CN101425158A - 基于新息的短期负荷预测方法 - Google Patents
基于新息的短期负荷预测方法 Download PDFInfo
- Publication number
- CN101425158A CN101425158A CNA2008102388853A CN200810238885A CN101425158A CN 101425158 A CN101425158 A CN 101425158A CN A2008102388853 A CNA2008102388853 A CN A2008102388853A CN 200810238885 A CN200810238885 A CN 200810238885A CN 101425158 A CN101425158 A CN 101425158A
- Authority
- CN
- China
- Prior art keywords
- day
- load
- prediction
- point
- virtual
- 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
本发明涉及基于新息的短期负荷预测方法,属于电力系统负荷预测技术领域。该方法以以预测当日已知最新信息的时刻作为预测基准点,以该基准点的时刻作为终点向前24小时构成的一虚拟日作为基准日,采集该基准日或前几个虚拟日的已知历史负荷信息进行短期负荷预测。运用本发明不但可以有效的提高短期负荷预测精度,使电网可更安全与可靠运行,还为电力负荷预测人员构造更高效的短期负荷预测方法提供了依据。
Description
技术领域
本发明属于电力系统负荷预测技术领域,特别涉及基于新息的短期负荷预测方法。
背景技术
电力系统的主要任务是为各类用户提供经济、可靠和高质量的电能,应随时满足用户的负荷需求量与负荷特性的要求。为此,在电力系统规划设计、运行管理和电力市场交易中,必须对负荷需求量的变化与负荷特性有一个准确的预测。电力系统负荷预测是根据电力负荷、经济、社会、气象等的历史数据,探索电力负荷历史数据变化规律对未来负荷的影响,寻求电力负荷与各种相关因素之间的内在联系,从而对未来的电力负荷进行科学的预测。
电力负荷预测的准确性关系到电网的安全与可靠运行,而且在电力市场运营模式下,负荷预测的精度也关系到电力部门的经济收益,它已成为现代化电力系统运行和管理中的一个重要领域。
无论是传统的预测方法还是现代的方法,它们都是在获得预测对象的历史变化规律后,将这种规律延伸以预测未来。理论上讲,负荷预测的数学理论的核心是如何获得预测对象的历史变化规律及其受某些因素影响的关系。预测模型实际上是表述这种变化规律的数学函数。建立良好的数学模型,减小负荷预测误差、提高预测精度,是预测的核心问题。传统的预测方法比较成熟,预测结果具有一定的参考价值,但要进一步提高预测精度,就需要对传统方法进行一些改进。
常规的短期负荷预测的做法是提前一日历日或多日历日完成日短期负荷预测,确立日前用电计划(包括购电计划及发电计划),即所用历史负荷数据至少和待测日期间隔了一日历日。而在实际运行中,当日的实际负荷,即使与原计划产生严重偏离,也不会应用到次日的负荷预测中。例如,常规的短期负荷预测方法,以每日历日某时刻作为基准点(例如下午15时),预测次日(或以后连续多日)全日历日96点(每15分钟一个点)的负荷值,使用该基准点前一日历日作为基准日(即前一日历日从0点到24点),利用该基准日或包括基准日在内的之前几日历日的负荷信息),而当日历日余下小时(从0点到15点)的已知负荷信息不用做预测的信息。该方法没有利用基准点之前已知的信息做次日的负荷预测,其所做的预测值的精度会受到一定影响。
现有的几种主要的短期负荷预测方法简要介绍如下。
1、点对点倍比法的短期负荷预测方法是:待预测日某时刻的负荷预测值可由与其相关的近期各日同一时刻的负荷值的一次指数平滑结果得到。所谓点对点,是指逐时刻进行;所谓倍比,是指按照历史规律的对应比例计算预测值,其基本原理是,当某个已知信息变化了某个比例之后,另外一个未知的关联信息也会变化这个比例。一般可以取14日历日左右分为二个周期的相关负荷。对于第一周期、第二周期的t时刻的值分别作一次指数平滑,然后以第一周期中同类型日t时刻的值为基础,进行倍比,即可得到待预测日t时刻的值。如此对所有时刻依次重复进行,即得该日的预测曲线。
