CN109523053A - 一种多能流***负荷预测方法 - Google Patents
一种多能流***负荷预测方法 Download PDFInfo
- Publication number
- CN109523053A CN109523053A CN201811122981.1A CN201811122981A CN109523053A CN 109523053 A CN109523053 A CN 109523053A CN 201811122981 A CN201811122981 A CN 201811122981A CN 109523053 A CN109523053 A CN 109523053A
- Authority
- CN
- China
- Prior art keywords
- load
- streaming system
- multipotency streaming
- time series
- multipotency
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 25
- 238000005057 refrigeration Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000003993 interaction Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 16
- 238000000034 method Methods 0.000 description 12
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000002277 temperature effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation 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)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种多能流***负荷预测方法，包括以下步骤：S1：基于负荷时间序列及天气因素的耦合关系分析多能流***，并得到以样本空间数量为维度的向量时间序列；S2：基于向量自回归算法建立多能流***的负荷预测模型；S3：根据所述负荷预测模型计算并获得多能流***的负荷预测结果。本发明所提供的多能流***负荷预测方法能够充分利用VAR模型(即向量自回归算法模型)对向量时间序列物理特性的重建能力，充分反映了多能流***负荷及气象因素之间的相互作用，能更好的把握用户组合用能的能源结构变化，指导多能流***的优化设计，保证***的安全稳定运行。
Description
技术领域
本发明涉及电力***自动化技术领域的负荷预测方法，具体涉及一种多能流***的冷、电、气等负荷预测方法。
背景技术
随着先进科学的发展，人们对能源的需求日益增加，与此同时，传统化石能源日益枯竭，能源安全、环境保护等问题备受关注，而现有冷、热、电等形式能量转化效率低、分布不集中、使用成本高等情况普遍存在，使得能源和环境已经成为制约国民经济可持续发展的主要瓶颈。电力***、热力***和燃气***的物理特性互补性强，多能流***是集电力、天然气、热能、冷能供应为一体的新型能源***，对优化能源结构、提高能源使用效率和促进可再生能源消纳有重要的推动作用，是未来能源发展重要趋势。多能流***冷热电负荷的准确预测是多能流***优化设计、运行调度和能量管理的基本前提，可以优化多能流***的配置，起到节能降耗，提高能效和经济效益的目的，具有重要的理论意义和使用价值。
多能流***负荷受多种因素影响，呈现出不确定性和非线性的特点，多能流***的冷热电气负荷受到自身的历史数据、各负荷之间的相互影响，以及环境温度等天气因素等多种因素的影响，而现有技术对于多能流***负荷的预测多是基于单变量时间序列而做出的预测，精准度较低，无法满足***负荷的预测精度和准确度的要求。
发明内容
本发明的目的是为了解决上述存在的至少一个问题，该目的是通过以下技术方案实现的。
本发明提供一种多能流***负荷预测方法，包括以下步骤：
S1：基于负荷时间序列及天气因素的耦合关系分析多能流***，并得到以样本空间数量为维度的向量时间序列；
S2：基于向量自回归算法建立多能流***的负荷预测模型；
S3：根据所述负荷预测模型计算并获得多能流***的负荷预测结果。
进一步地，在步骤S1中，负荷时间序列及天气因素的耦合关系分析多能流***包括：通过皮尔逊系数考核多能流***的负荷与温度的相关性。
进一步地，在步骤S1中，通过皮尔逊系数考核多能流***的负荷与温度的相关性的算法为：
其中：Xi和Yi为设定的时间序列；
ρXY为相关性系数；
表示时间序列Xi的平均值；
表示时间序列Yi的平均值；
N表示时间序列的样本空间数量。
进一步地，多能流***负荷包括冷负荷、电负荷和气负荷中的至少一者。
进一步地，多能流***负荷包括冷负荷、电负荷和气负荷。
进一步地，在步骤S2中，基于向量自回归算法建立多能流***的负荷预测模型包括以下步骤：
S21：将多能流***的冷负荷的时间序列记为{C(t)}，将多能流***的电负荷的时间序列记为{E(t)}，将多能流***的气负荷的时间序列记为{G(t)}，将多能流***的温度的时间序列记为{T(t)}；
其中t＝1～N，N为样本空间个数，则N个向量[C(t),E(t),G(t),T(t)]构成一个N维的向量时间序列作为向量自回归模型的输入值；
S22：经过Granger分析确定向量自回归模型内生变量为冷负荷、电负荷和气负荷，外生变量为温度；
S23：利用AIC准则确定冷电气负荷预测模型阶数p＝3。
进一步地，在步骤S2中，
负荷预测模型的表达式为：
其中，
G＝[G(t-1),G(t-2),G(t-3)]T；
E＝[E(t-1),E(t-2),E(t-3)]T；
C＝[C(t-1),C(t-2),C(t-3)]T；
A为内生变量系数矩阵，B为外生变量系数矩阵，ε(t)是k维扰动向量。
进一步地，在步骤S3中，负荷预测结果为[g(t),e(t),c(t)]。
本发明所提供的多能流***负荷预测方法能够充分利用VAR模型(即向量自回归算法模型)对向量时间序列物理特性的重建能力，充分反映了多能流***负荷及气象因素之间的相互作用；同时，相对于传统的单变量负荷预测技术，该方法考虑了关键环境影响因素温度以及各负荷之间耦合关系对***负荷的影响，在平均绝对百分误差和均方根误差上均具有更高精度，能更好的把握用户组合用能的能源结构变化，指导多能流***的优化设计，保证***的安全稳定运行。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的多能流***负荷预测方法一种具体实施方式的流程图；
图2为基于图1所示预测方法的多能流***的结构框图；
图3-1为采用VAR(3)模型时气负荷结果；
图3-2为采用单变量ARIMA(1,1)模型时气负荷结果；
图4-1为采用VAR(3)模型时电负荷结果；
图4-2为采用单变量ARIMA(1,1)模型时电负荷结果；
图5-1为采用VAR(3)模型时冷负荷结果；
图5-2为采用单变量ARIMA(1,1)模型时冷负荷结果；
图6为基于VAR模型的多能流***冷、电、气负荷预测方法示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的多能流***负荷预测方法一种具体实施方式的流程图。
在一种具体实施方式中，本发明提供的多能流***负荷预测方法，该多能流***负荷包括冷负荷、电负荷和气负荷中的至少一者，优选地包括包括冷负荷、电负荷和气负荷三者。
该负荷预测方法包括以下步骤：
S1：基于负荷时间序列及天气因素的耦合关系分析多能流***，并得到以样本空间数量为维度的向量时间序列。
在步骤S1中，负荷时间序列及天气因素的耦合关系分析多能流***包括：通过皮尔逊系数考核多能流***的负荷与温度的相关性，Pearson相关系数是度量变量之间相关性强弱的一个定量指标。
具体地，通过皮尔逊(Pearson)系数考核多能流***的负荷与温度的相关性的算法为：
其中：Xi和Yi为设定的时间序列；
ρXY为相关性系数；
表示时间序列Xi的平均值；
表示时间序列Yi的平均值；
N表示时间序列的样本空间数量。
|ρXY|值越大表明相关性越强，ρXY＝0说明变量之间不相关。
S2：基于向量自回归算法建立多能流***的负荷预测模型。
在步骤S2中，基于向量自回归算法建立多能流***的负荷预测模型包括以下步骤：
S21：将多能流***的冷负荷的时间序列记为{C(t)}，将多能流***的电负荷的时间序列记为{E(t)}，将多能流***的气负荷的时间序列记为{G(t)}，将多能流***的温度的时间序列记为{T(t)}；
其中t＝1～N，N为样本空间个数，则N个向量[C(t),E(t),G(t),T(t)]构成一个N维的向量时间序列作为向量自回归模型的输入值；
S22：经过Granger分析确定向量自回归模型内生变量为冷负荷、电负荷和气负荷，外生变量为温度；Granger分析描述的是一个变量的滞后变量是否可以引入到其它变量方程中去，每天的冷电气负荷情况主要受当天的环境温度影响，故与温度的历史数据相关性较弱，而冷电气负荷彼此耦合，各负荷历史数据对其本身的影响会进一步影响其它负荷情况。
S23：利用AIC准则确定冷电气负荷预测模型阶数p＝3。
在步骤S23中利用赤池信息准则(Akaike’s information criterion,AIC)确定模型阶数p＝3。AIC信息准则是衡量统计模型拟合优良性的一种标准，AIC准则鼓励数据拟合的优良性但是尽量避免过度拟合的情况，所以优先考虑AIC最小的模型。参数p的选择理论上要足够大，从而能更完整的反应构造模型的动态特征，但是之后阶数越大，需要估计的参数也就越多，模型的自由度就减少，通常在选择时要综合考虑。根据获得的多能流***负荷序列的长度，分别建立VAR(i),i＝1～8模型，根据AIC信息准则确定最优模型为VAR(3)，即p＝3。
进一步地，在步骤S2中，
负荷预测模型的表达式为：
其中，
G＝[G(t-1),G(t-2),G(t-3)]T；
E＝[E(t-1),E(t-2),E(t-3)]T；
C＝[C(t-1),C(t-2),C(t-3)]T；
A为内生变量系数矩阵，B为外生变量系数矩阵，ε(t)是k维扰动向量。
S3：根据所述负荷预测模型计算并获得多能流***的负荷预测结果。
在步骤S3中，负荷预测结果为[g(t),e(t),c(t)]。
本发明所提供的多能流***负荷预测方法能够充分利用VAR模型(即向量自回归算法模型)对向量时间序列物理特性的重建能力，充分反映了多能流***负荷及气象因素之间的相互作用；同时，相对于传统的单变量负荷预测技术，该方法考虑了关键环境影响因素温度以及各负荷之间耦合关系对***负荷的影响，在平均绝对百分误差和均方根误差上均具有更高精度，能更好的把握用户组合用能的能源结构变化，指导多能流***的优化设计，保证***的安全稳定运行。
以下通过一个应用实例对本发明所提供的负荷预测方法的效果进行验证。
基于本发明提出的多能流***负荷预测方法对某微型多能流***夏季(5月15日至9月15日)的冷、电、气负荷进行预测，该多能流***的***结构如图2所示。该多能流***在5月到8月有稳定的冷、电、气负荷需求，因此本文选用前三个月每天的冷、电、气负荷数据进行建模，预测最后一个月的各负荷情况。
经过Granger分析确定VAR模型内生变量为冷负荷、电负荷和气负荷，外生变量为温度。利用赤池信息准则(Akaike’s information criterion,AIC)确定模型阶数p＝3。参数p的选择理论上要足够大，从而能更完整的反应构造模型的动态特征，但是之后阶数越大，需要估计的参数也就越多，模型的自由度就减少，通常在选择时要综合考虑。根据获得的多能流***负荷序列的长度，分别建立VAR(i),i＝1～8模型，根据AIC信息准则确定最优模型为VAR(3)，即p＝3，参见图6。
为验证本发明提出的基于向量自回归的多能流***负荷预测方法，分别采用VAR(3)模型和单变量ARIMA(1,1)模型预测多能流***冷、电、气负荷，并比较预测精度。图3-1和图3-2为采用VAR(3)模型和单变量ARIMA(1,1)模型时气负荷结果比较，图4-1和图4-2为VAR(3)模型和单变量ARIMA(1,1)模型时电负荷结果比较，图5-1和图5-2为VAR(3)模型和单变量ARIMA(1,1)模型冷负荷结果。
通过对比本发明提出的预测方法与单变量方法的预测曲线，可以看出本发明提出的预测方法预测精度较高，对于冷负荷和电负荷尤为明显，因为夏季的冷负荷与电负荷受环境因素尤其是温度影响较大，它们之间的关系系数较大，通过向量自回归方法内生变量设定可以充分挖掘它们内部之间的耦合关系。考虑到当天冷、电、气负荷情况主要受当天的环境温度影响，把温度作为外生变量，可以充分挖掘各负荷与温度的耦合关系，从而提高多能流***负荷的预测精度。
为进一步评价多能流***冷、电、气负荷的预测效果，本发明采用平均绝对百分误差εMAPE和均方根误差εRMSE来衡量整体误差程度以及预测值与真实值之间的偏离程度，采用最大相对误差εM来反应局部预测误差程度。表1为两种预测方法下各负荷预测的平均绝对百分误差和均方根误差，表2为两种预测方法下各负荷有预测的最大相对误差。由列表可以明显看出，基于向量自回归模型的预测方法对各负荷的追踪能力更强，且预测误差较小，具有明显优势。
表1为气、电、冷负荷预测的平均绝对百分误差和均方根误差
表2为气、电、冷负荷预测的最大相对误差
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。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所述权利要求的保护范围为准。
Claims (8)
1.一种多能流***负荷预测方法，其特征在于，包括以下步骤：
S1：基于负荷时间序列及天气因素的耦合关系分析多能流***，并得到以样本空间数量为维度的向量时间序列；
S2：基于向量自回归算法建立多能流***的负荷预测模型；
S3：根据所述负荷预测模型计算并获得多能流***的负荷预测结果。
2.根据权利要求1所述的多能流***负荷预测方法，其特征在于，在步骤S1中，负荷时间序列及天气因素的耦合关系分析多能流***包括：通过皮尔逊系数考核多能流***的负荷与温度的相关性。
3.根据权利要求2所述的多能流***负荷预测方法，其特征在于，在步骤S1中，通过皮尔逊系数考核多能流***的负荷与温度的相关性的算法为：
其中：Xi和Yi为设定的时间序列；
ρXY为相关性系数；
表示时间序列Xi的平均值；
表示时间序列Yi的平均值；
N表示时间序列的样本空间数量。
4.根据权利要求1所述的多能流***负荷预测方法，其特征在于，多能流***负荷包括冷负荷、电负荷和气负荷中的至少一者。
5.根据权利要求4所述的多能流***负荷预测方法，其特征在于，多能流***负荷包括冷负荷、电负荷和气负荷。
6.根据权利要求1所述的多能流***负荷预测方法，其特征在于，在步骤S2中，基于向量自回归算法建立多能流***的负荷预测模型，包括以下步骤：
S21：将多能流***的冷负荷的时间序列记为{C(t)}，将多能流***的电负荷的时间序列记为{E(t)}，将多能流***的气负荷的时间序列记为{G(t)}，将多能流***的温度的时间序列记为{T(t)}；
其中t＝1～N，N为样本空间个数，则N个向量[C(t),E(t),G(t),T(t)]构成一个N维的向量时间序列作为向量自回归模型的输入值；
S22：经过Granger分析确定向量自回归模型内生变量为冷负荷、电负荷和气负荷，外生变量为温度；
S23：利用AIC准则确定冷电气负荷预测模型阶数p＝3。
7.根据权利要求1或6所述的多能流***负荷预测方法，其特征在于，在步骤S2中，
负荷预测模型的表达式为：
其中，
G＝[G(t-1),G(t-2),G(t-3)]T；
E＝[E(t-1),E(t-2),E(t-3)]T；
C＝[C(t-1),C(t-2),C(t-3)]T；
A为内生变量系数矩阵，B为外生变量系数矩阵，ε(t)是k维扰动向量。
8.权利要求1所述的多能流***负荷预测方法，其特征在于，在步骤S3中，负荷预测结果为[g(t),e(t),c(t)]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811122981.1A CN109523053A (zh) | 2018-09-26 | 2018-09-26 | 一种多能流***负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811122981.1A CN109523053A (zh) | 2018-09-26 | 2018-09-26 | 一种多能流***负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109523053A true CN109523053A (zh) | 2019-03-26 |
Family
ID=65769965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811122981.1A Pending CN109523053A (zh) | 2018-09-26 | 2018-09-26 | 一种多能流***负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523053A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能***长期负荷混合预测方法 |
| US11205895B2 (en) | 2019-12-27 | 2021-12-21 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| CN114593411A (zh) * | 2022-02-28 | 2022-06-07 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 基于向量自回归水煤比寻优直流炉给水控制方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| CN106872658A (zh) * | 2017-01-22 | 2017-06-20 | 华南理工大学 | 一种基于向量时间序列模型的污水cod负荷预测的方法 |
| CN107748938A (zh) * | 2017-11-06 | 2018-03-02 | 国网福建省电力有限公司 | 一种基于向量自回归模型的电力需求预测方法 |
-
2018
- 2018-09-26 CN CN201811122981.1A patent/CN109523053A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| CN106872658A (zh) * | 2017-01-22 | 2017-06-20 | 华南理工大学 | 一种基于向量时间序列模型的污水cod负荷预测的方法 |
| CN107748938A (zh) * | 2017-11-06 | 2018-03-02 | 国网福建省电力有限公司 | 一种基于向量自回归模型的电力需求预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| LI YUJIE,YUAN XIAOLING,XU JIEYAN,CHEN ZHENG,MEI FEI,LIU HAOMING: "Medium-term forecasting of cold, electric and gas load in multi-energy system based on VAR model", 《2018 13TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS (ICIEA)》 * |
| 王维国: "《计量经济学》", 31 January 2002, 东北财经大学出版社 * |
| 赵峰,孙波,张承慧: "基于多变量相空间重构和卡尔曼滤波的冷热电联供***负荷预测方法", 《中国电机工程学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11205895B2 (en) | 2019-12-27 | 2021-12-21 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能***长期负荷混合预测方法 |
| CN111754037B (zh) * | 2020-06-19 | 2023-01-20 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能***长期负荷混合预测方法 |
| CN114593411A (zh) * | 2022-02-28 | 2022-06-07 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 基于向量自回归水煤比寻优直流炉给水控制方法及*** |
| CN114593411B (zh) * | 2022-02-28 | 2024-03-29 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 基于向量自回归水煤比寻优直流炉给水控制方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
| Wang et al. | Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system | |
| CN107784397B (zh) | 一种电网物资需求预测***及其预测方法 | |
| CN109523053A (zh) | 一种多能流***负荷预测方法 | |
| CN105529700A (zh) | 一种非侵入式在线负荷分解装置 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
| CN111486555A (zh) | 一种人工智能ai专家***进行中央空调节能调控的方法 | |
| Wang et al. | Flexible multi-energy scheduling scheme for data center to facilitate wind power integration | |
| Li et al. | Distribution system voltage control under uncertainties using tractable chance constraints | |
| Yujie et al. | Medium-term forecasting of cold, electric and gas load in multi-energy system based on VAR model | |
| Brusokas et al. | HeatFlex: Machine learning based data-driven flexibility prediction for individual heat pumps | |
| WO2022040255A1 (en) | Methods, systems, and computer readable media for model-free privacy preserving thermal load management | |
| CN111549193B (zh) | 用于多座高炉热风炉的换炉方法、换炉装置及控制设备 | |
| Şişman | A comparison of ARIMA and grey models for electricity consumption demand forecasting: The case of Turkey | |
| Ma et al. | A synchronous prediction method for hourly energy consumption of abnormal monitoring branch based on the data-driven | |
| CN105335824B (zh) | 基于数据中心的配电网故障抢修指挥方法与*** | |
| Wu et al. | Multi-objective optimization of residential building energy consumption, daylighting, and thermal comfort based on BO-XGBoost-NSGA-II | |
| Muhanji et al. | Transforming the Grid's Architecture: Enterprise Control, the Energy Internet of Things, and Heterofunctional Graph Theory | |
| Zou et al. | Predicting the electric power consumption of office buildings based on dynamic and static hybrid data analysis | |
| Sharma et al. | Renewable energy systems energy modeling using deep learning techniques | |
| CN113313410B (zh) | 多能源耦合建模评估方法、装置及终端设备 | |
| Deng et al. | Daily Water Demand Prediction Driven by Multi-source Data | |
| Chen et al. | A prediction model based on unbiased grey Markov for airport energy consumption prediction | |
| Nichiforov et al. | Embedded on-line system for electrical energy measurement and forecasting in buildings | |
| Yue et al. | Deep learning–based monitoring sustainable decision support system for energy building to smart cities with remote sensing techniques |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |