CN102867221A - 一种中长期电量预测动态横向修正方法 - Google Patents
一种中长期电量预测动态横向修正方法 Download PDFInfo
- Publication number
- CN102867221A CN102867221A CN2012102483962A CN201210248396A CN102867221A CN 102867221 A CN102867221 A CN 102867221A CN 2012102483962 A CN2012102483962 A CN 2012102483962A CN 201210248396 A CN201210248396 A CN 201210248396A CN 102867221 A CN102867221 A CN 102867221A
- Authority
- CN
- China
- Prior art keywords
- error
- term
- long
- regional
- factor
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种中长期电量预测动态横向修正方法,该方法包括下述步骤:A、将中长期电量负荷影响因素分类;B、统计过去三年的各月预测误差的频度与幅度,识别过去三年的各月预测误差所属区域;C、根据过去三年的各月预测误差数据及预测误差所属区域,拟合得到各预测误差区域的修正因子;D、通过误差修正因子修正下一月份预测结果。本发明解决了中长期电量预测定量修正的问题,能有效提高中长期电量的预测精度,方法简单而有效。
Description
技术领域
本发明涉及一种修正方法,具体涉及一种中长期电量预测动态横向修正方法。
背景技术
电力系统中长期电量预测是电力系统规划、电网运营以及交易管理的重要工作之一。尽管目前有很多中长期电量预测方法,但由于预测的时间跨度长,影响未来电量的因素多,预测精度往往不高。在做规划时往往先通过常规预测模型进行预测,然后规划人员或有经验的预测人员根据获得的有关信息对预测结果进行分析,并作必要的调整,但这种调整修正往往都是基于经验,没有定量调整、修正手段。中长期电量预测本质上是一种纵向时间序列的预测,应用不同年份的同一时段的历史数据作为预测模型的时序输入,但是忽略了横向月份历史数据对后续月份预测的影响,因此影响了预测精度。
发明内容
针对现有技术的不足,本发明提供一种中长期电量预测动态横向修正方法,该方法来提高预测精度,目的是解决中长期电量预测定量修正问题。
本发明的目的是采用下述技术方案实现的:
一种中长期(一到三年)电量预测动态横向修正方法,其改进之处在于,所述方法包括下述步骤:
A、将中长期电量负荷影响因素分类;
B、统计近期三年的各月预测误差的频度与幅度,识别三年的各月预测误差所属分类;
C、根据近期三年的各月预测误差数据及预测误差所属分类,拟合得到下一月各预测误差区域的误差修正因子;
D、通过所述误差修正因子修正下一月份预测结果。
其中,所述步骤A中,将中长期电量负荷影响因素分为三类,包括:短期(一到两个月)影响因素、中期(一到两年)影响因素和长期(两到三年)影响因素。
其中,所述短期影响因素在某一年份或月份里出现,具有时间延续性;所述短期影响因素包括突变天气变化。
其中,所述中期影响因素持续若干年份或月份,具有时间延续性;所述中期影响因素包括季节性气候变化和能源市场的周期性变化。
其中,所述长期影响因素持续时间长;所述长期影响因素包括国民生产总值、工农业生产总值和人口变化。
其中,所述步骤B中,统计预测误差变化频度,划分出短期、中期和长期影响因素的类型对应频度区间,包括:[Sd1,Sd2]、[Sz1,Sz2]、[Sc1,Sc2];
统计预测误差变化的幅度,划分出高误差和低误差区间,包括[H1,H2]、[L1,L2]。
其中,所述步骤B中,根据上述的三类误差变化频度区间和两类误差变化的幅度区间的组合,将预测误差分为六个区域,并识别过去三年的各月预测误差所属区域。
其中,所述六个区域分别为A区域、A1区域、B区域、B1区域、C区域和C1区域。
其中,所述预测误差变化频度反映负荷影响因素类型;所述预测误差变化的幅度反映负荷影响因素的强度。
其中,所述步骤C中,所述A区域、A1区域、B区域、B1区域、C区域和C1区域对应的误差修正因子分别为α、α1、β、β1、θ和θ1;
所述误差修正因子满足正态分布。
其中,统计过去三年的各月预测误差数据,分别得到落入区域A误差均值μα以及方差σα,区域A1误差均值μα1以及方差σα1,区域B误差均值μβ以及方差σβ,区域B1误差均值μβ1以及方差σβ1,区域C误差均值μθ以及方差σθ,区域C1误差均值μθ1以及方差σθ1:
用下述正态分布曲线分别拟合六个区域的修正因子α、α1、β、β1、θ和θ1:
其中,所述步骤D中,设Qt为电力负荷t月份的实际值,Q′t为预测模型t月份的预测值,Q″t为修正之后的预测结果;根据误差修正因子α、α1、β、β1、θ和θ1修正下一月份预测结果,所述下一月份预测结果用下述②式表示:
