CN110533256A - 一种需求侧供热负荷的预测方法 - Google Patents
一种需求侧供热负荷的预测方法 Download PDFInfo
- Publication number
- CN110533256A CN110533256A CN201910835025.6A CN201910835025A CN110533256A CN 110533256 A CN110533256 A CN 110533256A CN 201910835025 A CN201910835025 A CN 201910835025A CN 110533256 A CN110533256 A CN 110533256A
- Authority
- CN
- China
- Prior art keywords
- demand
- heat supply
- model
- prediction
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010438 heat treatment Methods 0.000 claims abstract description 37
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 23
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000004140 cleaning Methods 0.000 abstract 1
- 206010019133 Hangover Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种需求侧供热负荷的预测方法,包括以下步骤:S1、采集区域供热历史数据;S2、对供热历史数据进行数据清洗,实现数据异常值剔除和空白数据填充;S3、建立供热负荷模型;S4、供热负荷预测。在本申请实施例中,在不损失精度的情况下,简化计算过程,使得轻量级移动设备可以嵌入该方法,便于需求侧(用户端)安装部署该预测设备,提供预测精度和可信度。仅依赖负荷时间序列即可实现较高置信度的预报,提高了算法在工业应用环境可操作性和实时性。
Description
技术领域
本申请涉及供热负荷预测技术领域,尤其涉及一种需求侧供热负荷的预测方法。
背景技术
供热负荷是供热公司为用户提供热量能力的度量,是衡量供热公司提供热量的能力的重要指标。小区集中供热应根据热负荷的需要,确定最佳运行方案,并以满足热负荷的需要为主要目标。地区电力管理部门在制定小区集中供热电力调度曲线时,应充分考虑供热负荷曲线和节能因素,不得以电量指标限制小区集中供热对外供热。因此,对地区采暖供热负荷(简称供热负荷)进行准确预测,既有助于电网公司合理安排电厂发电,优化分配当地电源资源,提升机网协调水平,也有助于电厂优化发电管理,提高发电效率。
供热负荷主要受当地气温、气候、风速等天气因素影响,且具有数据量大、随机性高、变化快的特点。目前,现有技术中对供热负荷预测的方法主要有:采用ARIMA模型,ARIMA在平稳时间序列中享有很高的声誉,但是对非平稳序列仍然找不到最佳的p、d、q值,ARIMA对数据的线性结构拟合的较好,但对非线性结构不好,由此导致单一的负荷预测算法预测准确性欠佳,预测偏差较大,不利于后期调度优化;采用神经网络模型,神经网络模型在使用时需要主观建模,引入了人为理解差异,且训练时间长,使用时计算量较大,不适于应用在需求侧移动设备中。
发明内容
本申请提供一种需求侧供热负荷的预测方法,以解决现有技术中单一的负荷预测算法预测准确性欠佳,预测偏差较大,不利于后期调度优化;训练时间长,使用时计算量较大的问题。
本申请实施例提供一种需求侧供热负荷的预测方法,包括以下步骤:
S1、采集区域供热历史数据;
S2、对供热历史数据进行数据清洗,实现数据异常值剔除和空白数据填充;
S3、建立供热负荷模型;
S4、供热负荷预测。
进一步的,所述步骤S3包括:
a、建立ARIMA模型,根据ARIMA模型对S2得到供热历史数据yt进行预测,得到ARIMA模型预测结果
b、计算S2得到供热历史数据yt与ARIMA模型预测结果的残差et,获得残差数列{et};
c、建立SVM模型,根据SVM模型对残差数列进行预测,得到SVM模型预测结果
进一步的,所述步骤S4具体为:根据ARIMA模型预测结果和SVM模型预测结果得到供热负荷预测结果供热负荷预测结果为:
进一步的,残差
进一步的,所述步骤S1具体为:以固定的间隔采集来自热源供热的热负荷和换热站的供热负荷。
进一步的,所述步骤S2具体为:数据异常值剔除采用阈值判别法,空白数据填采用两点拟合平均值法。
在本申请实施例中,由于采用上述技术方案,在不损失精度的情况下,简化计算过程,使得轻量级移动设备可以嵌入该方法,便于需求侧(用户端)安装部署该预测设备,提供预测精度和可信度。仅依赖负荷时间序列即可实现较高置信度的预报,提高了算法在工业应用环境可操作性和实时性。为能源提供商提供了理论工具,为落实国家节能政策、降低碳排放提供了基础保障。
通过使用由线性预测模型和非线性预测模型组成的模型预测供热负荷,实现了线性预测和非线性预测的互补,解决了准确率低的技术问题,缩小了预测偏差,提高了预测供热负荷的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例1中总供热需求序列时序图;
图2为本申请实施例1中自相关AC及偏自相关PAC分析图;
图3为本申请实施例1中正态性检验中Q-Q图;
图4为本申请实施例1异方差处理中的时序图;
图5为本申请实施例1异方差处理中自相关和偏自相关图;
图6为本申请实施例1中残差的自相关及偏自相关图
图7为本申请实施例1中拟合效果图;
图8为本申请实施例1中观测值与预测值对比图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
本申请提供一种需求侧供热负荷的预测方法,包括以下步骤:
S1、采集区域供热历史数据;
以固定的间隔采集来自热源供热的热负荷和换热站的供热负荷。
S2、对供热历史数据进行数据清洗,实现数据异常值剔除和空白数据填充;
数据异常值剔除能够过滤超常理的异常采用扰动值,可以采用但不限定为阈值判别法;
空白数据填充能够添加因设备故障等原因导致的空值,可以采用但不限定为两点拟合平均值法,根据缺失值附近值求算法平均数的方法。
S3、建立供热负荷模型
把一组时间序列的供热历史数据yt看成是由非线性自相关结构Lt和非线性结构Nt两部分,即:yt=Lt+Nt
1、建立ARIMA模型,根据ARIMA模型对S2得到供热历史数据yt进行预测,得到ARIMA模型预测结果
确定ARIMA(p,d,q)中参数d:对供热历史数据的时间序列数据进行平稳化处理;通过差分方法对供热历史数据的时间序列数据进行平稳性处理,每次差分后,判断差分后的供热历史数据的时间序列数据是否为平稳性时间序列数据;如果为平稳性时间序列数据,则停止差分,此时ARIMA(p,d,q)模型中参数d的值为差分的次数,如果差分后,供热历史数据的时间序列数据仍然为非平稳性时间序列数据,则继续对供热历史数据的时间序列数据进行差分。
确定ARIMA(p,d,q)中参数p和q:一般的说,通过计算自相关系数(acf)和偏相关系数确定(pacf),观察两个相关系数图确定,平稳的序列的自相关图和偏相关图要么拖尾,要么是截尾。截尾就是在某阶之后,系数都为0或趋于0,拖尾就是有一个缓慢衰减的趋势,但是不都为0。
自相关系数ACF | 偏向关系数PACF | 模型选择 |
拖尾 | P阶截尾 | AR(p) |
q阶截尾 | 拖尾 | MA(q) |
P阶拖尾 | q阶拖尾 | ARMA(p,q) |
另外,可利用aic、bic统计量自动确定。具体实现,SPSS,R等软件都有自动实现功能。不再赘述。
2、计算S2得到供热历史数据yt与ARIMA模型预测结果的残差et,获得残差数列{et};
供热历史数据yt与ARIMA模型预测结果的残差为et,即:
残差序列{et}是隐含了原序列中的非线性关系:
et=f(et-1,et-2,…,et-n)+ε,式中ε为随机误度差。
3、建立SVM模型,根据SVM模型对残差数列进行预测,得到SVM模型预测结果
利用残差序列{et}重构SVM样本集,利用SVM模型对残差et进行预测,得到SVM模型预测结果为
SVM的参数主要是选取的核函数,一般是RBF径向基函数。
其余参数默认,在实现过程中,可通过小样本试验,或使用Scikit-learn.R.SPSS等软件的默认值。
S4、供热负荷预测
根据ARIMA模型预测结果和SVM模型预测结果得到供热负荷预测结果,供热负荷预测结果为:
实施例1:
提供2007年-2018年每年11月15日、11月30、12月15日、12月30日、1月15日、1月30相同供热面积下的功率数值,如表1所示。
表1、2007年11月初至2018年年末相同供热面积下功率数值表(单位:kWh)
时间 | 2007 | 2008 | 2009 | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 |
11月15日 | 717.38 | 611.6 | 753.26 | 779.7 | 707.87 | 711.8 | 745.4 | 809.1 | 741 | 758 | 750 | 815 |
11月30日 | 740.7 | 711 | 839.54 | 807.77 | 787.92 | 795.8 | 849.4 | 890.7 | 865 | 870 | 842 | 866 |
12月15日 | 848.43 | 737.6 | 785.13 | 564.92 | 543.83 | 652.6 | 776.9 | 884.4 | 808 | 855 | 828 | 877 |
12月30日 | 808.73 | 753.3 | 855.16 | 954.71 | 877.47 | 893.4 | 959 | 971.6 | 917 | 988 | 935 | 990 |
1月15日 | 938.06 | 855.1 | 1027.8 | 1024.8 | 995.14 | 989.4 | 1076 | 1067 | 989 | 1055 | 991 | 1018 |
1月30日 | 998.85 | 871.4 | 1003 | 1097.1 | 1002.4 | 1000 | 1090 | 1115 | 1044 | 1138 | 1042 | 1093 |
(一)平稳及正态性检验
1、绘制观察值序列时序图,如图1所示。
时序图显示该序列随时间的推移具有明显的递增趋势,又含有季节波动。
2、如图2所示,为自相关AC及偏自相关PAC分析图。
AC衰减,没有很快衰减到零,因此,该序列含有一定的趋势性。
3、正态性检验,如图3所示,具有正态性。
(二)模型匹配
1、异方差处理
对原序列取自然对数,并做一阶微分,其时序图和AC,PAC如图4和图5所示。
作对数微分分后的序列,其均值在零点附近,线性递增趋势消失,认为是平稳的。
序列的趋势不存在,故d=1,AC,PAC均显示出不截尾的性质,同时存在明显的季节效应,可考虑建立乘积季节效应模型(p,d,q)×(P,D,Q),由于实际建模时常用高阶的AR模型代替相应的MA和ARMA。综合考虑,可供选取择的(p,q)组合有:(1,1);(2,2)(2,0),(3,0),本自相关系数和偏自相关系数显著不为0,故P=Q=1。
将四个模型的相关检验汇入表2。
表2、各模型的检验结果表
从表2中可见,几个模型的AIC和SC均差别不大,其调整后的决定系数除模型三外其余均在0.56附近。综合考虑可选择模型二进行优化,由于φ2不显著,剔除AR(2)重新进行估计。其估计结果φ1,θ1,θ2均不显著,经反复方试验,我们认为虽然模型二的φ2没有通过检验,但其拟合效果是最优的,因此选择(2,1,2)×(1,1,1)12作为估计模型,其估计参数如表3所示。
表3:参数估计表
模型的调整可决系数为0.5704,AIC为-2.6417,SC为-2.4376,除θ2外,各系数均通过显著性检验。因此可以认为不带截距项的ARIMA(2,1,2)×(1,1,1)12模型更适合。其估计方程如下:
(四)模型的检验
对所建立的模型进行适应性检验,即对模型的残差序列εt的独立性检验。
通过直接观察残差序列的自相关和偏见相关分析图,如图6所示,其自相关系数和偏见自相关系数都落入随机区间,故认为与0无明显差异,表明残差序列是独立的。如图7所示,从拟合效果图中可以看出拟合效果较好。
(五)模型预测
如图8所示,对原序列进行预测并作图(虚线表示预测值)。通过与实际值对比,二者基本吻合,这表示模型拟合效果良好。
由于采用上述技术方案,在不损失精度的情况下,简化计算过程,使得轻量级移动设备可以嵌入该方法,便于需求侧(用户端)安装部署该预测设备,提供预测精度和可信度。仅依赖负荷时间序列即可实现较高置信度的预报,提高了算法在工业应用环境可操作性和实时性。为能源提供商提供了理论工具,为落实国家节能政策、降低碳排放提供了基础保障。
通过使用由线性预测模型和非线性预测模型组成的模型预测供热负荷,实现了线性预测和非线性预测的互补,解决了准确率低的技术问题,缩小了预测偏差,提高了预测供热负荷的准确率。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种需求侧供热负荷的预测方法,其特征在于,包括以下步骤:
S1、采集区域供热历史数据;
S2、对供热历史数据进行数据清洗,实现数据异常值剔除和空白数据填充;
S3、建立供热负荷模型;
S4、供热负荷预测。
2.根据权利要求1所述的需求侧供热负荷的预测方法,其特征在于,所述步骤S3包括:
a、建立ARIMA模型,根据ARIMA模型对S2得到供热历史数据yt进行预测,得到ARIMA模型预测结果
b、计算S2得到供热历史数据yt与ARIMA模型预测结果的残差et,获得残差数列{et};
c、建立SVM模型,根据SVM模型对残差数列进行预测,得到SVM模型预测结果
3.根据权利要求2所述的需求侧供热负荷的预测方法,其特征在于,所述步骤S4具体为:根据ARIMA模型预测结果和SVM模型预测结果得到供热负荷预测结果供热负荷预测结果为:
4.根据权利要求2所述的需求侧供热负荷的预测方法,其特征在于,残差
5.根据权利要求1所述的需求侧供热负荷的预测方法,其特征在于,所述步骤S1具体为:以固定的间隔采集来自热源供热的热负荷和换热站的供热负荷。
6.根据权利要求1所述的需求侧供热负荷的预测方法,其特征在于,所述步骤S2具体为:数据异常值剔除采用阈值判别法,空白数据填采用两点拟合平均值法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910835025.6A CN110533256A (zh) | 2019-09-05 | 2019-09-05 | 一种需求侧供热负荷的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910835025.6A CN110533256A (zh) | 2019-09-05 | 2019-09-05 | 一种需求侧供热负荷的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533256A true CN110533256A (zh) | 2019-12-03 |
Family
ID=68667095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910835025.6A Pending CN110533256A (zh) | 2019-09-05 | 2019-09-05 | 一种需求侧供热负荷的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533256A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239314A (zh) * | 2021-04-09 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
CN107944612A (zh) * | 2017-11-17 | 2018-04-20 | 河海大学 | 一种基于arima和相空间重构svr的母线净负荷预测方法 |
CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
CN109146111A (zh) * | 2017-06-27 | 2019-01-04 | 中国农业大学 | 一种基于arima-lssvm组合模型预测粮食产量的方法 |
CN109543879A (zh) * | 2018-10-22 | 2019-03-29 | 新智数字科技有限公司 | 基于神经网络的负荷预测方法及装置 |
CN110100620A (zh) * | 2019-03-29 | 2019-08-09 | 上海交通大学 | 光照精准预测的苗床调度方法、***及介质 |
-
2019
- 2019-09-05 CN CN201910835025.6A patent/CN110533256A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
CN109146111A (zh) * | 2017-06-27 | 2019-01-04 | 中国农业大学 | 一种基于arima-lssvm组合模型预测粮食产量的方法 |
CN107944612A (zh) * | 2017-11-17 | 2018-04-20 | 河海大学 | 一种基于arima和相空间重构svr的母线净负荷预测方法 |
CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
CN109543879A (zh) * | 2018-10-22 | 2019-03-29 | 新智数字科技有限公司 | 基于神经网络的负荷预测方法及装置 |
CN110100620A (zh) * | 2019-03-29 | 2019-08-09 | 上海交通大学 | 光照精准预测的苗床调度方法、***及介质 |
Non-Patent Citations (2)
Title |
---|
卢建昌等: "基于时序分析的神经网络短期负荷预测模型研究", 《中国电力》 * |
王喜平等: "夏季短期电力负荷ARIMA-SVR组合预测模型", 《黑龙江电力》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239314A (zh) * | 2021-04-09 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
AU2017302235A1 (en) | Electrical energy storage system with battery resistance estimation | |
WO2011101189A2 (en) | Energy generating system and control thereof | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN107403015A (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN106786608B (zh) | 一种适用于分布式电源接入的不确定谐波潮流计算方法 | |
CN110070223A (zh) | 一种应用于新建风电场的短期功率预测方法 | |
US11551323B2 (en) | Ensuring safe servicing in a low-voltage network of the electric power distribution system | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN117874688B (zh) | 基于数字孪生的电力数字化异常识别方法及*** | |
CN103018611A (zh) | 一种基于电流分解的非侵入式负载监测方法及*** | |
CN110533256A (zh) | 一种需求侧供热负荷的预测方法 | |
CN104156885A (zh) | 一种基于可靠性函数的风电容量可信度的快速计算方法 | |
CN114662809A (zh) | 一种综合能源园区内供电电源的电能质量评价方法和*** | |
CN105354761B (zh) | 一种风电接入电网的安全与效能评估方法及*** | |
Eltohamy et al. | Technical investigation for power system flexibility | |
Tazi et al. | Demand and energy management in smart grid: Techniques and implementation | |
Yang et al. | Investigating the predictability of photovoltaic power using approximate entropy | |
CN113361946B (zh) | 一种基于分布式光伏并网***的电能质量评估方法及装置 | |
Jin et al. | Comprehensive evaluation of impacts of connecting distributed generation to the distribution network | |
CN114465276A (zh) | 一种配电网风储联合优化配置方法及其相关装置 | |
Khalyasmaa et al. | Photovoltaic power plant production operational forecast based on its short-term forecasting model | |
Ge et al. | Modelling of domestic load demand in the presence of microgrid with wind and photovoltaic resources |
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 |
Application publication date: 20191203 |
|
WD01 | Invention patent application deemed withdrawn after publication |