CN115759436A - 一种电网大数据下的用户电量电费预测方法及*** - Google Patents
一种电网大数据下的用户电量电费预测方法及*** Download PDFInfo
- Publication number
- CN115759436A CN115759436A CN202211482125.3A CN202211482125A CN115759436A CN 115759436 A CN115759436 A CN 115759436A CN 202211482125 A CN202211482125 A CN 202211482125A CN 115759436 A CN115759436 A CN 115759436A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- power
- electric
- monthly
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网大数据下的用户电量电费预测方法及***,包括从电网大数据中获取每户用户月均用电量数据及每户月均用电总时长;步骤2、采集该区域用户家用电器种类以及功率数据,并计算每种电器的使用时长及每种电器用电量;步骤3、构建用户电量电费预测模型;步骤4、基于该模型计算每户月用电量和月电费价格,并判断该模型预测准确度。本申请设计合理,能够对居民使用的各种常用电器功率数据及用时数据进行组合计算,有利于得出每户用电对应的预测计算公式,大大提高用户电量电费预测的精准性,为电力电网运行优化提供可靠数据参数。
Description
技术领域
本申请涉及电力电网应用领域,具体是一种电网大数据下的用户电量电费预测方法及***。
背景技术
目前,河北公司月售电量已达175亿千瓦时,售电收入约103亿元,巨大的现金流对公司电费与财务管理提出了更高的要求,国网河北电力财务部已建成新一代结算***,具备现金预算、收支管理功能。
受用户负荷、电价调整、新装改类、抄表例日等因素影响,利用传统经验预估月度电费收入存在较大误差。因此,针对上述问题提出一种电网大数据下的用户电量电费预测方法。
现有技术文件1(201811367413.8)公开了一种基于电器化指数的居民用电量预测方法,包括以下步骤:1)统计主要家用电器的百户均保有量Ni与平均功率Pi;2)获取家用电器的使用时长,计算各种家用电器频率因子;3)计算家用电器的修正因子λi;4)计算电气化指数HEA;5)构建多元线性回归模型,将电器化指数HEA、居民总户数Aj和人均可支配收入Bj作为多元线性回归模型的输入,居民用电量Yj作为输出值进行训练,并根据训练好的多元线性回归模型进行居民用电量预测,现有技术的不足之处在于每户电器保有量只能表示生活基本所需电器,且为一个不够具体的数据,同时电器使用预测的使用时间段跨度大,以至于整体预测结果并不能更为精准到每户用电情况。
发明内容
为解决现有技术中存在的不足,本发明提供一种电网大数据下的用户电量电费预测方法及***。
本发明采用如下的技术方案。
一种电网大数据下的用户电量电费预测方法,包括如下步骤:
步骤1、从电网大数据中获取每户用户月均用电量数据及每户月均用电总时长;
步骤2、采集该区域用户家用电器种类以及功率数据,并计算每种电器的使用时长及每种电器用电量;
步骤3、构建用户电量电费预测模型;
步骤4、基于该模型计算每户月用电量和月电费价格,并判断该模型预测准确度。
步骤2中,以区域居民为预测对象,利用电商物流大数据信息获取该区域居民家电购置电器种类及功率数据,将不同电器种类归纳为一组待优化的预测计算元素。
步骤2中,将每户月均用电总时长H的四分之三时间划分为三个用电高峰时间段,并计算表示该种电器每月中的运行使用概率P;其中,三个用电高峰时间段分别为05:00-8:00、11:00-14:00和18:00-21:00,运行使用概率为该电器在所述三个用电高峰时间段中的运行使用时长与24小时的比值。
每种电器使用时长为hI=H·P;,每种电器用电量计算公式为:XI·hI=YI,XI为电器功率,I表示电器种类。
步骤3包括:
步骤3还包括:计算每种计算组合对应的用电量:X1h1+X2h2……+XIhI=YN,与步骤1采集的用户月均用电量Y比对,筛选出最接近的用电量,该用电量对应的计算组合为该用户电量预测模型。
将每组计算组合的用电数据与电网大数据中进行筛选对比,得出对应用户的电量预测计算公式,同时进行管理编码。
步骤4包括:基于用户管理编码后的用户电量预测模型,计算该用户本月预测月电费价格:YM·Z=Q,Z表示电费单价,Q表示月电费金额;
计算本月预测月电费价格与用户本月实际所交费用的差值,依据差值计算出功率差值P,若功率差值P低于设定值,则确定该用户所用的电器种类为该预测模型内的电器种类。
一种电网大数据下的用户电量电费预测***,包括:
数据采集模块,用于采集每户用户月均用电量数据、每户月均用电总时长、该区域用户家用电器种类以及功率数据;
数据处理模块,用于计算并计算每种电器的使用时长、每种电器用电量、每户月用电量和月电费价格;
模型构建模块,用于构建用户电量电费预测模型;
逻辑判断模块,用于判断若功率差值P低于设定值以确定电器种类。
本发明的有益效果在于,与现有技术相比,能够对居民使用的各种常用电器功率数据及用时数据进行组合计算,有利于得出每户用电对应的预测计算公式,大大提高用户电量电费预测的精准性,为电力电网运行优化提供可靠数据参数。
附图说明
图1为本发明的一种电网大数据下的用户电量电费预测方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例,都属于本发明的保护范围。
实施例一:
如图1所示,所述电网大数据下的用户电量电费预测方法,包括如下步骤:
步骤一、获取该区域居民用户月用电量:从电网大数据中获取每户用户往常月用电量数据,即Y表示;
步骤二、采集该区域用户家用电器种类以及功率数据;
以区域居民为预测对象,利用电商物流大数据信息获取该区域居民家电购置电器种类及功率数据,将不同电器种类归纳为一组待优化的预测计算元素;
以电器功率及用时进行标备:
总时长能够通过总电量除以总功率就能获取的参照常规家用电器的功率,分别用X1、X2、X3、…、XI表示,功率单位为千瓦每小时,各种常规家用电器每个月用时分别为h1、h2、h3、…、hI表示,用时单位为小时,该用户月用电量计算公式为:
X1·h1+X2·h2+X3·h3+…XI·hI=Y;式中,I表示电器种类;
进一步地,从电网大数据中还获取每户用户往常月用电总时长,即H表示,每种电器用时为hI=H·P,P表示该种电器每月中运行使用的概率,每户每天各类电器在早中晚使用的时长除以一天24小时得到,每种电器用电计算公式:XI·hI=YI。
步骤三、
组合计算筛选出最佳的计算公式:根据且M<I,I为电器种类数,任取M个不同电器功率数据并成一组,得出N种关于步骤二中不同的计算组合,同时采用量子计算的方式进行高速运算,并筛选出结果数值与Y最接近的N中的一个组合公式作为该用户月用电量计算常态公式:
X1·h1+X2·h2+X3·h3+…XI·hI=YM;
每组组合计算处的用电数据传输至电网大数据中进行筛选对比,得出对应用户的电量电费预测计算公式,同时进行管理编码。
步骤四、得出每户月电费价格:YM·Z=Q,Z表示电费单价,Q表示月电费金额;
步骤五、对各区域用户的消费金额进行汇总,得到全区用户月度用电消费金额数据报表。将各区用电数据模拟成动态分析图表,以便获悉用电高峰时间段。
进一步地,根据每天早中晚将H的四分之三时间划分为三个用电高峰时间段,即05:00-8:00、11:00-14:00和18:00-21:00。家庭用电总体高峰处于这三个阶段,能够将家庭电器设备中最突出的家电种类经上述步骤进行归类,就是家庭固定使用电设备,缩小后续的电器种类的确定范围。
进一步地,管理编码后的每一户电量电费预测价格与用户实际所交费用对比得出差值,依据差值并根据公式反向计算出功率差值P,统计每个月的差值变化。
进一步地,将功率差值P为参照数据,每种组合电器功率数值与用户电器实际所用的功率进行差值法计算得出差值,若该差值与参照数据为零,则确定出该用户所用的电器种类,反之,则换组继续差值计算。
进一步地,获取用户所用电器种类后,依据使用时长将电器划分为三餐电器和娱乐电器。
娱乐电器为电视、手机、照明等,三餐电器为冰箱、电饭煲、微波炉等,对比得出娱乐电器用时与三餐电器用时的比例系数,了解用户每天使用情况。
实施例二
所述电网大数据下的用户电量电费预测方法,包括如下步骤:
步骤一、获取用户月用电量:从电网大数据中获取每户用户往常月用电量数据,即Y表示;
步骤二、以电器功率及用时进行标备:参照国家标准中各种常规家用电器的功率,分别用X1、X2、X3、…、XI表示,功率单位为千瓦每小时,各种常规家用电器每个月用时为h1、h2、h3、…、hI表示,用时单位为小时,用电量计算公式为:
X1·h1+X2·h2+X3·h3+…XI·hI=Y;
步骤三、组合计算筛选出最佳的计算公式:根据且M<I,I为电器种类数,任取M个不同电器功率数据并成一组,得出N种关于步骤二中不同的计算组合,同时采用量子计算的方式进行高速运算,且结果数值与Y相同,优化得出N中的一个组合公式作为该用户月用电量计算常态公式:
X1·h1+X2·h2+X3·h3+…XI·hI=YM;
步骤四、得出每户月电费价格:YM·Z=Q,Z表示电费单价,Q表示月电费金额;
步骤五、对各区域用户的消费金额进行汇总,得到全区用户月度用电消费金额数据报表。
进一步地,所述步骤二中,。
进一步地,将步骤三中每组组合计算处的用电数据传输至电网大数据中进行筛选对比,得出对应用户的电量电费预测计算公式,同时进行管理编码。
进一步地,管理编码后的每一户电量电费预测价格与用户实际所交费用对比得出差值,依据差值并根据公式反向计算出P功率差值,统计每个月的差值变化。
进一步地,将P功率差值为参照数据,每种组合电器功率数值与用户电器实际所用的功率进行差值法计算得出差值,若该差值与参照数据为零,则确定出该用户所用的电器种类,反之,则换组继续差值计算。
进一步地,获取用户所用电器种类后,依据使用时长将电器划分为三餐电器和娱乐电器。
进一步地,娱乐电器为电视、手机、照明等,三餐电器为冰箱、电饭煲、微波炉等,对比得出娱乐电器用时与三餐电器用时的比例系数,了解用户每天使用情况。
进一步地,步骤五中将各区用电数据模拟成动态分析图表,以便获悉用电高峰时间段。
实施例三
所述电网大数据下的用户电量电费预测方法,包括如下步骤:
步骤一、获取用户月用电量:从电网大数据中获取每户用户往常月用电量数据,即Y表示;
步骤二、以电器功率及用时进行标备:参照国家标准中各种常规家用电器的功率,分别用X1、X2、X3、…、XI表示,功率单位为千瓦每小时,各种常规家用电器每个月用时为h1、h2、h3、…、hI表示,用时单位为小时,用电量计算公式为:
X1·h1+X2·h2+X3·h3+…XI·hI=Y;
步骤三、组合计算筛选出最佳的计算公式:根据CI M=I!M!(I-M)!,且M<I,I为电器种类数,任取M个不同电器功率数据并成一组,得出N种关于步骤二中不同的计算组合,同时采用量子计算的方式进行高速运算,且结果数值与Y相同,优化得出N中的一个组合公式作为该用户月用电量计算常态公式:
X1·h1+X2·h2+X3·h3+…XI·hI=YM;
步骤四、得出每户月电费价格:YM·Z=Q,Z表示电费单价,Q表示月电费金额;
步骤五、对各区域用户的消费金额进行汇总,得到全区用户月度用电消费金额数据报表。
进一步地,管理编码后的每一户电量电费预测价格与用户实际所交费用对比得出差值,依据差值并根据公式反向计算出P功率差值,统计每个月的差值变化。
进一步地,将P功率差值为参照数据,每种组合电器功率数值与用户电器实际所用的功率进行差值法计算得出差值,若该差值与参照数据为零,则确定出该用户所用的电器种类,反之,则换组继续差值计算。
实施例四
所述电网大数据下的用户电量电费预测方法,包括如下步骤:
步骤一、获取用户月用电量:从电网大数据中获取每户用户往常月用电量数据,即Y表示;
步骤二、以电器功率及用时进行标备:参照国家标准中各种常规家用电器的功率,分别用X1、X2、X3、…、XI表示,功率单位为千瓦每小时,各种常规家用电器每个月用时为h1、h2、h3、…、hI表示,用时单位为小时,用电量计算公式为:
X1·h1+X2·h2+X3·h3+…XI·hI=Y;
步骤三、组合计算筛选出最佳的计算公式:根据且M<I,I为电器种类数,任取M个不同电器功率数据并成一组,得出N种关于步骤二中不同的计算组合,同时采用量子计算的方式进行高速运算,且结果数值与Y相同,优化得出N中的一个组合公式作为该用户月用电量计算常态公式:
X1·h1+X2·h2+X3·h3+…XI·hI=YM;
步骤四、得出每户月电费价格:YM·Z=Q,Z表示电费单价,Q表示月电费金额;
步骤五、对各区域用户的消费金额进行汇总,得到全区用户月度用电消费金额数据报表。
进一步地,获取每个用电区域的用电量,根据现有的统计的一年的用电情况,预测下一个季度或者第2年用电量。
实施例五
所述电网大数据下的用户电量电费预测方法,包括如下步骤:
步骤一、获取用户月用电量:从电网大数据中获取每户用户往常月用电量数据,即Y表示;
步骤二、以电器功率及用时进行标备:参照国家标准中各种常规家用电器的功率,分别用X1、X2、X3、…、XI表示,功率单位为千瓦每小时,各种常规家用电器每个月用时为h1、h2、h3、…、hI表示,用时单位为小时,用电量计算公式为:
X1·h1+X2·h2+X3·h3+…XI·hI=Y;
步骤三、组合计算筛选出最佳的计算公式:根据且M<I,I为电器种类数,任取M个不同电器功率数据并成一组,得出N种关于步骤二中不同的计算组合,同时采用量子计算的方式进行高速运算,且结果数值与Y相同,优化得出N中的一个组合公式作为该用户月用电量计算常态公式:
X1·h1+X2·h2+X3·h3+…XI·hI=YM;
步骤四、得出每户月电费价格:YM·Z=Q,Z表示电费单价,Q表示月电费金额;
步骤五、对各区域用户的消费金额进行汇总,得到全区用户月度用电消费金额数据报表。
进一步地,获取用户所用电器种类后,依据使用时长将电器划分为三餐电器和娱乐电器。
进一步地,娱乐电器为电视、手机、照明等,三餐电器为冰箱、电饭煲、微波炉等,对比得出娱乐电器用时与三餐电器用时的比例系数,了解用户每天使用情况。
进一步地,步骤五中将各区用电数据模拟成动态分析图表,以便获悉用电高峰时间段。
上述用户电量电费预测方法,能够对居民使用的各种常用电器功率数据及用时数据进行组合计算,有利于得出每户用电对应的预测计算公式,大大提高用户电量电费预测的精准性,为电力电网运行优化提供可靠数据参数。本实施例还提供一种电网大数据下的用户电量电费预测***,包括:
数据采集模块,用于采集每户用户月均用电量数据、每户月均用电总时长、该区域用户家用电器种类以及功率数据;
数据处理模块,用于计算并计算每种电器的使用时长、每种电器用电量、每户月用电量和月电费价格;
模型构建模块,用于构建用户电量电费预测模型;
逻辑判断模块,用于判断若功率差值P低于设定值以确定电器种类。
本发明的有益效果在于,与现有技术相比,能够对居民使用的各种常用电器功率数据及用时数据进行组合计算,有利于得出每户用电对应的预测计算公式,大大提高用户电量电费预测的精准性,为电力电网运行优化提供可靠数据参数。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其它设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
最后应当说明的是,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:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (11)
1.一种电网大数据下的用户电量电费预测方法,其特征在于:包括如下步骤:
步骤1、从电网大数据中获取每户用户月均用电量数据及每户月均用电总时长;
步骤2、采集该区域用户家用电器种类以及功率数据,并计算每种电器的使用时长及每种电器用电量;
步骤3、构建用户电量电费预测模型;
步骤4、基于该模型计算每户月用电量和月电费价格,并判断该模型预测准确度。
2.根据权利要求1所述的一种电网大数据下的用户电量电费预测方法,其特征在于:
步骤2中,以区域居民为预测对象,利用电商物流大数据信息获取该区域居民家电购置电器种类及功率数据,将不同电器种类归纳为一组待优化的预测计算元素。
3.根据权利要求2所述的一种电网大数据下的用户电量电费预测方法,其特征在于:
步骤2中,将每户月均用电总时长H的四分之三时间划分为三个用电高峰时间段,并计算表示该种电器每月中的运行使用概率P;其中,三个用电高峰时间段分别为05:00-8:00、11:00-14:00和18:00-21:00,运行使用概率为该电器在所述三个用电高峰时间段中的运行使用时长与24小时的比值。
4.根据权利要求3所述的一种电网大数据下的用户电量电费预测方法,其特征在于:
每种电器使用时长为hI=H·P;,每种电器用电量计算公式为:XI·hI=YI,XI为电器功率,I表示电器种类。
6.根据权利要求5所述的一种电网大数据下的用户电量电费预测方法,其特征在于:
步骤3还包括:计算每种计算组合对应的用电量:X1h1+X2h2……+XIhI=YN,与步骤1采集的用户月均用电量Y比对,筛选出最接近的用电量,该用电量对应的计算组合为该用户电量预测模型。
7.根据权利要求6所述的一种电网大数据下的用户电量电费预测方法,其特征在于:
将每组计算组合的用电数据与电网大数据中进行筛选对比,得出对应用户的电量预测计算公式,同时进行管理编码。
8.根据权利要求7所述的一种电网大数据下的用户电量电费预测方法,其特征在于:
步骤4包括:基于用户管理编码后的用户电量预测模型,计算该用户本月预测月电费价格:YM·Z=Q,Z表示电费单价,Q表示月电费金额;
计算本月预测月电费价格与用户本月实际所交费用的差值,依据差值计算出功率差值P,若功率差值P低于设定值,则确定该用户所用的电器种类为该预测模型内的电器种类。
9.一种电网大数据下的用户电量电费预测***,基于权利要求1-8任一项权利要求所述方法,其特征在于:
数据采集模块,用于采集每户用户月均用电量数据、每户月均用电总时长、该区域用户家用电器种类以及功率数据;
数据处理模块,用于计算并计算每种电器的使用时长、每种电器用电量、每户月用电量和月电费价格;
模型构建模块,用于构建用户电量电费预测模型;
逻辑判断模块,用于判断若功率差值P低于设定值以确定电器种类。
10.一种终端,包括处理器及存储介质;其特征在于:
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-8任一项所述方法的步骤。
11.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211482125.3A CN115759436A (zh) | 2022-11-24 | 2022-11-24 | 一种电网大数据下的用户电量电费预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211482125.3A CN115759436A (zh) | 2022-11-24 | 2022-11-24 | 一种电网大数据下的用户电量电费预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759436A true CN115759436A (zh) | 2023-03-07 |
Family
ID=85337740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211482125.3A Pending CN115759436A (zh) | 2022-11-24 | 2022-11-24 | 一种电网大数据下的用户电量电费预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759436A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115995814A (zh) * | 2023-03-23 | 2023-04-21 | 佛山市电子政务科技有限公司 | 一种基于大数据的公共电力资源调配方法 |
-
2022
- 2022-11-24 CN CN202211482125.3A patent/CN115759436A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115995814A (zh) * | 2023-03-23 | 2023-04-21 | 佛山市电子政务科技有限公司 | 一种基于大数据的公共电力资源调配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pena-Bello et al. | Integration of prosumer peer-to-peer trading decisions into energy community modelling | |
CN107194502B (zh) | 一种居民用户电力负荷预测方法 | |
US20150154499A1 (en) | Systems and methods to predict a reduction of energy consumption | |
CN111539844B (zh) | 一种基于k-l信息量和arima误差修正的月度电量预测方法 | |
CN114548756A (zh) | 基于主成分分析的综合能源项目综合效益评价方法及装置 | |
CN115759436A (zh) | 一种电网大数据下的用户电量电费预测方法及*** | |
Nunes et al. | Multi‐stage co‐planning framework for electricity and natural gas under high renewable energy penetration | |
Ahmed et al. | Data communication and analytics for smart grid systems | |
Sui et al. | Intelligent grey forecasting model based on periodic aggregation generating operator and its application in forecasting clean energy | |
Yang et al. | Optimization strategy of price‐based demand response considering the bidirectional feedback effect | |
Chrysopoulos et al. | Response modeling of small-scale energy consumers for effective demand response applications | |
Han et al. | Low‐carbon energy policy analysis based on power energy system modeling | |
Azad‐Farsani et al. | Stochastic locational marginal price calculation in distribution systems using game theory and point estimate method | |
US20140253342A1 (en) | Information Retrieval for Boundary Reading Processing | |
CN112508260A (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN110210677B (zh) | 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置 | |
Xia et al. | Small-scale markets for a bilateral energy sharing economy | |
CN112241403B (zh) | 一种典型场景的电能质量数据清洗方法及*** | |
Jafary et al. | Modeling the determinants of residential appliance electricity use single-family homes, homes with electric vehicles and apartments | |
Yuan et al. | Unleashing the benefits of smart grids by overcoming the challenges associated with low-resolution data | |
Voronin et al. | Short term forecasting peak load hours of regional power systems using machine learning methods | |
Shchetinin | Modeling the energy consumption of smart buildings using artificial intelligence. | |
Henri et al. | Mode‐based energy storage control approach for residential photovoltaic systems | |
Wang et al. | Time‐periodic model of wind speed and its application in risk evaluation of wind‐power‐integrated power systems | |
CN112085413A (zh) | 一种电能质量等级计算方法、终端设备及存储介质 |
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 |