一种基于KNN算法和k-means算法改进的空调负荷聚合方法

一种基于knn算法和k-means算法改进的空调负荷聚合方法
技术领域
1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.本发明的目的可以通过以下技术方案来实现：
6.一种基于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：
7.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。
8.s2：对训练数据集中的数据进预处理。
9.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。
10.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。
11.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。
12.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。
13.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：
[0014][0015]
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。
[0016]
进一步地，对训练数据集中的数据进预处理的具体内容为：剔除训练数据集中等效电容和空调功率不匹配的数据；随后对数据进行去量纲处理。
[0017]
进一步地，所述分类关键参数包括但不限于内蓄热体的热交换热容室内空气热容、室内空气热阻、室内外空气对流热阻、空调负荷的额定功率、室外温度和室内温度的其中一种或多种。作为优选方案，所述分类关键参数为空调负荷的额定功率、等效热阻。
[0018]
进一步地，s5中，所述聚合关键参数为空调负荷的功率。
[0019]
进一步地，s5中，利用等效替代法获取聚合功率。具体内容为：
[0020]
确定聚合关键参数，即空调负荷的功率；确定聚合关键参数后，读取已经分类的数据集，将s4分类得到的k值作为k-means算法的k值，根据当前的簇中心确定每个样本所属的簇，计算样本和簇中心的欧式距离，将样本分到距离最近的簇中，更新簇中心，若再次计算后样本和簇之间的距离均小于指定值，则停止迭代；停止迭代后，利用等效替代法计算聚合空调负荷的有聚合功率，并将样本所属聚类中的聚合功率进行加和。
[0021]
本发明提供的基于knn算法和k-means算法改进的空调负荷聚合方法，相较于现有技术至少包括如下有益效果：
[0022]
1)本发明方法用于将分散性空调负荷聚合，通过预先筛选(分类)的手段降低实际电网空调负荷分布的参差性带来的影响，同时可以根据不同的空调负荷的特性可采用不同的调控策略，提高空调负荷的聚合精度，提高聚合空调负荷的响应潜力。
[0023]
2)充分利用各种空调负荷的特性，依据关键参数利用knn算法对空调负荷进行分类，随后利用k-means算法对不同的空调负荷进行聚合，针对不同特征的空调负荷选用不同的调控策略，可以分批投入电网运行避免电网的振荡，可以最大程度地挖掘聚合空调负荷的需求响应能力。
附图说明
[0024]
图1为实施例中基于knn算法和k-means算法改进的空调负荷聚合方法的流程示意图；
[0025]
图2为实施例中三阶等效热参数电路图；
[0026]
图3为实施例中利用k-means算法得到聚合功率的流程示意图。
具体实施方式
[0027]
下面结合附图和具体实施例对本发明进行详细说明。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。
[0028]
实施例
[0029]
为了得到更精确的聚合空调模型，针对不同类别的聚合空调负荷可以采用不同的调控方案，组合调控方案可以提高聚合空调负荷的需求响应能力，能更好地参与电网优化调度，削减电网的高峰负荷或者配合电网调频。本发明充分利用了各种空调负荷的特性，依据关键参数利用knn算法对空调负荷进行分类，随后利用k-means算法对不同的空调负荷进行聚合，针对不同特征的空调负荷选用不同的调控策略，可以分批投入电网运行避免电网的振荡，可以最大程度地挖掘聚合空调负荷的需求响应能力。
[0030]
本发明提供了一种基于knn算法和k-means算法改进的空调负荷聚合方法，用于将分散性空调负荷聚合。采用的思路是通过预先筛选(分类)的手段降低实际电网空调负荷分布的参差性带来的影响，同时可以根据不同的空调负荷的特性可采用不同的调控策略，提高空调负荷的聚合精度，提高聚合空调负荷的响应潜力。具体实施方式如图1所示，包括如下步骤：
[0031]
第一步，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具有参差性，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。
[0032]
在本步骤中，空调负荷的等效热参数模型为现有数学模型，因冷负荷等于热负荷，理论上是将传热学模型类比成电模型，用电网络理论对模型求解，得到相关参数模型。
[0033]
等效热参数模型是根据传热学和电学基本原理的等效关系，将建筑围护结构的热阻和热容等效为线性的rc电路，避开了具体的建筑围护结构几何特征，用电路模型模拟出空调的运行情况，极大降低了建模的复杂程度。
[0034]
三阶等效热参数模型如图2所示，其表达式为：
[0035][0036]
式中，a表示系统矩阵，b表示输入矩阵，二者均为三阶方阵；c表示输入矩阵；x、y分别为状态矢量、输出量。图2为空调负荷的等效热参数模型，表征建筑热平衡过程，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。其中cw是内部电容，rw是热阻，室内外空气对流热阻是r
wo
、r
wi
，室内空气热容为ca，内蓄热体的热交换热容为cm，其热阻为rm，太阳辐射强度和空调冷负荷分别用电流源φs和φc，t
out
(t0)和t
in
(tm)分别为室外和室内温度。
[0037]
第二步，对训练数据集中的数据进预处理，剔除等效电容和空调功率不匹配(病态)的数据；随后对数据去量纲。
[0038]
第三步，选取空调负荷等效热参数模型中的分类关键参数。
[0039]
在本领域中，分类关键参数是采用的等效热模型中推导出来的参数，如内蓄热体的热交换热容cm，室内空气热容ca，热阻rw、rm，室内外空气对流热阻r
wo
、r
wi
，空调负荷的额定功率p，室外和室内温度t
out
(t0)和t
in
(tm)等。最后需要对空调负荷进行聚合参与电网调频，即需要空调负荷提供有功量给电网，降低用户侧的负荷量或者转移负荷。在本实施例中，最关注的是空调负荷的有功量，不同体量不同功率的空调所能提供的有功量不同，针对不同的空调负荷可以采用的调控策略也是不同，因此本实施例中分类关键参数确定为空调负荷
的有功量。
[0040]
如果需要空调负荷参与调压，则需要空调负荷提供无功或者参与调压，这是需要关注的是空调负荷的运行特性，就需要从热负荷相关的参数入手。
[0041]
选取原则在于：看最后需要聚合空调负荷对电网侧提供有功还是无功，再考虑如何分类(选取分类关键参数)可以使得目标量最大化。
[0042]
第四步，利用选定的分类关键参数，作为分类标准训练knn分类模型，确定k值。
[0043]
knn是一种典型分类算法，需要根据设定关键参数的数据集训练从而得到理想的分类参数，通过预先设定类别数，得到k值。整个过程就是一个步骤，在训练测试的过程中，不断调整选取最优k值。
[0044]
第五步，在不同的空调负荷类别中选定聚合关键参数，依据关键参数利用k-means算法进行聚合，利用等效替代法得到聚合功率。
[0045]
以空调负荷参与电网调频为例：聚合关键参数就是空调负荷的功率p。在确定聚合关键参数之后，读取已经分类好的数据集，将上述分类得到的k值作为k-means算法的k值，根据当前的簇中心确定每个样本所属的簇，计算样本和簇中心的欧式距离，将样本分到距离最近的簇中，更新簇中心，若再次计算之后样本和簇之间的距离均小于指定值，则停止迭代。在本实施例中，以等效电阻为例：样本为等效电阻的数据集，可利用matlab等软件产生符合特定正态分布的随机数据集，其中单个数据为样本。
[0046]
等效替代法用于计算聚合空调负荷的有功量(聚合功率)，考虑将样本所属聚类中的有功量看作并联，进行加和。此步骤的具体流程如图3所示。
[0047]
第六步，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，从而得到聚合空调负荷的组合调控策略，可参与电网调频或者调压。
[0048]
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。本发明充分利用了各种空调负荷的特性，依据关键参数利用knn算法对空调负荷进行分类，随后利用k-means算法对不同的空调负荷进行聚合，针对不同特征的空调负荷选用不同的调控策略，可以分批投入电网运行避免电网的振荡，可以最大程度地挖掘聚合空调负荷的需求响应能力。另外，目前的空调负荷聚合方法都针对同种型号的空调负荷进行聚合，采用的调控方法单一，所能挖掘的需求响应能力有限，而且极易造成大规模负荷同时响应，对电网的安全运行极为不利。本专利可以避开目前空调聚合方法的缺点，对电网“削峰填谷”具有重要意义。
[0049]
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工作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。