CN114819530A - 一种需求侧灵活资源可调潜力预测方法和*** - Google Patents
一种需求侧灵活资源可调潜力预测方法和*** Download PDFInfo
- Publication number
- CN114819530A CN114819530A CN202210344472.3A CN202210344472A CN114819530A CN 114819530 A CN114819530 A CN 114819530A CN 202210344472 A CN202210344472 A CN 202210344472A CN 114819530 A CN114819530 A CN 114819530A
- Authority
- CN
- China
- Prior art keywords
- load
- industry
- user
- users
- typical daily
- 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 56
- 238000004422 calculation algorithm Methods 0.000 claims description 46
- 230000003827 upregulation Effects 0.000 claims description 22
- 230000003828 downregulation Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 11
- 238000013112 stability test Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000001744 unit root test Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 24
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 15
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001308 synthesis method 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
Abstract
本发明提供了一种需求侧灵活资源可调潜力预测方法和***,包括:对选定区域多个用户的负荷数据依次从时间尺度和行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线;基于各季节下各行业用户的典型日负荷曲线,采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值;根据未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力;本发明采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值,可有效处理输入数据可能出现的不平稳性,有效减少数据不平稳性对预测结果的影响,同时基于未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力,可不需建立复杂的设备负荷模型,有效简化计算可调潜力的模型。
Description
技术领域
本发明属于可调节负荷潜力计算方法技术领域,具体涉及一种需求侧灵活资源可调潜力预测方法和***。
背景技术
随着社会的发展和产业结构的调整,电力***正面临新的挑战,表现为峰谷差持续增长、新能源发电比例逐渐增高带来的清洁能源消纳等问题。需求侧资源由于其灵活性和可调节性,有利于解决电力***所面临的这一系列问题,电力企业对其参与电网调度互动逐渐引起重视。因此,研究和预测可调节负荷的调控潜力,对电力***优化运行和控制具有重要作用,对电力需求侧管理、负荷调度也有十分重要的意义。
近年来,随着新型电力电子技术和控制手段的发展,负荷特性发生了根本性变化。一方面,用户能够针对市场价格或激励机制改变原有电力消费模式,主动参与电网运行控制;另一方面,电动汽车、储能设备等具备与电网双向互动的能力,具备削峰填谷的功能,为电网调控提供了新的手段。负荷参与电网互动调度方面的研究成为关注焦点。需求侧的可调负荷可作为削减高峰负荷、平衡电力供应缺口的重要手段。针对负荷特性的研究方法主要有统计综合法、总体辨识法、故障仿真法等,为研究可调潜力提供数据支撑。目前,对于可调潜力的预测方法主要是基于设备模型的,这种方法需要建立大量的设备模型。设备类型、数量、运行特性等设备模型所需要的参数种类繁多且不宜获得,这成为预测可调潜力时的一大难题。
发明内容
为克服上述现有技术的不足,本发明提出一种需求侧灵活资源可调潜力预测方法,包括:
对选定区域多个用户的负荷数据依次从时间尺度和行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线;
基于各季节下各行业用户的典型日负荷曲线,采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值;
根据未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力。
优选的,所述对选定区域多个用户的负荷数据依次从时间尺度和行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线,包括:
对选定区域多个用户的负荷数据,利用Canopy-Kmeans聚类算法从时间尺度进行聚类,得到各季节下各用户的典型日负荷曲线;
对各用户各季节的典型日负荷曲线,利用Canopy-Kmeans聚类算法从行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线。
优选的,所述对选定区域多个用户的负荷数据,利用Canopy-Kmeans聚类算法从时间尺度进行聚类,得到各季节下各用户的典型日负荷曲线,包括:
基于选定区域多个用户的负荷数据,计算各用户的负荷率、峰谷差和平均负荷;
基于各用户的负荷率、峰谷差和平均负荷,采用Canopy聚类算法从多个用户的负荷数据中找到多个时间聚类中心点;
基于所述时间聚类中心点和各用户的负荷率、峰谷差和平均负荷,利用Kmeans聚类算法从时间尺度对多个用户的负荷数据进行聚类,得到各季节下各用户的典型日负荷曲线。
优选的,所述对各用户各季节的典型日负荷曲线,利用Canopy-Kmeans聚类算法从行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线,包括:
基于各用户的负荷率、峰谷差和平均负荷,采用Canopy聚类算法从各用户各季节的典型日负荷曲线中找到多个行业聚类中心点;
基于所述行业聚类中心点和各用户的负荷率、峰谷差和平均负荷,利用Kmeans聚类算法从行业尺度对各用户各季节的典型日负荷曲线进行聚类,得到各季节下各行业用户的典型日负荷曲线。
优选的,所述基于各季节下各行业用户的典型日负荷曲线,采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值,包括:
用单位根检验方法分别对各季节下各行业用户的典型日负荷曲线进行平稳性检验:若检验结果为平稳,则将典型日负荷曲线的差分阶数设置为预设值,否则对典型日负荷曲线进行差分运算,得到差分阶数;
分别计算各季节下各行业用户的典型日负荷曲线的自相关系数和偏自相关系数,并根据所述自相关系数和偏自相关系数确定自回归模型阶数和移动平均模型阶数;
分别基于各季节下各行业用户的典型日负荷曲线的差分阶数、自回归模型阶数和移动平均模型阶数,构建差分自回归移动平均模型;
分别采用对应的差分自回归移动平均模型预测未来时刻各行业用户的负荷值。
优选的,所述根据未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力,包括:
针对各行业的用户,统计未来时刻前指定时长范围内,所述行业用户在同一历史时刻的负荷值分布,并根据负荷值的分布计算负荷的均值和方差;
基于所述负荷的均值和方差,取满足三西格玛原则中的最大值和最小值作为对应行业用户在未来时刻的最大基线负荷和最小基线负荷;
基于未来时刻各行业用户的负荷值、最大基线负荷和最小基线负荷,计算需求侧灵活资源可调潜力。
优选的,所述基于未来时刻各行业用户的负荷值、最大基线负荷和最小基线负荷,计算需求侧灵活资源可调潜力,包括:
基于未来时刻各行业用户的负荷值和最大基线负荷,计算需求侧负荷上调潜力,并基于未来时刻各行业用户的负荷值和最小基线负荷,计算需求侧负荷下调潜力;
以所述需求侧负荷上调潜力和需求侧负荷下调潜力作为需求侧灵活资源可调潜力。
优选的,所述需求侧负荷上调潜力的计算式如下:
η1,j=Mj×(L1,j-HM-N,j)
式中,η1,j为行业j的需求侧负荷上调潜力,Mj为行业j的用户数量,L1,j为行业j的最大基线负荷,HM-N,j为未来时刻行业j用户的负荷值;
所述需求侧负荷下调潜力的计算式如下:
η2,j=Mj×(HM-N,j-L2,j)
式中,η2,j为行业j的需求侧负荷下调潜力,L2,j为行业j的最小基线负荷。
基于同一发明构思,本发明还提供了一种需求侧灵活资源可调潜力预测***,包括:负荷聚类模块、负荷预测模块和可调潜力模块;
所述负荷聚类模块,用于对选定区域多个用户的负荷数据依次从时间尺度和行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线;
所述负荷预测模块,用于基于各季节下各行业用户的典型日负荷曲线,采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值;
所述可调潜力模块,用于根据未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力。
优选的,所述负荷聚类模块具体用于:
对选定区域多个用户的负荷数据,利用Canopy-Kmeans聚类算法从时间尺度进行聚类,得到各季节下各用户的典型日负荷曲线;
对各用户各季节的典型日负荷曲线,利用Canopy-Kmeans聚类算法从行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线。
优选的,所述负荷预测模块,具体用于:
用单位根检验方法分别对各季节下各行业用户的典型日负荷曲线进行平稳性检验:若检验结果为平稳,则将典型日负荷曲线的差分阶数设置为预设值,否则对典型日负荷曲线进行差分运算,得到差分阶数;
分别计算各季节下各行业用户的典型日负荷曲线的自相关系数和偏自相关系数,并根据所述自相关系数和偏自相关系数确定自回归模型阶数和移动平均模型阶数;
分别基于各季节下各行业用户的典型日负荷曲线的差分阶数、自回归模型阶数和移动平均模型阶数,构建差分自回归移动平均模型;
分别采用对应的差分自回归移动平均模型预测未来时刻各行业用户的负荷值。
优选的,所述可调潜力模块具体用于:
针对各行业的用户,统计未来时刻前指定时长范围内,所述行业用户在同一历史时刻的负荷值分布,并根据负荷值的分布计算负荷的均值和方差;
基于所述负荷的均值和方差,取满足三西格玛原则中的最大值和最小值作为对应行业用户在未来时刻的最大基线负荷和最小基线负荷;
基于未来时刻各行业用户的负荷值、最大基线负荷和最小基线负荷,计算需求侧灵活资源可调潜力。
本发明还提供一种计算机设备,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如前所述的需求侧灵活资源可调潜力预测方法。
本发明还提供一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如前所述的需求侧灵活资源可调潜力预测方法。
与最接近的现有技术相比,本发明具有的有益效果如下:
本发明提供了一种需求侧灵活资源可调潜力预测方法和***,包括:对选定区域多个用户的负荷数据依次从时间尺度和行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线;基于各季节下各行业用户的典型日负荷曲线,采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值;根据未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力;本发明采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值,可有效处理输入数据可能出现的不平稳性,有效减少数据不平稳性对预测结果的影响,同时基于未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力,可不需建立复杂的设备负荷模型,有效简化计算可调潜力的模型。
本发明利用Canopy-Kmeans聚类算法对大量数据进行了时间和行业尺度上的分类,为分季节分行业分析用户的可调潜力提供了分类的依据,且根据得到的典型日负荷曲线作为该类负荷的计算依据,简化了计算过程。
附图说明
图1为本发明提供的一种需求侧灵活资源可调潜力预测方法流程示意图;
图2为本发明实施例中的Canopy-Kmeans聚类算法的流程示意图;
图3为本发明实施例中的ARIMA预测模型算法的流程示意图;
图4(a)为本发明实施例中两次聚类后春秋用户典型负荷示意图;
图4(b)为本发明实施例中两次聚类后夏用户典型负荷示意图;
图4(c)为本发明实施例中两次聚类后冬用户典型负荷示意图;
图5(a)为本发明实施例中为春秋各类用户的典型日负荷曲线示意图;
图5(b)为本发明实施例中为夏季各类用户的典型日负荷曲线示意图;
图5(c)为本发明实施例中为冬季各类用户的典型日负荷曲线示意图;
图6(a)为本发明实施例中ARIMA算法预测的春秋用户1负荷;
图6(b)为本发明实施例中ARIMA算法预测的春秋用户2负荷;
图6(c)为本发明实施例中ARIMA算法预测的春秋用户3负荷;
图7(a)为本发明实施例中ARIMA算法预测的夏季用户1负荷;
图7(b)为本发明实施例中ARIMA算法预测的夏季用户2负荷;
图8(a)为本发明实施例中ARIMA算法预测的冬季用户1负荷;
图8(b)为本发明实施例中ARIMA算法预测的冬季用户2负荷;
图9(a)为本发明实施例中春秋用户1负荷上调潜力、下调潜力示意图;
图9(b)为本发明实施例中春秋用户2负荷上调潜力、下调潜力示意图;
图9(c)为本发明实施例中春秋用户3负荷上调潜力、下调潜力示意图;
图10(a)为本发明实施例中夏用户1负荷上调潜力、下调潜力示意图;
图10(b)为本发明实施例中夏用户2负荷上调潜力、下调潜力示意图;
图11(a)为本发明实施例中冬用户1负荷上调潜力、下调潜力示意图;
图11(b)为本发明实施例中冬用户2负荷上调潜力、下调潜力示意图;
图12为本发明提供的一种需求侧灵活资源可调潜力预测***结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1:
本发明提供的一种需求侧灵活资源可调潜力预测方法流程示意图如图1所示,包括:
步骤1:对选定区域多个用户的负荷数据依次从时间尺度和行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线;
步骤2:基于各季节下各行业用户的典型日负荷曲线,采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值;
步骤3:根据未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力。
本发明所采用的需求侧灵活资源可调潜力预测方法可用于需求侧灵活资源短期可调潜力预测。
具体的,步骤1包括:
步骤1.1,利用Canopy聚类算法寻找KN个聚类中心点,包括:
步骤1.1.1,选取N个用户负荷数据,分别针对同一用户的历史1年的负荷数据分别进行随机排列,分别设初始数据集S1,S2,…,SN。由于负荷率、峰谷差、平均负荷这几个指标可以有效反映用户负荷的可调性、可调能力,因此根据这三个指标从初始聚类样本集中选择一个中心点PN,其中,
负荷率:
峰谷差:
Δ=Gm-Gn
其中,Gn为日负荷曲线的最小值。
步骤1.1.2,选取距离中心点最近的距离为距离阈值T2-N(即图2中的T2),距离中心点最远的距离为距离阈值T1-N(即图2中的T1),且T1-N>T2-N;
步骤1.1.3,将PN作为第一个簇的聚类中心点,并将点PN从初始聚类样本集SN中移除;
步骤1.1.4,从余下的数据样本集合SN中随机选取一个点QN,计算QN到所有已知聚类中心点的距离,考察其中最小距离DN:如果T2-N≤DN≤T1-N,则用一个弱标记记录QN,表示点QN属于该簇,将QN加入其中;如果DN≤T2-N,则用一个强标记记录点QN,表示点QN属于该簇,将QN从数据样本集合SN中删除;如果DN>T1-N,则QN形成一个新聚类,将QN从数据样本集合SN中删除;
步骤1.1.5,重复步骤1.4直到集合SN中的元素个数为零,最终得到KN个聚类中心点。
步骤1.2,利用Kmeans聚类算法将原始数据集(即用户的负荷数据)进行分类,包括:
步骤1.2.1,根据步骤1.1,SN个数据集共生成KN个聚类中心,分别为k1N,k2N,……,kkN,并将负荷率、峰谷差、平均负荷作为聚类的评价指标;
步骤1.2.2,计算每个用户典型日负荷与聚类中心点的聚类评价指标间的相似度;
步骤1.2.3,将用户加入与中心点相似度最高的簇,更新聚类中心点;
步骤1.2.4,迭代步骤1.2.2~步骤1.2.3,直到迭代步数为500停止;
步骤1.2.5,得到不同季节下的典型用户日负荷曲线。
步骤1.1-步骤1.2的Canopy-Kmeans聚类算法的流程如图2所示。
步骤1.3,对步骤1.2得到的聚类结果按行业尺度进行二次聚类,聚类方法相同,得到不同季节下不同行业用户的典型日负荷曲线,将聚类中心用户的历史数据作为差分自回归移动平均模型(即ARIMA预测模型)算法的输入数据。
具体地,步骤1.3中,将步骤1.2得到的N个用户的KN个典型日负荷曲线按步骤1.1~步骤1.2的聚类方法进行二次聚类,得到KM个行业的KN个典型用户。对不同季节下典型用户的日负荷曲线进行分析,按照聚出的典型用户的负荷数据作为ARIMA预测模型输入数据。
步骤1和步骤2之间,还可对聚类结果的数据进行数据预处理。
具体的,对步骤1聚类的得到的不同类别的输入数据进行处理,其中缺省值用其所在特征的均值代替,越限值和奇异值用其所在特征该前后两个时刻的均值代替。
步骤2具体包括:
步骤2.1,构建原始序列:
Xt=α1Xt-1+α2Xt-2+…αpXt-p+εt+β1εt-1+β2εt-2+…βqεt-q
式中,p、q分别为自回归与滑动平均的阶数;α1,α2,…,αp为自回归系数;β1,β2,…,βq为滑动平均系数,X为利用原始典型用户负荷数据构建序列中的稳态部分,ε为原始序列中的白噪声序列。X和ε的下标分别表示时间。
步骤2.2,由于进行ARIMA算法时,时间序列需保证时平稳的,所以在此步骤利用ADF检验(即单位根检验)方法进行平稳性检验;
步骤2.3,若步骤2.2中检验后原始序列是非平稳的,此步骤则针对该非平稳时间序列进行差分运算,得到差分阶数d,使得该序列平稳;若步骤4.2中检验后原始序列是平稳的,则差分阶数设为预设值,通常将预设值设为0;
步骤2.4,求自相关系数ACF和偏自相关系数PACF,其中自相关系数ACF计算公式:
偏自相关系数PACF计算公式:
自相关系数ACF用以确定日负荷中的t时刻与过去一周内该时刻负荷的相关性。偏相关系数用以确定气温变化等因素影响下日负荷中的t时刻与过去一周内该时刻负荷的相关性。
步骤2.5,根据上述自相关系数和偏自相关系数确定模型参数,即AR自回归模型阶数p和MA移动平均模型阶数q,其中,p阶AR自回归模型:
Xt=α1Xt-1+α2Xt-2+…αpXt-p+ut
q阶MA移动平均模型:
Xt=εt+β1εt-1+β2εt-2+…βqεt-q
其中,εt,εt-1,…,εt-q为t,t-1,…,t-q时刻的白噪声序列。
步骤2.6,将自回归模型(AR)、移动平均模型(MA)和差分法结合,的到差分自回归移动平均模型ARIMA(p、d、q);
步骤2.7,对该模型进行验证优化,将利用该模型得到的预测值与预测时段的实际值进行对比分析,验证该方法的准确度,可利用此方法预测未知时段的负荷。把ARIMA算法得到的预测值HM-N作为计算可调潜力时的实际负荷值。
ARIMA预测模型算法的流程示意图如图3所示,图3中还包括了步骤1和步骤2间的输入数据处理过程。
步骤3具体包括:
步骤3.1,根据步骤1得到的不同季节下各行业聚类结果,不同季节下各行业基线负荷的计算方法相同,即统计预测日前指定时长范围内(例如一周)t时刻负荷的分布,计算它们的均值Δf和方差取满足(即三西格玛)原则中的最大值L1和最小值L2作为t时刻的最大基线负荷和最小基线负荷;
步骤3.2,根据步骤2.7得到的预测值HM-N和步骤3.1得到的最大基线负荷L1和最小基线负荷L2,建立可调潜力计算模型:
单日负荷上调潜力:
η2,j=Mj×(HM-N,j-L2,j)
单日负荷下调潜力:
η2=Mj×(HM-N-L2)
其中,式中,η1,j为行业j的需求侧负荷上调潜力,Mj为行业j的用户数量,L1,j为行业j的最大基线负荷,HM-N,j为未来时刻行业j用户的负荷值;η2,j为行业j的需求侧负荷下调潜力,L2,j为行业j的最小基线负荷。
步骤3.3,以需求侧负荷上调潜力和需求侧负荷下调潜力作为需求侧灵活资源可调潜力。
实施例2:
下面给出一个需求侧灵活资源可调潜力预测方法的具体算例,根据某地38个用户负荷样本数据,对该区域不同季节不同行业用户的可调负荷进行预测;其中,该区域有38个用户,采样点为每天24个。
图4(a)~(c)为两次聚类后的结果,由图可知,根据季节特性,可知时间尺度下可以分为春秋、夏、冬三个季节,按照行业特性可分为工业用户、商业用户、居民用户。图5(a)~(c)为各类用户不同季节下的典型日负荷曲线。根据该地区的行业特性分析得到典型用户1负荷和典型用户2负荷分别为商业用户和工业用户,都有两个高峰期,冬夏两季负荷较大,典型用户3负荷为居民用户负荷,曲线较为平稳。
图6(a)~图8(b)为ARIMA算法预测结果,得到不同季节下3个行业的预测曲线,根据该地区行业特性分析得到用户1为商业用户,用户2为工业用户,用户3为居民用户。由曲线可看出与实际值误差不大,证明预测值是可采用的。
图9(a)~图11(b)为工商民三个行业典型用户的负荷上调潜力、下调潜力示意图。图9(a)~图11(b)中,分别有用户预测负荷、最小基线负荷和最大基线负荷三条曲线,最大基线负荷与用户预测负荷间即为负荷上调潜力,用户预测负荷与最小基线负荷间即为负荷下调潜力。根据该地区行业特性分析得到用户1为商业用户,用户2为工业用户,用户3为居民用户。乘以该行业用户数量即可得到该行业的日可调潜力。根据此方法可预测某地区不同季节不同行业的可调潜力,为电力需求侧管理、负荷调度提供技术支持。
实施例3:
基于同一发明构思,本发明还提供了一种需求侧灵活资源可调潜力预测***,该***结构如图12所示,包括:负荷聚类模块、负荷预测模块和可调潜力模块;
其中,负荷聚类模块,用于对选定区域多个用户的负荷数据依次从时间尺度和行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线;
负荷预测模块,用于基于各季节下各行业用户的典型日负荷曲线,采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值;
可调潜力模块,用于根据未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力。
其中,负荷聚类模块具体用于:
对选定区域多个用户的负荷数据,利用Canopy-Kmeans聚类算法从时间尺度进行聚类,得到各季节下各用户的典型日负荷曲线;
对各用户各季节的典型日负荷曲线,利用Canopy-Kmeans聚类算法从行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线。
其中,对选定区域多个用户的负荷数据,利用Canopy-Kmeans聚类算法从时间尺度进行聚类,得到各季节下各用户的典型日负荷曲线,包括:
基于选定区域多个用户的负荷数据,计算各用户的负荷率、峰谷差和平均负荷;
基于各用户的负荷率、峰谷差和平均负荷,采用Canopy聚类算法从多个用户的负荷数据中找到多个时间聚类中心点;
基于时间聚类中心点和各用户的负荷率、峰谷差和平均负荷,利用Kmeans聚类算法从时间尺度对多个用户的负荷数据进行聚类,得到各季节下各用户的典型日负荷曲线。
其中,对各用户各季节的典型日负荷曲线,利用Canopy-Kmeans聚类算法从行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线,包括:
基于各用户的负荷率、峰谷差和平均负荷,采用Canopy聚类算法从各用户各季节的典型日负荷曲线中找到多个行业聚类中心点;
基于行业聚类中心点和各用户的负荷率、峰谷差和平均负荷,利用Kmeans聚类算法从行业尺度对各用户各季节的典型日负荷曲线进行聚类,得到各季节下各行业用户的典型日负荷曲线。
其中,负荷预测模块,具体用于:
用单位根检验方法分别对各季节下各行业用户的典型日负荷曲线进行平稳性检验:若检验结果为平稳,则将典型日负荷曲线的差分阶数设置为预设值,否则对典型日负荷曲线进行差分运算,得到差分阶数;
分别计算各季节下各行业用户的典型日负荷曲线的自相关系数和偏自相关系数,并根据自相关系数和偏自相关系数确定自回归模型阶数和移动平均模型阶数;
分别基于各季节下各行业用户的典型日负荷曲线的差分阶数、自回归模型阶数和移动平均模型阶数,构建差分自回归移动平均模型;
分别采用对应的差分自回归移动平均模型预测未来时刻各行业用户的负荷值。
其中,可调潜力模块具体用于:
针对各行业的用户,统计未来时刻前指定时长范围内,行业用户在同一历史时刻的负荷值分布,并根据负荷值的分布计算负荷的均值和方差;
基于负荷的均值和方差,取满足三西格玛原则中的最大值和最小值作为对应行业用户在未来时刻的最大基线负荷和最小基线负荷;
基于未来时刻各行业用户的负荷值、最大基线负荷和最小基线负荷,计算需求侧灵活资源可调潜力。
其中,基于未来时刻各行业用户的负荷值、最大基线负荷和最小基线负荷,计算需求侧灵活资源可调潜力,包括:
基于未来时刻各行业用户的负荷值和最大基线负荷,计算需求侧负荷上调潜力,并基于未来时刻各行业用户的负荷值和最小基线负荷,计算需求侧负荷下调潜力;
以需求侧负荷上调潜力和需求侧负荷下调潜力作为需求侧灵活资源可调潜力。
其中,需求侧负荷上调潜力的计算式如下:
η1,j=Mj×(L1,j-HM-N,j)
式中,η1,j为行业j的需求侧负荷上调潜力,Mj为行业j的用户数量,L1,j为行业j的最大基线负荷,HM-N,j为未来时刻行业j用户的负荷值;
需求侧负荷下调潜力的计算式如下:
η2,j=Mj×(HM-N,j-L2,j)
式中,η2,j为行业j的需求侧负荷下调潜力,L2,j为行业j的最小基线负荷。
实施例4:
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中一种需求侧灵活资源可调潜力预测方法的步骤。
实施例5:
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作***。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中一种需求侧灵活资源可调潜力预测方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (14)
1.一种需求侧灵活资源可调潜力预测方法,其特征在于,包括:
对选定区域多个用户的负荷数据依次从时间尺度和行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线;
基于各季节下各行业用户的典型日负荷曲线,采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值;
根据未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力。
2.如权利要求1所述的方法,其特征在于,所述对选定区域多个用户的负荷数据依次从时间尺度和行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线,包括:
对选定区域多个用户的负荷数据,利用Canopy-Kmeans聚类算法从时间尺度进行聚类,得到各季节下各用户的典型日负荷曲线;
对各用户各季节的典型日负荷曲线,利用Canopy-Kmeans聚类算法从行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线。
3.如权利要求2所述的方法,其特征在于,所述对选定区域多个用户的负荷数据,利用Canopy-Kmeans聚类算法从时间尺度进行聚类,得到各季节下各用户的典型日负荷曲线,包括:
基于选定区域多个用户的负荷数据,计算各用户的负荷率、峰谷差和平均负荷;
基于各用户的负荷率、峰谷差和平均负荷,采用Canopy聚类算法从多个用户的负荷数据中找到多个时间聚类中心点;
基于所述时间聚类中心点和各用户的负荷率、峰谷差和平均负荷,利用Kmeans聚类算法从时间尺度对多个用户的负荷数据进行聚类,得到各季节下各用户的典型日负荷曲线。
4.如权利要求3所述的方法,其特征在于,所述对各用户各季节的典型日负荷曲线,利用Canopy-Kmeans聚类算法从行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线,包括:
基于各用户的负荷率、峰谷差和平均负荷,采用Canopy聚类算法从各用户各季节的典型日负荷曲线中找到多个行业聚类中心点;
基于所述行业聚类中心点和各用户的负荷率、峰谷差和平均负荷,利用Kmeans聚类算法从行业尺度对各用户各季节的典型日负荷曲线进行聚类,得到各季节下各行业用户的典型日负荷曲线。
5.如权利要求1所述的方法,其特征在于,所述基于各季节下各行业用户的典型日负荷曲线,采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值,包括:
用单位根检验方法分别对各季节下各行业用户的典型日负荷曲线进行平稳性检验:若检验结果为平稳,则将典型日负荷曲线的差分阶数设置为预设值,否则对典型日负荷曲线进行差分运算,得到差分阶数;
分别计算各季节下各行业用户的典型日负荷曲线的自相关系数和偏自相关系数,并根据所述自相关系数和偏自相关系数确定自回归模型阶数和移动平均模型阶数;
分别基于各季节下各行业用户的典型日负荷曲线的差分阶数、自回归模型阶数和移动平均模型阶数,构建差分自回归移动平均模型;
分别采用对应的差分自回归移动平均模型预测未来时刻各行业用户的负荷值。
6.如权利要求1所述的方法,其特征在于,所述根据未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力,包括:
针对各行业的用户,统计未来时刻前指定时长范围内,所述行业用户在同一历史时刻的负荷值分布,并根据负荷值的分布计算负荷的均值和方差;
基于所述负荷的均值和方差,取满足三西格玛原则中的最大值和最小值作为对应行业用户在未来时刻的最大基线负荷和最小基线负荷;
基于未来时刻各行业用户的负荷值、最大基线负荷和最小基线负荷,计算需求侧灵活资源可调潜力。
7.如权利要求6所述的方法,其特征在于,所述基于未来时刻各行业用户的负荷值、最大基线负荷和最小基线负荷,计算需求侧灵活资源可调潜力,包括:
基于未来时刻各行业用户的负荷值和最大基线负荷,计算需求侧负荷上调潜力,并基于未来时刻各行业用户的负荷值和最小基线负荷,计算需求侧负荷下调潜力;
以所述需求侧负荷上调潜力和需求侧负荷下调潜力作为需求侧灵活资源可调潜力。
8.如权利要求7所述的方法,其特征在于,所述需求侧负荷上调潜力的计算式如下:
η1,j=Mj×(L1,j-HM-N,j)
式中,η1,j为行业j的需求侧负荷上调潜力,Mj为行业j的用户数量,L1,j为行业j的最大基线负荷,HM-N,j为未来时刻行业j用户的负荷值;
所述需求侧负荷下调潜力的计算式如下:
η2,j=Mj×(HM-N,j-L2,j)
式中,η2,j为行业j的需求侧负荷下调潜力,L2,j为行业j的最小基线负荷。
9.一种需求侧灵活资源可调潜力预测***,其特征在于,包括:负荷聚类模块、负荷预测模块和可调潜力模块;
所述负荷聚类模块,用于对选定区域多个用户的负荷数据依次从时间尺度和行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线;
所述负荷预测模块,用于基于各季节下各行业用户的典型日负荷曲线,采用差分自回归移动平均模型预测未来时刻各行业用户的负荷值;
所述可调潜力模块,用于根据未来时刻各行业用户的负荷值,计算需求侧灵活资源可调潜力。
10.如权利要求9所述的***,其特征在于,所述负荷聚类模块具体用于:
对选定区域多个用户的负荷数据,利用Canopy-Kmeans聚类算法从时间尺度进行聚类,得到各季节下各用户的典型日负荷曲线;
对各用户各季节的典型日负荷曲线,利用Canopy-Kmeans聚类算法从行业尺度进行聚类,得到各季节下各行业用户的典型日负荷曲线。
11.如权利要求9所述的***,其特征在于,所述负荷预测模块,具体用于:
用单位根检验方法分别对各季节下各行业用户的典型日负荷曲线进行平稳性检验:若检验结果为平稳,则将典型日负荷曲线的差分阶数设置为预设值,否则对典型日负荷曲线进行差分运算,得到差分阶数;
分别计算各季节下各行业用户的典型日负荷曲线的自相关系数和偏自相关系数,并根据所述自相关系数和偏自相关系数确定自回归模型阶数和移动平均模型阶数;
分别基于各季节下各行业用户的典型日负荷曲线的差分阶数、自回归模型阶数和移动平均模型阶数,构建差分自回归移动平均模型;
分别采用对应的差分自回归移动平均模型预测未来时刻各行业用户的负荷值。
12.如权利要求9所述的***,其特征在于,所述可调潜力模块具体用于:
针对各行业的用户,统计未来时刻前指定时长范围内,所述行业用户在同一历史时刻的负荷值分布,并根据负荷值的分布计算负荷的均值和方差;
基于所述负荷的均值和方差,取满足三西格玛原则中的最大值和最小值作为对应行业用户在未来时刻的最大基线负荷和最小基线负荷;
基于未来时刻各行业用户的负荷值、最大基线负荷和最小基线负荷,计算需求侧灵活资源可调潜力。
13.一种计算机设备,其特征在于,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1至8中任一项所述的需求侧灵活资源可调潜力预测方法。
14.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1至8中任一项所述的需求侧灵活资源可调潜力预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344472.3A CN114819530A (zh) | 2022-03-31 | 2022-03-31 | 一种需求侧灵活资源可调潜力预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344472.3A CN114819530A (zh) | 2022-03-31 | 2022-03-31 | 一种需求侧灵活资源可调潜力预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819530A true CN114819530A (zh) | 2022-07-29 |
Family
ID=82533630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210344472.3A Pending CN114819530A (zh) | 2022-03-31 | 2022-03-31 | 一种需求侧灵活资源可调潜力预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819530A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115833190A (zh) * | 2023-02-20 | 2023-03-21 | 广东电网有限责任公司中山供电局 | 一种分布式资源边缘自治控制方法和*** |
CN116383598A (zh) * | 2023-06-07 | 2023-07-04 | 中网联合(北京)能源服务有限公司 | 基于自回归算法的电力用户用能稳定性分析方法 |
CN116579590A (zh) * | 2023-07-13 | 2023-08-11 | 北京圆声能源科技有限公司 | 一种虚拟电厂中的需求响应评估方法和*** |
-
2022
- 2022-03-31 CN CN202210344472.3A patent/CN114819530A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115833190A (zh) * | 2023-02-20 | 2023-03-21 | 广东电网有限责任公司中山供电局 | 一种分布式资源边缘自治控制方法和*** |
CN116383598A (zh) * | 2023-06-07 | 2023-07-04 | 中网联合(北京)能源服务有限公司 | 基于自回归算法的电力用户用能稳定性分析方法 |
CN116383598B (zh) * | 2023-06-07 | 2023-09-05 | 中网联合(北京)能源服务有限公司 | 基于自回归算法的电力用户用能稳定性分析方法 |
CN116579590A (zh) * | 2023-07-13 | 2023-08-11 | 北京圆声能源科技有限公司 | 一种虚拟电厂中的需求响应评估方法和*** |
CN116579590B (zh) * | 2023-07-13 | 2023-11-10 | 北京圆声能源科技有限公司 | 一种虚拟电厂中的需求响应评估方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114819530A (zh) | 一种需求侧灵活资源可调潜力预测方法和*** | |
CN109376971B (zh) | 一种面向电力用户的负荷曲线预测方法及*** | |
Costantini et al. | A hierarchical procedure for the combination of forecasts | |
Zhang et al. | Time series forecast of sales volume based on XGBoost | |
CN106991506A (zh) | 智能终端及其基于lstm的股票趋势预测方法 | |
CN108171379B (zh) | 一种用电负荷预测方法 | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN105844371A (zh) | 一种用电客户短期负荷需求预测方法及装置 | |
CN110689195A (zh) | 一种电力日负荷预测方法 | |
CN108416466A (zh) | 复杂特性影响的电力负荷预测方法、计算机信息处理*** | |
CN111222700A (zh) | 基于动态网络分位数模型的日前电价概率预测方法 | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
Karunathilake et al. | Artificial neural networks for daily electricity demand prediction of Sri Lanka | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN117196695B (zh) | 一种目标产品的销量数据的预测方法及装置 | |
Dehghan-Banadaki et al. | Big data analytics in a day-ahead electricity price forecasting using tensorflow in restructured power systems | |
CN110766274A (zh) | 行业景气指数的确定方法及装置 | |
Thangjam et al. | Time-varying approaches for long-term electric load forecasting under economic shocks | |
Hanapi et al. | Developed a hybrid sliding window and GARCH model for forecasting of crude palm oil prices in Malaysia | |
CN114549233A (zh) | 基于lgb算法与arima算法相结合的流动人口预测方法 | |
Ogihara et al. | A study of risk reduction for daily peak load demand forecasting | |
Elahe et al. | An adaptive and parallel forecasting strategy for short-term power load based on second learning of error trend | |
CN114066004A (zh) | 一种基于电力大数据的gdp现时预测方法 | |
CN112801415A (zh) | 基于马尔科夫链分布模型的超短期负荷预测方法及*** | |
Mougeot et al. | Forecasting intra day load curves using sparse functional regression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |