柔性负荷识别方法及装置

1.本发明涉及柔性负荷辨识领域，具体而言，涉及一种柔性负荷识别方法及装置。


背景技术：

2.随着智能电网的建设不断推进和深入发展，加上诸如需求响应、能效管理等技术的提升，用户侧负荷固有特性得到了改变，具有一定的调节能力，产生了一种新的可调度的负荷资源——柔性负荷(flexible load，fl)。柔性负荷主要包括可中断负荷、可调节负荷和可转移负荷等，与刚性负荷相比，柔性负荷能够参与至电网调度中。而随着分布式能源的发展，用户侧的负荷调节能力得到进一步的增强。但是分布式能源包括光伏发电、风力发电、新能源电动汽车等，分布式能源一方面能够参与到电网调度中，能够维持配电系统的平稳安全，同时分布式能源又由于其环境属性，导致无法实现用户侧柔性负荷的准确辨识，进而导致分布式能源的输出不稳定，无法实现配电网的调控平衡。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种柔性负荷识别方法及装置，以至少解决相关技术中存在的用户侧柔性负荷辨识准确性低，进而导致配电网调控平衡性差的技术问题。
5.根据本发明实施例的一个方面，提供了一种柔性负荷识别方法，包括：获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据；对上述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，上述第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，上述复合负荷包括刚性负荷和柔性负荷；基于上述第二类负荷数据，采用k最邻近算法，得到上述目标电网对应的柔性负荷识别结果。
6.根据本发明实施例的另一方面，还提供了一种柔性负荷识别装置，包括：获取模块，用于获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据；分类模块，用于对上述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，上述第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，上述复合负荷包括刚性负荷和柔性负荷；识别模块，用于基于上述第二类负荷数据，采用k最邻近算法，得到上述目标电网对应的柔性负荷识别结果。
7.在本发明实施例中，通过获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据；对上述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，上述第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，上述复合负荷包括刚性负荷和柔性负荷；基于上述第二类负荷数据，采用k最邻近算法，得到上述目标电网对应的柔性负荷识别结果，达到了准确进行用户侧柔性负荷辨识的目的，从而实现了提升用户侧柔性负荷辨识准确性，实现电网系统的均衡稳定运行的技术效果，进而解决了相关技术中存在的用户侧柔性负荷辨识
准确性低，进而导致配电网调控平衡性差的技术问题。
附图说明
8.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
9.图1是根据本发明实施例的一种柔性负荷识别方法的示意图；
10.图2是根据本发明实施例的一种可选的柔性负荷识别方法的示意图；
11.图3是根据本发明实施例的一种电子设备的示意图。
具体实施方式
12.为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
13.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
14.首先，为方便理解本发明实施例，下面将对本发明中所涉及的部分术语或名词进行解释说明：
15.k最邻近算法(即k-means算法)，用于判断数据间相似程度的方式是采用某种数学公式来计算各数据之间的距离，距离越相近则相类似的程度越高，将相近程度高的数据集归并为同类，不同类别之间的有着较大的距离，于是便形成了类内紧凑，而类间疏远的数据集。该算法的具体过程为：
16.k-means算法采用几何距离作为数据点之间是否具有相似性的评价指标，若两数据点的几何距离越小，则相似程度越高，即可以将两数据点划分至统一类别中，算法的流程步骤如下：
17.已知选取的数据集中含有的样本数据量为n，每个样本数据的特征维度是n维，即每个数据用下述形式进行表述：zi＝(zi1,zi2,...,zin)，i＝1，2，...，n；设定所需的聚类数量k，并从选取的数据集中随机抽取与设定聚类数相同的数据向量作为初始聚类中心，则聚类中心的表述形式如下：cj＝(cj1,cj2,...,cjn)，j＝1，2，...，k；计算数据集中各个数据点到聚类中心的几何距离，采用欧式距离计算，并将该数据点归入到距离最小的类中，计算公式如下：
18.19.算法采用误差平方和准则函数(sum of the squared errors，sse)作为聚类准则函数，误差平方和准则函数(sse)定义为：
[0020][0021]
式中，k为聚类的个数；nj为第j类中样本的个数，aj是第j类样本的均值，代表该数据样本类别的聚类中心，即：
[0022]
传统的k-means算法的核心思想是：通过多次迭代计算来达到预期目标，在每次的迭代过程里，需要更新各个类别样本集的样本中心，即通过计算每类样本集的数据均值(几何中心)，并将每次迭代的计算结果替代原有的样本中心，用作下一次迭代时的聚类参考中心。经过这样的数次迭代计算，最终的样本中心可以认为是真正的聚类质心。该方式预先设定好聚类数量k，并从目标数据集中随机抽出k个数据作为初始的样本中心，通过距离计算将与中心相近的数据聚合在一起，然后重新计算新的样本中心，以此迭代，当计算后的中心不再发生变化时，即认为jw收敛，聚类完成。
[0023]
虽然k-means算法优点是易于理解，使用方便，且计算规模较大的数据集时快速高效，但是仍然存在缺陷：
[0024]
第一，必须提前设定好数据集应划分的种类，即k值，且聚类的最终质量会受k取值的影响，若不知道数据样本的具体散布状态的话，则设定要划分的种类数目时就会有很大的困扰，这是需要解决的一大问题。
[0025]
第二，迭代时所选择的样本中心初值对于后续结果也有着重要的影响。随机选择的初始质心存在差异，最终得到的聚类结果也会各有差别，因此初始中心影响着最终结果的稳定性，并且若选择的初始样本中心偏出了全局最优的探寻领域，则最终迭代结果会导致局部最优解的出现。
[0026]
基于上述问题，本发明实施例提供了一种柔性负荷识别的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0027]
图1是根据本发明实施例的柔性负荷识别方法的流程图，如图1所示，该方法包括如下步骤：
[0028]
步骤s102，获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据。
[0029]
可选的，上述目标电网为包含分布式微电网的配电网系统。上述多个用电账户分别对应的目标负荷数据为向量形式表示的负荷数据，及每一个用电账户对应的目标负荷数据均对应于一个负荷向量。上述第一采样时段可以但不限于为一天，负荷向量的维度与一天划分的段数相对应，即每一个电账户对应的目标负荷数据可以视为一个n维向量数据，n为划分一天的时间段数。比如按照一小时取样一次举例，即n＝24，那么一个用电账户的初始负荷数据为一个24维的向量，而n可以根据配电网的实际负荷变化情况灵活选取，如负荷水平波动程度愈大，n取值越大，辨识精度也越大，在必要的情况下，n＝24*60，即能够实现
分钟级辨识。
[0030]
在一种可选的实施例中，上述获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据，包括：获取上述第一采样时段内，多个用电账户分别对应的初始负荷数据；判断上述多个用电账户分别对应的初始负荷数据中是否存在异常数据；在上述多个用电账户分别对应的初始负荷数据中均不存在上述异常数据的情况下，将多个用电账户分别对应的初始负荷数据作为上述多个用电账户分别对应的目标负荷数据。通过以上方式，对用户侧的负荷数据预处理后，能够有效去除异常数据，为后续的负荷辨识提高精度水准。
[0031]
可选的，电网中每一个用户对应于一个用电账户，每一个用电账户对应的初始负荷数据即为用户初始负荷数据，用户初始负荷数据按照一个用电账户在一天内不同时间点从电力系统需求的电功率数据计算，即用户初始负荷数据可以视为一个n维向量数据，n为划分一天的时间段数。在配电网中，用户侧包括n个用电账户，因此需要收集n个用电账户的初始负荷数据，每一个用电账户的初始负荷为一个样本数据xi＝(xi1,xi2,...,xin)，用户侧多个用电账户分别对应的初始负荷数据构成样本集a＝{x1，x2，...，xn}。考虑到实际电网中会由于诸如天气的环境因素、用户侧异常用电行为的人为因素、以及电力通信装置获取数据时通信质量变化的系统因素，会对获取的负荷数据造成影响，因此采集的数据需要进行预处理，以提升数据获取质量，为后续的负荷辨识提供数据支撑。具体处理方式针对异常数据类型进行划分：具体包括第一类异常数据和第二类异常数据，其中，第一类异常数据包括空白数据、重复数据以及冲击数据，第二类异常数据包括无效数据。
[0032]
在一种可选的实施例中，在上述异常数据包括第一类异常数据的情况下，上述方法还包括：在上述多个用电账户中的任意一个用电账户对应的初始负荷数据中存在上述第一类异常数据的情况下，获取上述第一类异常数据对应的上述任意一个用电账户的第一历史采样数据；基于上述第一历史采样数据，采用上述k最邻近算法，得到上述第一类异常数据对应的第一补充数据；将上述第一类异常数据替换为上述第一补充数据，得到上述任意一个用电账户对应的目标负荷数据。
[0033]
可选的，上述第一历史采样数据与上述第一类异常数据的采样时间相对应，上述第一类异常数据为以下任意之一：空白数据、重复数据、冲击数据。
[0034]
可选的，对于空白数据，生成原因包括数据库存储空间不足、通信受损以及采集装置损坏等，此类数据表现为向量内部分连续数据(不是全部数据)均为0，面向此类数据，获取对应用电账户在不同日期的历史负荷数据，并将向量内剩余的正常数据提取出，利用knn算法，计算最接近的负荷数据，并根据最接近的负荷数据将空白数据补足，具体例子为：设当前的初始负荷数据xi＝(xi1,xi2,...,xin)，其中xi2～xi12均为0，则获取对应用户在不同日期的负荷数据，yi＝(yi1,yi2,...,yin)，其中，i为不同的日期对应的日期标识，计算欧式距离按照从小到大排列，得到最小的l时，取对应的yi数据作为第一补充数据填充xi的空白数据。
[0035]
可选的，对于重复数据，生成原因包括数据库受损和通信异常，此类数据中会出现部分连续数据(不包括整段数据的情形)重复出现，面向此类数据，首先将重复出现的数据清除，再使用与空白数据相同的处理方式确定对应的第一补充数据进行填充处理。
[0036]
可选的，对于冲击数据，生成原因包括用户的异常用电情形、通信的异常、采集装
置异常、地域性和时间性影响的用电行为异常等，此类数据表现为局部的相邻时段内负荷陡升和负荷陡降，以及局部的负荷数据过于偏大或偏小，面对此类数据，首先判断是否为用户自身用电引起的数据异常，判断方式则是判断负荷变化的合理性，通过设定系统负荷变化阈值pl，并求取负荷数据向量中连续三个元素两个变化值之和max{丨xi(b-1)-xib丨+丨xib-xi(b+1)丨}，当max{丨xi(b-1)-xib丨+丨xib-xi(b+1)丨}≥pl时，则该数据不是由用户自身用电引起的数据异常，此时去除异常点，再使用与空白数据相同的处理方式确定对应的第一补充数据进行填充处理。
[0037]
在一种可选的实施例中，在上述异常数据包括第二类异常数据的情况下，上述方法还包括：在上述多个用电账户中的任意一个用电账户对应的初始负荷数据中存在上述第二类异常数据的情况下，获取上述第二类异常数据对应的上述任意一个用电账户的第二历史采样数据；基于上述第二历史采样数据，采用上述k最邻近算法，得到上述第二类异常数据对应的第二补充数据；将上述第二补充数据作为上述任意一个用电账户对应的目标负荷数据。
[0038]
可选的，上述第二历史采样数据得的采样时间与上述第一采样时段相对应，上述第二类异常数据至少包括：无效数据。对于无效数据，表现为整段负荷数据过于偏大或偏小(或全为空数据)，或整段重复，以及整段性质的陡升陡降，此类数据无法进行修补，只能够去除，并按照对应用户其他的日期的负荷数据使用平均值作为第二补充数据进行原始数据的代替。
[0039]
步骤s104，对上述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，上述第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，上述复合负荷包括刚性负荷和柔性负荷。
[0040]
在一种可选的实施例中，上述对上述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，包括：获取多个用电账户分别对应的负荷模式，其中，上述负荷模式为刚性负荷模式，或者复合负荷模式；将上述多个用电账户中，上述负荷模式为上述刚性负荷模式的第一用电账户对应的目标负荷数据，作为上述第一类负荷数据；将上述多个用电账户中，上述负荷模式为上述复合负荷模式的第二用电账户对应的目标负荷数据，作为上述第二类负荷数据；基于上述第一类负荷数据和上述第二类负荷数据，得到上述第一负荷分类结果。通过以上方式，首先按照多个用电账户分别对应的负荷模式，即按照用电账户是刚性负荷还是复合负荷(即既存在刚性负荷，又存在柔性负荷)对用户侧负荷数据进行初始分类，分类获取到的由刚性负荷组成的第一类负荷数据，以及由复合负荷组成的第二类负荷数据用于进一步的柔性负荷辨识。
[0041]
步骤s106，基于上述第二类负荷数据，采用k最邻近算法，得到上述目标电网对应的柔性负荷识别结果。
[0042]
在一种可选的实施例中，上述基于上述第二类负荷数据，采用k最邻近算法，得到上述目标电网对应的柔性负荷识别结果，包括：获取上述多个用电账户对应的多种柔性负荷形式，以及由上述多种柔性负荷中的一个或多个组成的柔性负荷组合的第一组合数量，其中，上述多种柔性负荷形式至少包括：空调集群、热水器集群、电动汽车充电桩、空气源热泵；基于上述第一组合数量，采用二分法，确定对上述第二类负荷数据进行聚类的目标聚类个数；基于上述目标聚类个数和上述第二类负荷数据，采用上述k最邻近算法，得到上述柔
性负荷识别结果。
[0043]
通过以上方式，首先，确定样本中心初值，由于用户侧的负荷主要为两种模式：刚性负荷、刚性负荷+柔性负荷，且柔性负荷以可中断负荷为主，而柔性负荷的调控是根据电网系统签订协议后统一协同调控，因此能够筛选未签订协议的用户即为不含柔性负荷的用户，即选取只包含刚性负荷的用户数据初始样本中心，将样本整体(即多个用电账户分别对应的目标负荷数据)按照负荷模式分为两大类，包括：由刚性负荷组成的第一类负荷数据，由复合负荷(即刚性负荷和柔性负荷)组成的第二类负荷数据，利用已有的刚性负荷对应的第一类负荷数据筛选第一类样本聚类，剩余的第二类负荷数据重新利用k-means算法进行聚类；第二类负荷数据在使用k-means算法时，需要确定好数据集应划分的种类，即k值，避免因k值选取不当导致的局部优解，由于用户侧的柔性负荷目前主要分为以下几种形式：空调集群、热水器集群、电动汽车桩和空气源热泵，面向个人用户和工业用户，这几类柔性负荷形式的占比不一，通过组合的形式，总共有种组合情形，即组合区间为利用二分法的概念，确定对上述第二类负荷数据进行聚类的目标聚类个数，在此基础上基于获取到的目标聚类个数和第二类负荷数据，采用k最邻近算法，得到对应的柔性负荷识别结果，由此提升聚类数获取准确性，实现柔性负荷的准确辨识。
[0044]
在一种可选的实施例中，上述基于上述第一组合数量，采用二分法，确定对上述第二类负荷数据进行聚类的目标聚类个数，包括：确定上述第一组合数量对应的第一组合区间；以聚类质量作为参考指标数据，采用上述二分法对上述第一组合区间进行二分处理，确定对上述第二类负荷数据进行聚类的上述目标聚类个数。
[0045]
可选的，可以但不限于通过戴维森堡丁指数表征上述聚类质量。
[0046]
可选的，上述以聚类质量作为参考指标数据，采用上述二分法对上述第一组合区间进行二分处理，确定对上述第二类负荷数据进行聚类的上述目标聚类个数，包括如下子步骤：
[0047]
步骤s1，采用上述二分法对上述第一组合区间进行二分处理，得到上述第一组合区间对应的第一中位数，将上述第一中位数作为第一聚类个数；
[0048]
步骤s2，获取基于上述第一聚类个数对上述第二类负荷数据进行聚类的第一聚类质量，并将上述第一聚类质量作为参考聚类质量；
[0049]
步骤s3，确定上述第一组合区间的下限值与上述第一中位数组成的第二组合区间，以及上述第一中位数与上述第一组合区间的上限值组成的第三组合区间；
[0050]
步骤s4，采用上述二分法对上述第二组合区间进行二分处理，得到上述第二组合区间对应的第二中位数，将上述第二中位数作为第二聚类个数，以及采用上述二分法对上述第三组合区间进行二分处理，得到上述第三组合区间对应的第三中位数，将上述第三中位数作为第三聚类个数；
[0051]
步骤s5，获取基于上述第二聚类个数对上述第二类负荷数据进行聚类的第二聚类质量，以及基于上述第三聚类个数对上述第二类负荷数据进行聚类的第三聚类质量；
[0052]
步骤s6，将上述第二聚类质量和上述第三聚类质量中的最小值的作为新的参考聚类质量，以及以上述最小值对应的组合区间作为新的第一组合区间，重复执行上述步骤s3至步骤s5的操作，直至基于新的第一组合区间获取到的新的第二聚类质量和新的第三聚类
质量在连续两次循环内均小于对应的新的参考质量；
[0053]
步骤s7，将新的参考质量对应的新的第一组合区间的中位数作为上述目标聚类个数。
[0054]
可选的，以上述第一组合数量为种组合情形，第一组合区间为的情况下，上述以聚类质量作为参考指标数据，采用上述二分法对上述第一组合区间进行二分处理，确定对上述第二类负荷数据进行聚类的上述目标聚类个数，具体包括如下子步骤：
[0055]
步骤s11，首先选取即组合数量区间的中位值，求取聚类后的聚类质量，聚类质量采用戴维森堡丁指数dbi指标评价，计算公式如下：量，聚类质量采用戴维森堡丁指数dbi指标评价，计算公式如下：式中，si、sj代表第i、j个类内对象的分散程度；k表示聚类个数；di，j表示第i、j个类的类间距离。得到的dbi作为参考指标数据，随后分别选取和的中位值，分别计算dbi，将计算得到的dbi分别与参考指标数据(即参考聚类质量)对比。步骤s12，若dbi小于参考指标数据，则使用较小的dbi作为新的参考指标数据，并选取该中位值对应的区间，再一次二分区间，重复上面的步骤s11的操作；
[0056]
步骤s13，当出现dbi大于参考指标数据时，选取两个中位值种产生较小dbi的中位值对应的区间，再次二分区间，重复上述步骤s11的操作；
[0057]
步骤s14，当连续两次循环内，dbi均大于参考指标数据时，则确认以产生参考指标数据的中位值作为聚类k值(即目标聚类个数)。
[0058]
在一种可选的实施例中，上述基于上述第二类负荷数据，采用k最邻近算法，得到上述目标电网对应的柔性负荷识别结果，包括：将上述第一采样时段划分为多个子时段，确定上述多个子时段分别对应的时段类型，其中，上述时段类型为非调控时段、调控时段；确定上述第二类负荷数据中上述非调控时段对应的第三类负荷数据，以及上述第二类负荷数据中上述调控时段对应的第四类负荷数据；确定上述第一类负荷数据中上述非调控时段对应的第五类负荷数据，上述第五类负荷数据对应的负荷类型，以及上述第一类负荷数据中上述调控时段对应的第六类负荷数据；基于上述第五类负荷数据，以及上述第五类负荷数据对应的负荷类型，采用上述k最邻近算法，确定上述第三类负荷数据对应的目标负荷类型；从上述第六类负荷数据中确定与上述目标负荷类型对应的第七类负荷数据；基于上述第四类负荷数据和上述第七类负荷数据，确定上述柔性负荷识别结果。
[0059]
可以理解，上述第三负荷数据是复合负荷数据中非调控时段的负荷数据，上述第四负荷数据是复合负荷数据中非调控时段的负荷数据；上述第五负荷数据为刚性负荷数据中非调控时段的负荷数据，上述第六负荷数据为刚性负荷数据中调控时段的负荷数据。通过以上方式，首先采用k最邻近算法，以及刚性负荷在非调控时段的负荷数据对应的负荷类型，确定复合负荷在非调控时段的目标负荷类型；并在此基础上选取出与目标负荷类型相近的刚性负荷在调控时段的负荷数据(即上述第七负荷数据)；将复合负荷在调控时段的负荷数据与相同负荷类型的刚性负荷在调控时段的负荷数据进行对比分析，即可得到复合负荷在调控时段的柔性负荷情况。需要说明的是，通过上述的二分法思想，能够在推演出最接
近实际负荷情形的组合形式。
[0060]
在上述步骤中，已经能够获取用户侧的负荷分类，包括纯刚性负荷和兼具刚性柔性负荷的复合负荷，为了更加准确的获取用户侧的柔性负荷，在已分类的基础上，需要对用户侧的柔性负荷进一步筛选。在实际应用中，用户侧的柔性负荷一般是聚商后统一调控，且柔性负荷调控的时间段较为固定，一般在用电高峰和用电低谷时段进行调控，且柔性负荷在一天内的调控频次有上限，因此需要正确掌握柔性负荷的实时数据才能提高调控的精度。本发明实施例在用户侧负荷辨识的基础上进一步对复合负荷分析，得到对应用户的柔性负荷，具体包括：
[0061]
基于用电调控时段将一天划分为多个时段，多个时段分别为非调控时段和调控时段，时段的划分选取依据可以实际的调控时间或者用电峰谷时，同时前述的分类样本(即多个用电账户分别对应的目标负荷数据)同样按照该时段划分的方式划分成多个子向量，例如一天划分为以下四个时段：0-7、7-11、11-19、20-24，其中7-11和20-24为调控时段，0-7和11-19为非调控时段，则多个用电账户分别对应的目标负荷数据分别拆解成四个子向量：xi0-7、xi7-11、xi11-19、xi20-24，将其中对应非调控时段的子向量选取出，即xi0-7和xi11-19，按顺序拼接组成新的向量，即xi0-7+xi11-19，将刚性负荷的分类样本(即第五类负荷数据)作为已知的训练样本，将复合负荷的分类样本(即第三类负荷数据)作为待分类样本，通过knn算法求取最接近的分类。
[0062]
由于样本数据已经经历过一轮聚类分类，因此此处使用knn算法能够快速得到结果，knn算法中选用欧式距离计算数据样本之间的相异度，其原理的数学表述如下：
[0063]
假设待分类样本(即第三类负荷数据)为xi(i＝1,2,3,
……
,m1)，n为第五类负荷数据对应的用电账户的个数，与第二负荷分类结果对应的类别为c(c＝1,2,3,
……
,m2)，m2为类别总数。knn算法的基本思想为：首先，依照欧式距离值的大小，计算待分类样本和第五类负荷数据中每一训练样本的相异度，其中，第五类负荷数据中每一个用电账户对应的负荷数据作为一个训练样本。然后，选出与待分类的样本相异度最小的k个训练样本，作为的k个最近邻。最后，根据xi的k个最近邻判断xi的类别。
[0064]
算法在开始时，构建了一个容量为k的、按距离由大到小的排列的优先级队列，来储存测试样本的最近邻。并且，从第五类负荷数据中随机择出k个训练样本，当做初始的最近邻样本。分别计算待分类样本到k个最近邻的距离，将k训练样本对应的类别标签和距离存到优先级队列中。然后，遍历训练数据，计算当前训练样本与待分类样本之间的距离，比较所得距离l与优先级队列中的最大距离l