②;
其中,“长期影响因素-高误差”对后续预测影响时间长(三到五年)、强度大(权重大),“中期影响因素-高误差”次之,依次类推,即有B和C权重最大,区域A、B1和C1权重次之,区域A1对预测周期(下一月份)的影响权重小。
与现有技术比,本发明达到的有益效果是:
众所周知,影响负荷预测精度的因素很多,如突发天气变化,季节性气候变化,能源市场的周期性供需紧张,国民生产总值、工农业总产值、人口变化超过预期等。本发明提供的中长期电量预测动态横向修正方法,避免了具体的影响负荷预测精度因素的识别过程,而是定性的把影响因素划分为三大类:长期影响因素、中期影响因素和短期影响因素,长期影响因素持续时间长,具有很强的时间延续性,中期影响因素往往持续若干预测周期,具有一定时间延续性,短期影响因素往往在某一个预测周期里出现,具有很小的时间延续性。按照误差变化的大小划分高误差、低误差两个误差幅度区间。进而有影响因素与误差幅度区间的六种组合。通过统计分析,识别出近期的历史各月份各自对应的组合类型。根据对过去各种预测误差组合类型的均值与方差的分析统计,动态拟合计算得出下一月份六种组合修正因子,用来修正下一月份的初始预测结果。本发明解决了中长期电量预测定量修正的问题,能有效提高中长期电量的预测精度,方法简单而有效。
附图说明
图1是本发明提供的中长期电量预测动态横向修正方法流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
中长期(一到三年)电量预测本质上是一种纵向时间序列的预测,应用不同年份的同一时段的历史数据作为预测模型的时序输入,但是忽略了横向月份历史数据对后续月份预测的影响,因此影响了预测精度。近期历史时段的预测误差包含了各种预测模型的固有或者随机偏差信息,采用近期预测偏差统计分析结果对后续月份的预测值进行横向修正,能及时地将这些固有及随机的因素的影响传递到后续电力电量需求中,从而有效地提高预测结果的精度。基于误差分析的动态横向修正办法就是在统计横向月份预测误差基础之上,利用近期预测模型的预测结果及误差,动态修正未来月份的预测结果。
本发明提供的中长期电量预测动态横向修正方法流程如图1所示,该方法包括下述步骤:
A、将中长期电量负荷影响因素分类;
历史预测周期的误差包含了近期实际电力电量需求变化趋势的影响信息,如经济增长速度趋缓、新颁布相关的政策法规等。
本发明,将负荷影响因素分为三类:短期(一到两个月)影响因素、中期(一到两年)影响因素、长期(两到三年)影响因素。短期影响因素,如突发天气变化,这种因素往往在某一个预测周期里出现,具有很少的时间延续性。中期影响因素,如季节性气候变化,能源市场的周期性变化等,这种因素往往持续若干预测周期,具有一定时间延续性。长期影响因素,如国民生产总值、工农业总产值、人口变化,这种因素持续时间长。
B、统计过去三年的各月预测误差的频度与幅度,识别过去三年的各月预测误差所属分类;
统计预测误差变化频度,划分出短期、中期和长期影响因素的类型对应频度区间,包括:[Sd1,Sd2]、[Sz1,Sz2]、[Sc1,Sc2];
统计预测误差变化的幅度,划分出高误差和低误差区间,包括[H1,H2]、[L1,L2]。
根据上述的三类误差变化频度区间和两类误差变化的幅度区间的组合,将预测误差分为六个区域,并识别过去三年的各月预测误差所属区域。
其中,六个区域分别为A区域、A1区域、B区域、B1区域、C区域和C1区域。
其中,预测误差变化频度反映负荷影响因素类型;所述预测误差变化的幅度反映负荷影响因素的影响强度。
C、根据过去三年的各月预测误差数据及预测误差所属分类,拟合得到各预测误差区域的修正因子;
预测误差的统计分析为预测的可靠性提供了直接的理论依据及数据结果,是电力负荷预测中的一项重要内容。由于电力负荷变化是一非平稳过程,设{l(n),n=1,2,…,N}是电力负荷序列,可以认为l(n)由三项组成,即l(n)=q(n)+p(n)+s(n),n=1,2,…N
其中,q(n)为趋势项,p(n)为周期项,s(n)为平稳随机项。利用分解建模及预报方法,可以得到l(n)的预报值通常是利用简单的统计方法来计算后验预报误差的均方差该式计算所得的误差在概率上基本接近于正态分布曲线,在一定的置信区间上通过正态分布拟合函数进行拟合,得到未来时段的预测误差。
A区域、A1区域、B区域、B1区域、C区域和C1区域对应的误差修正因子分别为α、α1、β、β1、θ和θ1;误差修正因子满足正态分布。统计三年的各月预测误差数据,分别得到落入区域A误差均值μα以及方差σα,区域A1误差均值μα1以及方差σα1,区域B误差均值μβ以及方差σβ,区域B1误差均值μβ1以及方差σβ1,区域C误差均值μθ以及方差σθ,区域C1误差均值μθ1以及方差σθ1:用下述正态曲线分别拟合六个区域的修正因子α、α1、β、β1、θ和θ1:
D、通过误差修正因子修正下一月份初始预测结果;
设Q′t为预测模型t月份的初始预测值,Q″t为修正之后的预测结果;根据误差修正因子α、α1、β、β1、θ和θ1修正下一月份初始预测结果,下一月份修正后预测结果用下述②式表示:
其中,“长期影响因素-高误差”对后续预测影响时间长(三到五年)、强度大(权重大),“中期影响因素-高误差”次之,依次类推,即有B和C权重最大,区域A、B1和C1权重次之,区域A1对下一预测周期(下一月份)的影响权重小。
本发明提供的中长期电量预测动态横向修正方法,该修正方法基于误差分析,在传统的中长期电量预测模型基础上引入动态横向修正机制。首先将影响未来电量的因素分为三类:长期影响因素、中期影响因素、短期影响因素。根据预测误差的变化幅度,划分出高误差区间、低误差区间。这样就有“负荷影响因素-误差幅度区间”的六种组合。通过对历史电量预测误差分析统计,动态拟合这六种组合的误差修正因子。赋予这六种组合方式误差修正因子不同的权重,计算出下一个预测周期的预测模型的预测误差,进而修正下一预测周期的初始预测结果。实践表明,该修正方法能有效提高中长期电量的预测精度。
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范围当中。
Claims (13)
1.一种中长期电量预测动态横向修正方法,其特征在于,所述方法包括下述步骤:
A、将中长期电量负荷影响因素分类;
B、统计过去三年的各月预测误差的频度与幅度,识别过去三年的各月预测误差所属分类;
C、根据过去三年的各月预测误差数据及预测误差所属分类,拟合得到下一月各预测误差区域的误差修正因子;
D、通过所述误差修正因子修正下一月份预测结果。
2.如权利要求1所述的中长期电量预测动态横向修正方法,其特征在于,所述步骤A中,将中长期电量负荷影响因素分为三类,包括:短期影响因素、中期影响因素和长期影响因素。
3.如权利要求2所述的中长期电量预测动态横向修正方法,其特征在于,所述短期影响因素在某一年份或月份里出现,具有时间延续性;所述短期影响因素包括突变天气变化。
4.如权利要求2所述的中长期电量预测动态横向修正方法,其特征在于,所述中期影响因素持续若干年份或月份,具有时间延续性;所述中期影响因素包括季节性气候变化和能源市场的周期性变化。
5.如权利要求2所述的中长期电量预测动态横向修正方法,其特征在于,所述长期影响因素持续时间长;所述长期影响因素包括国民生产总值、工农业生产总值和人口变化。
6.如权利要求1所述的中长期电量预测动态横向修正方法,其特征在于,所述步骤B中,统计预测误差变化频度,划分出短期、中期和长期影响因素的类型对应频度区间,包括:[Sd1,Sd2]、[Sz1,Sz2]、[Sc1,Sc2];
统计预测误差变化的幅度,划分出高误差和低误差区间,包括[H1,H2]、[L1,L2]。
7.如权利要求6所述的中长期电量预测动态横向修正方法,其特征在于,所述步骤B中,根据上述的三类误差变化频度区间和两类误差变化的幅度区间的组合,将预测误差分为六个区域,并识别过去三年的各月预测误差所属区域。
8.如权利要求7所述的中长期电量预测动态横向修正方法,其特征在于,所述六个区域分别为A区域、A1区域、B区域、B1区域、C区域和C1区域。
9.如权利要求6所述的中长期电量预测动态横向修正方法,其特征在于,所述预测误差变化频度反映负荷影响因素类型;所述预测误差变化的幅度反映负荷影响因素的强度。
10.如权利要求1所述的中长期电量预测动态横向修正方法,其特征在于,所述步骤C中,所述A区域、A1区域、B区域、B1区域、C区域和C1区域对应的误差修正因子分别为α、α1、β、β1、θ和θ1;
所述误差修正因子满足正态分布。
11.如权利要求10所述的中长期电量预测动态横向修正方法,其特征在于,统计过去三年的各月预测误差数据,分别得到落入区域A误差均值μα以及方差σα,区域A1误差均值μα1以及方差σα1,区域B误差均值μβ以及方差σβ,区域B1误差均值μβ1以及方差σβ1,区域C误差均值μθ以及方差σθ,区域C1误差均值μθ1以及方差σθ1:
用下述正态分布曲线分别拟合六个区域的修正因子α、α1、β、β1、θ和θ1:
13.如权利要求12所述的中长期电量预测动态横向修正方法,其特征在于,“长期影响因素-高误差”对后续预测影响时间长、强度大,“中期影响因素-高误差”次之,依次类推,即有B和C权重最大,区域A、B1和C1权重次之,区域A1对预测周期的影响权重小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210248396.2A CN102867221B (zh) | 2012-07-17 | 2012-07-17 | 一种中长期电量预测动态横向修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210248396.2A CN102867221B (zh) | 2012-07-17 | 2012-07-17 | 一种中长期电量预测动态横向修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102867221A true CN102867221A (zh) | 2013-01-09 |
CN102867221B CN102867221B (zh) | 2016-08-31 |
Family
ID=47446084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210248396.2A Active CN102867221B (zh) | 2012-07-17 | 2012-07-17 | 一种中长期电量预测动态横向修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102867221B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226736A (zh) * | 2013-03-27 | 2013-07-31 | 东北电力大学 | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 |
CN103440529A (zh) * | 2013-08-12 | 2013-12-11 | 新疆大学 | 一种风电功率预测系统的横向误差平移修正方法 |
CN103543332A (zh) * | 2013-10-31 | 2014-01-29 | 广东电网公司佛山供电局 | 一种电力谐波预测方法及装置 |
CN103544362A (zh) * | 2013-11-04 | 2014-01-29 | 国网上海市电力公司 | 一种基于二维曲线预测的谐波中长期预测方法 |
CN104463683A (zh) * | 2014-07-14 | 2015-03-25 | 国家电网公司 | 一种含多源电网中长期负荷预测装置及方法 |
CN104951846A (zh) * | 2015-06-02 | 2015-09-30 | 国电南京自动化股份有限公司 | 微电网短期功率和负荷预测系统及误差分类动态修正方法 |
CN103714399B (zh) * | 2014-01-06 | 2016-07-20 | 南京邮电大学 | 面向云计算系统的多尺度任务量预测值的确定方法 |
CN106845672A (zh) * | 2016-12-14 | 2017-06-13 | 国网北京市电力公司 | 电力系统中负荷的预测方法和装置 |
CN110334839A (zh) * | 2019-04-15 | 2019-10-15 | 北京航空航天大学 | 航班延误预测方法、装置、设备及存储介质 |
WO2020075019A1 (en) * | 2018-10-09 | 2020-04-16 | International Business Machines Corporation | Prediction model enhancement |
US10691088B2 (en) | 2015-03-20 | 2020-06-23 | The Boeing Company | Programmable actuator simulation card |
CN112507208A (zh) * | 2020-11-02 | 2021-03-16 | 北京迅达云成科技有限公司 | 一种基于大数据的网络数据采集系统 |
CN112633549A (zh) * | 2020-11-19 | 2021-04-09 | 国网宁夏电力有限公司电力科学研究院 | 基于统计规律的负荷概率区间建模方法 |
CN115018209A (zh) * | 2022-08-08 | 2022-09-06 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种数字化电能计量系统运行误差长期预测方法及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145225A (zh) * | 2007-10-16 | 2008-03-19 | 刘吉成 | 中长期电力负荷预测及预警系统 |
CN101299251A (zh) * | 2008-05-07 | 2008-11-05 | 天津理工大学 | 基于概率逆换算法的中长期电力负荷的预测方法 |
-
2012
- 2012-07-17 CN CN201210248396.2A patent/CN102867221B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145225A (zh) * | 2007-10-16 | 2008-03-19 | 刘吉成 | 中长期电力负荷预测及预警系统 |
CN101299251A (zh) * | 2008-05-07 | 2008-11-05 | 天津理工大学 | 基于概率逆换算法的中长期电力负荷的预测方法 |
Non-Patent Citations (2)
Title |
---|
陈国栋 等: "基于误差预测修正的负荷预测研究", 《现代电力》 * |
陈瑞: "中长期负荷预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226736B (zh) * | 2013-03-27 | 2016-03-30 | 东北电力大学 | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 |
CN103226736A (zh) * | 2013-03-27 | 2013-07-31 | 东北电力大学 | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 |
CN103440529A (zh) * | 2013-08-12 | 2013-12-11 | 新疆大学 | 一种风电功率预测系统的横向误差平移修正方法 |
CN103440529B (zh) * | 2013-08-12 | 2016-05-25 | 新疆大学 | 一种风电功率预测系统的横向误差平移修正方法 |
CN103543332A (zh) * | 2013-10-31 | 2014-01-29 | 广东电网公司佛山供电局 | 一种电力谐波预测方法及装置 |
CN103544362A (zh) * | 2013-11-04 | 2014-01-29 | 国网上海市电力公司 | 一种基于二维曲线预测的谐波中长期预测方法 |
CN103544362B (zh) * | 2013-11-04 | 2016-08-17 | 国网上海市电力公司 | 一种基于二维曲线预测的谐波中长期预测方法 |
CN103714399B (zh) * | 2014-01-06 | 2016-07-20 | 南京邮电大学 | 面向云计算系统的多尺度任务量预测值的确定方法 |
CN104463683B (zh) * | 2014-07-14 | 2018-06-12 | 国家电网公司 | 一种含多源电网中长期负荷预测方法 |
CN104463683A (zh) * | 2014-07-14 | 2015-03-25 | 国家电网公司 | 一种含多源电网中长期负荷预测装置及方法 |
US10691088B2 (en) | 2015-03-20 | 2020-06-23 | The Boeing Company | Programmable actuator simulation card |
CN104951846B (zh) * | 2015-06-02 | 2018-12-28 | 国电南京自动化股份有限公司 | 微电网短期功率和负荷预测系统及误差分类动态修正方法 |
CN104951846A (zh) * | 2015-06-02 | 2015-09-30 | 国电南京自动化股份有限公司 | 微电网短期功率和负荷预测系统及误差分类动态修正方法 |
CN106845672A (zh) * | 2016-12-14 | 2017-06-13 | 国网北京市电力公司 | 电力系统中负荷的预测方法和装置 |
CN106845672B (zh) * | 2016-12-14 | 2021-05-07 | 国网北京市电力公司 | 电力系统中负荷的预测方法和装置 |
WO2020075019A1 (en) * | 2018-10-09 | 2020-04-16 | International Business Machines Corporation | Prediction model enhancement |
GB2593604A (en) * | 2018-10-09 | 2021-09-29 | Ibm | Prediction model enhancement |
US11257001B2 (en) | 2018-10-09 | 2022-02-22 | International Business Machines Corporation | Prediction model enhancement |
CN110334839A (zh) * | 2019-04-15 | 2019-10-15 | 北京航空航天大学 | 航班延误预测方法、装置、设备及存储介质 |
US11501648B2 (en) | 2019-04-15 | 2022-11-15 | Beihang University | Method and apparatus for predicting flight delay, device and storage medium |
CN112507208A (zh) * | 2020-11-02 | 2021-03-16 | 北京迅达云成科技有限公司 | 一种基于大数据的网络数据采集系统 |
CN112633549A (zh) * | 2020-11-19 | 2021-04-09 | 国网宁夏电力有限公司电力科学研究院 | 基于统计规律的负荷概率区间建模方法 |
CN115018209A (zh) * | 2022-08-08 | 2022-09-06 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种数字化电能计量系统运行误差长期预测方法及设备 |
CN115018209B (zh) * | 2022-08-08 | 2022-11-08 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种数字化电能计量系统运行误差长期预测方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102867221B (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102867221A (zh) | 一种中长期电量预测动态横向修正方法 | |
Yan et al. | Uncovering wind power forecasting uncertainty sources and their propagation through the whole modelling chain | |
Thompson et al. | Interdependent Critical Infrastructure Model (ICIM): An agent-based model of power and water infrastructure | |
CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
CN105678404A (zh) | 基于网购电和动态关联因子的微电网负荷预测系统及方法 | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
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 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN104573877A (zh) | 配电网设备需求量预测和定量方法及其系统 | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN103345585A (zh) | 基于支持向量机的风功率预测校正方法及系统 | |
CN105427005A (zh) | 一种风电场运行风险评估方法 | |
Horowitz et al. | A harmonized calculation model for transforming EU bottom-up energy efficiency indicators into empirical estimates of policy impacts | |
CN107609716A (zh) | 一种水电站负荷区间预测方法 | |
CN104463445A (zh) | 一种基于经验日局部校正多点外推算法的负荷预测方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
Hwangbo et al. | A production economics analysis for quantifying the efficiency of wind turbines | |
CN109063924A (zh) | 基于气象数据的配电网抢修工单数量预测方法 | |
Deschenes et al. | Causal effects of Renewable Portfolio Standards on renewable investments and generation: The role of heterogeneity and dynamics | |
CN104408525A (zh) | 作业车间调度风险的量化评估与控制方法 | |
CN116720985B (zh) | 一种建筑碳排放监测方法及系统 | |
Yang et al. | Short-term wind power prediction based on multi-parameters similarity wind process matching and weighed-voting-based deep learning model selection | |
Cabezon et al. | Comparison of methods for power curve modelling | |
CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
CN108830434A (zh) | 一种变电设备消缺物资的需求预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |