[发明专利]一种基于KNN算法和k-means算法改进的空调负荷聚合方法

说明书

本发明涉及一种基于KNN算法和k‑means算法改进的空调负荷聚合方法，1)建立空调负荷的等效热参数模型，生成训练数据集；2)对训练数据集中的数据进预处理；3)在预处理后的数据集中选取空调负荷等效热参数模型中的分类关键参数；4)利用分类关键参数作为分类标准训练KNN分类模型，确定k值；5)在不同的空调负荷类别中选定聚合关键参数，将确定的k值作为k‑means算法的k值，依据关键参数利用k‑means算法进行聚合，利用等效替代法获取聚合功率；6)针对不同类别的聚合空调负荷依据特点选择调控策略，进而获取聚合空调负荷的组合调控策略。与现有技术相比，本发明具有提高空调负荷的聚合精度、提高聚合空调负荷的响应潜力等优点。

技术领域

本发明涉及电力系统负荷建模技术领域，尤其是涉及一种基于KNN算法和k-means算法改进的空调负荷聚合方法。

背景技术

利用可控空调负荷主动参与电力系统有功功率平衡控制，在精确的可控负荷用电模型下，对空调等负荷采用分散式控制方法或分布式控制方法，已经成为国内外电力研究人员关注的热点问题。现有的技术中，空调负荷聚合方法有一次聚合、二次聚合和基于Fokker-Planck方程的聚合，一次聚合是将同一区域内的空调负荷归为一组，二次聚合是针对控制范围内的空调负荷参数分布广泛并具有较大的物理属性差异，通常采用将负荷聚类成若干分组再通过一定权重进行加权的形式对负荷群进行聚类。基于Fokker-Planck方程的聚合方法是指利用耦合的Fokker-Planck方程来描述空调负荷聚合模型的动态变化。

然而一次聚合中典型的聚合模型有状态队列模型、状态空间模型等，要求空调负荷具有一定的相似性，不符合实际电力系统空调负荷的分布特性。二次聚合也有使用聚类算法对空调负荷进行聚合的，但是只通过权值设定区分空调负荷占比，不够精确。基于Fokker-Planck方程的聚合方法，以一阶热力学模型为基础，计算量大，计算过程复杂，且其方程的求解是个难题，目前为止未发现方程的解析解。综上，现有的空调负荷聚合技术均未考虑空调负荷的差异性，常假设针对同种空调负荷进行聚合，这样可能导致大规模负荷同时响应给电力系统造成谐振，影响电网的安全运行。同时现有研究中，针对所有空调负荷的调控策略基本都是从开关控制、周期性暂停和调温控制中选择一种来控制空调负荷。

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基于KNN算法和k-means算法改进的空调负荷聚合方法。

本发明的目的可以通过以下技术方案来实现：

一种基于KNN算法和k-means算法改进的空调负荷聚合方法，该方法包括如下步骤：

S1：建立空调负荷的等效热参数模型，根据实际电力系统中空调负荷分布的参差性，设定等效热参数模型中的参数统计学分布规律，生成训练数据集。

S2：对训练数据集中的数据进预处理。

S3：在预处理后的数据集中选取空调负荷等效热参数模型中的分类关键参数。

S4：利用选定的分类关键参数作为分类标准训练KNN分类模型，并确定k值。

S5：在不同的空调负荷类别中选定聚合关键参数，将S4确定的k值作为k-means算法的k值，依据关键参数利用k-means算法进行聚合，获取聚合功率。

S6：基于得到的聚合功率，针对不同类别的聚合空调负荷依据特点选择调控策略，进而获取聚合空调负荷的组合调控策略。

进一步地，所述空调负荷的等效热参数模型通过传热学模型类比成电模型，利用电网络理论对模型求解得到。在空调负荷的等效热参数模型中，温度源与电压源等效，热流源与电流源等效，热阻和热容分别与电阻和电容等效。所述等效热参数模型的表达式为：

式中，A为系统矩阵，B为输入矩阵，二者均为三阶方阵；C为输入矩阵；x、y分别为状态矢量、输出量。