CN111523715A - 一种负荷综合预测方法 - Google Patents
一种负荷综合预测方法 Download PDFInfo
- Publication number
- CN111523715A CN111523715A CN202010295088.XA CN202010295088A CN111523715A CN 111523715 A CN111523715 A CN 111523715A CN 202010295088 A CN202010295088 A CN 202010295088A CN 111523715 A CN111523715 A CN 111523715A
- Authority
- CN
- China
- Prior art keywords
- data
- power load
- term
- short
- load 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000005653 Brownian motion process Effects 0.000 claims abstract description 48
- 238000005537 brownian motion Methods 0.000 claims abstract description 48
- 230000007774 longterm Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003442 weekly effect Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims 1
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 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
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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种负荷综合预测方法,包括以下步骤:分析统计短期时间内同一时间点的平均电力负荷数据以及对应每个时间点的气象数据,确定影响电力负荷数据变化的气象数据参数;建立短期时间内的电力负荷数据和气象数据之间的短期分数布朗运动模型;建立电力负荷数据和经济政策数据之间的中长期负荷预测模型;对短期分数布朗运动模型和中长期负荷预测模型优化,得到关于电力负荷的短中长期限内的分数布朗运动优化模型;利用分数布朗运动优化模型预测短、中、长期电力负荷数据;本方案对电力负荷进行短期及中长期预测,实现全方位综合对电力负荷进行预测,预测数据的准确性高。
Description
技术领域
本发明实施例涉及负荷预测技术领域,具体涉及一种负荷综合预测方法。
背景技术
电力负荷预测是电力***运行的重要环节,是电力调度的重要内容。根据电力调度,电力***运营商可以确定电网的运行时间,减少潜在损失,因此准确的电力负荷预测有助于运营商把握未来电力发展趋势,更好地调度电网。
在电力负荷预测中,很多因素不同程度地影响着电力荷的预测值。有些因素因自然而变化,比如气象。有些因按地区条件产生差异,如工农业发展速度;有些因素是无估计的重大事件,如严重灾害等,并且各个因素对负荷的响可能是不一样的,而且同一因素的不同水平对负荷的影也是不同的。
现有技术中的预测方法仅能对电力负荷进行短期或者中长期预测,不能全方位综合对电力负荷进行预测,预测准确度较低。
发明内容
为此,本发明实施例提供一种负荷综合预测方法,采用通过经济政策数据和气象数据两个影响因素对电力负荷数据的影响程度建立分数布朗运动优化模型,对电力负荷进行短期及中长期预测,实现全方位综合对电力负荷进行预测,以解决现有技术中不能全方位综合对电力负荷进行预测,预测准确度较低的问题。
为了实现上述目的,本发明的实施方式提供如下技术方案:一种负荷综合预测方法,包括以下步骤:
步骤100、分析统计短期时间内同一时间点的平均电力负荷数据以及对应每个时间点的气象数据,确定影响电力负荷数据变化的气象数据参数;
步骤200、对比短期时间在不同气象数据条件下的总消耗电力负荷数据差值,建立短期时间内的电力负荷数据和气象数据之间的短期分数布朗运动模型;
步骤300、获取同一区域内的经济政策数据,根据不同经济政策数据对应时间段内的总消耗电力负荷数据差值,建立电力负荷数据和经济政策数据之间的中长期负荷预测模型;
步骤400、对短期分数布朗运动模型和中长期负荷预测模型进行全局寻优获得赫斯特指数的最优值,得到关于电力负荷的短中长期限内的分数布朗运动优化模型;
步骤500、利用分数布朗运动优化模型预测短、中、长期电力负荷数据。
可选的,步骤100具体为:
统计监测区域内每天的总消耗电力负荷数据;
统计每天的气象数据,包括平均温度、平均日照时间和平均风速;
对比不同月份在每个月内的平均电力负荷数据以及平均气象数据,统计平均电力负荷数据差异比较大的月份对应的平均气象数据;
确定影响电力负荷数据的气象数据阈值。
