[發明專利]一種基于KNN算法和k-means算法改進的空調負荷聚合方法

在審

• 申請號: 202210144911.6
• 申請日: 2022-02-17
• 公開（公告）號: CN114863150A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 左楠楠;高桂革
• 申請（專利權）人: 上海電機學院
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06V10/764;G06V10/774;G06K9/62;G06Q50/06
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 彭瑤

1.一種基于KNN算法和k-means算法改進的空調負荷聚合方法，其特征在于，包括下列步驟：

1)建立空調負荷的等效熱參數模型，根據實際電力系統中空調負荷分布的參差性，設定等效熱參數模型中的參數統計學分布規律，生成訓練數據集；

2)對訓練數據集中的數據進預處理；

3)在預處理后的數據集中選取空調負荷等效熱參數模型中的分類關鍵參數；

4)利用選定的分類關鍵參數作為分類標準訓練KNN分類模型，并確定k值；

5)在不同的空調負荷類別中選定聚合關鍵參數，將步驟4)確定的k值作為k-means算法的k值，依據關鍵參數利用k-means算法進行聚合，獲取聚合功率；

6)基于得到的聚合功率，針對不同類別的聚合空調負荷依據特點選擇調控策略，進而獲取聚合空調負荷的組合調控策略。

2.根據權利要求1所述的基于KNN算法和k-means算法改進的空調負荷聚合方法，其特征在于，所述空調負荷的等效熱參數模型通過傳熱學模型類比成電模型，利用電網絡理論對模型求解得到。

3.根據權利要求2所述的基于KNN算法和k-means算法改進的空調負荷聚合方法，其特征在于，在空調負荷的等效熱參數模型中，溫度源與電壓源等效，熱流源與電流源等效，熱阻和熱容分別與電阻和電容等效。

4.根據權利要求3所述的基于KNN算法和k-means算法改進的空調負荷聚合方法，其特征在于，所述等效熱參數模型的表達式為：

式中，A為系統矩陣，B為輸入矩陣，二者均為三階方陣；C為輸入矩陣；x、y分別為狀態矢量、輸出量。

5.根據權利要求1所述的基于KNN算法和k-means算法改進的空調負荷聚合方法，其特征在于，步驟3)中，所述分類關鍵參數包括但不限于內蓄熱體的熱交換熱容室內空氣熱容、室內空氣熱阻、室內外空氣對流熱阻、空調負荷的額定功率、室外溫度和室內溫度的其中一種或多種。

6.根據權利要求5所述的基于KNN算法和k-means算法改進的空調負荷聚合方法，其特征在于，步驟3)中，所述分類關鍵參數為空調負荷的額定功率、等效熱阻。

7.根據權利要求1所述的基于KNN算法和k-means算法改進的空調負荷聚合方法，其特征在于，步驟5)中，所述聚合關鍵參數為空調負荷的功率。

8.根據權利要求7所述的基于KNN算法和k-means算法改進的空調負荷聚合方法，其特征在于，步驟5)中，利用等效替代法獲取聚合功率。

9.根據權利要求8所述的基于KNN算法和k-means算法改進的空調負荷聚合方法，其特征在于，步驟5)的具體內容為：

確定聚合關鍵參數，即空調負荷的功率；確定聚合關鍵參數后，讀取已經分類的數據集，將步驟4)分類得到的k值作為k-means算法的k值，根據當前的簇中心確定每個樣本所屬的簇，計算樣本和簇中心的歐式距離，將樣本分到距離最近的簇中，更新簇中心，若再次計算后樣本和簇之間的距離均小于指定值，則停止迭代；停止迭代后，利用等效替代法計算聚合空調負荷的有聚合功率，并將樣本所屬聚類中的聚合功率進行加和。

10.根據權利要求1所述的基于KNN算法和k-means算法改進的空調負荷聚合方法，其特征在于，對訓練數據集中的數據進預處理的具體內容為：剔除訓練數據集中等效電容和空調功率不匹配的數據；隨后對數據進行去量綱處理。