CN111222079A - 电功率预测方法、装置、存储介质以及处理器 - Google Patents

电功率预测方法、装置、存储介质以及处理器 Download PDF

Info

Publication number
CN111222079A
CN111222079A CN201911404405.0A CN201911404405A CN111222079A CN 111222079 A CN111222079 A CN 111222079A CN 201911404405 A CN201911404405 A CN 201911404405A CN 111222079 A CN111222079 A CN 111222079A
Authority
CN
China
Prior art keywords
electric heating
time period
heating equipment
conversion efficiency
electric power
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
Application number
CN201911404405.0A
Other languages
English (en)
Inventor
丁屹峰
及洪泉
李香龙
赵乐
梁安琪
马凯
王钊
杨烁
曾爽
宫成
孙钦斐
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.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing 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 State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911404405.0A priority Critical patent/CN111222079A/zh
Publication of CN111222079A publication Critical patent/CN111222079A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Mathematical Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Heat-Pump Type And Storage Water Heaters (AREA)
  • Algebra (AREA)

Abstract

本发明公开了一种电功率预测方法、装置、存储介质以及处理器。其中，该方法包括：根据预定条件获取建筑物在预定时间段内的热负荷，其中，预定条件包括以下至少之一：建筑物的结构信息、预定时间段的天气信息；预定时间段为未来的时间段；获取建筑物内的电热设备的转换效率；根据热负荷和电热设备的转换效率获取电热设备在预定时间段内的电功率。本发明解决了现有技术中对电热设备的电功率预测不准确的技术问题。

Description

电功率预测方法、装置、存储介质以及处理器
技术领域
本发明涉及电功率预测技术领域，具体而言，涉及一种电功率预测方法、装置、存储介质以及处理器。
背景技术
影响电网负荷曲线的因素是复杂多样的，负荷是随机变化的，随用电设备的启动或停止人类用电行为的变化而变化，而人类的用电行为随着自然条件的变化不断变化。负荷预测的精度往往取决于影响负荷变化的因素。实践证明，影响电力负荷的影响因素有典型负荷分量、天气条件温度情况、时间、特殊事件和随机时间等。
而供热过程是一个能量和物质的传输关系呈现出非线性的非常复杂的动力学***，所以大多数的预报方法是以对历史数据(包括气象资料、供热负荷等)的统计分析为基础。但由于大规模电采暖设备接入，电采暖设备的用电特性受设备类型、用电时间、地理位置等多方面因素的影响，表现出大功率、随机性、间歇性、分散性、集中并发等特点，导致电网供暖季负荷预测不准确。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电功率预测方法、装置、存储介质以及处理器，以至少解决现有技术中对电热设备的电功率预测不准确的技术问题。
根据本发明实施例的一个方面，提供了一种电功率预测方法，包括：根据预定条件获取建筑物在预定时间段内的热负荷，其中，所述预定条件包括以下至少之一：所述建筑物的结构信息、所述预定时间段的天气信息；所述预定时间段为未来的时间段；获取所述建筑物内的电热设备的转换效率；根据所述热负荷和所述电热设备的转换效率获取所述电热设备在所述预定时间段内的电功率。
可选地，获取所述建筑物内的电热设备的转换效率包括：获取所述电热设备的类型，其中，所述类型为热泵类型或者直热类型；根据所述电热设备的类型获取所述电热设备的转换效率。
可选地，所述预定时间段的天气信息包括以下至少之一：温度、湿度、光照。
可选地，所述预定时间段的温度是根据历史数据以及气象台预报的最高温和最低温得到的。
可选地，所述预定时间段的温度根据如下获取：ti＝ai(th-t1)+t1；其中，ti是第i小时的温度预测值，ai是第i小时的形状因子，th是气象台天气预报的最高温，t1是气象台天气预报的最低温。
可选地，根据所述热负荷和所述电热设备的转换效率获取所述电热设备在所述预定时间段内的电功率包括：
Figure BDA0002348234730000021
其中，P为电功率，Q(T,H,I)为热负荷，COP(T,H)为电热设备的转换效率。
根据本发明实施例的另一方面，还提供了一种电功率预测装置，包括：第一获取模块，用于根据预定条件获取建筑物在预定时间段内的热负荷，其中，所述预定条件包括以下至少之一：所述建筑物的结构信息、所述预定时间段的天气信息；所述预定时间段为未来的时间段；第二获取模块，用于获取所述建筑物内的电热设备的转换效率；第三获取模块，用于根据所述热负荷和所述电热设备的转换效率获取所述电热设备在所述预定时间段内的电功率。
可选地，所述第二获取模块包括：第一获取单元，用于获取所述电热设备的类型，其中，所述类型为热泵类型或者直热类型；第二获取单元，用于根据所述电热设备的类型获取所述电热设备的转换效率。
根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述中任意一项所述的电功率预测方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的电功率预测方法。
在本发明实施例中，采用根据预定条件获取建筑物在预定时间段内的热负荷，其中，所述预定条件包括以下至少之一：所述建筑物的结构信息、所述预定时间段的天气信息；所述预定时间段为未来的时间段；获取所述建筑物内的电热设备的转换效率；根据所述热负荷和所述电热设备的转换效率获取所述电热设备在所述预定时间段内的电功率的方式，通过根据建筑物的热负荷和建筑物内电热设备的转换效率得到电热设备在预定时间段内的电功率，达到了实时、准确预测电热设备的电功率的目的，从而实现了降低电负荷峰值、减少用电成本的技术效果，进而解决了现有技术中对电热设备的电功率预测不准确技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的电功率预测方法流程图；
图2是根据本发明可选实施例的典型日的热负荷与室外温度的变化情况的示意图；
图3是根据本发明可选实施例的城市综合体电采暖负荷预测曲线的示意图；
图4是根据本发明实施例的电功率预测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种电功率预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的电功率预测方法流程图，如图1所示，该方法包括如下步骤：
步骤S102，根据预定条件获取建筑物在预定时间段内的热负荷，其中，预定条件包括以下至少之一：建筑物的结构信息、预定时间段的天气信息；预定时间段为未来的时间段；
步骤S104，获取建筑物内的电热设备的转换效率；
步骤S106，根据热负荷和电热设备的转换效率获取电热设备在预定时间段内的电功率。
通过上述步骤，可以实现采用根据预定条件获取建筑物在预定时间段内的热负荷，其中，预定条件包括以下至少之一：建筑物的结构信息、预定时间段的天气信息；预定时间段为未来的时间段；获取建筑物内的电热设备的转换效率；根据热负荷和电热设备的转换效率获取电热设备在预定时间段内的电功率的方式，通过根据建筑物的热负荷和建筑物内电热设备的转换效率得到电热设备在预定时间段内的电功率，达到了实时、准确预测电热设备的电功率的目的，从而实现了降低电负荷峰值、减少用电成本的技术效果，进而解决了现有技术中对电热设备的电功率预测不准确技术问题。
可选地，获取建筑物内的电热设备的转换效率包括：获取电热设备的类型，其中，类型为热泵类型或者直热类型；根据电热设备的类型获取电热设备的转换效率。
对于热泵类，根据不同电采暖设备的热力工况特点，热泵机组(尤其是空气源)性能系数受室外温湿度影响较大。假定机组处于稳定运行状态，不考虑设备内部具体结构，只考虑影响机组性能的外部因素。则定流量、变工况(蒸发器和冷凝器的进出口温度偏离标准温度的工况)运行时，机组的COP可表示为蒸发器侧出水温度teout和冷凝器侧进水温度如的函数：
Figure BDA0002348234730000041
其中，A、B、C为拟合系数。
在稳定工况下，变流量机组的COP可以拟合成用户侧水流量GP和取水侧水流量G的函数：
Figure BDA0002348234730000042
其中，D、E、F为拟合系数，用户侧水流量和取水侧水流量的单位为m3/h。
以上论述可知，机组的COP可以拟合成蒸发器侧出水温度teout，冷凝器侧进水温度tcin、用户侧水流量和取水侧水流量的函数。其中，拟合公式可以如下：
COP＝f(t0,tk,Ge,Gc)
对于直热式电采暖，一般包括发热电缆、电锅炉、直热电暖气、碳晶板、电热膜等，通过将电能通过焦耳效应直接转化为热能，一般热电转化效率在90％以上。而蓄热类电采暖设备也是通过电加热将热量储存至储热体当中，转化效率也可参照直热式，但需要通过确定储热体容量和储热时间计算电功率。
可选地，预定时间段的天气信息包括以下至少之一：温度、湿度、光照。
在具体实施过程中，上述预定时间段的天气信息包括但不限于温度、湿度、光照，还可以包括紫外线强度、风速等。
可选地，预定时间段的温度是根据历史数据以及气象台预报的最高温和最低温得到的。
可选地，根据历史数据和气象部门的天气预报(最高温和最低温)预测第二天的24小时温度、湿度、光照(THI指标)曲线，这将作为热负荷预测的输入参数。
可选地，所述预定时间段的温度根据如下获取：ti＝ai(th-t1)+t1；其中，ti是第i小时的温度预测值，ai是第i小时的形状因子，th是气象台天气预报的最高温，t1是气象台天气预报的最低温。
到了第i小时的温度实测值已知时，就可以对此时此刻的形状因子进行修正。由第i小时的数据得到当天的形状因子的值为：ai1＝(ti1-b)/(th-t1)，其中，ti1是第i小时的温度测量值，ai1是第i小时的实测形状因子，th是气象台天气预报的最高温，t1是气象台天气预报的最低温。由历史的形状因子和当天的形状因子修正后的形状因子为：
ai＝ai(1-b)+ai1b
其中，b为遗忘因子，取0.05-0.1，形状因子的初始值采用初始天的新形状因子。
通过预测的温度、湿度、光照曲线，结合建筑物围护结构，以及得热量和耗热量，计算建筑物的热负荷曲线。
可选地，根据热负荷和电热设备的转换效率获取电热设备在预定时间段内的电功率包括：COP(T,H)，其中，P为电功率，Q(T,H,I)为热负荷，COP(T,H)为电热设备的转换效率。
稳态情况下，房间的热负荷需求可约等于电热设备的制热量；由此，可基于热负荷以及电热转换效率(COP)在可预测的温度(Temperature)、湿度(Humidity)、光照强度(Illumination)等气象指标下的电负荷曲线可预测如下：
Figure BDA0002348234730000051
因此，在热电耦合分析中，电热设备用电功率的大小直接影响着电网侧的稳定运行，而空气源热泵的制热量则是由室内热负荷的需求来约束的，室内热负荷以及电热转换效率则是与室外天气密切相关。
下面对本发明一种可选的实施方式进行说明。
作为一种可选的实施例，对城市综合体进行负荷预测，输入房屋围护结构、历史天气数据，得到典型日的热负荷与室外温度的变化情况曲线，图2是根据本发明可选实施例的典型日的热负荷与室外温度的变化情况的示意图，如图2所示，可以根据典型日的热负荷与室外温度的变化情况曲线，得到预定时间的热负荷和室外温度。
城市综合体采用电锅炉进行供热，其热效率为95％，基于城市综合体逐时热负荷计算出采暖的逐时电负荷预测结果，图3是根据本发明可选实施例的城市综合体电采暖负荷预测曲线的示意图，如图3所示，图中曲线分别为表示计算的电负荷曲线、利用热水蓄能的转移负荷曲线以及室外温度的变化曲线。其中，利用晚上8点到凌晨5点的谷电制热水进行蓄热，并用于上午6点到11点进行辅助供暖，这种方法在有效的降低了电负荷曲线的峰值的同时，减少了用电成本。
实施例2
根据本发明实施例的另外一个方面，还提供了一种电功率预测装置，图4是根据本发明实施例的电功率预测装置的示意图，如图4所示，该电功率预测装置包括：第一获取模块42，第二获取模块44以及第三获取模块46。下面对该电功率预测装置进行详细说明。
第一获取模块42，用于根据预定条件获取建筑物在预定时间段内的热负荷，其中，预定条件包括以下至少之一：建筑物的结构信息、预定时间段的天气信息；预定时间段为未来的时间段；
第二获取模块44，连接至上述第一获取模块42，用于获取建筑物内的电热设备的转换效率；
第三获取模块46，连接至上述第二获取模块44，用于根据热负荷和电热设备的转换效率获取电热设备在预定时间段内的电功率。
此处需要说明的是，上述第一获取模块42，第二获取模块44以及第三获取模块46对应于实施例1中的步骤S102至S106，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
在本发明实施例中，采用第一获取模块用于根据预定条件获取建筑物在预定时间段内的热负荷，其中，预定条件包括以下至少之一：建筑物的结构信息、预定时间段的天气信息；预定时间段为未来的时间段；第二获取模块用于获取建筑物内的电热设备的转换效率；第三获取模块用于根据热负荷和电热设备的转换效率获取电热设备在预定时间段内的电功率的方式，通过根据建筑物的热负荷和建筑物内电热设备的转换效率得到电热设备在预定时间段内的电功率，达到了实时、准确预测电热设备的电功率的目的，从而实现了降低电负荷峰值、减少用电成本的技术效果，进而解决了现有技术中对电热设备的电功率预测不准确技术问题。
可选地，第二获取模块包括：第一获取单元，用于获取电热设备的类型，其中，类型为热泵类型或者直热类型；第二获取单元，用于根据电热设备的类型获取电热设备的转换效率。
可选地，预定时间段的天气信息包括以下至少之一：温度、湿度、光照。
可选地，预定时间段的温度是根据历史数据以及气象台预报的最高温和最低温得到的。
可选地，所述预定时间段的温度根据如下获取：ti＝ai(th-t1)+t1；其中，ti是第i小时的温度预测值，ai是第i小时的形状因子，th是气象台天气预报的最高温，t1是气象台天气预报的最低温。
可选地，上述第三获取模块包括：
Figure BDA0002348234730000071
其中，P为电功率，Q(T,H,I)为热负荷，COP(T,H)为电热设备的转换效率。
实施例3
根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述中任意一项的电功率预测方法。
实施例4
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的电功率预测方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种电功率预测方法，其特征在于，包括：
根据预定条件获取建筑物在预定时间段内的热负荷，其中，所述预定条件包括以下至少之一：所述建筑物的结构信息、所述预定时间段的天气信息；所述预定时间段为未来的时间段；
获取所述建筑物内的电热设备的转换效率；
根据所述热负荷和所述电热设备的转换效率获取所述电热设备在所述预定时间段内的电功率。
2.根据权利要求1所述的方法，其特征在于，获取所述建筑物内的电热设备的转换效率包括：
获取所述电热设备的类型，其中，所述类型为热泵类型或者直热类型；
根据所述电热设备的类型获取所述电热设备的转换效率。
3.根据权利要求1所述的方法，其特征在于，所述预定时间段的天气信息包括以下至少之一：
温度、湿度、光照。
4.根据权利要求3所述的方法，其特征在于，所述预定时间段的温度是根据历史数据以及气象台预报的最高温和最低温得到的。
5.根据权利要求4所述的方法，其特征在于，所述预定时间段的温度根据如下获取：
ti＝ai(th-t1)+t1；
其中，ti是第i小时的温度预测值，ai是第i小时的形状因子，th是气象台天气预报的最高温，t1是气象台天气预报的最低温。
6.根据权利要求3至5中任一项所述的方法，其特征在于，根据所述热负荷和所述电热设备的转换效率获取所述电热设备在所述预定时间段内的电功率包括：
Figure FDA0002348234720000011
其中，P为电功率，Q(T,H,I)为热负荷，COP(T,H)为电热设备的转换效率。
7.一种电功率预测装置，其特征在于，包括：
第一获取模块，用于根据预定条件获取建筑物在预定时间段内的热负荷，其中，所述预定条件包括以下至少之一：所述建筑物的结构信息、所述预定时间段的天气信息；所述预定时间段为未来的时间段；
第二获取模块，用于获取所述建筑物内的电热设备的转换效率；
第三获取模块，用于根据所述热负荷和所述电热设备的转换效率获取所述电热设备在所述预定时间段内的电功率。
8.根据权利要求7所述的装置，其特征在于，所述第二获取模块包括：
第一获取单元，用于获取所述电热设备的类型，其中，所述类型为热泵类型或者直热类型；
第二获取单元，用于根据所述电热设备的类型获取所述电热设备的转换效率。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的电功率预测方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的电功率预测方法。
CN201911404405.0A 2019-12-30 2019-12-30 电功率预测方法、装置、存储介质以及处理器 Pending CN111222079A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911404405.0A CN111222079A (zh) 2019-12-30 2019-12-30 电功率预测方法、装置、存储介质以及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911404405.0A CN111222079A (zh) 2019-12-30 2019-12-30 电功率预测方法、装置、存储介质以及处理器

Publications (1)

Publication Number Publication Date
CN111222079A true CN111222079A (zh) 2020-06-02

Family

ID=70827945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911404405.0A Pending CN111222079A (zh) 2019-12-30 2019-12-30 电功率预测方法、装置、存储介质以及处理器

Country Status (1)

Country Link
CN (1) CN111222079A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829558A (zh) * 2024-03-06 2024-04-05 天津迪比爱新能源科技有限公司 热电联产机组在调峰运行下的调整方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107120721A (zh) * 2017-05-25 2017-09-01 河北健特建筑安装工程有限公司 一种集中供热动态气候补偿方法
CN109711643A (zh) * 2018-12-05 2019-05-03 新奥数能科技有限公司 一种建筑物的负荷预测方法、装置、可读介质及电子设备
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107120721A (zh) * 2017-05-25 2017-09-01 河北健特建筑安装工程有限公司 一种集中供热动态气候补偿方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN109711643A (zh) * 2018-12-05 2019-05-03 新奥数能科技有限公司 一种建筑物的负荷预测方法、装置、可读介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱能;胡洁;朱惠文;王征;: "地源热泵空调***用电负荷预测" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829558A (zh) * 2024-03-06 2024-04-05 天津迪比爱新能源科技有限公司 热电联产机组在调峰运行下的调整方法
CN117829558B (zh) * 2024-03-06 2024-05-10 天津迪比爱新能源科技有限公司 热电联产机组在调峰运行下的调整方法

Similar Documents

Publication Publication Date Title
Bacher et al. Short-term heat load forecasting for single family houses
Huang et al. An assessment of power flexibility from commercial building cooling systems in the United States
CN108154258B (zh) 空气源热泵负荷的预测方法、装置、存储介质和处理器
CN112950098A (zh) 基于综合能源***的能源规划方法、装置及终端设备
Meschede et al. Assessment of probabilistic distributed factors influencing renewable energy supply for hotels using Monte-Carlo methods
CN115081902B (zh) 基于源网荷储协同的综合规划方法、装置、设备及介质
Peppanen et al. Thermal energy storage for air conditioning as an enabler of residential demand response
JP6154264B2 (ja) 機器動作解析システムおよび情報通信システム
Udovichenko et al. Techno-economic analysis of air-source heat pump (ASHP) technology for single-detached home heating applications in Canada
Dumoulin et al. Operation and grid interaction modeling of a house with a building integrated photovoltaic thermal (BIPV/T) system coupled to an air-source heat pump
CN111199065B (zh) 零能耗建筑设计方法、装置及终端设备
JP6054737B2 (ja) 蓄電量の推移を予測する方法、及び予測装置
Wu et al. Regional assessment of virtual battery potential from building loads
CN111222079A (zh) 电功率预测方法、装置、存储介质以及处理器
Büyükalaca et al. Detailed weather data for the provinces covered by the Southeastern Anatolia Project (GAP) of Turkey
JP2017016206A (ja) エネルギー消費量用途分解装置及び省エネルギー支援装置
CN110766224B (zh) 一种光伏-蓄热装置容量的优化配置方法和装置
CN112215472A (zh) 一种基于聚类的电采暖负荷响应控制方法和装置
Michailidis et al. Optimization-based active techniques for energy efficient building control part ii: Real-life experimental results
CN108279600A (zh) 作物种植管理方法和***、计算机装置及存储介质
Mutani et al. A model for the evaluation of thermal and electric energy consumptions in residential buildings: The case study in Torino (Italy)
Aibin The weather impact on heating and air conditioning with smart thermostats
JP6292515B2 (ja) 需要予測装置、プログラム
CN110262422A (zh) 工业园冷热电终端能源供应***的设计基准日的确定方法
CN115271168A (zh) 用电负荷响应潜力的预测方法、装置及存储介质

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