可选的,步骤200具体为;
步骤201、统计不同月份的总消耗电力负荷数据,对每个月的总消耗负荷数据进行均一化处理;
步骤202、按照升序方式将不同月份的总消耗电力负荷数据依次排列,同时标记每个月对应的平均气象数据;
步骤203、建立电力负荷数据与气象数据之间的短期分数布朗运动模型。
可选的,步骤203后,还包括:
选择总消耗电力负荷数据最大月份中的每周产生的次消耗电力负荷数据,以及对应每周的平均气象数据,同时选择总消耗电力负荷数据最小月份中的每周产生的次消耗电力负荷数据,以及对应每周的平均气象数据,分别代入到短期分数布朗运动模型内来校正短期分数布朗运动模型中的赫斯特指数H,提高短期分数布朗运动模型的适用性。
可选的,步骤300具体为:
统计监测对象每年的总消耗电力符合数据;
分析每年的总消耗电力符合数据与每年的经济政策数据之间的关联关系;
建立电力负荷数据和经济政策数据之间的中长期负荷预测模型。
可选的,所述中长期负荷预测模型计算结果包含气象数据引起的电力负荷数据变化。
可选的,步骤400具体为:
以前一年的每个月的总消耗电力负荷数据为基准,对比前后两年在同一个月的气象数据变化并统一影响电力负荷数据消耗的气象数据;
根据短期分数布朗运动模型预测今年的每个月的总消耗电力负荷数据,统计今年全年的总消耗电力负荷数据;
利用中长期负荷预测模型计算今年全年的总消耗电力负荷数据;
统计中长期负荷预测模型计算结果与短期分数布朗运动模型计算结果的差值以代表校正后的中长期负荷预测模型计算的总消耗电力负荷数据。
可选的,所述步骤:统计中长期负荷预测模型计算结果与短期分数布朗运动模型计算结果的差值以代表校正后的中长期负荷预测模型计算的总消耗电力负荷数据之后,还包括:
建立电力负荷数据与经济政策数据之间的关系,得到经济政策数据对每个月的电力负荷数据产生的影响系数,利用影响细述对短期分数布朗运动模型优化,得到关于电力负荷的短中长期限内的分数布朗运动优化模型。
本发明的实施方式具有如下优点:
本实施方式通过经济政策数据和气象数据两个影响因素对电力负荷数据的影响程度建立分数布朗运动优化模型,对电力负荷进行短期及中长期预测,实现全方位综合对电力负荷进行预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施方式中负荷预测方法的流程示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
在本发明的描述中,需要理解的是,术语“上”、“下”、“顶”、“底”、“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,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。
如图1所示,本发明提供了一种负荷综合预测方法,本实施方式利用经济政策数据和气象数据推算电力负荷数据,对电力负荷进行短期及中长期预测,实现全方位综合对电力负荷进行预测。
具体包括以下步骤:
步骤100、分析统计短期时间内同一时间点的平均电力负荷数据以及对应每个时间点的气象数据,确定影响电力负荷数据变化的气象数据参数。
本步骤的主要目的是获取短期时间内每个时间点的电力负荷数据变化与气象数据之间的关系,其中,短期时间为一预先设定的采样周期,一般可选定一整年或若干个季度为一采样周期,以实现通过预测气象数据来预测短期电力负荷数据变化。
具体实现步骤为:
1、统计监测区域内每天的总消耗电力负荷数据;
2、统计每天的气象数据,包括平均温度、平均日照时间和平均风速;
3、对比不同月份在每个月内的平均电力负荷数据以及平均气象数据,统计平均电力负荷数据差异比较大的月份对应的平均气象数据;
4、确定影响电力负荷数据的气象数据阈值。
本实施方式为了找到电力负荷数据的变化与气象数据的关系,将不同月份的平均电力负荷数据进行对比,推算电力负荷数据变化与气象数据之间的关系。
比如一月份跟五月份的平均电力负荷数据相比,一月份的电力负荷数据明显大于五月份的电力负荷数据,则对比一月份对应的气象数据和二月份对应的气象数据,即可发现两个月的气象数据差异,以此类推,确定影响电力负荷数据变化的气象数据参数,统计开始影响电力负荷数据变化的最低气象数据标准。
步骤200、对比短期时间在不同气象数据条件下的总消耗电力负荷数据差值,建立短期时间内的电力负荷数据和气象数据之间的短期分数布朗运动模型。
确定开始影响电力负荷数据的气象数据阈值后,统计一月时间的总消耗电力负荷数据以及影响电力负荷数据的气象数据持续时间,建立短期时间内的电力负荷数据和气象数据之间的短期分数布朗运动模型,从而根据每个星期甚至每个月的天气预报情况,即可预测接下来每个星期甚至每个月的电力负荷数据,从而起到一个积极正面的预测作用。
具体的实现步骤为;
步骤201、统计不同月份的总消耗电力负荷数据,对每个月的总消耗负荷数据进行均一化处理;
步骤202、按照升序方式将不同月份的总消耗电力负荷数据依次排列,同时标记每个月对应的平均气象数据;
步骤203、建立电力负荷数据与气象数据之间的短期分数布朗运动模型。
建立电力负荷数据与气象数据之间的短期分数布朗运动模型后,选择总消耗电力负荷数据最大月份中的每周产生的次消耗电力负荷数据,以及对应每周的平均气象数据,同时选择总消耗电力负荷数据最小月份中的每周产生的次消耗电力负荷数据,以及对应每周的平均气象数据,分别代入到短期分数布朗运动模型内来校正短期分数布朗运动模型中的赫斯特指数H,提高短期分数布朗运动模型的适用性。
因此本实施方式的短期分数布朗运动模型不仅可以适应于预测每月的电力负荷数据,同时还适应于预测每周的电力负荷数据,提高短期分数布朗运动模型的电荷预测准确性。
步骤300、获取同一区域内的经济政策数据,根据不同经济政策数据对应时间段内的总消耗电力负荷数据差值,建立电力负荷数据和经济政策数据之间的中长期负荷预测模型。
在步骤300中,根据每年的经济政策数据,选择长期历史数据判断电力负荷数据和经济政策数据之间关系,具体的实现步骤为:
统计监测对象每年的总消耗电力符合数据,并且每年的总消耗电力符合数据进行归一化处理;
分析每年的总消耗电力符合数据与每年的经济政策数据之间的关联关系;
建立电力负荷数据和经济政策数据之间的中长期负荷预测模型。
由于步骤300中的中长期负荷预测模型预测电力负荷数据包含了由于气象数据差异引起的电力负荷数据变化,因此上述步骤300建立的中长期负荷预测模型与电力负荷数据之间的关系不准确,需要排除由于气象数据变化引起的电力负荷数据变化,并且重新建立校正后中长期负荷预测模型与短期负荷预测模型之间的关系,优化短期负荷预测模型得到分数布朗运动优化模型,从而利用分数布朗运动优化模型统一由于气象数据和经济政策数据引起的电力负荷数据变化。
步骤400、对短期分数布朗运动模型和中长期负荷预测模型进行全局寻优获得赫斯特指数的最优值,得到关于电力负荷的短中长期限内的分数布朗运动优化模型。
步骤400中对长期负荷预测模型进行校正,利用分数布朗运动优化模型融合气象数据和经济政策数据对电力负荷数据引起的影响,具体的实现步骤为:
以前一年的每个月的总消耗电力负荷数据为基准,对比前后两年在同一个月的气象数据变化并统一影响电力负荷数据消耗的气象数据;
根据短期分数布朗运动模型预测今年的每个月的总消耗电力负荷数据,统计今年全年的总消耗电力负荷数据;
利用中长期负荷预测模型计算今年全年的总消耗电力负荷数据;
统计中长期负荷预测模型计算结果与短期分数布朗运动模型计算结果的差值以代表校正后的中长期负荷预测模型计算的总消耗电力负荷数据。
校正中长期负荷预测模型建立的电力负荷数据与经济政策数据之间的关系后,得到经济政策数据对每个月的电力负荷数据产生的影响系数,利用影响细述对短期分数布朗运动模型优化,得到关于电力负荷的短中长期限内的分数布朗运动优化模型。
步骤500、利用分数布朗运动优化模型预测短、中、长期电力负荷数据。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种负荷综合预测方法,其特征在于,包括以下步骤:
步骤100、分析统计短期时间内同一时间点的平均电力负荷数据以及对应每个时间点的气象数据,确定影响电力负荷数据变化的气象数据参数;
步骤200、对比短期时间在不同气象数据条件下的总消耗电力负荷数据差值,建立短期时间内的电力负荷数据和气象数据之间的短期分数布朗运动模型;
步骤300、获取同一区域内的经济政策数据,根据不同经济政策数据对应时间段内的总消耗电力负荷数据差值,建立电力负荷数据和经济政策数据之间的中长期负荷预测模型;
步骤400、对短期分数布朗运动模型和中长期负荷预测模型进行全局寻优获得赫斯特指数的最优值,得到关于电力负荷的短中长期限内的分数布朗运动优化模型;
步骤500、利用分数布朗运动优化模型预测短、中、长期电力负荷数据。
2.根据权利要求1所述的一种负荷综合预测方法,其特征在于,步骤100具体为:
统计监测区域内每天的总消耗电力负荷数据;
统计每天的气象数据,包括平均温度、平均日照时间和平均风速;
对比不同月份在每个月内的平均电力负荷数据以及平均气象数据,统计平均电力负荷数据差异比较大的月份对应的平均气象数据;
确定影响电力负荷数据的气象数据阈值。
3.根据权利要求2所述的一种负荷综合预测方法,其特征在于,步骤200具体为;
步骤201、统计不同月份的总消耗电力负荷数据,对每个月的总消耗负荷数据进行均一化处理;
步骤202、按照升序方式将不同月份的总消耗电力负荷数据依次排列,同时标记每个月对应的平均气象数据;
步骤203、建立电力负荷数据与气象数据之间的短期分数布朗运动模型。
4.根据权利要求3所述的一种负荷综合预测方法,其特征在于,步骤203后,还包括:
选择总消耗电力负荷数据最大月份中的每周产生的次消耗电力负荷数据,以及对应每周的平均气象数据,同时选择总消耗电力负荷数据最小月份中的每周产生的次消耗电力负荷数据,以及对应每周的平均气象数据,分别代入到短期分数布朗运动模型内来校正短期分数布朗运动模型中的赫斯特指数H,提高短期分数布朗运动模型的适用性。
5.根据权利要求1所述的一种负荷综合预测方法,其特征在于,步骤300具体为:
统计监测对象每年的总消耗电力符合数据;
分析每年的总消耗电力符合数据与每年的经济政策数据之间的关联关系;
建立电力负荷数据和经济政策数据之间的中长期负荷预测模型。
6.根据权利要求5所述的一种负荷综合预测方法,其特征在于,所述中长期负荷预测模型计算结果包含气象数据引起的电力负荷数据变化。
7.根据权利要求1所述的一种负荷综合预测方法,其特征在于,步骤400具体为:
以前一年的每个月的总消耗电力负荷数据为基准,对比前后两年在同一个月的气象数据变化并统一影响电力负荷数据消耗的气象数据;
根据短期分数布朗运动模型预测今年的每个月的总消耗电力负荷数据,统计今年全年的总消耗电力负荷数据;
利用中长期负荷预测模型计算今年全年的总消耗电力负荷数据;
统计中长期负荷预测模型计算结果与短期分数布朗运动模型计算结果的差值以代表校正后的中长期负荷预测模型计算的总消耗电力负荷数据。
8.根据权利要求7所述的一种负荷综合预测方法,其特征在于,所述步骤:统计中长期负荷预测模型计算结果与短期分数布朗运动模型计算结果的差值以代表校正后的中长期负荷预测模型计算的总消耗电力负荷数据之后,还包括:
建立电力负荷数据与经济政策数据之间的关系,得到经济政策数据对每个月的电力负荷数据产生的影响系数,利用影响细述对短期分数布朗运动模型优化,得到关于电力负荷的短中长期限内的分数布朗运动优化模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010295088.XA CN111523715B (zh) | 2020-04-15 | 2020-04-15 | 一种负荷综合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010295088.XA CN111523715B (zh) | 2020-04-15 | 2020-04-15 | 一种负荷综合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523715A true CN111523715A (zh) | 2020-08-11 |
CN111523715B CN111523715B (zh) | 2022-04-05 |
Family
ID=71902260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010295088.XA Active CN111523715B (zh) | 2020-04-15 | 2020-04-15 | 一种负荷综合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523715B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801363A (zh) * | 2021-01-26 | 2021-05-14 | 国网上海市电力公司 | 一种电力负荷损失预测方法、介质、电子设备和*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413254A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 中长期负荷预测研究与管理一体化应用*** |
CN104537429A (zh) * | 2014-12-11 | 2015-04-22 | 国家电网公司 | 一种基于数据仓库与数据挖掘技术的短期负荷预测方法及装置 |
CN104573857A (zh) * | 2014-12-26 | 2015-04-29 | 国家电网公司 | 一种基于智能算法优化组合的电网负荷率预测方法 |
CN105913175A (zh) * | 2016-04-07 | 2016-08-31 | 哈尔滨理工大学 | 基于改进神经网络算法的智能电网短期负荷预测方法 |
US20170030949A1 (en) * | 2015-07-29 | 2017-02-02 | Alcatel-Lucent Usa Inc. | Electrical load prediction including sparse coding |
CN106803171A (zh) * | 2017-01-23 | 2017-06-06 | 国网福建省电力有限公司 | 考虑日前市场价和风电不确定性的月度合约市场购电方法 |
CN108053082A (zh) * | 2018-01-05 | 2018-05-18 | 国网湖南省电力有限公司 | 基于温度区间分解的电网中长期负荷预测方法 |
CN110516889A (zh) * | 2019-09-03 | 2019-11-29 | 广东电网有限责任公司 | 一种基于Q-learning的负荷综合预测方法和相关设备 |
-
2020
- 2020-04-15 CN CN202010295088.XA patent/CN111523715B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413254A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 中长期负荷预测研究与管理一体化应用*** |
CN104537429A (zh) * | 2014-12-11 | 2015-04-22 | 国家电网公司 | 一种基于数据仓库与数据挖掘技术的短期负荷预测方法及装置 |
CN104573857A (zh) * | 2014-12-26 | 2015-04-29 | 国家电网公司 | 一种基于智能算法优化组合的电网负荷率预测方法 |
US20170030949A1 (en) * | 2015-07-29 | 2017-02-02 | Alcatel-Lucent Usa Inc. | Electrical load prediction including sparse coding |
CN105913175A (zh) * | 2016-04-07 | 2016-08-31 | 哈尔滨理工大学 | 基于改进神经网络算法的智能电网短期负荷预测方法 |
CN106803171A (zh) * | 2017-01-23 | 2017-06-06 | 国网福建省电力有限公司 | 考虑日前市场价和风电不确定性的月度合约市场购电方法 |
CN108053082A (zh) * | 2018-01-05 | 2018-05-18 | 国网湖南省电力有限公司 | 基于温度区间分解的电网中长期负荷预测方法 |
CN110516889A (zh) * | 2019-09-03 | 2019-11-29 | 广东电网有限责任公司 | 一种基于Q-learning的负荷综合预测方法和相关设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801363A (zh) * | 2021-01-26 | 2021-05-14 | 国网上海市电力公司 | 一种电力负荷损失预测方法、介质、电子设备和*** |
CN112801363B (zh) * | 2021-01-26 | 2024-01-23 | 国网上海市电力公司 | 一种电力负荷损失预测方法、介质、电子设备和*** |
Also Published As
Publication number | Publication date |
---|---|
CN111523715B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097220B (zh) | 一种风力发电月度电量预测方法 | |
CN107832881B (zh) | 考虑负荷水平和风速分段的风电功率预测误差评价方法 | |
CN109740195B (zh) | 一种基于气象站观测数据的极值台风风速概率分布模型及设计台风风速的评估方法 | |
CN113468811B (zh) | 含新能源机组的电网备用容量概率化动态评估方法及*** | |
CN111523715B (zh) | 一种负荷综合预测方法 | |
Boutsika et al. | Quantifying short-term wind power variability using the conditional range metric | |
CN113869660A (zh) | 一种基于大数据分析的企业碳数据综合智能管控*** | |
CN111881961A (zh) | 基于数据挖掘的配电网故障风险等级预测方法 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN107977898B (zh) | 一种光伏电站的发电量保险定价评估方法 | |
CN112183803A (zh) | 一种基于雾霾/沙尘覆盖范围的光伏功率预测方法和*** | |
CN114878934A (zh) | 一种电能耗数据异常预警方法 | |
CN105574325A (zh) | 一种结合人口指标的中长期用电量预测方法 | |
CN114283590A (zh) | 车流量高峰预测方法及装置、电子设备 | |
CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
CN115203639B (zh) | 一种基于矩阵运算的不规则网格面雨量计算方法及*** | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的***及方法 | |
CN116777027A (zh) | 一种非正常日的负荷预测方法及*** | |
CN113393046B (zh) | 一种光伏功率预测方法及其应用装置 | |
CN115204669A (zh) | 基于用电数据的污水处理厂行为异常判定方法及*** | |
CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及*** | |
CN110222879B (zh) | 一种考虑置信区间的***-母线负荷预测协调方法及装置 | |
CN114117713A (zh) | 一种区域光伏出力预测方法及装置 | |
CN109188070B (zh) | 一种月度功率因数预测方法及*** | |
CN102156822A (zh) | 行人交通数据组合多步预测方法 |
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 |