2、倍比平滑法的短期负荷预测方法是将预测过程分为标么曲线预测和基值预测两个部分,其主要内容是:待预测日的标么负荷曲线可由相关负荷集合的标么曲线的逐点平滑结果得到,而相应的基值由其前一周期的倍比关系预测。倍比过程可参考点对点倍比法。
3、重迭曲线法的短期负荷预测方法是一种较特殊的预测方法。其主要内容是,将原来每日的负荷曲线分别从左右两边延伸出几个时刻,则各日的负荷曲线就有一段重迭区。这样,由于基准日的后几个时刻为已知,而这几个时刻恰巧又是下一日的前几个时刻的值,根据标么曲线预测效果较好的特点,可以由标么曲线的预测结果更加准确地估计其它点的有名值,如此逐日重迭预测,得到待预测日结果。
发明内容
本发明的目的是针对传统负荷预测方法中存在的问题,提出一种基于新息的短期负荷预测方法,将最新的数据信息应用于当日剩余时段及次日的负荷预测,可提高负荷预测的精度。
本发明提出的一种基于新息的短期负荷预测方法,其特征在于,该方法以以预测当日已知最新信息的时刻作为预测基准点,以该基准点的时刻作为终点向前24小时构成的一虚拟日作为基准日,采集该基准日或前几个虚拟日的已知历史负荷信息进行短期负荷预测。
本发明的特点:
首先,本发明发现了传统短期负荷预测方法中未充分利用已知信息的问题,提出了“新息”的概念。本发明打破了日历虚拟日的思维定势,构造“虚拟日”,从而可以方便地改造常规的短期负荷预测算法,得到更有效的预测新方法。本发明是对常规预测方法在基准点选取方式上的扩展,可以方便地改造任何基于时序分析及考虑气象等相关因素的各种短期负荷预测算法。
其次,本发明充分利用了电力系统负荷数据的实时采集技术,可以在预测日的任意时刻启动预测过程,用当前时刻已经积累的所有采集数据作为预测样本。而传统方法的预测仅仅基于前一日的历史采集数据,不涉及当日的实时采集数据。
再次,本发明基于新息技术对几种主要的短期负荷预测方法实施了改造,得到更有效的预测新方法,如正常日新息点对点倍比法、正常日新息倍比平滑法、正常日新息重迭曲线法等
另外,本发明还对任何基于时序分析及考虑气象等相关因素的各种短期负荷预测方法都适用。
以上特点使得本发明方法具有下列优点:
充分发挥电力系统实时采集的负荷数据的作用,可以有效的提高短期负荷预测精度,使电网可更安全与可靠运行,并且为电力负荷预测人员构造更高效的短期负荷预测方法提供依据。
附图说明
图1为本发明的新息预测与常规预测的比较示意图。
图2为本发明的日历时刻与虚拟时刻的对应关系示意图。
图3为本发明的同类型日与不同类型日示意图。
图4为本发明的正常日新息重迭曲线法的示意图。
图5采用本发明的新息点对点倍比法的A地区电网2007年4月12日负荷预测曲线图。
图6采用本发明的新息倍比平滑法的B地区电网2007年8月12日负荷预测曲线图。
图7采用本发明的B地区电网2007年8月14日新息重迭曲线法负荷预测曲线图。
具体实施方式
本发明提出基于新息的短期负荷预测方法结合附图及实施例进一步说明如下:
本发明基于新息的短期负荷预测方法,其特征在于,该方法以预测的当日已知最新信息的时刻作为预测基准点,以该基准点的时刻作为终点向前24小时构成的一虚拟日作为基准日,采集该基准日或前几个虚拟日的已知历史负荷信息进行短期负荷预测。
本发明提出的“新息”,就是当日的最新信息(不仅包括负荷信息,还包括相关因素等信息,如气象信息、电价等)。
新息预测的方法改变了原有基准日的概念,基准点的选取不再是实际中每个日历日的24时,而是选择当日已知最新信息的时刻作为新息算法的基准点
图1中描述了本发明的新息预测方法的基准点的选择方式,并和传统的预测方法进行了比较,其中,时间轴t上从左到右依次为“历史日”、“预测当日”、“待预测日”。在预测当日有3个关键的时间点,T1、T2分别为预测当日的起始时刻和结束时刻,起始时刻T1向左为历史日,结束时刻向右为待预测日,T0则为预测当日的当前时刻。常规预测仅使用预测当日的T1时刻以前的数据进行预测,而新息预测则补充利用了预测当日T1到T0时刻这段新息进行预测。
新息预测的实现技术非常直观,其根本的一点是:打破了原有的虚拟日的概念。根据常规的正常日短期负荷预测方法,假定在预测当日已知m(m≤T,T为日采样点个数,一般取为48、96等)点的负荷数据。由于预测当日已知m点的负荷,则可以从最后一个已知点开始,向前取T个点,作为新的“虚拟日”。依此类推,连续向前取n个虚拟日的n×T个负荷值,作为新的历史相关日负荷数据。此时,可以对这些新息数据形成的历史日,完全按照正常日预测方法,对未来的连续2日历日作出预测。这里需要注意的是,在新息预测方法中,每个“虚拟日”的概念不再是日历中的“日”的含义,它对应于从某一日历日历日的第m+1个负荷点到第二日历日的第m个负荷点。因此,在计算得到2日历日的连续预测结果后,应该进行相应的转换,将负荷值对应到实际的日期时刻上。这种对应关系可表示为表1:
表1 新息预测结果的对应关系
短期负荷预测的新息方法是对常规预测方法在基准点选取方式上的扩展。在正常日短期负荷预测中,应用本发明修改常规的正常日短期负荷预测中的若干算法,可以得到更有效的短期负荷预测方法。
采用本发明的基于新息的短期负荷预测方法具体包括:
1、基于新息的正常日点对点倍比短期负荷预测方法;
2、基于新息的正常日倍比平滑短期负荷预测方法;
3、基于新息的正常日重迭曲线短期负荷预测方法。
上述各种方法的实施例分别具体说明如下:
一、基于新息的正常日点对点倍比短期负荷预测方法
本实施例的基于新息的正常日点对点倍比负荷预测方法为:待预测日某时刻的负荷预测值可由与其相关的近期各日同一时刻的负荷值的一次指数平滑结果得到,且点对点逐时刻进行。
取n=14日历日的相关负荷值,T为日采样点个数。假设:预测当日已知负荷点为m(m≤T),从该预测当日的第m点开始,向前取T个点,作为一虚拟日,即基准日。依此类推,从该基准日的第m个点开始,向前连续取14×T个负荷值,作为14虚拟日的负荷,之后采用如下的计算方法,划定2个周期(即14日历日分为两个周期)并进行平滑计算。
该方法对预测日τ时刻的负荷进行预测,包括:
1)负荷数据生成:设预测的当日已知负荷点为m,形成14虚拟日负荷数据,并以7个虚拟日为界,分为两个周期,并将预测日的τ时刻对应为虚拟日的t时刻;具体包括以下步骤:
11)设预测当日(日历日)已知负荷点为m,据此将日历日τ时刻对应为虚拟日的t时刻,对应关系如图2所示,其中,上面的坐标轴是以虚拟日表示的时间轴,下面的坐标轴是以日历日表示的坐标轴;其中,τ时刻为真正的预测时刻,而其对应于虚拟日的t时刻,T为日采样点个数,m(m≤T)为预测当日已知负荷点数。图中将上下两个坐标轴在τ时刻和t时刻对齐之后,就形成了2日的负荷对应关系。
12)由此,形成14日历日负荷数据,并以7日历日为界,分为两个周期,如图3所示,其中,待预测日为D,基准日为D0,而向前的2个周期分别为W1、W2,2个周期中的同类型日分别为D1、D2(这些同类型历史日的负荷值与待预测日的负荷值具有较高的相关性;相反地,历史日中那些与待预测日具有不同星期类型的负荷日称为“不同类型日”);其中,第一周期的同类型日负荷值记为P1t(t=1,2,…,T),第二周期的同类型日负荷值记为P2t(t=1,2,…,T),第一周期的不同类型日负荷值分别记为P3t,P4t,…,P8t,(t=1,2,…,T),第二周期的不同类型日负荷值分别记为P9t,P10t,…,P14t,(t=1,2,…,T)。
2)负荷值预测:根据步骤1)得到的负荷数据,采用传统的正常日点对点倍比法预测虚拟日t时刻的负荷值;具体包括以下步骤:
21)取第一周期的不同类型日t时刻的值作平滑,得到:
A1t=αP3t+α(1-α)P4t+…+α(1-α)5P8t
这里α为逐点负荷的平滑系数,一般α∈[0.1,0.9],对某些情况(例如,最近3日的负荷水平明显高于上周对应3日的负荷水平),α的范围可以适当扩大。
22)取第二周期的不同类型日t时刻的值作平滑,得到:
A2t=αP9t+α(1-α)P10t+…+α(1-α)5P14t
23)另取第一周期中同类型日t时刻的值P1t,则有:
24)则待预测日t时刻的值为:
3)数据还原:将虚拟日t时刻还原为待预测日的τ时刻;
将t时刻还原为τ时刻:依据图2的对应关系,对于每个t时刻,找到其对应的t时刻的预测值,即可还原为τ时刻的预测值。
上述过程对于所有时段依次进行,即得该预测日的负荷预测曲线。
二、基于新息的正常日新息倍比平滑短期负荷预测方法
本实施例的正常日新息倍比平滑法将预测过程分为标么曲线预测和基值预测两个部分,其预测方法是:待预测日的标么负荷曲线可由相关负荷集合的标么曲线的逐点平滑结果得到,而相应的基值由其前一周期的倍比关系预测。该方法具体包括以下步骤:
1)数据生成
取n个历史日的相关负荷,T为日采样点个数,设预测的当日已知负荷点为m(m≤T),从该当日的第m点开始,向前取T个点为一个虚拟日,将该虚拟日作为基准日,从该基准日的第m个点开始,向前连续取n×T个负荷值,作为n个虚拟日,采集该n虚拟日对应的相关负荷;
n虚拟日的相关负荷值分别记为D1,D2,…,Dn。相关负荷值集合中Di的负荷曲线由Pit,t=1,2,…,T组成,其标么化基值设为Pi,0(可以是最大负荷Pi,max,最小负荷Pi,min和平均负荷Pi,ave之一),相应的标么曲线记为Ei=[Li1,Li2,…LiT],其中:
Lit=Pit/Pi0,t=1,2,…,T
2)标么曲线预测:根据步骤1)得到的相关负荷数据,采用传统的正常日倍比平滑法进行预测,得到虚拟预测日的预测曲线;具体包括以下步骤:
由此形成待预测日的标么曲线 这里α为标么曲线预测的平滑系数,可在[0,1]区间上取值。
22)基值预测
取n=14日历日的相关负荷值,分别计算第一、二周期(周期划分同正常日新息点对点倍比法)中不同类型日的基值平滑值A1,0,A2,0:
A1,0=αP3,0+α(1-α)P4,0+…+α(1-α)5P8,0
A2,0=αP2,0+α(1-α)P10,0+…+α(1-α)5P14,0
这里α为基值预测的平滑系数,可在[0,1]区间上取值。
其余周期依此类推,不同类型日的基值的平滑值分别为A3,0,A4,0,…。
第一、二周期中同类型日的基值分别为P1,0,P2,0,其余周期分别为P3,0,P4,0,…。
于是,对于待预测日,近似成立如下关系:
现在只取第一个等式,于是得到:
这是一种线性倍比的方式。
23)预测曲线有名化
3)数据还原:根据虚拟日与日历日的对应关系,将所述预测曲线的负荷值对应到日历日的日期时刻上。对应关系如图2所示。
按照基值Pi,0的选取不同,本方法可以采用以下三种方式:
(1)日最大负荷方式——正常日新息倍比平滑法(峰荷方式);
(2)日最小负荷方式——正常日新息倍比平滑法(谷荷方式);
(3)日平均负荷方式——正常日新息倍比平滑法(均荷方式)。
上述各方式均可采用已知常规的相应方法。
三、基于新息的正常日新息重迭曲线短期负荷预测方法
如果将原来每日的负荷曲线分别从左右两边延伸出几个时刻,则各日的负荷曲线就有一段重迭区。这样,由于基准日的后几个时刻为已知,而这几个时刻恰巧又是下一日的前几个时刻的值,根据标么曲线预测效果较好的特点,可以由标么曲线的预测结果更加准确地估计其它点的有名值,如此逐日重迭预测,得到待预测日结果。这个过程用图4表示,从图中可以看出,对当日(如图中的第2日)来说,上一日(如图中的第1日)的整体曲线为已知,故当日的前端重迭点(图中用小黑块表示)均已知。根据这个规律,本实施例的正常日新息重迭曲线法的预测方法,具体包括以下步骤:
1)数据生成
取n个历史日的相关负荷,T为日采样点个数,设预测的当日已知负荷点为m(m≤T),从该当日的第m点开始,向前取T个点为一个虚拟日,将该虚拟日作为基准日,从该基准日的第m个点开始,向前连续取n×T个负荷值,作为n个虚拟日,采集该n虚拟日对应的相关负荷;该n虚拟日的相关负荷分别记为D1,D2,…,Dn。
2)曲线预测:根据步骤1)得到的相关负荷数据,采用传统的正常日重迭曲线法进行预测,得到虚拟预测日的预测曲线;
21)曲线的延伸处理
设历史第i日历日的负荷曲线为Di=[Pi1,Pi2,…,PiT]。现在取其前一日历日的后k个负荷点以及其后一日历日的前l个负荷点,构成延伸曲线为:
Fi=[Pi-1,T-(k-1),…,Pi-1,T-1,Pi-1,T,Pi1,Pi2,…,PiT,Pi+1,1,Pi+1,2,…,Pi+1,l]
则延伸后的曲线为M=k+T+l个负荷点,其中M大于T,即k与l中至少有一个为非0,(否则k与l均为0值,意味着曲线无重迭,此法就无法进行)。
22)各日标么曲线的预测
预测从基准日到待预测日之前各日的标么曲线,取n日历日的相关负荷(n可以不等于14),各日相关负荷值采用与新息倍比平滑法中同样的方法得到。
设预测得到各日的标么曲线为 这里i=0,1,2,...,r。其中i=0为基准日(由于基准日的延伸曲线的后l个点未知,故也需要预测),i≥1表示基准日的后几日,其中i=r为待预测日。
23)重迭曲线的有名化
(1)对于i=0即基准日:
因此j=0时后l个重迭点的预测值为:
(2)对于i≥1(即未知日)
因此i≥1时后续点的预测值为:
24)重迭点的扣除
对于第r日,只需取 中的中间T个点,即为待预测日的真正预测曲线。
(注意:若l=0,则基准日的延伸曲线为完全已知,无需预测);
3)数据还原:
根据虚拟日与日历日的对应关系,将所述预测曲线的负荷值对应到日历日的日期时刻上。对应关系如图2所示。
与新息倍比平滑法相似,按标么曲线基值选取的不同,新息重迭曲线法也分为三种预测方法:
(1)日最大负荷方式——正常日新息重迭曲线法(峰荷方式);
(2)日最小负荷方式——正常日新息重迭曲线法(谷荷方式);
(3)日平均负荷方式——正常日新息重迭曲线法(均荷方式)。
上述各方式均可采用已知常规的相应方法。
本发明的应用效果实例一、A地区采用基于新息的正常日点对点倍比短期负荷预测方法
图5中给出了某地区电网2007年4月12日的实际负荷曲线,并与传统的点对点倍比法以及新息点对点倍比法进行了比较。图中实线为某地区电网2007年4月12日观测到的系统实际负荷曲线,短划线表示常规点对点倍比法预测的负荷曲线,而点线是应用新息思想在4月11日15时之前的数据基础上给出的预测值。从图中可以观察到,利用4月11日最新获得的信息对4月12日进行的预测,相对于传统方法,减少了负荷预测的误差。从表2中点对点倍比法与新息点对点倍比法的误差对比更能看出新息方法的优势。
表2 点对点倍比法与新息点对点倍比法误差对比
应用效果实例二、B地区采用基于新息的正常日倍比平滑短期负荷预测方法
图6中给出了某地区电网2007年8月12日的实际负荷曲线,并与传统的倍比平滑法以及新息倍比平滑法进行了比较。图中实线为某地区电网2007年8月12日观测到的系统实际负荷曲线,短划线表示常规倍比平滑法预测的负荷曲线,而点线是应用新息思想在8月11日15时之前的数据基础上给出的预测值。从图中可以观察到,利用8月11日最新获得的信息对8月12日进行的预测,相对于传统方法,减少了负荷预测的误差。从表3中三种基值选取方式下的倍比平滑法与新息倍比平滑法的误差对比更能看出新息方法的优势。图6中的预测曲线是均荷方式下的倍比平滑法及新息倍比平滑法预测得到的。
表3 倍比平滑法与新息倍比平滑法误差对比
应用效果实例三、B地区采用基于新息的正常日新息重迭曲线短期负荷预测方法
中给出了某地区电网2007年8月14日的实际负荷曲线,并与传统的重迭曲线法以及新息重迭曲线法进行了比较。图中实线为某地区电网2007年8月14日观测到的系统实际负荷曲线,短划线表示常规重迭曲线法预测的负荷曲线,而点线是应用新息思想在8月13日15时之前的数据基础上给出的预测值。从图中可以观察到,利用8月13日最新获得的信息对8月14日进行的预测,相对于传统方法,减少了负荷预测的误差。从表4中三种基值选取方式下的重迭曲线法与新息重迭曲线法的误差对比更能看出新息方法的优势。中的预测曲线是均荷方式下的重迭曲线法及新息重迭曲线法预测得到的。
表4 重迭曲线法与新息重迭曲线法误差对比
Claims (6)
1、一种基于新息的短期负荷预测方法,其特征在于,该方法以预测当日已知最新信息的时刻作为预测基准点,以该基准点的时刻作为终点向前24小时构成的一虚拟日作为基准日,采集该基准日或前几个虚拟日的已知历史负荷信息进行短期负荷预测。
2、如权利要求1所述方法,其特征在于,所述进行短期负荷预测采用基于新息的正常日点对点倍比短期负荷预测方法,该方法对预测日τ时刻的负荷进行预测,具体包括以下步骤:
1)负荷数据生成
设预测的当日已知负荷点为m,形成14虚拟日负荷数据,并以7个虚拟日为界,分为两个周期,并将预测日的τ时刻对应为虚拟日的t时刻;
2)负荷值预测
根据步骤1)得到的负荷数据,采用传统的正常日点对点倍比法预测虚拟日t时刻的负荷值;
3)数据还原
将虚拟日t时刻还原为待预测日的τ时刻;
对于预测日所有时段依次进行步骤1)—步骤3),即得该预测日的预测曲线。
3、如权利要求1所述方法,其特征在于,所述进行短期负荷预测采用基于新息的倍比平滑法,具体包括以下步骤:
1)数据生成
取n个历史日的相关负荷,T为日采样点个数,设预测的当日已知负荷点为m,m≤T,从该当日的第m点开始,向前取T个点为一个虚拟日,将该虚拟日作为基准日,从该基准日的第m个点开始,向前连续取n×T个负荷值,作为n个虚拟日,采集该n虚拟日对应的相关负荷;
2)曲线预测
根据步骤2)得到的相关负荷数据,采用传统的正常日倍比平滑法进行预测,得到虚拟预测日的预测曲线;
3)数据还原
根据虚拟日与日历日的对应关系,将所述预测曲线的负荷值对应到日历日的日期时刻上。
4、如权利要求3所述方法,其特征在于,所述采集相关负荷采用日最大负荷、日最小负荷或日平均负荷之一种。
5、如权利要求1所述方法,其特征在于,该方法应用新息技术改进的传统重迭曲线法,具体包括以下步骤:
1)数据生成
取n个历史日的相关负荷,T为日采样点个数,设预测的当日已知负荷点为m,m≤T,从该当日的第m点开始,向前取T个点为一个虚拟日,将该虚拟日作为基准日,从该基准日的第m个点开始,向前连续取n×T个负荷值,作为n个虚拟日,采集该n虚拟日对应的相关负荷;
2)曲线预测
根据步骤2)得到的相关负荷数据,采用传统的正常日重迭曲线法进行预测,得到虚拟预测日的预测曲线;
3)数据还原
根据虚拟日与日历日的对应关系,将所述预测曲线的负荷值对应到日历日的日期时刻上。
6、如权利要求5所述方法,其特征在于,所述采集相关负荷采用日最大负荷、日最小负荷或日平均负荷之一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102388853A CN101425158A (zh) | 2008-12-04 | 2008-12-04 | 基于新息的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102388853A CN101425158A (zh) | 2008-12-04 | 2008-12-04 | 基于新息的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101425158A true CN101425158A (zh) | 2009-05-06 |
Family
ID=40615755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008102388853A Pending CN101425158A (zh) | 2008-12-04 | 2008-12-04 | 基于新息的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101425158A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551884B (zh) * | 2009-05-08 | 2011-07-27 | 华北电力大学 | 面向大规模样本的cvr电力负荷快速预测方法 |
CN101556664B (zh) * | 2009-05-11 | 2012-03-21 | 天津大学 | 基于最大信息熵的协同负荷预测方法 |
CN102880917A (zh) * | 2012-09-20 | 2013-01-16 | 湖北省电力公司电力科学研究院 | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 |
CN103617325A (zh) * | 2013-12-06 | 2014-03-05 | 国网山东省电力公司 | 用电环境对负荷特性影响模型的建立方法 |
CN104361407A (zh) * | 2014-11-03 | 2015-02-18 | 河南理工大学 | 数据重组短时交通流预测方法 |
CN104376384A (zh) * | 2014-11-27 | 2015-02-25 | 广西大学 | 一种基于电力大数据分析的台风日最大日负荷预测系统 |
CN104794538A (zh) * | 2015-04-20 | 2015-07-22 | 浙江大学 | 基于ieemd-bpnn的电力系统短期负荷预测方法 |
CN107194502A (zh) * | 2017-05-04 | 2017-09-22 | 山东大学 | 一种居民用户电力负荷预测方法 |
CN107679645A (zh) * | 2017-08-31 | 2018-02-09 | 广西大学 | 一种可帮助广义负荷进行提前预测的潜在相关关系的挖掘方法 |
CN111553529A (zh) * | 2020-04-27 | 2020-08-18 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
CN111583065A (zh) * | 2020-05-12 | 2020-08-25 | 广东电网有限责任公司计量中心 | 一种电力负荷数据预测方法及装置 |
CN112508257A (zh) * | 2020-12-02 | 2021-03-16 | 新奥数能科技有限公司 | 负荷预测结果生成方法、装置、电子设备和介质 |
CN112668125A (zh) * | 2021-01-06 | 2021-04-16 | 北京信息科技大学 | 提高非完整小圆弧评价精度的方法、系统、介质及设备 |
CN114841458A (zh) * | 2022-05-18 | 2022-08-02 | 上海玫克生储能科技有限公司 | 电力负荷预测方法及系统、电子设备及存储介质 |
-
2008
- 2008-12-04 CN CNA2008102388853A patent/CN101425158A/zh active Pending
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551884B (zh) * | 2009-05-08 | 2011-07-27 | 华北电力大学 | 面向大规模样本的cvr电力负荷快速预测方法 |
CN101556664B (zh) * | 2009-05-11 | 2012-03-21 | 天津大学 | 基于最大信息熵的协同负荷预测方法 |
CN102880917A (zh) * | 2012-09-20 | 2013-01-16 | 湖北省电力公司电力科学研究院 | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 |
CN102880917B (zh) * | 2012-09-20 | 2015-06-10 | 湖北省电力公司电力科学研究院 | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 |
CN103617325A (zh) * | 2013-12-06 | 2014-03-05 | 国网山东省电力公司 | 用电环境对负荷特性影响模型的建立方法 |
CN104361407A (zh) * | 2014-11-03 | 2015-02-18 | 河南理工大学 | 数据重组短时交通流预测方法 |
CN104361407B (zh) * | 2014-11-03 | 2018-12-21 | 河南理工大学 | 数据重组短时交通流预测方法 |
CN104376384A (zh) * | 2014-11-27 | 2015-02-25 | 广西大学 | 一种基于电力大数据分析的台风日最大日负荷预测系统 |
CN104376384B (zh) * | 2014-11-27 | 2017-07-25 | 广西大学 | 一种基于电力大数据分析的台风日最大日负荷预测系统 |
CN104794538B (zh) * | 2015-04-20 | 2018-06-01 | 浙江大学 | 基于ieemd-bpnn的电力系统短期负荷预测方法 |
CN104794538A (zh) * | 2015-04-20 | 2015-07-22 | 浙江大学 | 基于ieemd-bpnn的电力系统短期负荷预测方法 |
CN107194502B (zh) * | 2017-05-04 | 2020-10-23 | 山东大学 | 一种居民用户电力负荷预测方法 |
CN107194502A (zh) * | 2017-05-04 | 2017-09-22 | 山东大学 | 一种居民用户电力负荷预测方法 |
CN107679645A (zh) * | 2017-08-31 | 2018-02-09 | 广西大学 | 一种可帮助广义负荷进行提前预测的潜在相关关系的挖掘方法 |
CN111553529A (zh) * | 2020-04-27 | 2020-08-18 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
CN111553529B (zh) * | 2020-04-27 | 2023-02-17 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
CN111583065A (zh) * | 2020-05-12 | 2020-08-25 | 广东电网有限责任公司计量中心 | 一种电力负荷数据预测方法及装置 |
CN111583065B (zh) * | 2020-05-12 | 2023-08-22 | 广东电网有限责任公司计量中心 | 一种电力负荷数据预测方法及装置 |
CN112508257A (zh) * | 2020-12-02 | 2021-03-16 | 新奥数能科技有限公司 | 负荷预测结果生成方法、装置、电子设备和介质 |
CN112668125A (zh) * | 2021-01-06 | 2021-04-16 | 北京信息科技大学 | 提高非完整小圆弧评价精度的方法、系统、介质及设备 |
CN112668125B (zh) * | 2021-01-06 | 2023-07-04 | 北京信息科技大学 | 提高非完整小圆弧评价精度的方法、系统、介质及设备 |
CN114841458A (zh) * | 2022-05-18 | 2022-08-02 | 上海玫克生储能科技有限公司 | 电力负荷预测方法及系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101425158A (zh) | 基于新息的短期负荷预测方法 | |
Lee et al. | A hybrid dynamic and fuzzy time series model for mid-term power load forecasting | |
CN102855343B (zh) | 负荷量预测装置、负荷量预测方法以及负荷量预测程序 | |
CN106230028B (zh) | 一种风电—抽水蓄能联合系统的多目标优化方法 | |
CN104412481A (zh) | 能源管理服务器、能源管理方法以及程序 | |
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
CN112993974B (zh) | 电力现货日前市场出清电价计算方法、装置、终端及介质 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN105809293A (zh) | 一种多模型风电场短期功率组合预测方法 | |
CN103559563A (zh) | 一种风电场短期风速预测方法 | |
CN106022530A (zh) | 一种电力需求侧柔性负荷有功功率预测方法 | |
CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN102708305B (zh) | 一种基于卡尔曼滤波融合的风速序列预测方法 | |
CN101364285B (zh) | 一种火力发电机组可用性的预测方法 | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及系统 | |
CN104913438A (zh) | 冰蓄冷系统控制优化方法与系统 | |
CN103606013A (zh) | 一种基于支持向量机的用户年度用电量预测方法 | |
CN107293118A (zh) | 一种交通速度动态区间短时预测方法 | |
CN108074015A (zh) | 一种风电功率超短期预测方法及系统 | |
CN101916335A (zh) | 城市需水量时间序列-指数平滑模型预测方法 | |
CN109102155A (zh) | 一种超短期节点边际电价概率预测方法及系统 | |
CN106327081A (zh) | 基于全寿命周期的配网项目可靠性效益评估方法 | |
CN115907511A (zh) | 可调节负荷资源价值评估模型的构建方法及装置 | |
CN115907176A (zh) | 一种基于联邦学习的输电侧碳排放预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090506 |