ND^w1,hp_i表示消减后第i个电力价格下第w1个场景集中第h个更新信息矩阵。设定综合判据f_h满足：

其中，tr(·)表示矩阵的迹，k₁、k₂为权重系数。

则求得f₁，f₂，…，f_h，…，f_H,在其中寻找最小值，其对应的下标记为h1，即此时状态矩阵A匹配第h1个更新信息矩阵，即ND^w1,h1p_i；

依据ND^w1,h1p_i中确定的w1、h1两个数值，快速确定第i个电力价格下第w1个场景集中第h1个信息矩阵DATA^w1,h1p_i，此时DATA^w1,h1p_i可控单元项为：

其中，分别为第m个配用电子系统中在第i个电力价格下第w1个场景集中第h1个信息矩阵的CHP调度指令、储能系统调度指令。分别为交流母线处在第i个电力价格下第w1个场景集中第h1组历史记录中的CHP调度指令、储能系统调度指令。将作为目前运行状态下CHP与储能系统的行为预测值。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (6)

1.一种配用电系统的分布式能源和用户行为预测方法，其特征在于，包括以下步骤：

第一步，数据准备，获取一天之中分时变化中所有电力价格下所对应的数据集，对所述数据集中各组数据进行信息矩阵表示，并进行特征根求解，获得不同数据集中各组数据对应信息矩阵的特征根；

第二步，特征根聚合，对第一步得到的数据集中各组数据对应信息矩阵的特征根，进行特征根聚类处理，得到数据集对应的场景集；

第三步，场景等效矩阵计算，基于第二步得到的数据集中对应的场景集，构建各信息矩阵的更新信息矩阵，并进行特征根求解，获得不同数据集中各场景集的等效矩阵特征根；

第四步，场景匹配，根据当前的电力价格匹配对应的数据集，然后求解状态矩阵的特征根，并根据第三步中获得不同数据集中各场景集的等效矩阵特征根，进行状态矩阵与各场景集的等效矩阵特征根的参考距离计算，得到匹配数据集中对应的场景集；

第五步，运行预测，根据第四步得到的数据集中对应的场景集，进行状态矩阵与场景集中各更新信息矩阵之间的综合判据计算，得到场景集中对应的更新信息矩阵，最终确定行为预测值。

2.根据权利要求1所述的一种配用电系统的分布式能源和用户行为预测方法，其特征在于：所述第一步，具体实现如下：

电力价格一天之中分时变化，具备p₁、p₂、…p_i、…、p_T等多个价格，设定第i个电力价格为p_i，T为分时电价的总时段，设定{DATAp_i}为第i个电力价格下的输入数据集，此时整体的数据集为{DATAp₁}，{DATAp₂}，…,{DATAp_i}…{DATAp_T}；{DATAp_i}包括光伏、风电、负荷的运行数据和可调单元的调度指令历史记录，可调单元的调度指令包括CHP调度指令、储能系统调度指令，当{DATAp_i}包含总数为N的多组数据，假定DATAⁿp_i为第n组数据的信息矩阵表示形式：

其中，下标Sm表示第m个配用电子系统，M为配用电子系统总数量， 分别为第m个配用电子系统中在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令，分别为交流母线处在第i个电力价格下第n组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令；

对DATA¹p_i求解信息矩阵的特征根，得对应的特征根为 其中代表第i个电力价格下第1个信息矩阵对应的第k个特征根，K代表信息矩阵对应的特征根总数量；

对DATAⁿp_i求解第i个电力价格下第n个信息矩阵的特征根，得对应的特征根为 其中代表第i个电力价格下第n个信息矩阵对应的第k个特征根；

对DATA¹p_i，DATA²p_i，…，DATAⁿp_i，…DATA^Np_i，分别求解各矩阵的特征根，得到

其中代表第i个电力价格下第N组信息矩阵对应的第k个特征根。

3.根据权利要求1所述的一种配用电系统的分布式能源和用户行为预测方法，其特征在于：所述第二步，具体实现如下：

(1)设定聚合阈值α，设定全局变量j＝1；

(2)设定j1＝1，如果{DATAp_i}非空，则获取DATA¹p_i对应的 将DATA^j1p_i新增至场景集{NEWp_i，j}；否则视为完成特征根聚合；

(3)：j1＝j1+1，求解DATA^j1p_i对应的判断如果则将DATA^j1p_i增加至{NEWp_i，j}集合中，并从数据集{DATAp_i}中删除第j1个信息矩阵，接着判断如果{DATAp_i}中的信息矩阵，如果搜索完毕，则从{DATAp_i}中删除第1个信息矩阵，j＝j+1，{DATAp_i}中剩余信息矩阵按照原有各自的编号，按从小到大的顺序重新从1开始，按递增重置编号，各信息矩阵对应的特征根中的上标n也相应重新从1开始，按递增重置编号，跳转至步骤(2)；如果{DATAp_i}中的信息矩阵未搜索完成，则继续跳至步骤(3)；

聚合完成以后，{DATAp_i}将划分为J个场景集，其中第i个电力价格下{DATAp_i}包含的所有场景集表示为：{NEWp_i，1}，{NEWp_i，2}，…，{NEWp_i，j}，…，{NEWp_i，J}；

(4)在此基础上，从i＝1到i＝T重复步骤(1)至步骤(3)，获得分时电价所有时段下的数据集的各场景集。

4.根据权利要求1所述的一种配用电系统的分布式能源和用户行为预测方法，其特征在于：所述第三步，具体实现如下：

第i个电力价格下{DATAp_i}包含场景集的数量为W，即场景集为{NEWp_i，1}，{NEWp_i，2}，…，{NEWp_i，w}，…，{NEWp_i，W}，其中{NEWp_i，w}表示数据集{DATAp_i}下的第w个场景集，其含有H个信息矩阵，DATA^w,hp_i表示第i个电力价格下第w个场景集中第h个信息矩阵：

其中，分别为第m个配用电子系统中在第i个电力价格下第w个场景集中第h个信息矩阵的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令； 分别为交流母线处在第i个电力价格下第w个场景集中第h组历史记录中的等值负荷、光伏功率、风电功率、电动汽车功率、CHP调度指令、储能系统调度指令；

消减每个信息矩阵中的可控单元项，消减后第i个电力价格下第w个场景集中第h个更新信息矩阵表示为ND^w,hp_i；

则数据集{DATAp_i}下更新后的第w个场景集{NEWp_i，w}包含的更新信息矩阵有ND^w,1p_i，ND^w,2p_i，…，ND^w,hp_i，…，ND^w,Hp_i，对ND^w,hp_i求取对应的特征根，可得 其中代表第i个电力价格下第w个场景集中第h个更新信息矩阵对应的第l个特征根，L代表更新信息矩阵对应的特征根总数量；计算：

其中，为{NEWp_i，w}的等效矩阵对应的第l个特征根；

在此基础上，从w＝1到w＝W重复，获得第i个电力价格下{DATAp_i}包含各场景集的等效矩阵对应的所有特征根；依次类推，从i＝1到i＝T执行步骤(3)，获得分时电价所有时段下的数据集包含各场景集的等效矩阵对应的所有特征根。

5.根据权利要求1所述的一种配用电系统的分布式能源和用户行为预测方法，其特征在于：所述第四步，具体实现如下：

首先判断当前的电力价格p，针对电力价格p₁、p₂、…p_i、…、p_T多个价格，寻找最接近p的电力价格，假定为第i个电力价格，记为p_i，则匹配的数据集为{DATAp_i}，然后针对数据集{DATAp_i}下的W个场景集，匹配特征根，具体方法为：

获取目前的运行数据，记为状态矩阵A

其中，P_Sm,load，P_Sm,pv，P_Sm,wt，P_Sm,ev分别为第m个配用电子系统中当前状态的等值负荷、光伏功率、风电功率、电动汽车功率；P_C,load，P_C,pv，P_C,wt，P_C,ev分别为交流母线处当前状态的等值负荷、光伏功率、风电功率、电动汽车功率；

求解A矩阵的特征根，得到对应的特征根为λ₁，λ₂，…，λ_l，…，λ_L，其中λ_l代表状态矩阵A的第l个特征根，计算状态矩阵A与第w个场景等效矩阵的参考距离，以d_w进行表示：

在d₁，d₂，…，d_w…，d_W中寻找最小值，其对应的下标记为w1，即此时状态矩阵A匹配第w1个场景集{NEWp_i，w1}。

6.根据权利要求1所述的一种配用电系统的分布式能源和用户行为预测方法，其特征在于：所述第五步，具体实现如下：

{NEWp_i，w1}表示数据集{DATAp_i}下的第w1个场景集，假定其含有H个更新信息矩阵，即ND^w1,1p_i，ND^w1,2p_i，…，ND^w1,hp_i…，ND^w1,Hp_i，其中ND^w1,hp_i表示消减后第i个电力价格下第w1个场景集中第h个更新信息矩阵，设定综合判据f_h满足：

其中，tr(·)表示矩阵的迹，k₁、k₂为权重系数；

则求得f₁，f₂，…，f_h，…，f_H,在其中寻找最小值，其对应的下标记为h1，即此时状态矩阵A匹配第h1个更新信息矩阵，即ND^w1,h1p_i；

依据ND^w1,h1p_i中确定的w1、h1两个数值，确定第i个电力价格下第w1个场景集中第h1个信息矩阵DATA^w1,h1p_i，此时DATA^w1,h1p_i可控单元项为：

其中，分别为第m个配用电子系统中在第i个电力价格下第w1个场景集中第h1个信息矩阵的CHP调度指令、储能系统调度指令；分别为交流母线处在第i个电力价格下第w1个场景集中第h1组历史记录中的CHP调度指令、储能系统调度指令，将作为目前运行状态下CHP与储能系统的行为预测值。