CN103226736A - 基于聚类分析与灰靶理论的中长期电力负荷预测方法 - Google Patents

基于聚类分析与灰靶理论的中长期电力负荷预测方法 Download PDF

Info

Publication number
CN103226736A
CN103226736A CN2013101015813A CN201310101581A CN103226736A CN 103226736 A CN103226736 A CN 103226736A CN 2013101015813 A CN2013101015813 A CN 2013101015813A CN 201310101581 A CN201310101581 A CN 201310101581A CN 103226736 A CN103226736 A CN 103226736A
Authority
CN
China
Prior art keywords
sample
class
expression
formula
distance
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
Application number
CN2013101015813A
Other languages
English (en)
Other versions
CN103226736B (zh
Inventor
王燕涛
张雅超
牛敏
闫晶
牛铎程
韩洁平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JILIN POWER SUPPLY COMPANY JILIN ELECTRIC POWER Co Ltd
State Grid Corp of China SGCC
Northeast Electric Power University
Original Assignee
JILIN POWER SUPPLY COMPANY JILIN ELECTRIC POWER Co Ltd
State Grid Corp of China SGCC
Northeast Dianli University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by JILIN POWER SUPPLY COMPANY JILIN ELECTRIC POWER Co Ltd, State Grid Corp of China SGCC, Northeast Dianli University filed Critical JILIN POWER SUPPLY COMPANY JILIN ELECTRIC POWER Co Ltd
Priority to CN201310101581.3A priority Critical patent/CN103226736B/zh
Publication of CN103226736A publication Critical patent/CN103226736A/zh
Application granted granted Critical
Publication of CN103226736B publication Critical patent/CN103226736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明是一种基于聚类分析与灰靶理论的中长期电力负荷预测方法，其特点是：充分考虑影响因素之间的相关性并予以消除，解决了其可能导致的预测准确度下降问题，准确分析各因素对于电力负荷的影响程度，提升负荷预测的精度，方法具有较强的适应性，可用于预测年最大负荷、年用电量等电力负荷特性指标。

Description

基于聚类分析与灰靶理论的中长期电力负荷预测方法
技术领域
本发明涉及一种基于聚类分析与灰靶理论的中长期电力负荷预测方法，该方法可用于年最大负荷、年用电量等电力负荷特性指标的中长期预测。
背景技术
开展电力负荷预测是电网企业的一项重要工作，提高电力负荷预测的技术水平，有利于制定合理的电源建设规划，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，有利于计划用电管理，有利于提高电力系统的经济效益和社会效益。
电力负荷预测的研究经历了较长的过程，并形成了一些传统预测方法，但随着对预测精度要求的提升，同时受到负荷自身不确定性特征的影响，传统预测方法难以做出更高精度的预测。影响电力负荷的相关因素众多，且具有较强的不确定性和随机性，各因素间也存在着一定的相关性，因此当使用传统方法进行电力负荷预测时，在确定影响因素对被预测量的影响程度方面，由于影响因素之间的强相关性很可能导致信息重叠，使预测模型的准确度下降。迄今，尚未见有关基于聚类分析与灰靶理论的中长期电力负荷预测方法的文献报道和实际应用。
发明内容
本发明的目的是提供的一种能够充分考虑影响因素之间的相关性并予以消除，准确分析各因素对于电力负荷的影响程度，提升电力负荷预测精度与准度的基于聚类分析与灰靶理论的中长期电力负荷预测方法。
为实现上述目的，所采用的技术方案是：基于聚类分析与灰靶理论的中长期电力负荷预测方法，其特征在于，它包括以下步骤：
（1）样本的分类与筛选
确定预测量的影响因素，观测各影响因素的样本数据，分析样本的模糊相似关系，根据样本的独特性、相似性、亲疏程度进行分类与筛选，
1）观测样本数据
设有m个样本，每个样本包括持续观测得到的n个样本元素，观测数据矩阵X如下：
Figure 865385DEST_PATH_IMAGE001
，
Figure 337954DEST_PATH_IMAGE002
     （1）
式中，下标i表示第i个样本，下标j表示第j个时间段，x i 表示第i个样本序列，x ij 表示观测数据矩阵X的样本元素，
将样本元素转化为标么值，计算方式如下：
Figure 123508DEST_PATH_IMAGE003
                                  （2）
将观测数据矩阵X转化为标么值矩阵
Figure 986422DEST_PATH_IMAGE004
，
，
Figure 475489DEST_PATH_IMAGE002
     （3）
2）定义样本距离
样本距离是两个样本之间的欧氏距离，计算方式如下：
                                  （4）
式中，d pq 表示样本p和样本q之间的距离，
3）聚类与筛选
每个样本自成一类，分别计算类与类之间的距离，
将距离最小的两类设为类a和类b，合并成一个新类r，按
Figure 47733DEST_PATH_IMAGE007
计算类r与其他类的距离，重复本步骤，直至所有样本合并成一类，
观察各类之间的距离，将距离小于0.2的类合并，新类的样本元素为所合并类的对应元素平均值，其他类保留，组成观测矩阵X的简化矩阵F； 
（2）计算权重系数
根据聚类结果构造标准模式，对样本进行统一测度变换，分别计算各样本的靶心度和权重系数，
1）构造标准模式
定义标准模式为
Figure 747835DEST_PATH_IMAGE008
，
对极大值极性指标，取，
对极小值极性指标，取
Figure 322353DEST_PATH_IMAGE010
，
对适中值极性指标，取
Figure 159859DEST_PATH_IMAGE011
，
2）统一测度变换
Figure 663653DEST_PATH_IMAGE012
                                      （5）
式中，T称为统一测度变换，y ij 是变换后的样本元素数值，y ij
Figure 637425DEST_PATH_IMAGE013
[0,1]，
3）权重系数计算
  ， 
Figure 588381DEST_PATH_IMAGE015
           （6）
式中，Δ ij 表示样本元素y ij 与标准值y j *之间的距离，
Figure 630286DEST_PATH_IMAGE016
                           （7）
式中，
Figure 724144DEST_PATH_IMAGE017
称为靶心系数，
Figure 458882DEST_PATH_IMAGE018
                                            （8）
式中，
Figure 67718DEST_PATH_IMAGE019
为y i 的靶心度，表示样本i对预测量的影响程度，
Figure 178893DEST_PATH_IMAGE020
                                                （9）
式中，
Figure 127258DEST_PATH_IMAGE021
为回归模型中的权重系数，
分别计算各样本的权重系数，得到系数矩阵
Figure 32897DEST_PATH_IMAGE022
；
（3）回归预测
采用回归预测法，建立多元线性回归模型，
Figure 66712DEST_PATH_IMAGE023
                                                （10）
式中，Z表示预测量，F是步骤（1）的计算结果，K是步骤（2）的计算结果。
本发明提出的一种基于聚类分析与灰靶理论的中长期电力负荷预测方法能够通过模糊聚类与灰靶理论的综合应用对影响因素进行筛选、整合、分类，并确定权重系数，其优点体现在：
1．充分考虑影响因素之间的相关性并予以消除，解决了其可能导致的预测准确度下降问题；
2. 准确分析各因素对于电力负荷的影响程度，提升负荷预测的精度；
3. 方法科学合理，具有较强的适应性，可用于预测年最大负荷、年用电量等多种电力负荷特性指标。
附图说明
图1为基于聚类分析与灰靶理论的中长期电力负荷预测方法流程图；
图2为聚类分析结果图。
具体实施方式
下面结合附图和具体实施方式对本发明基于聚类分析与灰靶理论的中长期电力负荷预测方法作进一步说明。
图1为基于聚类分析与灰靶理论的中长期电力负荷预测方法流程图，使用本方法开展中长期电力负荷预测，首先应确定预测量及其影响因素；其次，通过观测获取各影响因素在一定时间范围内的样本数据，建立样本数据的模糊相似关系，分析各样本的独特性、相似性与亲疏程度等特征，对近似样本进行归并、分类与筛选；然后，依据分类结果，构造标准模式，对样本序列进行统一测度变换，计算各样本序列的靶心度和权重系数；最后，以样本分类结果为自变量，建立预测量的回归预测模型，开展负荷预测。
以某电网的年最大负荷预测为例，若其影响因素为按照行业用电分类标准划分的八个主要行业年用电量，表1为预测量与影响因素连续十年的观测值。
表1 某电网年最大负荷及主要行业年用电量
Figure 512737DEST_PATH_IMAGE025
本发明基于聚类分析与灰靶理论的中长期电力负荷预测方法包括以下步骤：
（1）样本的分类与筛选
确定预测量的影响因素，观测各影响因素的样本数据，分析样本的模糊相似关系，根据样本的独特性、相似性、亲疏程度进行分类与筛选，
1）观测样本数据
设有m个样本，每个样本包括持续观测得到的n个样本元素，观测数据矩阵X如下：
Figure 581187DEST_PATH_IMAGE026
，
Figure 657727DEST_PATH_IMAGE027
     （1）
式中，下标i表示第i个样本，下标j表示第j个时间段，x i 表示第i个样本序列，x ij 表示观测数据矩阵X的样本元素，
本例有8个样本，每个样本包括持续观测得到的10个样本元素，观测数据矩阵X如下：
Figure 178838DEST_PATH_IMAGE028
   （2）
将样本元素转化为标么值，计算方式如下：
Figure 428554DEST_PATH_IMAGE029
                                   （3）
将观测数据矩阵X转化为标么值矩阵
Figure 351511DEST_PATH_IMAGE004
，
Figure 610671DEST_PATH_IMAGE030
，
Figure 619078DEST_PATH_IMAGE027
     （4）
则有：
    （5）
2）定义样本距离
样本距离是两个样本之间的欧氏距离，计算方式如下：
Figure 449948DEST_PATH_IMAGE032
                                  （6）
式中，d pq 表示样本p和样本q之间的距离，
3）聚类与筛选
每个样本自成一类，分别计算类与类之间的距离，
将距离最小的两类设为类a和类b，合并成一个新类r，按
Figure 868291DEST_PATH_IMAGE033
计算类r与其他类的距离，重复本步骤，直至所有样本合并成一类。
聚类结果如图2所示，将距离小于0.2的类合并，其他类保留，则农林业、其他行业、交通业、商业和地质勘探业五个行业年用电量样本合并为一类，居民用电、建筑用电、工业用电三类保留，所有样本分为四类，共同组成观测矩阵
Figure 98415DEST_PATH_IMAGE004
的简化矩阵F：
          （7）
（2）计算权重系数
根据聚类结果构造标准模式，对样本进行统一测度变换，分别计算各样本的靶心度和权重系数，
1）构造标准模式
定义标准模式为
Figure 525166DEST_PATH_IMAGE035
，
对极大值极性指标，取
Figure 176727DEST_PATH_IMAGE036
，
对极小值极性指标，取
Figure 159726DEST_PATH_IMAGE037
，
对适中值极性指标，取
Figure 492619DEST_PATH_IMAGE038
，
2）统一测度变换
Figure 979095DEST_PATH_IMAGE039
                                   （8）
式中，T称为统一测度变换，y ij 是变换后的样本元素数值，y ij
Figure 67137DEST_PATH_IMAGE013
[0,1]，
3）权重系数计算
Figure 271853DEST_PATH_IMAGE040
  ， 
Figure 142857DEST_PATH_IMAGE041
        （9）
式中，Δ ij 表示样本元素y ij 与标准值y j *之间的距离，
    
Figure 749419DEST_PATH_IMAGE042
                        （10）
式中，
Figure 946045DEST_PATH_IMAGE043
称为靶心系数，
Figure 434795DEST_PATH_IMAGE044
                                        （11）
式中，
Figure 375069DEST_PATH_IMAGE019
为y i 的靶心度，表示样本i对预测量的影响程度，
Figure 836138DEST_PATH_IMAGE045
                                             （12）
式中，
Figure 938086DEST_PATH_IMAGE021
为回归模型中的权重系数，
分别计算各样本的权重系数，得到系数矩阵
Figure 117395DEST_PATH_IMAGE046
，本例的系数矩阵如下：
Figure 658097DEST_PATH_IMAGE047
                         （13）
（3）回归预测
采用回归预测法，建立多元线性回归模型，
Figure 973672DEST_PATH_IMAGE048
                                                （14）
式中，Z表示预测量，F是步骤（1）的计算结果，K是步骤（2）的计算结果，
依据本例数据，连续五年的预测结果分别为：
Figure 512101DEST_PATH_IMAGE049
经观测该电网此后连续五年的最大负荷观测值为：
对比发现，使用本方法对某电网年最大负荷进行预测，平均误差率为0.97%，预测精度与准确度较高，可见，本方法科学合理、切实可行，具有较强的实用性和有效性。

Claims (1)

1. 基于聚类分析与灰靶理论的中长期电力负荷预测方法，其特征在于，它包括以下步骤：
（1）样本的分类与筛选
确定预测量的影响因素，观测各影响因素的样本数据，分析样本的模糊相似关系，根据样本的独特性、相似性、亲疏程度进行分类与筛选，
1）观测样本数据
设有m个样本，每个样本包括持续观测得到的n个样本元素，观测数据矩阵X如下：
Figure 199402DEST_PATH_IMAGE001
，
Figure 561244DEST_PATH_IMAGE002
         （1）
式中，下标i表示第i个样本，下标j表示第j个时间段，x i 表示第i个样本序列，x ij 表示观测数据矩阵X的样本元素，
将样本元素转化为标么值，计算方式如下：
Figure 711603DEST_PATH_IMAGE003
                                           （2）
将观测数据矩阵X转化为标么值矩阵
Figure 978636DEST_PATH_IMAGE004
，
Figure 990586DEST_PATH_IMAGE005
，
Figure 456202DEST_PATH_IMAGE002
         （3）
2）定义样本距离
样本距离是两个样本之间的欧氏距离，计算方式如下：
Figure 528195DEST_PATH_IMAGE006
                                           （4）
式中，d pq 表示样本p和样本q之间的距离，
3）聚类与筛选
每个样本自成一类，分别计算类与类之间的距离，
将距离最小的两类设为类a和类b，合并成一个新类r，按
Figure 282524DEST_PATH_IMAGE007
计算类r与其他类的距离，重复本步骤，直至所有样本合并成一类，
观察各类之间的距离，将距离小于0.2的类合并，新类的样本元素为所合并类的对应元素平均值，其他类保留，组成观测矩阵X的简化矩阵F； 
（2）计算权重系数
根据聚类结果构造标准模式，对样本进行统一测度变换，分别计算各样本的靶心度和权重系数，
1）构造标准模式
定义标准模式为
Figure 81853DEST_PATH_IMAGE008
，
对极大值极性指标，取
Figure 418287DEST_PATH_IMAGE009
，
对极小值极性指标，取，
对适中值极性指标，取
Figure 886495DEST_PATH_IMAGE011
，
2）统一测度变换
Figure 240247DEST_PATH_IMAGE012
                                                （5）
式中，T称为统一测度变换，y ij 是变换后的样本元素数值，y ij
Figure 946035DEST_PATH_IMAGE013
[0,1]，
3）权重系数计算
  ， 
Figure 823172DEST_PATH_IMAGE015
                  （6）
式中，Δ ij 表示样本元素y ij 与标准值y j *之间的距离，
Figure 964303DEST_PATH_IMAGE016
                                   （7）
式中，
Figure 287049DEST_PATH_IMAGE017
称为靶心系数，
Figure 855433DEST_PATH_IMAGE018
                                                      （8）
式中，
Figure 71651DEST_PATH_IMAGE019
为y i 的靶心度，表示样本i对预测量的影响程度，
Figure 767206DEST_PATH_IMAGE020
                                                           （9）
式中，
Figure 182007DEST_PATH_IMAGE021
为回归模型中的权重系数，
分别计算各样本的权重系数，得到系数矩阵；
（3）回归预测
采用回归预测法，建立多元线性回归模型，
Figure 437856DEST_PATH_IMAGE023
                                                            （10）
式中，Z表示预测量，F是步骤（1）的计算结果，K是步骤（2）的计算结果。
CN201310101581.3A 2013-03-27 2013-03-27 基于聚类分析与灰靶理论的中长期电力负荷预测方法 Active CN103226736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310101581.3A CN103226736B (zh) 2013-03-27 2013-03-27 基于聚类分析与灰靶理论的中长期电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310101581.3A CN103226736B (zh) 2013-03-27 2013-03-27 基于聚类分析与灰靶理论的中长期电力负荷预测方法

Publications (2)

Publication Number Publication Date
CN103226736A true CN103226736A (zh) 2013-07-31
CN103226736B CN103226736B (zh) 2016-03-30

Family

ID=48837176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310101581.3A Active CN103226736B (zh) 2013-03-27 2013-03-27 基于聚类分析与灰靶理论的中长期电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN103226736B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559556A (zh) * 2013-10-31 2014-02-05 浙江大学 一种在线预测电力系统负荷能力极限的方法
CN106022509A (zh) * 2016-05-07 2016-10-12 国网浙江省电力公司经济技术研究院 考虑地域和负荷性质双重差异的配电网空间负荷预测方法
DE102015206510A1 (de) 2015-04-13 2016-10-13 Siemens Aktiengesellschaft Koordination eines Leistungsaustauschs zwischen einem Verbraucher und einem Versorgungsnetz unter Verwendung von Energiebedarfs-/Energieerzeugungsprognosen
CN107171321A (zh) * 2017-06-19 2017-09-15 江苏昂内斯电力科技股份有限公司 低压变电所最大负荷的计算方法
CN108304978A (zh) * 2018-05-08 2018-07-20 国网江西省电力有限公司经济技术研究院 一种基于数据聚类理论的中期地区电力负荷预测方法
CN109064353A (zh) * 2018-07-13 2018-12-21 国网上海市电力公司 一种基于改进聚类融合的大型建筑用户行为分析方法
CN109523095A (zh) * 2018-12-21 2019-03-26 合肥工业大学 基于负荷预测和场景聚类的城市配电网规划方法
CN109726238A (zh) * 2018-12-14 2019-05-07 国网冀北电力有限公司 区域不同行业用电量数据的清洗方法及系统
CN109784665A (zh) * 2018-12-20 2019-05-21 国网北京市电力公司 电量需求的确定方法及装置、存储介质、电子装置
CN116595399A (zh) * 2023-06-14 2023-08-15 中国矿业大学(北京) 一种煤中元素相关性不一致问题的分析方法
CN117217822A (zh) * 2023-11-08 2023-12-12 北京东润环能科技股份有限公司 电力交易指数预测的方法、装置、终端设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
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
JP2012244897A (ja) * 2011-05-13 2012-12-10 Fujitsu Ltd 短期電力負荷を予測する方法及び装置
CN102855525A (zh) * 2012-08-16 2013-01-02 中国电力科学研究院 一种居民用户负荷预测分析系统和方法
CN102867221A (zh) * 2012-07-17 2013-01-09 中国电力科学研究院 一种中长期电量预测动态横向修正方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
JP2012244897A (ja) * 2011-05-13 2012-12-10 Fujitsu Ltd 短期電力負荷を予測する方法及び装置
CN102867221A (zh) * 2012-07-17 2013-01-09 中国电力科学研究院 一种中长期电量预测动态横向修正方法
CN102855525A (zh) * 2012-08-16 2013-01-02 中国电力科学研究院 一种居民用户负荷预测分析系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田丰等: "灰靶理论在CBRM状态评估中的应用", 《电力科学与工程》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559556B (zh) * 2013-10-31 2016-05-11 浙江大学 一种在线预测电力系统负荷能力极限的方法
CN103559556A (zh) * 2013-10-31 2014-02-05 浙江大学 一种在线预测电力系统负荷能力极限的方法
DE102015206510A1 (de) 2015-04-13 2016-10-13 Siemens Aktiengesellschaft Koordination eines Leistungsaustauschs zwischen einem Verbraucher und einem Versorgungsnetz unter Verwendung von Energiebedarfs-/Energieerzeugungsprognosen
CN106022509B (zh) * 2016-05-07 2019-11-26 国网浙江省电力公司经济技术研究院 考虑地域和负荷性质双重差异的配电网空间负荷预测方法
CN106022509A (zh) * 2016-05-07 2016-10-12 国网浙江省电力公司经济技术研究院 考虑地域和负荷性质双重差异的配电网空间负荷预测方法
CN107171321A (zh) * 2017-06-19 2017-09-15 江苏昂内斯电力科技股份有限公司 低压变电所最大负荷的计算方法
CN107171321B (zh) * 2017-06-19 2020-05-05 江苏昂内斯电力科技股份有限公司 低压变电所最大负荷的计算方法
CN108304978A (zh) * 2018-05-08 2018-07-20 国网江西省电力有限公司经济技术研究院 一种基于数据聚类理论的中期地区电力负荷预测方法
CN109064353A (zh) * 2018-07-13 2018-12-21 国网上海市电力公司 一种基于改进聚类融合的大型建筑用户行为分析方法
CN109726238A (zh) * 2018-12-14 2019-05-07 国网冀北电力有限公司 区域不同行业用电量数据的清洗方法及系统
CN109726238B (zh) * 2018-12-14 2021-10-29 国网冀北电力有限公司 区域不同行业用电量数据的清洗方法及系统
CN109784665A (zh) * 2018-12-20 2019-05-21 国网北京市电力公司 电量需求的确定方法及装置、存储介质、电子装置
CN109523095A (zh) * 2018-12-21 2019-03-26 合肥工业大学 基于负荷预测和场景聚类的城市配电网规划方法
CN116595399A (zh) * 2023-06-14 2023-08-15 中国矿业大学(北京) 一种煤中元素相关性不一致问题的分析方法
CN116595399B (zh) * 2023-06-14 2024-01-05 中国矿业大学(北京) 一种煤中元素相关性不一致问题的分析方法
CN117217822A (zh) * 2023-11-08 2023-12-12 北京东润环能科技股份有限公司 电力交易指数预测的方法、装置、终端设备及存储介质
CN117217822B (zh) * 2023-11-08 2024-02-13 北京东润环能科技股份有限公司 电力交易指数预测的方法、装置、终端设备及存储介质

Also Published As

Publication number Publication date
CN103226736B (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
CN103226736A (zh) 基于聚类分析与灰靶理论的中长期电力负荷预测方法
Torabi et al. A hybrid machine learning approach for daily prediction of solar radiation
Ye et al. A data-driven bottom-up approach for spatial and temporal electric load forecasting
Cheng et al. PowerLSTM: power demand forecasting using long short-term memory neural network
CN105678398A (zh) 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统
CN104657788B (zh) 基于行业景气指数的重点行业用电量预测方法
CN105701554A (zh) 基于海量计量数据的用电设备能效混沌分析方法
CN108256724B (zh) 一种基于动态行业系数的配电网可开放容量规划方法
CN108596369B (zh) 一种基于多变量模型与盲数理论的空间负荷预测方法
CN111210170A (zh) 基于90%用电分布特征指标的环保管控监测及评价方法
CN101976301A (zh) 逐年负荷预测中历史数据预处理的方法与装置
CN104881718A (zh) 基于多尺度经济先行指标的区域电力景气指数构建方法
CN105488598A (zh) 一种基于模糊聚类的中长期电力负荷预测方法
CN103853939A (zh) 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法
Jain et al. Curve fitting and regression line method based seasonal short term load forecasting
CN110298765B (zh) 一种基于客观关联因素的配电网用电功率异常检测方法
CN105913366A (zh) 一种基于工业电力大数据的区域工业景气指数构建方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
Kim et al. Extracting baseline electricity usage using gradient tree boosting
Nichiforov et al. Information extraction approach for energy time series modelling
Lao et al. The optimized multivariate grey prediction model based on dynamic background value and its application
CN110458479A (zh) 一种新能源领域技术成果转化为技术标准的潜力评估方法
CN103293424A (zh) 一种数据中心能源使用效率pue的测定方法
Ding et al. Urban monthly power load forecasting based on economy-meteorology-gas demand coupling
CN103077435A (zh) 一种基于组合加权综合评价模型的sec指标评估方法

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