CN111047108A - 一种基于最优组合模型的终端能源消费中电能占比预测方法 - Google Patents
一种基于最优组合模型的终端能源消费中电能占比预测方法 Download PDFInfo
- Publication number
- CN111047108A CN111047108A CN201911344861.0A CN201911344861A CN111047108A CN 111047108 A CN111047108 A CN 111047108A CN 201911344861 A CN201911344861 A CN 201911344861A CN 111047108 A CN111047108 A CN 111047108A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- model
- electric energy
- prediction
- total
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013213 extrapolation Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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最优组合模型的终端能源消费中电能占比预测方法,包括以趋势外推模型为单一预测模型求得能源‑电能消费量预测值;以灰色预测模型为单一预测模型求的能源‑电能消费量预测值;求解趋势外推模型和灰色预测模型的预测误差;根据模型预测误差平方和的倒数来确定组合模型中各单一模型的权重,从而确定组合预测模型;以模型误差最小原则确定最优预测点数;以电能消费量和能源消费量为基础,利用组合预测模型分别预测未来年份的电能和能源消费量,通过比例运算间接求得终端能源消费中电能占比PETEC预测值。本发明针对整体随时间变化呈现平稳演变规律的数据序列的预测效果较好,能够有效预测能源消费趋势。
Description
技术领域
本发明属于电气新能源研究领域范畴,特别是涉及一种基于最优组合模型的终端能源消费中电能占比预测方法。
背景技术
近些年来,城市能源变革促进了地区能源消费结构的改善和电能替代进程的发展,而这也将进一步推动未来地区用电量的显著增长和终端能源消费中电能占比的持续提高;与此同时,由于能源变革政策和措施具有阶段性,地区终端能源消费中电能占比增速将一定程度上呈现出随机波动的时间变化趋势,对电网公司的电力需求预测工作提出更高要求,在城市能源变革进程中,PETEC整体上呈递增趋势,但由于能源变革包含着不同发展阶段,各个阶段的能源政策、推进措施与改造进度存在差异,使得不同年份的PETEC增长速率变化较大,增加了对其进行精确预测的难度,在电气化能源消费水平预测工作中,我国能源统计部门与电网公司传统的预测方式为利用单一预测模型对PETEC预测进行直接或间接预测,这在一定程度上简化了预测过程,但仅使用一种预测模型难以全面把握电气化水平增长规律,限制了能源、电力消费预测的准确性。
现代预测方法主要包括灰色预测法、仿生学算法、小波分析法、组合预测法、模糊数学法、支持向量机和混沌预测法等,已有研究根据能源消费总量数据和能源消费结构中的煤炭、石油、天然气以及电力消费量数据,建立了能源消费的灰色GM(1,1)预测模型、通过粒子群优化对径向基核函数参数寻优,建立了基于支持向量机技术的居民生活能源消费预测模型,以上模型均有以下不足之处:
1、预测模型单一。单一的预测模简化了预测过程,难以全面把握电气化水平增长规律,限制了能源、电力消费预测的准确性,对此,组合预测法的出现较好地解决了这一问题。
2、为了考虑终端能源消费中电能占比PETEC。终端能源消费中电能占比既是衡量终端能源消费结构的一个重要指标,也是衡量一个国家或地区能源变革与发展水平的重要标志,要研究城市能源变革背景下能源与电力消费量变化趋势,该指标必不可少。
综上所述,有必要考虑终端能源消费中电能占比指标,并同时进行合适的预测模型组合,进行终端能源消费中电能占比的预测,为能源、电力消费情况发展提供建设依据。
发明内容
发明目的:为解决上述问题,为能源、电力消费情况发展提供建设依据,本发明提出一种基于最优组合模型的终端能源消费中电能占比预测方法。
技术方案:为实现上述发明目的,本发明采用以下技术方案:
一种基于最优组合模型的终端能源消费中电能占比预测方法,包括以下步骤:
步骤S1、获取待预测年份前n年的历年电能消费总量数据和能源消费总量数据,建立趋势外推预测模型,以趋势外推模型为单一预测模型求得能源-电能消费量预测值;
步骤S2、以灰色预测模型为单一预测模型求的能源-电能消费量预测值;
步骤S3、分别求解趋势外推模型和灰色预测模型的预测误差;
步骤S4、根据模型预测误差平方和的倒数来确定组合模型中各单一模型的权重,从而确定组合预测模型;
步骤S5、以模型误差最小原则确定最优预测点数;
步骤S6、以电能消费量和能源消费量为基础,利用组合预测模型分别预测未来年份的电能和能源消费量,通过比例运算间接求得终端能源消费中电能占比PETEC预测值。
进一步的,步骤S1中趋势外推模型为:
pn+1=a1(n+1)2+a2(n+1)+a3 (1);
qn+1=b1(n+1)2+b2(n+1)+b3 (2);
其中,a1、a2、a3为别为趋势外推预测模型矩阵形式的电能消费总量的待求系数矩阵a的前三项的值,pn+1为第n+1年的电能消费总量,b1、b2、b3为别为趋势外推预测模型矩阵形式的能源消费总量的待求系数矩阵b的前三项的值,qn+1为第n+1年的电能消费总量;
a,b的求解方式如下:
a=(xTx)-1xtP (3);
b=(xTx)-1xTQ (4);
根据电能消费总量和能源消费总量与终端能源消费中电能占比的关系得到基于趋势外推模型的第n+1年的与终端能源消费中电能占比的预测值pre1,公式如下所示:
其中,RL和ReL为能源、电能损失率,Requ为电能的标准煤折算系数。
进一步的,步骤S2中以灰色预测模型为单一预测模型求的能源-电能消费量预测值,分别将待预测年份前n年的历年电能消费总量数据P和能源消费总量数据Q进行累加,生成的新数据序列P_sum与Q_sum,然后分别对新数据序列P_sum与Q_sum构造灰色预测模型一阶微分方程:
其中,c1、c2分别为电能消费总量的求解系数,d1、d2分别为电能消费总量的求解系数;
该一阶微分方程的解为指数形式,即:
其中,p_sumn+1为电能消费总量前n+1个变量的和,q_sumn+1为能源消费总量前n+1个变量的和,将式(8)和(9)的n更改成n-1分别得到电能消费总量前n个变量的和p_sumn和能源消费总量前n个变量的和q_sumn,则基于灰色预测模型的第n+1年的电能消费总量的预测值p′n+1和能源消费总量的预测值q′n+1,计算公式如式(10)-(11)所示:
p′n+1=p_sumn+1-p_sumn (10);
q′n+1=q_sumn+1-q_sumn (11)。
进一步的,步骤S3中求的趋势外推模型和灰色预测模型的预测误差:
其中,△11%、△12%分别为基于趋势外推模型和基于灰色预测模型的第n+1年的电能消费总量的预测值误差,△21%、△22%分别为基于趋势外推模型和基于灰色预测模型的第n+1年的能源消费总量的预测值误差,act1、act2分别为对应年份的电能消费总量和能源消费总量。
进一步的,步骤S4中根据模型预测误差平方和的倒数来确定组合模型中各单一模型的权重,确定组合预测模型为:
其中,pre1为组合模型确定的电能消费总量的预测值,pre1为组合模型确定的能源消费总量的预测值,ω1、ω2分别表示电能消费总量预测值在基于趋势外推模型和灰色预测模型的组合模型中的权重,ω3、ω4分别表示电能消费总量预测值在基于趋势外推模型和灰色预测模型的组合模型中的权重。
进一步的,步骤S5中以组合模型误差最小原则分别确定电能消费总量和能源消费总量的最优预测点数J1、J2;公式如下:
其中,pre1(i)为电能消费总量第i年的预测值,pre2(i)为能源消费总量第i年的预测值,在每一待选预测点数k下,对所有可进行预测误差检验的历史数据进行误差平方和累计,最终当各组误差平方和的平均值最小时,对应的预测点数则为最优预测点数,N为历史数据所涵盖的全部年份数。
其中,Requ为电能的标准煤折算系数,ReL为电能损失率,RL为能源损失率,PETEC为原始终端能源消费中电能占比值,△E%和△e%为电能消费量和能源消费量的相对预测误差。
有益效果:与现有技术相比,本发明方法针对城市能源变革背景下PETEC的变化特点,提出了一种PETEC组合预测模型,兼容趋势外推预测模型与灰色预测模型的优势。通过选取预测点数和不同单一模型在组合中的权重,减小了组合预测模型的预测误差;通过组合预测模型对电能消费总量和能源消费总量进行预测计算,再通过电能消费总量和能源消费总量与终端能源消费中电能占比的数学关系,间接对终端能源消费中电能占比进行预测,间接预测过程中考虑到电能消费总量和能源消费总量预测值的预测误差,使得预测模型更具有实际意义。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案作更进一步的说明。
如图1所示,一种基于最优组合模型的终端能源消费中电能占比预测方法,包含以下步骤:
pn+1=a1(n+1)2+a2(n+1)+a3 (1);
qn+1=b1(n+1)2+b2(n+1)+b3 (2);
其中,a1、a2、a3为别为趋势外推预测模型矩阵形式的电能消费总量的待求系数矩阵a的前三项的值,pn+1为第n+1年的电能消费总量,b1、b2、b3为别为趋势外推预测模型矩阵形式的能源消费总量的待求系数矩阵b的前三项的值,qn+1为第n+1年的电能消费总量。
a,b的求解方式如下:
a=(xTx)-1xtP (3);
b=(xTx)-1xTQ (4);
通过式(3)和(4)计算得到的a1、a2、a3、b1、b2、b3的值后,将其代入式(1)和(2)分别求得基于趋势外推模型的第n+1年的电能消费总量和能源消费总量。
步骤S2、分别将待预测年份前n年的历年电能消费总量数据P和能源消费总量数据Q进行累加,生成的新数据序列P_sum与Q_sum,然后分别对新数据序列P_sum与Q_sum构造灰色预测模型一阶微分方程:
其中,c1、c2分别为电能消费总量的求解系数,d1、d2分别为电能消费总量的求解系数。
该一阶微分方程的解为指数形式,即:
其中,p_sumn+1为电能消费总量前n+1个变量的和,q_sumn+1为能源消费总量前n+1个变量的和,将式(7)和(8)的n更改成n-1分别得到电能消费总量前n个变量的和p_sumn和能源消费总量前n个变量的和q_sumn,则基于灰色预测模型的第n+1年的电能消费总量的预测值p′n+1和能源消费总量的预测值q′n+1,计算公式如式(9)-(10)所示:
p′n+1=p_sumn+1-p_sumn (9);
q′n+1=q_sumn+1-q_sumn (10);
步骤S3、分别求解趋势外推模型和灰色预测模型的预测误差,公式为:
其中,△11%、△12%分别为基于趋势外推模型和基于灰色预测模型的第n+1年的电能消费总量的预测值误差,△21%、△22%分别为基于趋势外推模型和基于灰色预测模型的第n+1年的能源消费总量的预测值误差,act1、act2分别为对应年份的电能消费总量和能源消费总量;
步骤S4、根据模型预测误差平方和的倒数来确定组合模型中各单一模型的权重,确定组合模型,公式为:
其中,pre1为基于组合模型的电能消费总量的预测值,pre1为基于组合模型的能源消费总量的预测值,ω1、ω2分别表示电能消费总量预测值在基于趋势外推模型和灰色预测模型的组合模型中的权重,ω3、ω4分别表示电能消费总量预测值在基于趋势外推模型和灰色预测模型的组合模型中的权重,其计算方法如下所示:
其中,D1、D2分别为电能消费总量在基于趋势外推模型和基于灰色预测模型的总误差平方和,其计算公式如下:
其中,act1(i)为第i年电能消费总量的实际值,act2(i)为第i年能源消费总量的实际值,pi、qi分别为趋势外推模型和灰色预测模型第i年的能源-电能消费量预测值,p为预测精度检验的年数;
步骤S5、以组合模型误差最小原则分别确定电能消费总量和能源消费总量的最优预测点数J1、J2。公式如下:
其中,pre1(i)为电能消费总量基于组合模型的第i年的预测值,pre2(i)为能源消费总量基于组合模型的第i年的预测值,在每一待选预测点数k下,对所有可进行预测误差检验的历史数据进行误差平方和累计,最终当各组误差平方和的平均值最小时,对应的预测点数则为最优预测点数,N为历史数据所涵盖的全部年份数;
其中,Requ为电能的标准煤折算系数,ReL为电能损失率,RL为能源损失率,PETEC为原始终端能源消费中电能占比值,△E%和△e%为电能消费量和能源消费量的相对预测误差,其计算方法如下所示:
以上所述具体实施方式详细对本发明内容作了进一步详细的描述,部分参数和函数进行了实例化,实际应用中可有等同替换,也可视具体情况选取合适的参数。
本发明的一种基于最优组合模型的终端能源消费中电能占比预测方法,以历年电能消费总量和能源消费总量数据为基础,根据序列特点与预测要求分别选取趋势外推模型和灰色预测模型作为单一预测模型,根据单一模型误差求取权重,从而确定组合预测模型,再以模型误差最小原则确定最优预测点数,并以电能消费量和能源消费量为基础,利用组合预测模型分别预测未来年份的电能和能源消费量,通过比例运算间接求得PETEC预测值,确定终端电能消费比例预测推荐值。
Claims (7)
1.一种基于最优组合模型的终端能源消费中电能占比预测方法,其特征在于,包括以下步骤:
步骤S1、获取待预测年份前n年的历年电能消费总量数据和能源消费总量数据,建立趋势外推预测模型,以趋势外推模型为单一预测模型求得能源-电能消费量预测值;
步骤S2、以灰色预测模型为单一预测模型求的能源-电能消费量预测值;
步骤S3、分别求解趋势外推模型和灰色预测模型的预测误差;
步骤S4、根据模型预测误差平方和的倒数来确定组合模型中各单一模型的权重,从而确定组合预测模型;
步骤S5、以模型误差最小原则确定最优预测点数;
步骤S6、以电能消费量和能源消费量为基础,利用组合预测模型分别预测未来年份的电能和能源消费量,通过比例运算间接求得终端能源消费中电能占比PETEC预测值。
2.根据权利要求1所述的一种基于最优组合模型的终端能源消费中电能占比预测方法,其特征在于,步骤S1中趋势外推模型为:
pn+1=a1(n+1)2+a2(n+1)+a3 (1);
qn+1=b1(n+1)2+b2(n+1)+b3 (2);
其中,a1、a2、a3为别为趋势外推预测模型矩阵形式的电能消费总量的待求系数矩阵a的前三项的值,pn+1为第n+1年的电能消费总量,b1、b2、b3为别为趋势外推预测模型矩阵形式的能源消费总量的待求系数矩阵b的前三项的值,qn+1为第n+1年的电能消费总量;
a,b的求解方式如下:
a=(xTx)-1xtP (3);
b=(xTx)-1xTQ (4);
根据电能消费总量和能源消费总量与终端能源消费中电能占比的关系得到基于趋势外推模型的第n+1年的与终端能源消费中电能占比的预测值pre1,公式如下所示:
其中,RL和ReL为能源、电能损失率,Requ为电能的标准煤折算系数。
3.根据权利要求1所述的一种基于最优组合模型的终端能源消费中电能占比预测方法,其特征在于,步骤S2中以灰色预测模型为单一预测模型求的能源-电能消费量预测值,分别将待预测年份前n年的历年电能消费总量数据P和能源消费总量数据Q进行累加,生成的新数据序列P_sum与Q_sum,然后分别对新数据序列P_sum与Q_sum构造灰色预测模型一阶微分方程:
其中,c1、c2分别为电能消费总量的求解系数,d1、d2分别为电能消费总量的求解系数;
该一阶微分方程的解为指数形式,即:
其中,p_sumn+1为电能消费总量前n+1个变量的和,q_sumn+1为能源消费总量前n+1个变量的和,将式(8)和(9)的n更改成n-1分别得到电能消费总量前n个变量的和p_sumn和能源消费总量前n个变量的和q_sumn,则基于灰色预测模型的第n+1年的电能消费总量的预测值p′n+1和能源消费总量的预测值q′n+1,计算公式如式(10)-(11)所示:
p′n+1=p_sumn+1-p_sumn (10);
q′n+1=q_sumn+1-q_sumn (11)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344861.0A CN111047108B (zh) | 2019-12-24 | 2019-12-24 | 一种基于最优组合模型的终端能源消费中电能占比预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344861.0A CN111047108B (zh) | 2019-12-24 | 2019-12-24 | 一种基于最优组合模型的终端能源消费中电能占比预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047108A true CN111047108A (zh) | 2020-04-21 |
CN111047108B CN111047108B (zh) | 2023-12-12 |
Family
ID=70238758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911344861.0A Active CN111047108B (zh) | 2019-12-24 | 2019-12-24 | 一种基于最优组合模型的终端能源消费中电能占比预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047108B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669983A (zh) * | 2020-12-30 | 2021-04-16 | 华南师范大学 | 基于不完整数据深度学习的传染病协同预测方法和机器人 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748972A (zh) * | 2017-11-29 | 2018-03-02 | 国家电网公司 | 一种基于双能源指标预测全社会用电量的方法 |
CN109033013A (zh) * | 2018-07-04 | 2018-12-18 | 国家电网公司 | 一种用于农村家庭能源消费结构的计算方法 |
CN109492818A (zh) * | 2018-11-16 | 2019-03-19 | 上海交通大学 | 基于能源发展与Shapley值赋权的用电量预测方法 |
-
2019
- 2019-12-24 CN CN201911344861.0A patent/CN111047108B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748972A (zh) * | 2017-11-29 | 2018-03-02 | 国家电网公司 | 一种基于双能源指标预测全社会用电量的方法 |
CN109033013A (zh) * | 2018-07-04 | 2018-12-18 | 国家电网公司 | 一种用于农村家庭能源消费结构的计算方法 |
CN109492818A (zh) * | 2018-11-16 | 2019-03-19 | 上海交通大学 | 基于能源发展与Shapley值赋权的用电量预测方法 |
Non-Patent Citations (3)
Title |
---|
刘孝萍等: "基于组合预测模型的我国能源需求预测分析", 《财经理论研究》 * |
史王民: "中国人均能源消费水平的灰色预测与建议", 《价值工程》 * |
姜维伊: "城市能源变革背景下终端能源消费中电能占比研究", 《中国优秀硕士学位论文全文库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669983A (zh) * | 2020-12-30 | 2021-04-16 | 华南师范大学 | 基于不完整数据深度学习的传染病协同预测方法和机器人 |
CN112669983B (zh) * | 2020-12-30 | 2023-08-04 | 华南师范大学 | 基于不完整数据深度学习的传染病协同预测方法和机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN111047108B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103177395A (zh) | 一种基于社会期望的智能配电网节能减排综合评价方法 | |
CN108009667A (zh) | 一种能源需求总量及结构预测*** | |
WO2015081660A1 (zh) | 一种居民小区短期负荷预测方法 | |
CN107918368B (zh) | 钢铁企业煤气产生量与消耗量的动态预测方法及设备 | |
CN112819225A (zh) | 基于bp神经网络和arima模型的碳市场价格预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及*** | |
CN113344449B (zh) | 一种预测月尺度工业需水量的方法 | |
CN104699959A (zh) | 一种基于k-means算法的线损同类划分方法 | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN108197764A (zh) | 预测电力企业综合能耗的方法及其设备 | |
CN112054507A (zh) | 基于卷积神经网络的配电低压台区理论线损区间计算方法 | |
CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN115860547A (zh) | 基于组合赋权-topsis的乡村电气化数字化成效评价方法 | |
CN117422165A (zh) | 一种基于低碳排放的城市输水***水量预测方法及*** | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN117239731A (zh) | 基于混合模型的节假日短期电力负荷预测方法 | |
CN103530700A (zh) | 城区配电网饱和负荷综合预测方法 | |
CN111047108A (zh) | 一种基于最优组合模型的终端能源消费中电能占比预测方法 | |
CN112330089B (zh) | 装备制造类企业的综合能效监测方法及监测*** | |
CN108108837A (zh) | 一种地区新能源电源结构优化预测方法和*** | |
CN110414776B (zh) | 分行业用电特性快速响应分析*** | |
CN115660234B (zh) | 一种基于混合测算方法的双碳预测优化模型 | |
CN110991748A (zh) | 一种城市电网短期负荷预测方法 | |
CN116316635A (zh) | 基于量测信息的电力协同控制方法及*** |
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 |