CN107169596A - 基于人体舒适度的台区日用电量的预测方法 - Google Patents

基于人体舒适度的台区日用电量的预测方法 Download PDF

Info

Publication number
CN107169596A
CN107169596A CN201710280878.9A CN201710280878A CN107169596A CN 107169596 A CN107169596 A CN 107169596A CN 201710280878 A CN201710280878 A CN 201710280878A CN 107169596 A CN107169596 A CN 107169596A
Authority
CN
China
Prior art keywords
day
temperature
mrow
predicted
power consumption
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710280878.9A
Other languages
English (en)
Other versions
CN107169596B (zh
Inventor
陈启忠
吉宇
曹伟新
王宏巍
陆晓冬
张春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nantong Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Nantong Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Publication of CN107169596A publication Critical patent/CN107169596A/zh
Application granted granted Critical
Publication of CN107169596B publication Critical patent/CN107169596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

一种基于人体舒适度的台区日用电量的预测方法，通过获取台区待预测日及待预测日前几日的指定参数，带入模型中算出待预测日的平均体感温度、最高体感温度、最低体感温度以及待预测日前几日的平均体感温度、最高体感温度、最低体感温度；根据公式判断待预测日的最高体感温度、最低体感温度以及待预测日前几日的最高体感温度平均值、最低体感温度平均值所处的人体舒适度区间；根据确定的区间情况，计算补偿量的大小；获取根据基于周几比例系数修正的一元线性回归模型计算出台区待预测日的非修正待预测日用电量，并与得到的补偿量进行叠加。本发明根据体感温度计算出气温补偿量并对预测日用电量进行修正，从而提高预测的精确性。

Description

基于人体舒适度的台区日用电量的预测方法
技术领域
本发明涉及一种基于人体舒适度的台区日用电量的预测方法，属于电网用电技术领域。
背景技术
用电量预测是电网公司制定生产综合计划制定经营计划的关键基础，合理准确的预测结论会给公司的经营决策带来正向效应，反之就会导致公司经营策略的背离，因此对未来季度或者年度的用电量预测显得至关重要。纵览国内外市场预测技术可知，现有的用电量预测技术可以归结为三类，但是都不能解决用电量预测的关键问题。
第一类用电量预测技术是依据历史用电量的实际发生值进行趋势外推，预测结论所包含的信息就是基于预测期的经济环境沿袭上一周期的发展模式，例如中国专利101976301。但是如果预测周期内的用电形势发生了较大改变或者方向性的掉头，该方法无法预测，因此在当前经济不稳定时期，该类方法的预测结论常常较实际发生的偏差较大。
第二类用电量预测技术是基于预测人员的经验判断预测年的增长幅度，预测人员会根据当前的经济形势、和自己的预测经验开展预测，这种对经济形势的判断仅局限于定性分析层面，而无法定量到具体的预测模型上，而对于预测的经验增长则更加依赖于预测人员个人的综合判断能力，预测结果的可信度不能得到有效保证。
第三类用电量预测技术是采用不同的算法对历史用电量实际发生值进行外推，从算法上解决用电量预测问题。但是现有的算法较为复杂，并且对用电量的预测的精度也不够。
在电力***中，台区是指(一台)变压器的供电范围或区域，它是电力***中的最小资产单元，而台区的日用电量预测受诸多气候因子的影响，如气温、湿度、风速等，其中，气温作为台区日用量诸多影响因子中最显著的一个，其大小的变化将引起预测值的变化，特别在夏季、冬季表现得非常明显，然而现有的气温数据往往只显示环境的温度，但是这种气温数据并没有充分考虑湿度、风速等对人体感应的温度(体感温度)的影响，因此常规不能完全体现人体感应的真实温度，也就无法精确估算这种综合情况对日用电量预测产生的影响，导致日用电量预测结果的精确性进一步降低。
发明内容
本发明所要解决的技术问题是，台区日用电量预测的方法复杂，且精确度低。
为了解决上述问题，提供一种基于人体舒适温度的台区日用电量的预测方法，在利用周几系数修正的线性回归模型实现台区日用电量预测的基础上，根据体感温度计算出气温补偿量并进行修正，从而提高台区待预测日的日用电量数值预测的精确性。
本发明解决以上技术问题的技术方案：
基于人体舒适度的台区日用电量的预测方法，包括如下步骤：
S1、获取台区待预测日的平均温度、最高温度、最低温度、湿度、风速参数和台区待预测日前几日的对应参数，带入指定的模型中计算出台区待预测日的平均体感温度、最高体感温度、最低体感温度以及台区待预测日前几日的平均体感温度、最高体感温度、最低体感温度；
S2、根据公式判断待预测日的最高体感温度、最低体感温度以及待预测日前几日的最高体感温度平均值、最低体感温度平均值所处的人体舒适度区间V(i)；
S3、根据确定的待预测日的最高体感温度、最低体感温度以及待预测日前几日的最高体感温度平均值、最低体感温度平均值所处的人体舒适度区间，按照指定公式计算补偿量的大小；
S4、获取根据基于周几系数修正的一元线性回归模型(平均体感温度影响因子)计算出的台区待预测日的非修正预测日用电量，并将非修正预测日用电量与得到的补偿量进行叠加，计算得到台区的修正预测日用电量。作为本发明的进一步改进，进一步的，在S1中，平均体感温度、最高体感温度或最低体感温度的计算满足如下公式：
其中，Tg为平均体感温度，Tgm为最高体感温度，Tgn为最低体感温度，T为日平均气温，Tm为日最高气温，Tn为日最低气温，U为平均相对湿度，V为平均风速。
作为本发明的进一步改进，进一步的，待预测日前几日为所述待预测日前4-10天。
作为本发明的进一步改进，进一步的，在S2中，台区待预测日的最高体感温度、最低体感温度以及台区待预测日前几日的最高体感温度平均值、最低体感温度平均值的人体舒适度区间满足如下公式：
其中，Tgmi为最高体感温度，Tgni为最低体感温度。
作为本发明的进一步改进，进一步的，在S3中，
(1)当待预测日的最高体感温度对应的温度区间为4，待预测日之前几日的最高体感温度平均值、最低体感温度平均值对应的温度区间为3时，在非修正预测日用电量上叠加正补偿量△L1，且满足如下公式：
△L1＝k1*(Tgmi-34.5)
其中，k1为气温补偿系数；
(2)当待预测日的最高体感温度、最低体感温度对应的温度区间为3，待预测日之前几日最高体感温度平均值对应的温度区间为4时，在非修正预测日用电量上叠加负补偿量△L2，且满足如下公式：
△L2＝k2*(Tgmi-34.5)
其中，k2为气温补偿系数；
(3)当待预测日的最高体感温度对应的温度区间为5，待预测日之前几日的最高体感温度平均值对应的温度区间为4，在非修正预测日用电量上叠加正补偿量△L3，且满足如下公式：
△L3＝k3*(Tgmi-37.5)
其中，k3为气温补偿系数；
(4)当待预测日的最高体感温度和待预测日之前几日的最高体感温度平均值对应的温度区间均大于等于4，且待预测日的最大气温小于待预测日之前几日的最高体感温度的平均值Tgmp，在非修正预测日用电量上叠加正补偿量△L4，且满足如下公式：
△L4＝k4*(Tgmp-Tgmi)
其中，k4为气温补偿系数；
(5)当待预测日最低体感温度对应的温度区间为2，待预测日之前几日的最高体感温度平均值、最低体感温度平均值对应的温度区间为3，在非修正预测日用电量上叠加正补偿量△L5，且满足如下公式：
△L5＝k5*(5-Tgni)
其中，k5为气温补偿系数；
(6)当待预测日最高体感温度、最低体感温度对应的温度区间为3，待预测日之前几日的最低体感温度的平均值对应的温度区间为2，在非修正预测日用电量上叠加负补偿量△L6，且满足如下公式：
△L6＝k6*(Tgni-5)
其中，k6为气温补偿系数；
(7)当待预测日的最低体感温度Tgni对应的温度区间为1，待预测日之前几日的最低体感温度Tgni平均值对应的温度区间为2时，在非修正预测日用电量上叠加正补偿量△L7，且满足如下公式：
△L7＝k7*(1-Tgni)
其中，k7为气温补偿系数；
(8)当待预测日和待预测日之前几日的气温对应的温度区间不满足上述任一情况时，令补偿量为0。
作为本发明的进一步改进，更进一步的，气温补偿系数k1—k7的计算方法如下：
S31，从台区的历史数据中查询气温条件与待预测日和待预测日之前几日的气温所在的温度区间相同的最近一次的日期；
S32，从历史数据中提取该日期根据回归模型预测得到的非修正预测日用电量Di以及该日期的实际用电量Ds，计算得到它们的差值Db；
S33，将该日期对应的差值Db以及气温条件带入对应补偿量公式中，计算得出气温补偿系数。
作为本发明的进一步改进，进一步的，在S4中，根据基于周几系数修正的一元线性回归模型(平均体感温度影响因子)计算出的台区待预测日的非修正预测日用电量的方法包括如下步骤：
S41、从历史日中由“近向远”寻找标准周；
S42、根据标准周的7天日用电量获取周几比例系数K，即：
K＝[1,D2/D1,D3/D1,D4/D1,D5/D1,D6/D1,D7/D1] (3)；
其中，D1为标准周周一的台区用电量，D2为标准周周二的台区用电量，D3为标准周周三的台区用电量，D4为标准周周四的台区用电量，D5为标准周周五的台区用电量，D6为标准周周六的台区用电量，D7为标准周周日的台区用电量；
S43、将台区历史日实际用电量Di根据周几比例系数修正获取历史日实际用电量修正值Di’，即：
D'i＝Di/K(i) i＝1,2,...,7 (4)；
S44、根据台区用电量修正值、平均体感温度，建立一元线性回归模型，即：
D'＝a*Tg+b (5)；
其中变量为：平均体感温度Tg；
S45、通过气象数据库查询得到靠近预测日的平均气温T、最高气温Tmax、最低气温Tmin、湿度RH、风速V的历史气象数据，其中i-1代表预测日前一天，依次类推，带入式(1)，得到历史日的平均体感温度；
S46、将靠近预测日的S45所得的平均体感温度代入公式(5)，即：
S47、对线性回归方程(6)采用最小二乘法公式拟合，计算出线性回归方程(6)中的各常数，即a、b；
S48、将a、b以及预测日的影响因子代入n元线性回归模型(5)，可以得到预测日的修正用电量其中i代表预测日，i+1代表预测日后一天，依次类推；即：
S49、将预测日的修正日用电量进行周几比例系数修正，根据周几分别乘以对应的周几比例系数，获取预测用电量，即：
作为本发明的进一步改进，更进一步的，S41中标准周的寻找条件为：(1)该周的7天都处在人体比较舒适区间3，即V(i)＝3，i＝1～7；(2)该周的7天再加上该周之前2天、之后2天，总共11天都是非节日。
作为本发明的进一步改进，更进一步的，在S4后还包括节假日预测用电量补偿；具体为：
当待预测日为普通日时，不进行补偿；
当待预测日为节日时，节日用电量预测值为去年同期的用电量值的k倍(k一般取0.8～1.6。通过去年该节日和前年该节日用电量之比，比如清明节、元旦节等)。总之，本发明的优点主要体现在：
本发明设计精巧，操作简单，计算量较小，在通过一元线性回归模型计算得到台区待预测日的非修正预测日用电量的基础上，充分考虑风速、湿度等其他因素对体感温度的影响，以及不同体感温度对用电量的影响，通过将体感温度划分成不同的区间，再判断待预测日的相关体感温度和待预测日前几日对应体感温度的平均值所处的气温区间来确定应该补偿的用电量，从而对非修正预测日用电量进行修正，从而提高了台区待预测日用电量数值预测的精确性。
附图说明
图1是本发明的步骤示意图；
图2是本发明的气温补偿系数计算过程示意图。
具体实施方式
本发明的目的、优点和特点，将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例，凡采取等同替换或者等效变换而形成的技术方案，均落在本发明要求保护的范围之内。
请参阅图1，本发明揭示了一种基于人体舒适温度的台区日用电量的预测方法，包括如下步骤：
S1、获取台区待预测日的平均温度、最高温度、最低温度、湿度、风速参数和台区待预测日前几日的对应参数，带入指定的模型中计算出台区待预测日的平均体感温度、最高体感温度、最低体感温度以及台区待预测日前几日的平均体感温度、最高体感温度、最低体感温度；
S2、根据公式判断待预测日的最高体感温度、最低体感温度以及待预测日前几日的最高体感温度平均值、最低体感温度平均值所处的人体舒适度区间V(i)；
S3、根据确定的待预测日的最高体感温度、最低体感温度以及待预测日前几日的最高体感温度平均值、最低体感温度平均值所处的人体舒适度区间，按照指定公式计算补偿量的大小；
S4、获取根据基于周几系数修正的一元线性回归模型(平均体感温度影响因子)计算出的台区待预测日的非修正预测日用电量，并将非修正预测日用电量与得到的补偿量进行叠加，计算得到台区的修正预测日用电量。
在S1中，平均体感温度、最高体感温度或最低体感温度的计算满足如下公式：
其中，Tg为平均体感温度，Tgm为最高体感温度，Tgn为最低体感温度，T为日平均气温，Tm为日最高气温，Tn为日最低气温，U为平均相对湿度，V为平均风速。
待预测日前几日为所述待预测日前4-10天。
在S2中，台区待预测日的最高体感温度、最低体感温度以及台区待预测日前几日的最高体感温度平均值、最低体感温度平均值的人体舒适度区间满足如下公式：
其中，Tgmi为最高体感温度，Tgni为最低体感温度。
如公式所见，定义了五个人体舒适度区间。当V(i)＝5时，酷热，减少室外活动，尽可能打开所有空调。当V(i)＝4时，炎热、需要打开空调。当V(i)＝3时，温和、人体相对适应。当V(i)＝2时，很冷，要穿棉衣，加强运动。V(i)＝1时，酷冷，需要采取保暖措施，打开制热设备。
在S3中，(1)当待预测日的最高体感温度对应的温度区间为4，待预测日之前几日的最高体感温度平均值、最低体感温度平均值对应的温度区间为3时，在非修正预测日用电量上叠加正补偿量△L1，且满足如下公式：
△L1＝k1*(Tgmi-34.5)
其中，k1为气温补偿系数；
(2)当待预测日的最高体感温度、最低体感温度对应的温度区间为3，待预测日之前几日最高体感温度平均值对应的温度区间为4时，在非修正预测日用电量上叠加负补偿量△L2，且满足如下公式：
△L2＝k2*(Tgmi-34.5)
其中，k2为气温补偿系数；
(3)当待预测日的最高体感温度对应的温度区间为5，待预测日之前几日的最高体感温度平均值对应的温度区间为4，在非修正预测日用电量上叠加正补偿量△L3，且满足如下公式：
△L3＝k3*(Tgmi-37.5)
其中，k3为气温补偿系数；
(4)当待预测日的最高体感温度和待预测日之前几日的最高体感温度平均值对应的温度区间均大于等于4，且待预测日的最大气温小于待预测日之前几日的最高体感温度的平均值Tgmp，在非修正预测日用电量上叠加正补偿量△L4，且满足如下公式：
△L4＝k4*(Tgmp-Tgmi)
其中，k4为气温补偿系数；
(5)当待预测日最低体感温度对应的温度区间为2，待预测日之前几日的最高体感温度平均值、最低体感温度平均值对应的温度区间为3，在非修正预测日用电量上叠加正补偿量△L5，且满足如下公式：
△L5＝k5*(5-Tgni)
其中，k5为气温补偿系数；
(6)当待预测日最高体感温度、最低体感温度对应的温度区间为3，待预测日之前几日的最低体感温度的平均值对应的温度区间为2，在非修正预测日用电量上叠加负补偿量△L6，且满足如下公式：
△L6＝k6*(Tgni-5)
其中，k6为气温补偿系数；
(7)当待预测日的最低体感温度Tgni对应的温度区间为1，待预测日之前几日的最低体感温度Tgni平均值对应的温度区间为2时，在非修正预测日用电量上叠加正补偿量△L7，且满足如下公式：
△L7＝k7*(1-Tgni)
其中，k7为气温补偿系数；
(8)当待预测日和待预测日之前几日的气温对应的温度区间不满足上述任一情况时，令补偿量为0。
气温补偿系数k1—k7的计算方法如下：
S31，从台区的历史数据中查询气温条件与待预测日和待预测日之前几日的气温所在的温度区间相同的最近一次的日期；
S32，从历史数据中提取该日期根据回归模型预测得到的非修正预测日用电量Di以及该日期的实际用电量Ds，计算得到它们的差值Db；
S33，将该日期对应的差值Db以及气温条件带入对应补偿量公式中，计算得出气温补偿系数。
在S4中，根据基于周几系数修正的线性回归模型计算出的台区待预测日的非修正预测日用电量的方法包括如下步骤：
S41、从历史日中由“近向远”寻找标准周；
S42、根据标准周的7天日用电量获取周几比例系数K，即：
K＝[1,D2/D1,D3/D1,D4/D1,D5/D1,D6/D1,D7/D1] (3)；
其中，D1为标准周周一的台区用电量，D2为标准周周二的台区用电量，D3为标准周周三的台区用电量，D4为标准周周四的台区用电量，D5为标准周周五的台区用电量，D6为标准周周六的台区用电量，D7为标准周周日的台区用电量；
S43、将台区历史日实际用电量Di根据周几比例系数修正获取历史日实际用电量修正值Di’，即：
D'i＝Di/K(i) i＝1,2,...,7 (4)；
S44、根据台区用电量修正值、平均体感温度，建立一元线性回归模型，即：
D'＝a*Tg+b (5)；
其中变量为：平均体感温度Tg；
S45、通过气象数据库查询得到靠近预测日的平均气温T、最高气温Tmax、最低气温Tmin、湿度RH、风速V的历史气象数据，其中i-1代表预测日前一天，依次类推，带入式(1)，得到历史日的平均体感温度；
S46、将靠近预测日的S45所得的平均体感温度代入公式(5)，即：
S47、对线性回归方程(6)采用最小二乘法公式拟合，计算出线性回归方程(6)中的各常数，即a、b；
S48、将a1、b以及预测日的影响因子代入n元线性回归模型(5)，可以得到预测日的修正用电量其中i代表预测日，i+1代表预测日后一天，依次类推；即：
S49、将预测日的修正日用电量进行周几比例系数修正，根据周几分别乘以对应的周几比例系数，获取预测用电量，即：
S41中标准周的寻找条件为：(1)该周的7天都处在人体比较舒适的区间3，即V(i)＝3，i＝1～7；(2)该周的7天再加上该周之前2天、之后2天，总共11天都是非节日。
在S4后还包括节假日预测用电量补偿；具体为：
当待预测日为普通日时，不进行补偿；
当待预测日为节日时，节日用电量预测值为去年同期的用电量值的k倍(k一般取0.8～1.6。通过去年该节日和前年该节日用电量之比，比如清明节、元旦节等)。
实施例1
本实施例为气温修正案例：
以南通地区的某配电台区(江海13组，台区编号：14000000014460)，为例，其日用电量(单位：千瓦时)如表1所示：
日期 实际用电量 周几 平均温度 最高温度 最低温度 湿度 风速
2016/7/09 246.58 6 23.2 25.1 21.6 93 3.1
2016/7/10 244.86 7 25.9 31.7 22.8 84.8 5.7
2016/7/11 236.45 1 25.8 30.8 23.1 85.6 3.2
2016/7/12 249.96 2 24.4 32.3 23 84.1 4.4
2016/7/13 235.89 3 25.3 31.4 22.4 71.8 1.8
2016/7/14 237.61 4 25.4 31.9 20.5 72.9 1.7
2016/7/15 228.04 5 27.1 32.1 23.7 79.1 2.6
2016/7/16 260.44 6 26 30.2 23.4 80.7 4.2
2016/7/17 254.53 7 24.1 26.2 23.3 89.1 4.2
2016/7/18 233.34 1 24 25 23.3 95 3.3
2016/7/19 235.69 2 24.4 27.5 23.1 90.9 3.3
2016/7/20 238.86 3 25.9 29.7 23.9 89.4 2.6
表1 台区的历史用电量和气象数据
本案例的电量预测分为三个步骤：一、寻找周几比例系数；二、一元线性回归预测，三、补偿修正。
一、寻找周几比例系数
将表1中的气象数据代入公式(1)中，可以得到历史日的平均体感温度Tg、最高体感温度Tgm、最低体感温度Tgn，即有如表2所示：
从表1中寻找标准周，发现2016年7月9日～2016年7月15日是满足S41的标准周，该标准周满足以下两点：
(1)2016年7月9日～2016年7月15日离节日超过两天。
(2)2016年7月9日～2016年7月15日的人体舒适度都为3。
根据标准周2016年7月9日～2016年7月15日的实际用电量可知，D1＝236.45,D2＝249.96,D3＝235.89,D4＝237.61,D5＝228.04,D6＝246.58，D7＝244.86。将数据带入式(3)，得到周几比例系数K。
K＝[1,1.0571,0.9976,1.0049,0.9644,1.0428,1.0356]；
二、一元线性回归预测
从表1可知，2016年7月16日～2016年7月20日的实际电量分别为260.44,254.53,233.34,235.69,238.86,经过式(4)，可得实际用电量修正值，分别为249.75、245.78、233.34、222.96、239.43。将修正值的数据代入方程(6)，对该方程进行最小二乘法公式拟合，可以计算出线性回归方程(6)中的各常数，如下：
a＝1.3334，b＝202.0606。
表3 预测日的预测气象数据
将表3中的气象数据代入公式(1)中，可以得到预测日的平均体感温度Tg、最高体感温度Tgm、最低体感温度Tgn，即有如表4所示：
日期 周几 舒适度 平均体感温度 最高体感温度 最低体感温度
2016/7/21 4 3 28.5733 32.4733 26.1733
2016/7/22 5 3 29.5067 31.5067 27.2067
2016/7/23 6 3 29.1600 30.0600 28.4600
2016/7/24 7 3 30.0933 33.7933 27.0933
2016/7/25 1 4 30.9533 35.7533 28.2533
表4 台区的预测日体感温度
将表4的预测日体感温度数据和常数带入方程(7)，可得：
再将所得的数据代入方程(8)，得到预测值：
经查实，2016年7月21日至7月25日的台区用电量真实值如下：
对比预测值与真实值可知，预测日i～i+3用电量预测值的相对误差在5％以内，达到预测要求。但是，预测日i+4用电量预测值超过了10％，误差较大，需要进行气温补偿修正。
三、气温补偿修正的具体方法为：
由表4可知，待预测日i+4的人体舒适度区间为4，而待预测日之前几日的人体舒适度区间区间为3，此时需要在非修正预测用电量上叠加正补偿量△L1，且满足如下公式：
△L1＝k1*(Tgmi-34.5)
其中，△L1为补偿量，k1为气温补偿系数。在该台区中,k1＝25，故有：
对比可知预测日i～i+4用电量预测值的相对误差都在5％以内，达到预测要求。
实施例2
本实施例为节假日修正案例：
以南通地区的某配电台区(江海13组，台区编号：14000000014460)，为例，其日用电量(单位：千瓦时)如表5所示：
日期 实际用电量 周几 平均温度 最高温度 最低温度 湿度 风速
2016/3/19 218.48 6 11.6 15.8 8.5 78.3 0.6
2016/3/20 216.27 7 10.3 12.5 8.2 85.2 0.9
2016/3/21 204.95 1 14 19.9 9.7 78.4 0.4
2016/3/22 210.55 2 12.8 18.8 7.9 59.1 0.4
2016/3/23 206.29 3 9.2 12.8 6.9 75.1 0.3
2016/3/24 205.65 4 9.1 14.6 4.6 62.2 0.3
2016/3/25 200.09 5 9.4 15.7 4.5 64.7 0.4
2016/3/26 204.3 6 10.2 11.9 8.8 90 0.5
2016/3/27 208.78 7 14 19.7 9.3 75.9 0.5
2016/3/28 218.64 1 16 22.6 10 78.1 0.6
2016/3/29 206.73 2 15.5 18.2 13.7 81.3 0.5
2016/3/30 217.32 3 20.7 28.3 13.8 78.9 0.9
表5 台区的历史用电量和气象数据
本案例的电量预测分为三个步骤：一、寻找周几比例系数；二、一元线性回归预测，三、补偿修正。
一、寻找周几比例系数
将表5中的气象数据代入公式(1)中，可以得到历史日的平均体感温度Tg、最高体感温度Tgm、最低体感温度Tgn，即有如表6所示：
表6 台区的历史用电量和体感温度
从表6中寻找标准周，发现2016年3月19日～2016年3月25日是满足S41的标准周，该标准周满足以下两点：
(1)2016年3月19日～2016年3月25日离节日超过两天。
(2)2016年3月19日～2016年3月25日的人体舒适度都为3。
根据标准周2016年3月19日～2016年3月25日的实际用电量可知，D1＝204.95,D2＝210.55,D3＝206.29,D4＝205.65,D5＝200.09,D6＝218.48，D7＝216.27。将数据带入式(3)，得到周几比例系数K。
K＝[1,1.0273,1.0065,1.0034,0.9763,1.0660,1.0552]；
二、一元线性回归预测
从表5可知，2016年3月26日～2016年3月30日的实际电量分别为217.78,220.30,218.64,212.37,218.73,经过式(4)，可得实际用电量修正值，分别为204.3、208.78、218.64、206.73、217.32。将修正值的数据代入方程(6)，对该方程进行最小二乘法公式拟合，可以计算出线性回归方程(6)中的各常数，如下：
a＝1.3334，b＝202.0606。
日期 周几 平均温度 最高温度 最低温度 湿度 风速
2016/3/31 4 16 19.6 12.6 91 1
2016/4/1 5 21.1 31.6 14.5 78.6 1
2016/4/2 6 11.1 12.4 9.8 77.9 0.4
2016/4/3 7 11.9 13.8 9.8 92.5 1.1
2016/4/4 1 10.9 11.9 9.8 94 1.3
表7 预测日的预测气象数据
将表7中的气象数据代入公式(1)中，可以得到预测日的平均体感温度Tg、最高体感温度Tgm、最低体感温度Tgn，即有如表8所示：
日期 周几 舒适度 平均体感温度 最高体感温度 最低体感温度
2016/3/31 4 3 19.2333 22.8333 15.8333
2016/4/1 5 3 23.5067 34.0067 16.9067
2016/4/2 6 3 13.6600 14.9600 12.3600
2016/4/3 7 3 15.2000 17.1000 13.1000
2016/4/4 1 3 14.2333 15.2333 13.1333
将表8的预测日体感温度数据和常数带入方程(7)，可得：
再将所得的数据代入方程(8)，得到预测值：
经查实，2016年3月31日至4月4日的台区用电量真实值如下：
对比预测值与真实值可知，预测日i～i+3用电量预测值的相对误差在5％以内，达到预测要求。但是，预测日i+4用电量预测值超过了10％，误差较大，需要进行气温补偿修正。
三、补偿修正
2016年4月4日是清明节，需要进行定值补偿，具体见表9。
去年劳动节日用电量 台区用电量年度比m
253.56 1.02
表9 清明节定值修正
从表9可以得到5月1日用电量预测值为258.63千瓦时；
对比可知预测日i～i+4用电量预测值的相对误差都在5％以内，达到预测要求。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (9)

1.基于人体舒适度的台区日用电量的预测方法，其特征在于，包括如下步骤：
S1、获取台区待预测日的平均温度、最高温度、最低温度、湿度、风速参数和台区待预测日前几日的对应参数，带入指定的模型中计算出台区待预测日的平均体感温度、最高体感温度、最低体感温度以及台区待预测日前几日的平均体感温度、最高体感温度、最低体感温度；
S2、根据公式判断待预测日的最高体感温度、最低体感温度以及待预测日前几日的最高体感温度平均值、最低体感温度平均值所处的人体舒适度区间V(i)；
S3、根据确定的待预测日的最高体感温度、最低体感温度以及待预测日前几日的最高体感温度平均值、最低体感温度平均值所处的人体舒适度区间，按照指定公式计算补偿量的大小；
S4、获取根据基于周几系数修正的一元线性回归模型(平均体感温度影响因子)计算出的台区待预测日的非修正预测日用电量，并将非修正预测日用电量与得到的补偿量进行叠加，计算得到台区的修正预测日用电量。
2.根据权利要求1所述的基于人体舒适度的台区日用电量的预测方法，其特征在于，在S1中，平均体感温度、最高体感温度、最低体感温度的计算满足如下公式：
其中，Tg为平均体感温度，Tgm为最高体感温度，Tgn为最低体感温度，T为日平均气温，Tm为日最高气温，Tn为日最低气温，U为平均相对湿度，V为平均风速。
3.根据权利要求1所述的基于人体舒适度的台区日用电量的预测方法，其特征在于，在S1中，所述待预测日前几日为所述待预测日前4-10天。
4.根据权利要求1所述的基于人体舒适度的台区日用电量的预测方法，其特征在于，在S2中，台区待预测日的最高体感温度、最低体感温度以及台区待预测日前几日的最高体感温度平均值、最低体感温度平均值的人体舒适度区间满足如下公式：
其中，Tgmi为最高体感温度，Tgni为最低体感温度。
5.根据权利要求1所述的基于人体舒适度的台区日用电量的预测方法，其特征在于，在S3中，
(1)当待预测日的最高体感温度对应的温度区间为4，待预测日之前几日的最高体感温度平均值、最低体感温度平均值对应的温度区间为3时，在非修正预测日用电量上叠加正补偿量△L1，且满足如下公式：
△L1＝k1*(Tgmi-34.5)
其中，k1为气温补偿系数；
(2)当待预测日的最高体感温度、最低体感温度对应的温度区间为3，待预测日之前几日最高体感温度平均值对应的温度区间为4时，在非修正预测日用电量上叠加负补偿量△L2，且满足如下公式：
△L2＝k2*(Tgmi-34.5)
其中，k2为气温补偿系数；
(3)当待预测日的最高体感温度对应的温度区间为5，待预测日之前几日的最高体感温度平均值对应的温度区间为4，在非修正预测日用电量上叠加正补偿量△L3，且满足如下公式：
△L3＝k3*(Tgmi-37.5)
其中，k3为气温补偿系数；
(4)当待预测日的最高体感温度和待预测日之前几日的最高体感温度平均值对应的温度区间均大于等于4，且待预测日的最大气温小于待预测日之前几日的最高体感温度的平均值Tgmp，在非修正预测日用电量上叠加正补偿量△L4，且满足如下公式：
△L4＝k4*(Tgmp-Tgmi)
其中，k4为气温补偿系数；
(5)当待预测日最低体感温度对应的温度区间为2，待预测日之前几日的最高体感温度平均值、最低体感温度平均值对应的温度区间为3，在非修正预测日用电量上叠加正补偿量△L5，且满足如下公式：
△L5＝k5*(5-Tgni)
其中，k5为气温补偿系数；
(6)当待预测日最高体感温度、最低体感温度对应的温度区间为3，待预测日之前几日的最低体感温度的平均值对应的温度区间为2，在非修正预测日用电量上叠加负补偿量△L6，且满足如下公式：
△L6＝k6*(Tgni-5)
其中，k6为气温补偿系数；
(7)当待预测日的最低体感温度Tgni对应的温度区间为1，待预测日之前几日的最低体感温度Tgni平均值对应的温度区间为2时，在非修正预测日用电量上叠加正补偿量△L7，且满足如下公式：
△L7＝k7*(1-Tgni)
其中，k7为气温补偿系数；
(8)当待预测日和待预测日之前几日的气温对应的温度区间不满足上述任一情况时，令补偿量为0。
6.根据权利要求5所述的基于人体舒适度的台区日用电量的预测方法，其特征在于：气温补偿系数k1—k7的计算方法如下：
S31，从台区的历史数据中查询气温条件与待预测日和待预测日之前几日的气温所在的温度区间相同的最近一次的日期；
S32，从历史数据中提取该日期根据回归模型预测得到的非修正预测日用电量Di以及该日期的实际用电量Ds，计算得到它们的差值Db；
S33，将该日期对应的差值Db以及气温条件带入对应补偿量公式中，计算得出气温补偿系数。
7.根据权利要求1所述的基于人体舒适度的台区日用电量的预测方法，其特征在于：在S4中，所述根据基于周几系数修正的线性回归模型计算出的台区待预测日的非修正预测日用电量的方法包括如下步骤：
S41、从历史日中由“近向远”寻找标准周；
S42、根据标准周的7天日用电量获取周几比例系数K，即：
K＝[1,D2/D1,D3/D1,D4/D1,D5/D1,D6/D1,D7/D1] (3)；
其中，D1为标准周周一的台区用电量，D2为标准周周二的台区用电量，D3为标准周周三的台区用电量，D4为标准周周四的台区用电量，D5为标准周周五的台区用电量，D6为标准周周六的台区用电量，D7为标准周周日的台区用电量；
S43、将台区历史日实际用电量Di根据周几比例系数修正获取历史日实际用电量修正值Di’，即：
D'i＝Di/K(i)i＝1,2,...,7 (4)；
S44、根据台区用电量修正值、平均体感温度，建立一元线性回归模型，即：
D'＝a*Tg+b (5)；
其中变量为：平均体感温度Tg；
S45、通过气象数据库查询得到靠近预测日的平均气温T、最高气温Tmax、最低气温Tmin、湿度RH、风速V的历史气象数据，其中i-1代表预测日前一天，依次类推，带入式(1)，得到历史日的平均体感温度；
S46、将靠近预测日的S45所得的平均体感温度代入公式(5)，即：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <msup> <mi>D</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <mi>a</mi> <mo>*</mo> <msub> <mi>Tg</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <mi>b</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <msup> <mi>D</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mi>i</mi> <mo>-</mo> <mn>2</mn> </mrow> </msub> <mo>=</mo> <mi>a</mi> <mo>*</mo> <msub> <mi>Tg</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>2</mn> </mrow> </msub> <mo>+</mo> <mi>b</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <msup> <mi>D</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mi>i</mi> <mo>-</mo> <mn>3</mn> </mrow> </msub> <mo>=</mo> <mi>a</mi> <mo>*</mo> <msub> <mi>Tg</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>3</mn> </mrow> </msub> <mo>+</mo> <mi>b</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <msup> <mi>D</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mi>i</mi> <mo>-</mo> <mn>4</mn> </mrow> </msub> <mo>=</mo> <mi>a</mi> <mo>*</mo> <msub> <mi>Tg</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>4</mn> </mrow> </msub> <mo>+</mo> <mi>b</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
S47、对线性回归方程(6)采用最小二乘法公式拟合，计算出线性回归方程(6)中的各常数，即a、b；
S48、将a、b以及预测日的影响因子代入n元线性回归模型(5)，可以得到预测日的修正用电量其中i代表预测日，i+1代表预测日后一天，依次类推；即：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <msup> <mover> <mi>D</mi> <mo>~</mo> </mover> <mo>&amp;prime;</mo> </msup> <mi>i</mi> </msub> <mo>=</mo> <mi>a</mi> <mo>*</mo> <msub> <mi>Tg</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>b</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <msup> <mover> <mi>D</mi> <mo>~</mo> </mover> <mo>&amp;prime;</mo> </msup> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <mi>a</mi> <mo>*</mo> <msub> <mi>Tg</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <mi>b</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <msup> <mover> <mi>D</mi> <mo>~</mo> </mover> <mo>&amp;prime;</mo> </msup> <mrow> <mi>i</mi> <mo>+</mo> <mn>2</mn> </mrow> </msub> <mo>=</mo> <mi>a</mi> <mo>*</mo> <msub> <mi>Tg</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>2</mn> </mrow> </msub> <mo>+</mo> <mi>b</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <msup> <mover> <mi>D</mi> <mo>~</mo> </mover> <mo>&amp;prime;</mo> </msup> <mrow> <mi>i</mi> <mo>+</mo> <mn>3</mn> </mrow> </msub> <mo>=</mo> <mi>a</mi> <mo>*</mo> <msub> <mi>Tg</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>3</mn> </mrow> </msub> <mo>+</mo> <mi>b</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>......</mn> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
S49、将预测日的修正日用电量进行周几比例系数修正，根据周几分别乘以对应的周几比例系数，获取预测用电量，即：
<mrow> <msub> <mover> <mi>D</mi> <mo>~</mo> </mover> <mi>i</mi> </msub> <mo>=</mo> <msub> <msup> <mover> <mi>D</mi> <mo>~</mo> </mover> <mo>&amp;prime;</mo> </msup> <mi>i</mi> </msub> <mo>*</mo> <mi>K</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mn>7</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
8.根据权利要求7所述的基于人体舒适度的台区日用电量的预测方法，其特征在于：所述S41中标准周的寻找条件为：(1)该周的7天都处在人体比较舒适的区间3，即V(i)＝3，i＝1～7；(2)该周的7天再加上该周之前2天、之后2天，总共11天都是非节日。
9.根据权利要求7所述的基于人体舒适度的台区日用电量的预测方法，其特征在于：在S4后还包括节假日预测用电量补偿；具体为：
当待预测日为普通日时，不进行补偿；
当待预测日为节日时，节日用电量预测值为去年同期的用电量值的k倍，k取值为0.8～1.6。
CN201710280878.9A 2016-06-30 2017-04-26 基于人体舒适度的台区日用电量的预测方法 Active CN107169596B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610505514 2016-06-30
CN2016105055141 2016-06-30

Publications (2)

Publication Number Publication Date
CN107169596A true CN107169596A (zh) 2017-09-15
CN107169596B CN107169596B (zh) 2024-02-09

Family

ID=59812324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710280878.9A Active CN107169596B (zh) 2016-06-30 2017-04-26 基于人体舒适度的台区日用电量的预测方法

Country Status (1)

Country Link
CN (1) CN107169596B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020015060A1 (zh) * 2018-07-17 2020-01-23 平安科技（深圳）有限公司 用电量异常评估方法、装置、设备和计算机存储介质
CN114616433A (zh) * 2019-11-19 2022-06-10 Lg电子株式会社 冰箱及其控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012143098A (ja) * 2011-01-05 2012-07-26 Kankyo Keiei Senryaku Soken:Kk 使用電力量予測システム、及び使用電力量予測システムの制御方法
JP2015019579A (ja) * 2014-09-11 2015-01-29 株式会社環境経営戦略総研 使用電力量予測システム、及び使用電力量予測システムの制御方法
JP2015023668A (ja) * 2013-07-18 2015-02-02 株式会社Ｎｔｔファシリティーズ 節電支援システム、及び節電支援装置
CN104616079A (zh) * 2015-02-04 2015-05-13 国家电网公司 基于气温变化的电网日用电量预测方法
JP2015104171A (ja) * 2013-11-22 2015-06-04 富士通株式会社 電力需要予測装置、電力需要予測方法および電力需要予測プログラム
CN105320045A (zh) * 2014-06-27 2016-02-10 全家便利商店股份有限公司 能源监控管理***与能源监控管理方法
CN105512455A (zh) * 2014-10-07 2016-04-20 英科德技术股份有限公司 根据温度估算耗电量的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012143098A (ja) * 2011-01-05 2012-07-26 Kankyo Keiei Senryaku Soken:Kk 使用電力量予測システム、及び使用電力量予測システムの制御方法
JP2015023668A (ja) * 2013-07-18 2015-02-02 株式会社Ｎｔｔファシリティーズ 節電支援システム、及び節電支援装置
JP2015104171A (ja) * 2013-11-22 2015-06-04 富士通株式会社 電力需要予測装置、電力需要予測方法および電力需要予測プログラム
CN105320045A (zh) * 2014-06-27 2016-02-10 全家便利商店股份有限公司 能源监控管理***与能源监控管理方法
JP2015019579A (ja) * 2014-09-11 2015-01-29 株式会社環境経営戦略総研 使用電力量予測システム、及び使用電力量予測システムの制御方法
CN105512455A (zh) * 2014-10-07 2016-04-20 英科德技术股份有限公司 根据温度估算耗电量的方法和装置
CN104616079A (zh) * 2015-02-04 2015-05-13 国家电网公司 基于气温变化的电网日用电量预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020015060A1 (zh) * 2018-07-17 2020-01-23 平安科技（深圳）有限公司 用电量异常评估方法、装置、设备和计算机存储介质
CN114616433A (zh) * 2019-11-19 2022-06-10 Lg电子株式会社 冰箱及其控制方法
CN114616433B (zh) * 2019-11-19 2024-02-23 Lg电子株式会社 冰箱及其控制方法

Also Published As

Publication number Publication date
CN107169596B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN107273998A (zh) 一种用于台区日用电量预测的气温修正方法
Macarulla et al. Implementation of predictive control in a commercial building energy management system using neural networks
Nasr et al. Econometric modeling of electricity consumption in post-war Lebanon
US9098876B2 (en) Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model
US9367825B2 (en) Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model
US9727071B2 (en) Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model
US9171276B2 (en) Facilitating revenue generation from wholesale electricity markets using an engineering-based model
CN105260803B (zh) 一种***用电量预测方法
Yun et al. Building hourly thermal load prediction using an indexed ARX model
JP6118975B2 (ja) エネルギー予測システム、エネルギー予測システムの動作方法、これを実行させるためのコンピュータプログラム及びこのプログラムを記録したコンピュータ読み取り可能な記録媒体並びに運転支援システム
CN102930356B (zh) 基于气象因素敏感度的短期负荷预测方法
US20130245847A1 (en) Facilitating revenue generation from wholesale electricity markets using an enineering-based energy asset model
de Santiago et al. The generation of domestic hot water load profiles in Swiss residential buildings through statistical predictions
CN103559561A (zh) 一种光伏电站辐照度的超短期预测方法
Oliveira et al. Climate change effect on very short-term electric load forecasting
CN107169596A (zh) 基于人体舒适度的台区日用电量的预测方法
CN105740989B (zh) 一种基于varx模型的供水管网异常事件侦测方法
Zhou et al. Enhanced frequency response from industrial heating loads for electric power systems
Vedullapalli et al. Optimal demand response in a building by battery and HVAC scheduling using model predictive control
CN115935667A (zh) 一种区域地表水资源预测模拟及其优化配置方法
Bagnasco et al. Artificial neural network application to load forecasting in a large hospital facility
Zhang et al. An Assessment of the Impacts of Heat Electrification on the Electric Grid in the UK
CN107273997A (zh) 基于周几系数线性回归模型的台区日用电量的预测方法
CN105260944A (zh) 一种基于lssvm算法与关联规则挖掘的统计线损计算方法
Ding et al. Individual nonparametric load estimation model for power distribution network planning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant