(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210144911.6 (22)申请日 2022.02.17 (71)申请人 上海电机学院 地址 200240 上海市闵行区江川路690号 (72)发明人 左楠楠　高桂革　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 彭瑶 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) G06Q 50/06(2012.01) (54)发明名称 一种基于KNN算法和k-means算法改进的空 调负荷聚合方法 (57)摘要 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。 权利要求书2页 说明书4页 附图3页 CN 114863150 A 2022.08.05 CN 114863150 A 1.一种基于KNN算法和k ‑means算法改进的空调负荷聚合方法， 其特征在于， 包括下列 步骤： 1)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； 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)利用选 定的分类关键参数作为分类标准训练KN N分类模型， 并确定k 值； 5)在不同的空调负荷类别中选定聚合关键参数， 将步骤4)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； 6)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。 2.根据权利要求1所述的基于KNN算法和k ‑means算法改进的空调负荷聚合方法， 其特 征在于， 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。 3.根据权利要求2所述的基于KNN算法和k ‑means算法改进的空调负荷聚合方法， 其特 征在于， 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。 4.根据权利要求3所述的基于KNN算法和k ‑means算法改进的空调负荷聚合方法， 其特 征在于， 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。 5.根据权利要求1所述的基于KNN算法和k ‑means算法改进的空调负荷聚合方法， 其特 征在于， 步骤3)中， 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。 6.根据权利要求5所述的基于KNN算法和k ‑means算法改进的空调负荷聚合方法， 其特 征在于， 步骤3)中， 所述分类关键参数为空调负荷的额定功率、 等效热阻。 7.根据权利要求1所述的基于KNN算法和k ‑means算法改进的空调负荷聚合方法， 其特 征在于， 步骤5)中， 所述聚合关键参数为空调负荷的功率。 8.根据权利要求7所述的基于KNN算法和k ‑means算法改进的空调负荷聚合方法， 其特 征在于， 步骤5)中， 利用等效替代法获取聚合功率。 9.根据权利要求8所述的基于KNN算法和k ‑means算法改进的空调负荷聚合方法， 其特 征在于， 步骤5)的具体内容 为： 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， 将步骤4)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， 若再次计权　利　要　求　书 1/2 页 2 CN 114863150 A 2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。 10.根据权利 要求1所述的基于KNN算法和k ‑means算法 改进的空调负荷聚合方法， 其特 征在于， 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。权　利　要　求　书 2/2 页 3 CN 114863150 A 3