CN111582568B - 基于电力数据的春节期间企业复工预测方法 - Google Patents
基于电力数据的春节期间企业复工预测方法 Download PDFInfo
- Publication number
- CN111582568B CN111582568B CN202010349987.3A CN202010349987A CN111582568B CN 111582568 B CN111582568 B CN 111582568B CN 202010349987 A CN202010349987 A CN 202010349987A CN 111582568 B CN111582568 B CN 111582568B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- power
- enterprises
- air temperature
- daily electricity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000005611 electricity Effects 0.000 claims abstract description 82
- 238000004519 manufacturing process Methods 0.000 claims abstract description 49
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 150000001875 compounds Chemical class 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012216 screening 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电力数据的春节期间企业复工预测方法,包括获取预测范围内企业数据信息和企业用电信息;建立企业‑电力匹配融合模型并对企业进行分类;获取历史气温与对应的日用电量数据建立气温影响扣除模型;获取预测范围内企业当日日用电量并修正得到企业实际日用电量;得到预测范围内的分行业日用电量数据和分区域日用电量数据;计算企业复产电量比例、分行业复产企业用户比例和分区域复产企业用户比例;对企业复工进行预测。本发明方法的可靠性高,实用性好,而且不需要人工核查,预测效率较高。
Description
技术领域
本发明属于电气自动化领域,具体涉及一种基于电力数据的春节期间企业复工预测方法。
背景技术
随着经济技术的发展和人们生活水平的提高,电能已经成为了人们生产和生活中比不可少的二次能源,给人们的生产和生活的带来了无尽的便利。
春节期间,大量企业均停工停产放假,其复工时间各不相同,难以预测。而春节期间,企业复工情况的预测,能够较好地帮助电网进行用电负荷预测从而更好地进行用电调度,同时也能辅助电网规划建设等。因此,春节期间企业复工情况预测,对电网稳定运行有着重大意义。
目前,现有的复工情况调查方法,主要包括实地调查法、访谈调查法、问卷调查法和统计调查法等。
实地观察法通过实地观察获得直接、生动的第一手资料,但所观察的往往是表面现象,且受观察者主观因素影响较大,效率较低,不能进行大样本观察。往往适用于不能够或者不愿意进行语言交流的情况。
访谈调查法包括电话访谈、个别访谈、集体访谈等,适用于调查的问题比较深入的情况,但由于访谈标准不一,其结果难以进行定量研究,且访谈过程耗时长、成本较高、隐秘性差、受周围环境影响大,故难以大规模进行。
问卷调查法突破了时空的限制,可以在广阔的范围内对众多的调查对象同时进行调查,适用于较大样本、较短时间、相对检查的调查,问卷设计、问卷有效回收率是决定结果可靠性的关键因素,但该方法受被调查者主观因素影响较大,对新情况、新问题的反映较差。
统计调查法通过固定统计报表的形式,***收集被调查者信息,该方法需要保证统计口径一致,获得信息较为全面,但统计过程容易产生人为误差,且时效性较差。
可以看到,目前的春节期间企业复工情况,一般均采用人工的方式进行预测或者调查,费时费力,而且效率极低。
发明内容
本发明的目的在于提供一种可靠性高、实用性好且效率较高的基于电力数据的春节期间企业复工预测方法。
本发明提供的这种基于电力数据的春节期间企业复工预测方法,包括如下步骤:
S1.获取预测范围内企业信息和企业电表信息;
S2.根据步骤S1获取的信息,建立企业-电力匹配融合模型,从而对企业用电数据进行分类;
S3.获取历史气温与对应的日用电量数据,建立气温影响扣除模型;
S4.获取预测范围内企业当日日用电量,并采用步骤S3建立的气温影响扣除模型扣除气温影响,从而得到预测范围的内企业实际日用电量;
S5.根据步骤S4得到的预测范围内的企业实际日用电量,以及步骤S2得到的企业分类结果,得到预测范围内的分行业日用电量数据和分区域日用电量数据;
S6.计算企业复产电量比例、分行业复产企业用户比例和分区域复产企业用户比例;
S7.根据步骤S6的计算结果,对企业复工进行预测。
步骤S2所述的根据步骤S1获取的信息,建立企业-电力匹配融合模型,从而对企业用电数据进行分类,具体为采用如下步骤建立企业-电力匹配融合模型:
A.通过名称匹配和***协助核查的方式,建立企业名录-电力公司用户之间的匹配关系;
B.根据国标行业代码,对电力公司行业分类进行转换;
C.对步骤A和步骤B无法进行分类的企业,采用人工进行调整并统一分类;
D.根据电力***的电场属性定义表,对特殊电厂进行处理。
步骤S3所述的获取历史气温与对应的日用电量数据,建立气温影响扣除模型,具体为对历史气温和对应的日用电量数据进行二阶多项式拟合,从而得到历史气温和对应的日用电量数据之间的拟合关系式,并根据得到的拟合关系式,建立气温影响扣除模型。
所述的历史气温和对应的日用电量数据之间的拟合关系式,具体为采用如下算式作为拟合关系式:
Y=A*X2+B*X+C
式中Y为修正前的日用电量数据;X为日平均气温;A为第一拟合参数;B为第二拟合参数;C为第三拟合参数。
所述的建立气温影响扣除模型,具体为采用如下算式作为气温影响扣除模型:
式中Y'为修正后的日用电量数据;Y为修正前的日用电量数据;X为日平均气温;A为第一拟合参数;B为第二拟合参数;D为设定的温度阈值。
步骤S6所述的计算企业复产电量比例、分行业复产企业用户比例和分区域复产企业用户比例,具体为采用如下步骤进行计算:
a.采用如下算式计算企业复产电量比例:
式中m企业复产电量比例为企业复产电量比例;m当日电量为企业修正后的日用电量数据;m除夕前第三周日用电量均值为企业在除夕前第三周的日用电量的平均值;
b.采用如下算式,在各行业和各区域,计算复产企业用户比例:
式中n复产企业用户比例为复产企业用户比例;n企业复产电量比例超过设定阈值的企业户数为企业复产电量比例超过设定阈值的企业户数;n总企业户数为总企业户数。
步骤S7所述的对企业复工进行预测,具体为采用如下步骤进行预测:
(1)采用如下算式计算企业复工预测系数:
M复产电力规模指数=m企业复产电量比例*100
N复工电力协调指数=(n复产企业用户比例-m企业复产电量比例)*100
式中M复产电力规模指数为复产电力规模指数;m企业复产电量比例为企业复产电量比例;N复工电力协调指数为复工电力协调指数;n复产企业用户比例为复产企业用户比例;
(2)采用如下规则对企业复工进行预测:
若复产电力规模指数越大,则表示对应的企业产能恢复情况越好;
若复工电力协调指数越小,说明对应行业或对应区域的用电越集聚,已复工的企业平均产能恢复至节前正常水平;若复工电力协调指数越大,说明对应行业或对应区域的用电越分散,已复工的企业平均产能未恢复至节前正常水平。
本发明提供的这种基于电力数据的春节期间企业复工预测方法,通过获取历史用电数据、历史气温数据等参数,对用户的实际用电数据进行修正,同时根据企业-电网分类和国标分类,建立匹配融合模型,并根据企业的修正后的用电数据,对各个行业和各个区域进行企业复工预测;本发明方法的可靠性高,实用性好,而且不需要人工核查,预测效率较高。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法的实施例的预测示意图一。
图3为本发明方法的实施例的预测示意图二。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种基于电力数据的春节期间企业复工预测方法,包括如下步骤:
S1.获取预测范围内企业信息和企业电表信息;
S2.根据步骤S1获取的信息,建立企业-电力匹配融合模型,从而对企业用电数据进行分类;具体为采用如下步骤建立企业-电力匹配融合模型:
A.通过名称匹配和***协助核查的方式,建立企业名录-电力公司用户之间的匹配关系;
B.根据国标行业代码,对电力公司行业分类进行转换;
C.对步骤A和步骤B无法进行分类的企业,采用人工进行调整并统一分类;
D.根据电力***的电场属性定义表,对特殊电厂进行处理;
步骤S2的目的在于解决实际情况中***中的统计分类与用电统计分类不一致的现象;比如,***进行统计时,只针对规模以上工业进行统计,而电力部门统计工业用电量时,必须对全体工业用户进行统计;另外,还存在一些企业,在***的分类里属于行业A,而在电力分类里,属于行业B;因此,通过步骤S2的匹配融合模型,可以将电力数据按照统计分类进行调整,更好的与统计数据匹配;
S3.获取历史气温与对应的日用电量数据,建立气温影响扣除模型;具体为对历史气温和对应的日用电量数据进行二阶多项式拟合,从而得到历史气温和对应的日用电量数据之间的拟合关系式,并根据得到的拟合关系式,建立气温影响扣除模型;
在具体实施时,采用如下算式作为拟合关系式:
Y=A*X2+B*X+C
式中Y为修正前的日用电量数据;X为日平均气温;A为第一拟合参数;B为第二拟合参数;C为第三拟合参数;
采用如下算式作为气温影响扣除模型:
式中Y'为修正后的日用电量数据;Y为修正前的日用电量数据;X为日平均气温;A为第一拟合参数;B为第二拟合参数;D为设定的温度阈值;
S4.获取预测范围内企业当日日用电量,并采用步骤S3建立的气温影响扣除模型扣除气温影响,从而得到预测范围的内企业实际日用电量;
S5.根据步骤S4得到的预测范围内的企业实际日用电量,以及步骤S2得到的企业分类结果,得到预测范围内的分行业日用电量数据和分区域日用电量数据;
S6.计算企业复产电量比例、分行业复产企业用户比例和分区域复产企业用户比例;具体为采用如下步骤进行计算:
a.采用如下算式计算企业复产电量比例:
式中m企业复产电量比例为企业复产电量比例;m当日电量为企业修正后的日用电量数据;m除夕前第三周日用电量均值为企业在除夕前第三周的日用电量的平均值;
b.采用如下算式,在各行业和各区域,计算复产企业用户比例:
式中n复产企业用户比例为复产企业用户比例;n企业复产电量比例超过设定阈值的企业户数为企业复产电量比例超过设定阈值的企业户数;n总企业户数为总企业户数;
S7.根据步骤S6的计算结果,对企业复工进行预测;具体为采用如下步骤进行预测:
(1)采用如下算式计算企业复工预测系数:
M复产电力规模指数=m企业复产电量比例*100
N复工电力协调指数=(n复产企业用户比例-m企业复产电量比例)*100
式中M复产电力规模指数为复产电力规模指数;m企业复产电量比例为企业复产电量比例;N复工电力协调指数为复工电力协调指数;n复产企业用户比例为复产企业用户比例;
(2)采用如下规则对企业复工进行预测:
若复产电力规模指数越大,则表示对应的企业产能恢复情况越好;
若复工电力协调指数越小,说明对应行业或对应区域的用电越集聚,已复工的企业平均产能恢复至节前正常水平;若复工电力协调指数越大,说明对应行业或对应区域的用电越分散,已复工的企业平均产能未恢复至节前正常水平。
以下结合一个实施例,对本发明方法进行进一步说明:
获取预测范围内企业数据信息和企业用电信息;
根据获取的信息,建立企业-电力匹配融合模型,从而对企业进行分类;
获取2019、2020年春节期间气温与日用电量数据,进行二阶多项式拟合,得到电量与气温的关系式:
Y=0.0032*X2-0.1945*X+5.4868
根据H省实际情况,选用10摄氏度作为气温阈值,并进行修正:
计算春节前第三周的平均日用电量,作为基准值,2019年的基准周期为1月14日至1月20日,2020年的基准周期为1月3日至1月9日;此后逐日用电量与基准电量的比值作为复产电量比例;
选定复产电量比例超过20%作为判断企业复工的阈值筛选标准,统计复工企业户数比例,依次得到全省整体、分行业、分市州、特殊分类企业的复工企业户数比例;
基于复产电量比例,计算复产电力规模指数;基于复工企业户数比例与复产电量比例的差值,计算复工电力协调指数;复产电力规模指数和复工电力协调指数共同构成企业复工电力诊断指数,并作出复工预测。
以湖南省2020年春节期间对美贸易重点企业为例,图2为湖南省对美贸易重点企业复工诊断情况,2月17日(正月二十四)全省51家对美贸易重点企业复产电力规模指数58.7,比2月10日(正月十七)51.2有所上升,但较2019年同期128.0存在较大差距。19年对美贸易重点企业在初七后复产电力规模指数稳定在80以上;今年2月10日(正月十七)回升至50以上,整体恢复较为缓慢。
图3是全省对美贸易重点企业复工企业户数比例趋势图,对美贸易重点企业在正月初七至元宵节前,复工企业户数比例较2019年存在较大差距,但随着2月10日企业逐步复工,差距逐渐缩小,至正月十八,已接近去年同期水平。2月17日,对美贸易重点企业户数比例为94.2%,复产电量比例为58.7%,复工电力协调指数=(94.2%-58.7%)*100,为35.5。说明对美贸易重点企业用电较为分散,平均产能恢复较为缓慢,归类为“用电分散型”。
Claims (2)
1.一种基于电力数据的春节期间企业复工预测方法,包括如下步骤:
S1.获取预测范围内企业信息和企业电表信息;
S2.根据步骤S1获取的信息,建立企业-电力匹配融合模型,从而对企业用电数据进行分类;
S3.获取历史气温与对应的日用电量数据,建立气温影响扣除模型;具体为对历史气温和对应的日用电量数据进行二阶多项式拟合,从而得到历史气温和对应的日用电量数据之间的拟合关系式,并根据得到的拟合关系式,建立气温影响扣除模型;
所述的历史气温和对应的日用电量数据之间的拟合关系式,具体为采用如下算式作为拟合关系式:
Y=A*X2+B*X+C
式中Y为修正前的日用电量数据;X为日平均气温;A为第一拟合参数;B为第二拟合参数;C为第三拟合参数;
所述的建立气温影响扣除模型,具体为采用如下算式作为气温影响扣除模型:
式中Y'为修正后的日用电量数据;Y为修正前的日用电量数据;X为日平均气温;A为第一拟合参数;B为第二拟合参数;D为设定的温度阈值;
S4.获取预测范围内企业当日日用电量,并采用步骤S3建立的气温影响扣除模型扣除气温影响,从而得到预测范围的内企业实际日用电量;
S5.根据步骤S4得到的预测范围内的企业实际日用电量,以及步骤S2得到的企业分类结果,得到预测范围内的分行业日用电量数据和分区域日用电量数据;
S6.计算企业复产电量比例、分行业复产企业用户比例和分区域复产企业用户比例;具体为采用如下步骤进行计算:
a.采用如下算式计算企业复产电量比例:
式中m企业复产电量比例为企业复产电量比例;m当日电量为企业修正后的日用电量数据;m除夕前第三周日用电量均值为企业在除夕前第三周的日用电量的平均值;
b.采用如下算式,在各行业和各区域,计算复产企业用户比例:
式中n复产企业用户比例为复产企业用户比例;n企业复产电量比例超过设定阈值的企业户数为企业复产电量比例超过设定阈值的企业户数;n总企业户数为总企业户数;
S7.根据步骤S6的计算结果,对企业复工进行预测;具体为采用如下步骤进行预测:
(1)采用如下算式计算企业复工预测系数:
M复产电力规模指数=m企业复产电量比例*100
N复工电力协调指数=(n复产企业用户比例-m企业复产电量比例)*100
式中M复产电力规模指数为复产电力规模指数;m企业复产电量比例为企业复产电量比例;N复工电力协调指数为复工电力协调指数;n复产企业用户比例为复产企业用户比例;
(2)采用如下规则对企业复工进行预测:
若复产电力规模指数越大,则表示对应的企业产能恢复情况越好;
若复工电力协调指数越小,说明对应行业或对应区域的用电越集聚,已复工的企业平均产能恢复至节前正常水平;若复工电力协调指数越大,说明对应行业或对应区域的用电越分散,已复工的企业平均产能未恢复至节前正常水平。
2.根据权利要求1所述的基于电力数据的春节期间企业复工预测方法,其特征在于步骤S2所述的建立企业-电力匹配融合模型,从而对企业进行分类,具体为采用如下步骤建立企业-电力匹配融合模型:
A.通过名称匹配和***协助核查的方式,建立企业名录-电力公司用户之间的匹配关系;
B.根据国标行业代码,对电力公司行业分类进行转换;
C.对步骤A和步骤B无法进行分类的企业,采用人工进行调整并统一分类;
D.根据电力***的电场属性定义表,对特殊电厂进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349987.3A CN111582568B (zh) | 2020-04-28 | 2020-04-28 | 基于电力数据的春节期间企业复工预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349987.3A CN111582568B (zh) | 2020-04-28 | 2020-04-28 | 基于电力数据的春节期间企业复工预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582568A CN111582568A (zh) | 2020-08-25 |
CN111582568B true CN111582568B (zh) | 2023-12-19 |
Family
ID=72121437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010349987.3A Active CN111582568B (zh) | 2020-04-28 | 2020-04-28 | 基于电力数据的春节期间企业复工预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582568B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931888B (zh) * | 2020-09-17 | 2021-01-05 | 国网浙江省电力有限公司营销服务中心 | 基于电力数据的动态复工码生成方法及装置 |
CN112116396A (zh) * | 2020-09-25 | 2020-12-22 | 国网上海市电力公司 | 一种基于电力大数据的复工复产监测方法及其*** |
CN112327775A (zh) * | 2020-11-10 | 2021-02-05 | 夏洋 | 一种基于人工智能的企业复工复产程度监控***及方法 |
CN112434962B (zh) * | 2020-12-01 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 基于电力负荷数据的企业用户状态评估方法和*** |
CN113935568A (zh) * | 2021-08-30 | 2022-01-14 | 国网江苏省电力有限公司物资分公司 | 一种在生产力恢复阶段制定采购策略的辅助决策方法 |
CN116128256B (zh) * | 2023-04-12 | 2023-06-20 | 国网吉林省电力有限公司信息通信公司 | 一种电力业务数据处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN104616079A (zh) * | 2015-02-04 | 2015-05-13 | 国家电网公司 | 基于气温变化的电网日用电量预测方法 |
CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正*** |
CN105574607A (zh) * | 2015-12-10 | 2016-05-11 | 四川省电力公司供电服务中心 | 一种电力市场月度用电预测方法 |
CN109214458A (zh) * | 2018-09-19 | 2019-01-15 | 合肥工业大学 | 一种基于历史数据的城市负荷量化方法 |
CN110084398A (zh) * | 2019-03-15 | 2019-08-02 | 国网上海市电力公司 | 一种基于企业电力大数据的行业景气自适应检测方法 |
-
2020
- 2020-04-28 CN CN202010349987.3A patent/CN111582568B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN104616079A (zh) * | 2015-02-04 | 2015-05-13 | 国家电网公司 | 基于气温变化的电网日用电量预测方法 |
CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正*** |
CN105574607A (zh) * | 2015-12-10 | 2016-05-11 | 四川省电力公司供电服务中心 | 一种电力市场月度用电预测方法 |
CN109214458A (zh) * | 2018-09-19 | 2019-01-15 | 合肥工业大学 | 一种基于历史数据的城市负荷量化方法 |
CN110084398A (zh) * | 2019-03-15 | 2019-08-02 | 国网上海市电力公司 | 一种基于企业电力大数据的行业景气自适应检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111582568A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582568B (zh) | 基于电力数据的春节期间企业复工预测方法 | |
CN109978230B (zh) | 一种基于深度卷积神经网络的电力销售金额智能预测方法 | |
Oberst et al. | Prosumer preferences regarding the adoption of micro-generation technologies: Empirical evidence for German homeowners | |
CN112434962B (zh) | 基于电力负荷数据的企业用户状态评估方法和*** | |
Sargut et al. | Utilization of statistical process control (SPC) in emergent software organizations: pitfalls and suggestions | |
Dhavale et al. | Stochastic internal rate of return on investments in sustainable assets generating carbon credits | |
CN111415192A (zh) | 基于大数据的用户用水性质预测方法 | |
CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
Asah-Kissiedu et al. | Integrated safety, health and environmental management in the construction industry: key organisational capability attributes | |
CN116401601B (zh) | 基于逻辑回归模型的停电敏感用户处置方法 | |
CN110414776B (zh) | 分行业用电特性快速响应分析*** | |
CN110880987A (zh) | 一种基于时间特征的分组域网络容量预测方法及*** | |
Kasperowicz et al. | Reengineering of electricity market monitoring | |
CN112085257B (zh) | 一种基于时序分析的综合能源业务潜力预测模型 | |
CN115689331A (zh) | 一种基于mlp的输变电工程量合理性分析方法 | |
CN113780861A (zh) | 一种基于用户日电量调整值的成分指数评估方法及*** | |
CN114943465A (zh) | 基于数据分析的企业管理咨询服务*** | |
CN108376361A (zh) | 一种具有比对功能的预算与财务分析***及其使用方法 | |
CN112734159A (zh) | 一种企业复工/复产速率计算方法及*** | |
CN114331175A (zh) | 一种城市安全绩效数据集中统计评估方法及*** | |
CN112001551A (zh) | 一种基于大用户电量信息的地市电网售电量预测方法 | |
US20150095099A1 (en) | Rapid assessment of emerging risks | |
CN111222658A (zh) | 基于lstm模型的酒店间夜量预测方法、***、设备及介质 | |
CN117236532B (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及*** |
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 |