max
。若l》＝l
max
，则淘汰该训练样本，遍历下一个；若l《l
max
，则删除当前优先级队列中最大距离l
max
的训练样本，并将当前训练样本存到优先级队列中。当第五类负荷数据全部遍历完后，计算优先级队列中k个训练样本中类别标签的最多数，并把数量最多的类别标签作为待分类样本的类别标签。为达到该算法的高准确率，设定不同的k值重新进行训练，最后取准确率最高的k值。
[0065]
由于在未调控的时候，复合负荷的用电账户视为仅具备刚性负荷需求，找到复合负荷用电账户在调控时段的第四类负荷数据，以及与复合负荷用电账户最为接近的目标复合类型的刚性负荷对应的第七类负荷数据，基于第四类负荷数据和第七类负荷数据，确定目标电网中复合负荷用电账户对应的柔性负荷识别结果。
[0066]
在一种可选的实施例中，上述基于上述第四类负荷数据和上述第七类负荷数据，
确定上述柔性负荷识别结果，包括：确定上述第四类负荷数据和上述第七类负荷数据之间的差值平均值；基于上述差值平均值，确定上述柔性负荷识别结果。
[0067]
通过以上方式，基于第四类负荷数据和第七类负荷数据之间的差值平均值，确定目标电网中复合负荷用电账户对应的柔性负荷识别结果。以上方式可以但不限于通过查找对应的负荷曲线的方式实现，即找到复合负荷用电账户在未调控时段内最接近的刚性负荷的负荷曲线后，随后对比调控时段内，复合负荷曲线与对应的刚性负荷曲线的差值平均值，即可求取该复合负荷用电账户的柔性负荷数值，作为该复合负荷用电账户对应的柔性负荷识别结果，差值平均值计算公式为：式中，x为复合负荷用电账户在调控时段内的负荷样本子向量的组合(第四类负荷数据中)，y为刚性负荷在调控时段内的负荷样本子向量的组合(即第七类负荷数据)，nk为负荷样本子向量的组合的维度，得到的即为该复合负荷用户的柔性负荷数据，即可用于电网调控的负荷数据。
[0068]
通过上述步骤s102至步骤s106，可以达到准确进行用户侧柔性负荷辨识的目的，从而实现提升用户侧柔性负荷辨识准确性，实现电网系统的均衡稳定运行的技术效果，进而解决相关技术中存在的用户侧柔性负荷辨识准确性低，进而导致配电网调控平衡性差的技术问题。
[0069]
基于上述实施例和可选实施例，本发明提出一种可选实施方式，图2是根据本发明实施例的一种可选的柔性负荷识别方法的流程图，如图2所示，应用于含分布式微电网的配电网系统中，且分布式微电网默认包括发电装置、储能装置和可调节负荷，即分布式微电网能够直接视为柔性负荷，该方法包括：
[0070]
首先需要获取配电网的初始负荷数据，初始负荷数据包括用户初始负荷和分布式微电网初始负荷，电网中每一个用户对应于一个用电账户，每一个用电账户对应的初始负荷数据即为用户初始负荷数据，用户初始负荷数据按照一个用电账户在一天内不同时间点从电力系统需求的电功率数据计算，即用户初始负荷数据可以视为一个n维向量数据，n为划分一天的时间段数。在配电网中，用户侧包括n个用电账户，因此需要收集n个用电账户的初始负荷数据，每一个用电账户的初始负荷为一个样本数据xi＝(xi1,xi2,...,xin)，用户侧多个用电账户分别对应的初始负荷数据构成样本集a＝{x1，x2，...，xn}。
[0071]
对用户侧多个用电账户分别对应的初始负荷数据进行预处理，剔除可能包括的四类异常数据(即空白数据、重复数据、冲击数据、无效数据)，对用户侧的负荷数据预处理后，能够有效去除异常数据，得到多个用电账户分别对应的目标负荷数据，为后续的负荷辨识提高精度水准。
[0072]
首先，确定样本中心初值，由于用户侧的负荷主要为两种模式：刚性负荷、刚性负荷+柔性负荷，且柔性负荷以可中断负荷为主，而柔性负荷的调控是根据电网系统签订协议后统一协同调控，因此能够筛选未签订协议的用户即为不含柔性负荷的用户，即选取只包含刚性负荷的用户数据初始样本中心，将样本整体(即多个用电账户分别对应的目标负荷数据)按照负荷模式分为两大类，包括：由刚性负荷组成的第一类负荷数据，由复合负荷(即刚性负荷和柔性负荷)组成的第二类负荷数据，利用已有的刚性负荷对应的第一类负荷数据筛选第一类样本聚类，剩余的第二类负荷数据重新利用k-means算法进行聚类；第二类负荷数据在使用k-means算法时，需要确定好数据集应划分的种类，即k值，避免因k值选取不
当导致的局部优解，由于用户侧的柔性负荷目前主要分为以下几种形式：空调集群、热水器集群、电动汽车桩和空气源热泵，面向个人用户和工业用户，这几类柔性负荷形式的占比不一，通过组合的形式，总共有种组合情形，即组合数量区间为利用二分法的概念，确定对上述第二类负荷数据进行聚类的目标聚类个数。
[0073]
基于用电调控时段将一天划分为多个时段，多个时段分别为非调控时段和调控时段，时段的划分选取依据可以实际的调控时间或者用电峰谷时，同时前述的分类样本(即多个用电账户分别对应的目标负荷数据)同样按照该时段划分的方式划分成多个子向量，例如一天划分为以下四个时段：0-7、7-11、11-19、20-24，其中7-11和20-24为调控时段，0-7和11-19为非调控时段，则多个用电账户分别对应的目标负荷数据分别拆解成四个子向量：xi0-7、xi7-11、xi11-19、xi20-24，将其中对应非调控时段的子向量选取出，即xi0-7和xi11-19，按顺序拼接组成新的向量，即xi0-7+xi11-19，将刚性负荷的分类样本(即第五类负荷数据)作为已知的训练样本，将复合负荷的分类样本(即第三类负荷数据)作为待分类样本，通过knn算法求取最接近的分类。
[0074]
由于在未调控的时候，复合负荷的用电账户视为仅具备刚性负荷需求，找到复合负荷用电账户在调控时段的第四类负荷数据，以及与复合负荷用电账户最为接近的目标复合类型的刚性负荷对应的第七类负荷数据，基于第四类负荷数据和第七类负荷数据之间的差值平均值，确定目标电网中复合负荷用电账户对应的柔性负荷识别结果。以上方式可以但不限于通过查找对应的负荷曲线的方式实现，即找到复合负荷用电账户在未调控时段内最接近的刚性负荷的负荷曲线后，随后对比调控时段内，复合负荷曲线与对应的刚性负荷曲线的差值平均值，即可求取该复合负荷用电账户的柔性负荷数值，作为该复合负荷用电账户对应的柔性负荷识别结果，差值平均值计算公式为：式中，x为复合负荷用电账户在调控时段内的负荷样本子向量的组合(第四类负荷数据中)，y为刚性负荷在调控时段内的负荷样本子向量的组合(即第七类负荷数据)，nk为负荷样本子向量的组合的维度，得到的即为该复合负荷用户的柔性负荷数据，即可用于电网调控的负荷数据。
[0075]
至此，用户侧的负荷数据的采集处理和负荷辨识都已完成，其中对柔性负荷的辨识能够根据负荷数据维度的选取达到精准区分。
[0076]
本发明应用的模型中还存在分布式微电网，分布式微电网默认包括发电装置、储能装置和可变负载，其中发电装置指风力发电、光伏发电、水力发电等发电模式，这些发电模式受限于环境因素，发电功率是随机波动的，因此需要配置储能装置和可调节负荷维持发电功率的平衡，这里储能装置以电池存储为代表，可变负载指电动机类的装置设备，此类装置可通过调节输出功率从而调节分布式微电网的输出功率。该模型中，分布式微电网应该作为并网电力的输出源，因此用户侧的负荷为正负荷，分布式微电网的负荷则为负负荷。
[0077]
由于分布式微电网在输出电力时要求输出功率尽可能平稳，微电网内设置的储能装置和可变负载也能够协助维持分布式微电网的负荷平衡，使分布式微电网的负荷水平在一定范围内可调节，故在本发明的方案中，将分布式微电网视为具有柔性负荷的输出源，即pv+pe＝po+pc，其中pv为发电装置的负荷，pvmin(最小发电功率)＜pv＜pvmax(最大发电功率)，pe为储能装置的负荷，pemin(电池充放电最小功率)＜pe＜pemax(电池充放电最大功率)，po分布式微电网的输出功率，pc为柔性负荷。由于柔性负荷可以分为可中断负荷、可调
节负荷和可转移负荷，这三类负荷可以通过储能装置的断电和调压充电实现，因此pe是直接影响柔性负荷的因素。
[0078]
而可变负载则直接影响分布式微电网的输出功率，进一步将可变负载加入，得到调整后的分布式微电网的负荷模型：po＝pv-pq+pe-pc＝pv+pe-pq-pc，其中pq为可变负载，pq为范围内的调控变量，pqmin(可变负载最小功率)＜pq＜pqmax(可变负载最大功率)，上式的分布式微电网的负荷模型为理想的分布式微电网的输出模型。
[0079]
通过上文建立的分布式微电网负荷模型能够将分布式微电网的负荷与用户侧的负荷保持一致，从而方便调控。以用电峰时的调控为例，调控包括以下步骤：
[0080]
首先获取电力用户侧超过电力系统外的负荷需求，即过负荷需求，并计算用户侧的可用柔性负荷，则po＝过负荷需求-可用柔性负荷；
[0081]
带入上文中的式子，得到pv+pe-pq-pc＝过负荷需求-可用柔性负荷，令pc＝可用柔性负荷，则pv+pe-pq＝过负荷需求，根据实际pv和pe的数据即可求取pq的数值，通过将可变负载设置成对应的pq，即可实现分布式微电网与用户侧负荷的协调一致，从而维持配电网的平衡。
[0082]
本发明实施例至少可以实现如下技术效果：设计了基于改进型k-means算法的用户侧负荷辨识的方法，利用分步k-means算法将用户分为刚性负荷和复合负荷两大类，并基于knn算法从复合负荷中筛选出柔性负荷的部分；设计了分布式微电网的负荷模型，利用对用户侧的柔性负荷的辨识结果，导入到分布式微电网的负荷模型中，通过维持两侧柔性负荷的水平一致性，达到配电网调控平衡的目的。
[0083]
在本实施例中还提供了一种柔性负荷识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0084]
根据本发明实施例，还提供了一种用于实施上述柔性负荷识别方法的装置实施例，图3是根据本发明实施例的一种柔性负荷识别装置的结构示意图，如图3所示，上述柔性负荷识别装置，包括：获取模块300、分类模块302、识别模块304，其中：
[0085]
上述获取模块300，用于获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据；
[0086]
上述分类模块302，连接于上述获取模块300，用于对上述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，上述第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，上述复合负荷包括刚性负荷和柔性负荷；
[0087]
上述识别模块304，连接于上述分类模块302，用于基于上述第二类负荷数据，采用k最邻近算法，得到上述目标电网对应的柔性负荷识别结果。
[0088]
在本发明实施例中，通过设置上述获取模块300，用于获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据；上述分类模块302，连接于上述获取模块300，用于对上述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，上述第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，上述复合负荷包括刚性负荷和柔性负荷；上述识别模块304，
连接于上述分类模块302，用于基于上述第二类负荷数据，采用k最邻近算法，得到上述目标电网对应的柔性负荷识别结果，达到了准确进行用户侧柔性负荷辨识的目的，从而实现了提升用户侧柔性负荷辨识准确性，实现电网系统的均衡稳定运行的技术效果，进而解决了相关技术中存在的用户侧柔性负荷辨识准确性低，进而导致配电网调控平衡性差的技术问题。
[0089]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
[0090]
此处需要说明的是，上述获取模块300、分类模块302、识别模块304对应于实施例中的步骤s102至步骤s106，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
[0091]
需要说明的是，本实施例的可选或优选实施方式可以参见实施例中的相关描述，此处不再赘述。
[0092]
上述的柔性负荷识别装置还可以包括处理器和存储器，上述获取模块300、分类模块302、识别模块304等均作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块来实现相应的功能。
[0093]
处理器中包含内核，由内核去存储器中调取相应的程序模块，上述内核可以设置一个或以上。存储器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)，存储器包括至少一个存储芯片。
[0094]
根据本技术实施例，还提供了一种非易失性存储介质的实施例。可选的，在本实施例中，上述非易失性存储介质包括存储的程序，其中，在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种柔性负荷识别方法。
[0095]
可选的，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述非易失性存储介质包括存储的程序。
[0096]
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据；对上述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，上述第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，上述复合负荷包括刚性负荷和柔性负荷；基于上述第二类负荷数据，采用k最邻近算法，得到上述目标电网对应的柔性负荷识别结果。
[0097]
根据本技术实施例，还提供了一种处理器的实施例。可选的，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种柔性负荷识别方法。
[0098]
根据本技术实施例，还提供了一种计算机程序产品的实施例，当在数据处理设备上执行时，适于执行初始化有上述任意一种的柔性负荷识别方法步骤的程序。
[0099]
可选的，上述计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷
数据；对上述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，上述第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，上述复合负荷包括刚性负荷和柔性负荷；基于上述第二类负荷数据，采用k最邻近算法，得到上述目标电网对应的柔性负荷识别结果。
[0100]
本发明实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据；对上述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，上述第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，上述复合负荷包括刚性负荷和柔性负荷；基于上述第二类负荷数据，采用k最邻近算法，得到上述目标电网对应的柔性负荷识别结果。
[0101]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0102]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0103]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述模块的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0104]
上述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0105]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0106]
上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取非易失性存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个非易失性存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的非易失性存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0107]
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种柔性负荷识别方法，其特征在于，包括：获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据；对所述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，所述第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，所述复合负荷包括刚性负荷和柔性负荷；基于所述第二类负荷数据，采用k最邻近算法，得到所述目标电网对应的柔性负荷识别结果。2.根据权利要求1所述的方法，其特征在于，所述对所述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，包括：获取多个用电账户分别对应的负荷模式，其中，所述负荷模式为刚性负荷模式，或者复合负荷模式；将所述多个用电账户中，所述负荷模式为所述刚性负荷模式的第一用电账户对应的目标负荷数据，作为所述第一类负荷数据；将所述多个用电账户中，所述负荷模式为所述复合负荷模式的第二用电账户对应的目标负荷数据，作为所述第二类负荷数据；基于所述第一类负荷数据和所述第二类负荷数据，得到所述第一负荷分类结果。3.根据权利要求1所述的方法，其特征在于，所述基于所述第二类负荷数据，采用k最邻近算法，得到所述目标电网对应的柔性负荷识别结果，包括：获取所述多个用电账户对应的多种柔性负荷形式，以及由所述多种柔性负荷中的一个或多个组成的柔性负荷组合的第一组合数量，其中，所述多种柔性负荷形式至少包括：空调集群、热水器集群、电动汽车充电桩、空气源热泵；基于所述第一组合数量，采用二分法，确定对所述第二类负荷数据进行聚类的目标聚类个数；基于所述目标聚类个数和所述第二类负荷数据，采用所述k最邻近算法，得到所述柔性负荷识别结果。4.根据权利要求3所述的方法，其特征在于，所述基于所述第一组合数量，采用二分法，确定对所述第二类负荷数据进行聚类的目标聚类个数，包括：确定所述第一组合数量对应的第一组合区间；以聚类质量作为参考指标数据，采用所述二分法对所述第一组合区间进行二分处理，确定对所述第二类负荷数据进行聚类的所述目标聚类个数。5.根据权利要求2所述的方法，其特征在于，所述基于所述第二类负荷数据，采用k最邻近算法，得到所述目标电网对应的柔性负荷识别结果，包括：将所述第一采样时段划分为多个子时段，确定所述多个子时段分别对应的时段类型，其中，所述时段类型为非调控时段、调控时段；确定所述第二类负荷数据中所述非调控时段对应的第三类负荷数据，以及所述第二类负荷数据中所述调控时段对应的第四类负荷数据；确定所述第一类负荷数据中所述非调控时段对应的第五类负荷数据，所述第五类负荷数据对应的负荷类型，以及所述第一类负荷数据中所述调控时段对应的第六类负荷数据；基于所述第五类负荷数据，以及所述第五类负荷数据对应的负荷类型，采用所述k最邻
近算法，确定所述第三类负荷数据对应的目标负荷类型；从所述第六类负荷数据中确定与所述目标负荷类型对应的第七类负荷数据；基于所述第四类负荷数据和所述第七类负荷数据，确定所述柔性负荷识别结果。6.根据权利要求5所述的方法，其特征在于，所述基于所述第四类负荷数据和所述第七类负荷数据，确定所述柔性负荷识别结果，包括：确定所述第四类负荷数据和所述第七类负荷数据之间的差值平均值；基于所述差值平均值，确定所述柔性负荷识别结果。7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据，包括：获取所述第一采样时段内，多个用电账户分别对应的初始负荷数据；判断所述多个用电账户分别对应的初始负荷数据中是否存在异常数据；在所述多个用电账户分别对应的初始负荷数据中均不存在所述异常数据的情况下，将多个用电账户分别对应的初始负荷数据作为所述多个用电账户分别对应的目标负荷数据。8.根据权利要求7所述的方法，其特征在于，在所述异常数据包括第一类异常数据的情况下，所述方法还包括：在所述多个用电账户中的任意一个用电账户对应的初始负荷数据中存在所述第一类异常数据的情况下，获取所述第一类异常数据对应的所述任意一个用电账户的第一历史采样数据，其中，所述第一历史采样数据与所述第一类异常数据的采样时间相对应，所述第一类异常数据为以下任意之一：空白数据、重复数据、冲击数据；基于所述第一历史采样数据，采用所述k最邻近算法，得到所述第一类异常数据对应的第一补充数据；将所述第一类异常数据替换为所述第一补充数据，得到所述任意一个用电账户对应的目标负荷数据。9.根据权利要求7所述的方法，其特征在于，在所述异常数据包括第二类异常数据的情况下，所述方法还包括：在所述多个用电账户中的任意一个用电账户对应的初始负荷数据中存在所述第二类异常数据的情况下，获取所述第二类异常数据对应的所述任意一个用电账户的第二历史采样数据，其中，所述第二历史采样数据得的采样时间与所述第一采样时段相对应，所述第二类异常数据至少包括：无效数据；基于所述第二历史采样数据，采用所述k最邻近算法，得到所述第二类异常数据对应的第二补充数据；将所述第二补充数据作为所述任意一个用电账户对应的目标负荷数据。10.一种柔性负荷识别装置，其特征在于，包括：获取模块，用于获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据；分类模块，用于对所述多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，所述第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，所述复合负荷包括刚性负荷和柔性负荷；识别模块，用于基于所述第二类负荷数据，采用k最邻近算法，得到所述目标电网对应
的柔性负荷识别结果。

技术总结
本发明公开了一种柔性负荷识别方法及装置。其中，该方法包括：获取第一采样时段内，目标电网中多个用电账户分别对应的目标负荷数据；对多个用电账户分别对应的目标负荷数据进行第一分类处理，得到第一负荷分类结果，其中，第一负荷分类结果包括：由刚性负荷组成的第一类负荷数据，由复合负荷组成的第二类负荷数据，复合负荷包括刚性负荷和柔性负荷；基于第二类负荷数据，采用K最邻近算法，得到目标电网对应的柔性负荷识别结果。本发明解决了相关技术中存在的用户侧柔性负荷辨识准确性低，进而导致配电网调控平衡性差的技术问题。导致配电网调控平衡性差的技术问题。导致配电网调控平衡性差的技术问题。


技术研发人员：李洪涛 王存平 程林 郝良 李子衿 王辰 任志刚 赵二岗 许丽娜 田浩 俞斌
受保护的技术使用者：国家电网有限公司 清华大学无锡应用技术研究院
技术研发日：2023.01.03
技术公布日：2023/8/23