CN117195022A - 一种无监督的光伏装机时间检测方法、设备、存储介质 - Google Patents

Abstract

本发明涉及一种无监督的光伏装机时间检测方法、设备、存储介质，方法包括如下步骤：从用户的用电数据中提取用电可解释特征，构建可解释特征矩阵，并进行降维处理；基于降维处理后的可解释特征矩阵，通过聚类判断用户每日的用电模式类型，其中，所述用电模式类型包括光伏装机前类型和光伏装机后类型；基于用户每日的用电模式类型，计算用户的光伏装机时间。与现有技术相比，本发明充分考虑表征用户用电模式物理信息的可解释特征，利用特征进行用电模式聚类和分类，有助于更好地分析不同客户群的特征需求和用户光伏装机前后能耗模式的成分变化，以此可以有效确定用户光伏装机的确切日期。

Description

一种无监督的光伏装机时间检测方法、设备、存储介质

技术领域

本发明涉及光伏负荷识别领域，尤其是涉及一种无监督的光伏装机时间检测方法、设备、存储介质。

背景技术

配电网中分布式户用光伏的增加，分布式光伏户用光伏的接入不仅能够对本地用户进行供电，消减电力尖峰负荷，还能够优化配电网投资，节约用电成本。然而，高比例户用光伏接入配电网在诸多方面对配电网的运行产生了不利影响，例如电压调节、频率控制、反向潮流等。电力部门越来越意识到高渗透率户用光伏所带来的问题，需要对已安装的光伏的用户进行注册登记，便于对户用光伏进行管理，并规划未来户用光伏安装的区域。但是，由于缺乏电力部门监管、用户非法安装等原因，存在未注册登记的用户，相应地，分布式户用光伏安装日期也并没有完全记录，检测光伏装机日期的解决办法包括实地考察、卫星图像处理和电话调查等，但这些方法需要耗费大量的资源。

现阶段工程中，光伏装机日期的检测方法应用较多的就是通过捕获光伏装机前后能源模式发生的变化，以此来确定光伏装机的确切日期或日期范围。捕获能源模式的变化需要对用户的用电模式进行聚类划分，以表征用户不同时间段使用不同能源的用电负荷信息。但是在现有研究中，大多数检测方法都在使用原始时间序列数据基于无监督机器学习算法来进行用电模式的聚类分群。但在现实情况中，无监督机器学习算法难以处理不规则且维度较高的数据，当数据维度较高或变化复杂时，聚类分群的精度会降低。因此有必要在工程中尝试提取一组特征，寻求降低无监督机器学习算法运行时间以及提高检测精度的可能。

此外，现阶段工程中提出的特征并不能很好地解释包含光伏功率的用电负荷曲线，因此，亟需一种光伏装机日期检测方法来解决户用光伏装机日期的预测准确性不佳的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种无监督的光伏装机时间检测方法、设备、存储介质，通过构建可解释的特征矩阵实现光伏装机时间的无监督检测，以提高检测精度。

本发明的目的可以通过以下技术方案来实现：

本发明的一个方面，提供了一种无监督的光伏装机时间检测方法，包括如下步骤：

从用户的用电数据中提取用电可解释特征，构建可解释特征矩阵，并进行降维处理；

基于降维处理后的可解释特征矩阵，通过聚类判断用户每日的用电模式类型，其中，所述用电模式类型包括光伏装机前类型和光伏装机后类型；

基于用户每日的用电模式类型，计算用户的光伏装机时间。

作为优选的技术方案，通过查找用户每日的用电模式类型发生变化的日期，得到所述光伏装机时间。

作为优选的技术方案，所述的发生变化的日期的确定包括如下步骤：

若参考日期对应的用电模式类型的聚类中心出现负值，且所述参考日期前的用电模式类型的聚类中心均为正值，则所述参考日期即为发生变化的日期。

作为优选的技术方案，所述的用电模式类型还包括未能完全表征类型。

作为优选的技术方案，降维后的可解释特征矩阵为：

其中，为用户i降维后的可解释特征矩阵，/>为降维后用户i第d天的日净负荷的低维可解释特征矩阵，D为日净负荷样本的总天数。

作为优选的技术方案，通过主成分分析实现所述的可解释特征矩阵的降维处理。

作为优选的技术方案，采用K-means聚类算法实现可解释特征矩阵的聚类处理。

作为优选的技术方案，所述的可解释特征包括每日净负荷的平均值、每日净负载的均方差、一天内的最大功耗、一天内的最低功耗、一天的功耗范围、高于平均值的百分比、日间时间的净负荷总和、夜间时间的净负荷总和、每日净负荷分布的偏度、每日净负荷分布的峰度、每日净负荷的5箱直方图模式、连续值高于平均值的最长时间子序列、连续增加的最长子序列中的至少一个。

本发明的另一个方面，提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行上述无监督的光伏装机时间检测方法的指令。

本发明的另一个方面，提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行上述无监督的光伏装机时间检测方法的指令。

与现有技术相比，本发明具有以下优点：

(1)提高光伏装机时间的检测精度：不同于部分已有方法采用遗传算法所提取的非可解释特征的分类和聚类方式，本发明采用能够反映用户用电荷载物理信息的可解释特征构建可解释特征矩阵，通过降维和聚类对每日的用电模式进行分类。可解释特征能够定量地反映用户的能源消耗模式，以表征每个用户的用电行为和能源成分变化，更能定量反映不同客户群的特征需求和用户光伏装机前后能耗模式的成分变化，进一步有效地确定用户光伏装机的确切日期。

(2)减小极端场景带来的误差：本发明将用户的每日用电负荷样本分群聚类为三类，即光伏装机前的用电模式类型、光伏装机后的用电模式类型和未能完全表征光伏是否装机类型。当用户某日的用电模式的属于第三类时，可分为两种情况，一方面是由于光伏未装机场景下，用户的实际用电负荷较小，导致此样本可能属于第一类；另一方面是由于光伏装机场景下，因天气环境因素造成的光伏出力较小，导致此用电样本可能属于第二类。对于第三类，可通过对此样本日期的前后用电模式进行综合对比分析，从而确定此日期下实际用电模式情况。考虑可解释特征的分类以及聚类方法充分考虑了由于环境以及用户用电行为影响而造成的极端场景，能够有效减轻光伏装机日期检测的误差。

附图说明

图1为实施例中无监督的光伏装机时间检测方法的流程图；

图2为实施例中光伏装机时间检测方法应用的示意图；

图3为典型可解释特征的图形表示示意图；

图4为实施例中区域内用户全年日用电模式可解释特征分布直方图；

图5为实施例中区域内用户日用电模式可解释特征的PCA碎石图；

图6为实施例中区域内用户日用电模式聚类中心内平均距离和分数趋势；

图7为实施例中区域内用户日用电模式的聚类中心；

图8为实施例中某用户2011年全年每日用电模式类型分布；

图9为实施例中光伏开启日期正确辨识用户的累计百分比。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

实施例1

针对前述现有技术存在的问题，参见图1和图2，本实施例提供了一种无监督的光伏装机时间检测方法，包括以下步骤：

S1、提取用户可解释特征并构造可解释特征矩阵。

可解释特征包括每日净负荷的平均值、每日净负载的均方差、一天内的最大功耗、一天内的最低功耗、一天的功耗范围(即最大-最小)、高于平均值的百分比、日间时间(7：00–18：00)的净负荷总和、夜间时间的净负荷总和、每日净负荷分布的偏度、每日净负荷分布的峰度、每日净负荷的5箱直方图模式、连续值高于平均值的最长时间子序列、连续增加的最长子序列13个可解释特征。图3表示一部分用户用电曲线的可解释特征，图中F-01表示每日净负荷的平均值，F-03表示一天内的最大功耗，F-04表示一天内的最低功耗，F-05表示一天的功耗范围，F-08表示的阴影部分面积为夜间时间的净负荷总和。目标区域下用户的可解释特征矩阵可表示为：

式中，F_i,d为用户i第d天的日净负荷的高维可解释特征矩阵；D为日净负荷样本的总天数。

S2、利用PCA降维技术对可解释特征矩阵进行降维。

为了减轻聚类算法的复杂度，缩短聚类算法的运行时间，需要使用PCA降维技术降低可解释特征矩阵的维数，经PCA降维后的低维可解释特征矩阵可表示为：

式中，为降维后用户i第d天的日净负荷的低维可解释特征矩阵。

S3、基于降维的可解释特征矩阵进行K-means聚类。

对降维特征K-means聚类，得到不同的每日用电模式类型，能够反映用户在光伏装机后的每日用电模式类型的聚类中心会出现负值。

S4、判定所选时间尺度中用户每条用电日用点数据所属的每日用电类型，通过比较用户不同用电模式类型所属聚类中心的正负变化确定光伏装机日期。

具体的，对聚类以及分类结果进行分析，光伏装机后，能耗模式发生改变的明显表现为某日期下所属的用电模式类型，其聚类中心会出现负值，然而该日期之前的用电模式类型所属的聚类中心均为正值，即该时间尺度下首次出现含有负值的用电模式类型聚类中心，以此便能检测到光伏装机日期。

S5、找到首次出现用户的每日用电模式发生显著变化的日期，以此确定用户安装光伏的确切日期。

分析用户光伏装机前后能耗模式的成分变化，找到首次出现用户的每日用电模式发生显著变化的日期，以此确定用户安装光伏的确切日期。

为验证本技术方案的有效性，本实施例如下：

本实例数据来自澳大利亚供电公司Ausgrid。每个用户都有一个独立的仪表来记录光伏输出功率。数据的时间尺度范围为2010年7月1日至2013年6月30日三年数据，采样间隔为0.5h。随机选取2011年7月1日至2011年12月31日的日期，设置区域内用户的光伏的装机日期。

首先对目标区域内用户2011年用电负荷样本进行可解释特征的提取。图4为区域内所有用户的全年日用电负荷用电模式的特征分布直方图。由图4可知，一些可解释特征存在负值，例如平均值、最小值、日间时间净负荷总和等等，这是因为光伏装机后光伏会产生功率，这会导致用户智能电表记录的用电负荷样本出现负值。其余可解释特征分布中，高于平均值的百分比大多位于[30％,70％]范围内，偏度特征分布表现为右尾，峰度特征分布表现为略重尾。

在提取可解释特征值之后，高维特征矩阵维度已达到10⁶维数，这会增加聚类算法复杂性以及聚类时间，因此在聚类之前，采用PCA降维方法降低维度，并确定能够解释每日用电负荷曲线的主成分数量，然后再根据主成分数量进行聚类。图5为用户特征的PCA碎石图，PC1-PC6的解释总方差达到94.30％，可将13个可解释特征降低为6个可解释特征，分别为每日净负荷的平均值、每日净负载的均方差、一天内的最大功耗、一天内的最低功耗、一天的功耗范围(即最大-最小)、高于平均值的百分比。降维之后的可解释特征矩阵为10⁵维度，然后选取合适的聚类数。图6为平均聚类内距离和轮廓得分的趋势，根据肘部原则，将聚类数K选为6。

基于选定的聚类数K以及特征聚类之后，得到不同的每日用电模式类型，如图7所示，每个每日用电模式类型含有一个聚类中心。光伏装机前的每日用电模式类型含有聚类中心2所代表的每日用电负荷样本集群，光伏装机后的每日用电模式类型含有聚类中心4、5和6每日用电负荷样本集群。未能完全表征光伏是否装机类型含有聚类中心1、3所包含的每日用电负荷样本集群，经过分析，此类型的出现可以分为以下两种场景，一种是在光伏未装机场景下，用户的实际用电负荷较小，可将此样本分为光伏装机前的每日用电模式类型；另一种是光伏装机场景下，因天气环境因素造成的光伏出力较小，可将此样本分为光伏装机后的每日用电模式类型。

将每日的用电样本归属于对应的每日用电负荷类型，如图8所示，每个方块的颜色与图7中的聚类中心的颜色一致。由图8可知，某用户在2011年的1-4月的用电模式大部分属于光伏装机前的每日用电模式类型，因此可以判断用户在2011年的1-4月未安装光伏，而用户在2011年的6-12月的用电模式大部分属于光伏装机后的每日用电模式类型，因此可以判断用户在2011年的6-12月已经安装了光伏，每日用电模式类型能耗模式在5、6月之间发生了明显的改变，而首次出现光伏装机后的每日用电模式类型的日期为5月31日，结合上述分析，故可检测出该用户的光伏装机日期为2011年5月31日。另外，1-4月中出现了未能完全表征光伏是否装机的类型，这是由于该日期下用户自身的用电负荷较小而造成的，6-12月也出现了未能完全表征光伏是否装机的类型，这是由于非晴空环境下，光伏出力减小而造成的。

将其他用户按照以上流程进行装机日期辨识检测，并将辨识检测得到的日期与实际装机日期做差得到辨识延迟的天数，通过计算不同延迟天数的准确度，来对辨识结果进行评价，准确度计算式如下：

式中，TP表示正确辨识装机日期的用户，TN表示未正确辨识装机日期的用户。

由图9可知，在8天的延迟下，用户的光伏装机日期检测准确度可达到95％。本发明在10天的延迟下正确检测用户光伏装机日期的准确度可达100％。在澳大利亚运营商的光伏连接政策中，允许检测日期的延迟在10天以内，因此本发明的提出是可以适用于实际的。

综上所述，本技术方案提出一种无监督的光伏装机日期检测方法。首先，提出了一组可解释特征，能够解释用户每日用电负荷模式的物理信息；然后，对目标区域内用户进行可解释特征提取，构造可解释特征矩阵；接着，借助PCA降维技术选取能够解释每日用电负荷模式的特征，实现数据的降维；进一步，基于特征进行聚类，得到不同的每日用电模式类型，并判定每日用电负荷样本所属的用电模式类型；最后，找到首次出现用户的每日用电模式发生显著变化的日期，以此确定用户安装光伏的确切日期。仿真结果表明，本发明构建的无监督的光伏装机日期检测方法能够定量地分析不同客户群的特征需求和用户光伏装机前后能耗模式的成分变化，以此来准确且有效确定用户光伏装机的确切日期，具有一定的工程实用价值。不仅如此，提出的基于可解释特征的聚类方法可以运用于需求侧响应方面，帮助运营商分析配电网络上总负荷变化，以此提高需求侧管理绩效、负荷预测准确性以及低压配电网的电价制定。

实施例2

本实施例提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述无监督的光伏装机时间检测方法的指令。

在硬件层面，电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述的无监督的光伏装机时间检测方法方法。当然，除了软件实现方式之外，本发明并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

实施例3

本发明的另一个方面，提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述无监督的光伏装机时间检测方法的指令。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种无监督的光伏装机时间检测方法，其特征在于，包括如下步骤：

从用户的用电数据中提取用电可解释特征，构建可解释特征矩阵，并进行降维处理；

基于降维处理后的可解释特征矩阵，通过聚类判断用户每日的用电模式类型，其中，所述用电模式类型包括光伏装机前类型和光伏装机后类型；

基于用户每日的用电模式类型，计算用户的光伏装机时间。

2.根据权利要求1所述的一种无监督的光伏装机时间检测方法，其特征在于，通过查找用户每日的用电模式类型发生变化的日期，得到所述光伏装机时间。

3.根据权利要求2所述的一种无监督的光伏装机时间检测方法，其特征在于，所述的发生变化的日期的确定包括如下步骤：

若参考日期对应的用电模式类型的聚类中心出现负值，且所述参考日期前的用电模式类型的聚类中心均为正值，则所述参考日期即为发生变化的日期。

4.根据权利要求1所述的一种无监督的光伏装机时间检测方法，其特征在于，所述的用电模式类型还包括未能完全表征类型。

5.根据权利要求1所述的一种无监督的光伏装机时间检测方法，其特征在于，降维后的可解释特征矩阵为：

其中，为用户i降维后的可解释特征矩阵，/>为降维后用户i第d天的日净负荷的低维可解释特征矩阵，D为日净负荷样本的总天数。

6.根据权利要求1所述的一种无监督的光伏装机时间检测方法，其特征在于，通过主成分分析实现所述的可解释特征矩阵的降维处理。

7.根据权利要求1所述的一种无监督的光伏装机时间检测方法，其特征在于，采用K-means聚类算法实现可解释特征矩阵的聚类处理。

8.根据权利要求1所述的一种无监督的光伏装机时间检测方法，其特征在于，所述的可解释特征包括每日净负荷的平均值、每日净负载的均方差、一天内的最大功耗、一天内的最低功耗、一天的功耗范围、高于平均值的百分比、日间时间的净负荷总和、夜间时间的净负荷总和、每日净负荷分布的偏度、每日净负荷分布的峰度、每日净负荷的5箱直方图模式、连续值高于平均值的最长时间子序列、连续增加的最长子序列中的至少一个。

9.一种电子设备，其特征在于，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述无监督的光伏装机时间检测方法的指令。

10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述无监督的光伏装机时间检测方法的指令。