CN107665380A - 基于电压等级的售电量预测方法 - Google Patents
基于电压等级的售电量预测方法 Download PDFInfo
- Publication number
- CN107665380A CN107665380A CN201710905885.3A CN201710905885A CN107665380A CN 107665380 A CN107665380 A CN 107665380A CN 201710905885 A CN201710905885 A CN 201710905885A CN 107665380 A CN107665380 A CN 107665380A
- Authority
- CN
- China
- Prior art keywords
- sales amount
- electricity sales
- electricity
- season
- voltage class
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 301
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract 2
- 238000004451 qualitative analysis Methods 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 11
- 238000012271 agricultural production Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 238000007726 management method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电压等级的售电量预测方法,包括将售电量分为若干个电压等级;分析历史售电数据中各电压等级售电量与各用户类型售电量的关系;采用数据拟合算法构建基于电压等级的售电量预测模型;对各个电压等级的售电量进行预测。本发明提供的这种基于电压等级的售电量预测方法,根据电压等级的不同,采用历史数据分析各电压等级与各用户类型售电量之间的关系,从而对不同电压等级的售电量进行预测,因此能够精确预测各个电压等级的售电量,而且本发明方法科学可靠,预测准确。
Description
技术领域
本发明具体涉及一种基于电压等级的售电量预测方法。
背景技术
随着国家经济技术的发展和人们生活水平的提高,电能已经成为了人们日常生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。
售电量是电网企业进行经营管理的重要指标,是企业收入、销售利润、线损管理等一系列指标计算的基础数据,因此售电量预测工作是电力企业的一项重要的基本工作。该指标的准确预测是电费管理、电价管理和电力需求侧管理高质高效的前提,对电网企业的经营决策和供电企业的营销决策支持均具有重要的意义。
不同电压等级、不同类型用户对应不同的销售电价,因此售电量的预测分类越细致,得到的售电收入、销售利润等财务指标的预测结果就越精确。但是,目前售电量的预测大多以售电总量为预测目标,且多采用人工经验预测方法或者简单趋势外推法进行预测,因而存在预测精度不高、预测结果可应用性低等问题。这给电网的运行和规划带来了极大的不便。
发明内容
本发明的目的在于提供一种科学可靠、预测准确的基于电压等级的售电量预测方法。
本发明提供的这种基于电压等级的售电量预测方法,包括如下步骤:
S1.根据电网的电压情况,将售电量分为若干个电压等级;
S2.定性分析历史售电数据中,各用户类型售电量与步骤S1中的各电压等级的售电量之间的关系;
S3.根据步骤S2的定性分析结果和历史售电数据,采用数据拟合算法构建基于电压等级的售电量预测模型;
S4.根据步骤S3构建的预测模型,对未来的各个电压等级的售电量进行预测。
步骤S1所述的将售电量分为若干个电压等级,具体为分为220KV、110KV、35~110KV、1~10KV和低于1KV五个等级。
步骤S2所述的分析各用户类型售电量与各电压等级的售电量之间的关系,具体为采用如下步骤进行分析:
A.将售电量按照用户类型分为大工业售电量、非普工业售电量、非工业售电量、商业售电量、非居民照明售电量、居民生活售电量、农业生产售电量和趸售售电量8类;
B.定性分析各电压等级售电量与步骤A中的各用户类型售电量之间的关系。
步骤B所述的定性分析各电压等级售电量与各用户类型售电量之间的关系,具体为采用如下规则进行定性分析:各电压等级售电量下均包含了多种用户类型售电量;若某电压等级售电量中,若干用户类型(≤3种)售电量合计占比超过95%,则认定该电压等级售电量由上述若干用户类型售电量所主导,并可由上述若干用户类型售电量预测得到。
步骤S3所述的采用数据拟合算法构建基于电压等级的售电量预测模型,具体为采用如下规则构建预测模型:
1)采用如下算式计算季度低于1kV售电量:
Y=-4.79356+1.32214*X
式中Y为季度低于1kV售电量,X为季度低于1kV居民生活售电量,且X的计算公式为logX=-0.10329+0.97587*logZ+[MA(1)=0.83322],其中Z为季度居民售电量,MA(1)为一阶移动平均项;
2)采用如下算式计算季度1~10kV售电量:
Y=-0.72627+1.02852*X
其中Y为季度1~10kV售电量,X为季度内1~10kV的居民售电量X1、大工业售电量X2和一般工商业售电量X3之和;其中1~10kV居民售电量X1=-1.50144+0.20176*Z1,Z1为季度居民生活售电量;1~10kV大工业售电量为log(X2)=-1.05577+1.02648*log(Z2)+[AR(1)=0.87331],其中Z2为季度大工业售电量,AR(1)为一阶自回归项;1~10kV一般工商业售电量X3=-1.76340+0.66140*Z3,其中Z3为季度费普工业与商业、非居民生活售电量之和;
3)采用如下算式计算季度35~110kV售电量:
Y=0.67347+1.09917*X+[MA(1)=0.87008]
式中Y为季度35~110kV售电量,MA(1)为一阶移动平均项,X为季度35~110kV大工业售电量,且log(X)=-3.36579+1.10058*log(Z)+[AR(1)=0.89492],AR(1)为一阶自回归项,Z为季度大工业售电量;
4)采用如下算式计算季度110kV售电量:
Y=0.46174+1.03767*X
式中Y为季度110kV售电量,X为季度110kV大工业售电量X1和季度110kV趸售电量X2之和;季度110kV大工业售电量X1满足log(X1)=0.79254*log(Z1),且Z1为季度大工业售电量;季度110kV趸售电量X2满足log(X2)=-0.09296+0.94694*log(Z2)+[MA(4)=-0.93920],且Z2为季度趸售电量,MA(4)为四阶移动平均项;
5)采用如下算式计算季度220kV售电量:
Y=X=X1-X2
式中Y为季度220kV售电量,X为季度220kV大工业售电量,X2为季度110kV大工业售电量,X1为季度110kV+220kV大工业售电量且X1满足log(X1)=-0.49202+0.96912*log(Z1)+[MA(4)=-0.97992],其中Z1为季度大工业售电量,MA(4)为四阶移动平均项。
本发明提供的这种基于电压等级的售电量预测方法,根据电压等级的不同,采用历史数据分析各个电压等级与售电量之间的关系,从而对不同电压等级的售电量进行预测,因此能够精确预测各个电压等级的售电量,而且本发明方法科学可靠,预测准确。
附图说明
图1为本发明方法的方法流程图。
图2为湖南省居民售电量(横轴)与居民售电量(小于1KV)散点图。
图3为湖南省居民售电量(小于1KV)(横轴)与售电量(小于1KV)(纵轴)散点图。
图4为湖南省居民售电量(横轴)与居民售电量(1-10KV)(纵轴)散点图。
图5为湖南省一般工商业售电量(横轴)与一般工商业售电量(1-10KV)(纵轴)散点图。
图6为湖南省大工业售电量(横轴)与大工业售电量(1-10KV)(纵轴)散点图。
图7为湖南省大工业+一般工商业+居民售电量(1-10KV)(横轴)与售电量(1-10KV)(纵轴)散点图。
图8为湖南省大工业售电量(横轴)与大工业售电量(110KV)(纵轴)散点图。
图9为湖南省趸售电量(横轴)与趸售电量(110KV)(纵轴)散点图。
图10为湖南省大工业+趸售电量(110KV)(横轴)与售电量(110KV)(纵轴)散点图。
图11为湖南省大工业售电量(横轴)与大工业售电量(110KV+220KV)(纵轴)散点图。
图12为湖南省大工业35-110KV售电量(横轴)与售电量(35-110KV)(纵轴)散点图。
具体实施方式
如图1所示为本发明方法的方法流程图:本发明提供的这种基于电压等级的售电量预测方法,包括如下步骤:
S1.根据电网的电压情况,将售电量分为若干个电压等级;在具体实施时,可以分为220KV、110KV、35~110KV、1~10KV和低于1KV五个等级;
S2.定性分析历史售电数据中,各用户类型售电量与步骤S1中的各电压等级的售电量之间的关系;具体为采用如下步骤进行分析:
A.将售电量分为大工业售电量、非普工业售电量、非工业售电量、商业售电量、非居民照明售电量、居民生活售电量、农业生产售电量和趸售售电量;
B.定性分析各电压等级售电量与步骤A中的售电量类型之间的关系:在包含多种用户类型售电量的某电压等级售电量中,若其中若干用户类型(优选范围为不大于3种)售电量合计占比超过95%,则认定该电压等级售电量由上述若干用户类型售电量所主导,并可由上述若干用户类型售电量预测得到。
S3.根据步骤S2的定性分析结果和历史售电数据,采用数据拟合算法构建基于电压等级的售电量预测模型;
S4.根据步骤S3构建的预测模型,对未来的各个电压等级的售电量进行预测。
以下以湖南省电网为例,进一步说明本发明的步骤:
首先,根据电压的情况将湖南省售电量分为220KV、110KV、35-110KV、1-10KV和低于1KV五个等级;
然后,定性分析湖南省各电压等级售电量的构成及其与八大类售电量之间的相关关系;
(1)小于1KV电压售电量:此电压等级售电量主要由居民生活售电量和一般工商业及其他售电量构成,二者合计占比超过98.5%(75%、23%)。居民生活售电量的电压等级主要为小于1KV和1-10KV,二者占居民生活售电量的比重分别达到78%和20%。因此,可通过居民生活售电量预测居民生活小于1KV的售电量,再通过居民生活小于1KV的售电量预测小于1KV的售电总量。
居民售电量与小于1KV的居民售电量、小于1KV的居民售电量与小于1KV的售电量的散点图如图2、图3所示。图2可以看出,居民售电量与小于1KV的居民售电量之间存在着明显的线性关系,因此可以借助八大类中居民售电量的预测结果对小于1KV的居民售电量进行预测。而小于1KV的售电量与小于1KV的居民售电量之间仍存在良好的线性关系,因此可进一步借助小于1KV的居民售电量的预测结果对小于1KV的售电量进行预测。
(2)1-10KV售电量:该电压等级主要由居民生活售电量1-10KV、大工业售电量1-10KV和一般工商业及其他售电量1-10KV构成,三部分合计占比超过95%。
图4-6显示,居民生活售电量1-10KV、大工业售电量1-10KV和一般工商业及其他售电量1-10KV均与各自整体保持稳定的线性关系。因此,可通过居民售电量、大工业售电量和一般工商业及其他售电量对居民生活(1-10KV)、大工业(含大用户直接交易)(1-10KV)和一般工商业及其他(1-10KV)进行预测,(图7)进而对电压等级为1-10KV的售电量进行预测。
(3)110KV售电量:110KV电压等级售电量主要由大工业(含大用户直接交易)(110KV)和趸售(110KV)构成,二者合计占比超过96%。大工业(含大用户直接交易)中电压等级110KV的部分在大工业(含大用户直接交易)售电量中的比重保持稳定(31%左右);而趸售中电压等级为110KV的售电量在趸售中的比重高达75%左右。
图8至9可以看出,大工业(含大用户直接交易)(110KV)和趸售(110KV)与各自整体存在明显的线性关系,因此,可通过大工业(含大用户直接交易)和趸售对大工业(含大用户直接交易)(110KV)和趸售(110KV)进行预测,进而再利用两者与售电量(110KV)的线性关系(如图10)对电压等级为110KV的售电量进行预测。
(4)220KV售电量:此电压等级仅存在于大工业(含大用户直接交易)售电量中。
但是,大工业售电量(220KV)与大工业售电量的关系并不如上述分析的变量间的线性关系好,因此关于220KV大工业售电量的预测需要通过别的方式进行预测。如图11所示,大工业(含大用户直接交易)中电压等级110KV和220KV之和与整体保持稳定的线性关系。因此,可通过预测大工业(含大用户直接交易)中电压等级110KV与220KV的售电量之和,再从中减去电压等级为110KV的部分,得到电压等级为220KV及以上的售电量。
(5)35-110KV:该电压等级主要由大工业35-110KV构成,占比超过80%。
而且,大工业售电量(35-110KV)与大工业售电量保持着较好的线性关系,因此,使用大工业售电量对电压等级为35-110KV的大工业售电量进行预测。图12显示,大工业35-110KV的售电量与售电量中35-110KV的线性关系良好,因此,借此关系可以预测得到售电量中电压等级为35-110KV的售电量。
其次,基于上述相关关系,构建湖南省分电压等级售电量预测模型;
1)采用如下算式计算季度低于1kV售电量:
Y=-4.79356+1.32214*X
R2=0.99923
式中Y为季度低于1kV售电量,X为季度低于1kV居民生活售电量,模型中解释变量的回归系数在90%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的。拟合优度检验R2接近于1,模型的拟合效果较好;
X的计算公式为logX=-0.10329+0.97587*logZ+[MA(1)=0.83322],其中Z为季度居民售电量,MA(1)为一阶移动平均项;上式中R2=0.99952,模型中解释变量的回归系数在95%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的。拟合优度检验R2接近于1,模型的拟合效果较好
2)采用如下算式计算季度1~10kV售电量:
Y=-0.72627+1.02852*X
R2=0.99923
其中Y为季度1~10kV售电量,X为季度内1~10kV的居民售电量X1、大工业售电量X2和一般工商业售电量X3之和;模型中解释变量的回归系数在95%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的。拟合优度检验R2接近于1,模型的拟合效果较好;
其中,1~10kV居民售电量:
X1=-1.50144+0.20176*Z1
Z1为季度居民生活售电量;上式的R2=0.99923,模型中解释变量的回归系数在95%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的,常数项虽无法通过显著性检验,但是为了预测结果的准确性,这里暂时保留。拟合优度检验R2接近于1,模型的拟合效果较好;
1~10kV大工业售电量为:
log(X2)=-1.05577+1.02648*log(Z2)+[AR(1)=0.87331]
其中Z2为季度大工业售电量,AR(1)为一阶自回归项;上式的R2=0.99822,模型中解释变量的回归系数在95%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的。拟合优度检验R2接近于1,模型的拟合效果较好;
1~10kV一般工商业售电量
X3=-1.76340+0.66140*Z3
其中Z3为季度费普工业与商业、非居民生活售电量之和;上式的R2=0.99936,模型中解释变量的回归系数在95%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的。拟合优度检验R2接近于1,模型的拟合效果较好。
3)采用如下算式计算季度35~110kV售电量:
Y=0.67347+1.09917*X+[MA(1)=0.87008]
R2=0.99922
式中Y为季度35~110kV售电量,MA(1)为一阶移动平均项,模型中解释变量的回归系数在95%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的。拟合优度检验R2接近于1,模型的拟合效果较好;
X为季度35~110kV大工业售电量,且
log(X)=-3.36579+1.10058*log(Z)+[AR(1)=0.89492]
AR(1)为一阶自回归项,Z为季度大工业售电量;上式的R2=0.98924,模型中解释变量的回归系数在95%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的。拟合优度检验R2接近于1,模型的拟合效果较好;
4)采用如下算式计算季度110kV售电量:
Y=0.46174+1.03767*X
式中Y为季度110kV售电量,X为季度110kV大工业售电量X1和季度110kV趸售电量X2之和;上式的R2=0.99995,模型中解释变量的回归系数在95%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的。拟合优度检验R2接近于1,模型的拟合效果较好;
季度110kV大工业售电量X1满足:
log(X1)=0.79254*log(Z1)
且Z1为季度大工业售电量;上式的R2=0.94788,模型中解释变量的回归系数在95%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的。拟合优度检验R2接近于1,模型的拟合效果较好;
季度110kV趸售电量X2满足:
log(X2)=-0.09296+0.94694*log(Z2)+[MA(4)=-0.93920]
且Z2为季度趸售电量,MA(4)为四阶移动平均项;上式的R2=0.99601,模型中解释变量的回归系数在95%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的。拟合优度检验R2接近于1,模型的拟合效果较好;
5)采用如下算式计算季度220kV售电量:
Y=X=X1-X2
式中Y为季度220kV售电量,X为季度220kV大工业售电量,X2为季度110kV大工业售电量;
X1为季度110kV+220kV大工业售电量且X1满足:
log(X1)=-0.49202+0.96912*log(Z1)+[MA(4)=-0.97992]
其中Z1为季度大工业售电量,MA(4)为四阶移动平均项;上式的R2=0.99972,模型中解释变量的回归系数在95%的置信水平下均能通过显著性检验,对被解释变量的影响是显著的。拟合优度检验R2接近于1,模型的拟合效果较好。
Claims (6)
1.一种基于电压等级的售电量预测方法,包括如下步骤:
S1.根据电网的电压情况,将售电量分为若干个电压等级;
S2.定性分析历史售电数据中,各用户类型售电量与步骤S1中的各电压等级的售电量之间的关系;
S3.根据步骤S2的定性分析结果和历史售电数据,采用数据拟合算法构建基于电压等级的售电量预测模型;
S4.根据步骤S3构建的预测模型,对未来的各个电压等级的售电量进行预测。
2.根据权利要求1所述的基于电压等级的售电量预测方法,其特征在于步骤S1所述的将售电量分为若干个电压等级,具体为分为220KV、110KV、35~110KV、1~10KV和低于1KV五个等级。
3.根据权利要求2所述的基于电压等级的售电量预测方法,其特征在于步骤S2所述的各用户类型售电量与各电压等级的售电量之间的关系,具体为采用如下步骤进行分析:
A.将售电量分为大工业售电量、非普工业售电量、非工业售电量、商业售电量、非居民照明售电量、居民生活售电量、农业生产售电量和趸售售电量;
B.定性分析各电压等级售电量与步骤A中的售电量类型之间的关系。
4.根据权利要求3所述的基于电压等级的售电量预测方法,其特征在于步骤B所述的定性分析各电压等级售电量与售电量类型之间的关系,具体为采用如下规则进行定性分析:在包含多种用户类型售电量的某电压等级售电量中,若其中的N种用户类型的售电量合计占比超过95%,则认定该电压等级售电量由上述若干用户类型售电量所主导,并可由上述的若干用户类型售电量预测得到;所述N为自然数。
5.根据权利要求4所述的基于电压等级的售电量预测方法,其特征在于所述的预测模型的预测对象为湖南省电网。
6.根据权利要求5所述的基于电压等级的售电量预测方法,其特征在于步骤S3所述的采用数据拟合算法构建基于电压等级的售电量预测模型,具体为采用如下规则构建预测模型:
1)采用如下算式计算季度低于1kV售电量:
Y=-4.79356+1.32214*X
式中Y为季度低于1kV售电量,X为季度低于1kV居民生活售电量,且X的计算公式为logX=-0.10329+0.97587*logZ+[MA(1)=0.83322],其中Z为季度居民售电量,MA(1)为一阶移动平均项;
2)采用如下算式计算季度1~10kV售电量:
Y=-0.72627+1.02852*X
其中Y为季度1~10kV售电量,X为季度内1~10kV的居民售电量X1、大工业售电量X2和一般工商业售电量X3之和;其中1~10kV居民售电量X1=-1.50144+0.20176*Z1,Z1为季度居民生活售电量;1~10kV大工业售电量为log(X2)=-1.05577+1.02648*log(Z2)+[AR(1)=0.87331],其中Z2为季度大工业售电量,AR(1)为一阶自回归项;1~10kV一般工商业售电量X3=-1.76340+0.66140*Z3,其中Z3为季度费普工业与商业、非居民生活售电量之和;
3)采用如下算式计算季度35~110kV售电量:
Y=0.67347+1.09917*X+[MA(1)=0.87008]
式中Y为季度35~110kV售电量,MA(1)为一阶移动平均项,X为季度35~110kV大工业售电量,且log(X)=-3.36579+1.10058*log(Z)+[AR(1)=0.89492],AR(1)为一阶自回归项,Z为季度大工业售电量;
4)采用如下算式计算季度110kV售电量:
Y=0.46174+1.03767*X
式中Y为季度110kV售电量,X为季度110kV大工业售电量X1和季度110kV趸售电量X2之和;季度110kV大工业售电量X1满足log(X1)=0.79254*log(Z1),且Z1为季度大工业售电量;季度110kV趸售电量X2满足log(X2)=-0.09296+0.94694*log(Z2)+[MA(4)=-0.93920],且Z2为季度趸售电量,MA(4)为四阶移动平均项;
5)采用如下算式计算季度220kV售电量:
Y=X=X1-X2
式中Y为季度220kV售电量,X为季度220kV大工业售电量,X2为季度110kV大工业售电量,X1为季度110kV+220kV大工业售电量且X1满足log(X1)=-0.49202+0.96912*log(Z1)+[MA(4)=-0.97992],其中Z1为季度大工业售电量,MA(4)为四阶移动平均项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710905885.3A CN107665380A (zh) | 2017-09-29 | 2017-09-29 | 基于电压等级的售电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710905885.3A CN107665380A (zh) | 2017-09-29 | 2017-09-29 | 基于电压等级的售电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107665380A true CN107665380A (zh) | 2018-02-06 |
Family
ID=61098388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710905885.3A Pending CN107665380A (zh) | 2017-09-29 | 2017-09-29 | 基于电压等级的售电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107665380A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444521A (zh) * | 2018-12-12 | 2019-03-08 | 云南电网有限责任公司电力科学研究院 | 一种基于测距的非接触式电压等级识别方法及*** |
-
2017
- 2017-09-29 CN CN201710905885.3A patent/CN107665380A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444521A (zh) * | 2018-12-12 | 2019-03-08 | 云南电网有限责任公司电力科学研究院 | 一种基于测距的非接触式电压等级识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895283B (zh) | 一种基于时间序列分解的商家客流量大数据预测方法 | |
Wu et al. | An integrated decision-making model for sustainable photovoltaic module supplier selection based on combined weight and cumulative prospect theory | |
Seifert et al. | Identifying excesses and deficits in Chinese industrial productivity (1953–1990): a weighted data envelopment analysis approach | |
CN106529704A (zh) | 月最大电力负荷预测方法及装置 | |
CN109165763A (zh) | 一种95598客服工单的潜在被投诉的评估方法及装置 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN109146611A (zh) | 一种电商产品质量信用指数分析方法及*** | |
CN110675020A (zh) | 一种基于大数据的高价低接用户识别方法 | |
KR20170049328A (ko) | 기술 또는 ip의 가치 평가 장치 및 방법 | |
Zhang et al. | The impact of Corporate Social Responsibility on the enterprise value of China’s listed coal enterprises | |
CN107705055A (zh) | 基于工程量清单的电网技改工程储备管理方法 | |
CN114595865A (zh) | 一种ivd诊断试剂耗材的需求预测方法 | |
CN107665380A (zh) | 基于电压等级的售电量预测方法 | |
Su et al. | Supplier selection and evaluation system of Delphi method and analytic hierarchy process | |
CN111489270A (zh) | 一种以线路为单元的配网停电敏感度评价方法 | |
CN112241804A (zh) | 一种能源电力数据的宏观经济先行指数构建方法和*** | |
Babanova et al. | Electric energy consumption modes forecasting and management for gas industry enterprises based on artificial intelligence methods | |
ZHAO et al. | An Empirical Study on the Impact of Trade Facilitation on China's Export Trade | |
CN105931133A (zh) | 配电变压器更换优先级评定方法和装置 | |
Yu et al. | Analysis and prediction: A research on the operation and maintenance cost of power distribution network | |
Wang et al. | Estimation of the risks of energy performance contract projects based on the unascertained measure model | |
Lu et al. | Research on time series data prediction based on clustering algorithm-A case study of Yuebao | |
CN115563489B (zh) | 超差表检出方法、装置及计算机存储介质 | |
Jiang | Neural network-based venture capital risk assessment model | |
Wang | Strategic Analysis on innovation of enterprise statistical management under the new economic environment |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180206 |