CN103544537A - 基于预测可信度评估的综合子网累加的短期负荷预测方法 - Google Patents

基于预测可信度评估的综合子网累加的短期负荷预测方法 Download PDF

Info

Publication number
CN103544537A
CN103544537A CN201310442051.5A CN201310442051A CN103544537A CN 103544537 A CN103544537 A CN 103544537A CN 201310442051 A CN201310442051 A CN 201310442051A CN 103544537 A CN103544537 A CN 103544537A
Authority
CN
China
Prior art keywords
load
subnet
forecasting
prediction
comprehensive
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
CN201310442051.5A
Other languages
English (en)
Other versions
CN103544537B (zh
Inventor
陈实
王正风
戴长春
谢大为
朱友良
朱刚刚
朱六璋
刘梅
赵燃
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.)
ANHUI NARI JIYUAN SOFTWARE Co Ltd
Beijing Qingruan Creative Technology Co Ltd
State Grid Anhui Electric Power Co Ltd
Original Assignee
ANHUI NARI JIYUAN SOFTWARE Co Ltd
Beijing Qingruan Creative Technology Co Ltd
State Grid Anhui Electric Power Co Ltd
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 ANHUI NARI JIYUAN SOFTWARE Co Ltd, Beijing Qingruan Creative Technology Co Ltd, State Grid Anhui Electric Power Co Ltd filed Critical ANHUI NARI JIYUAN SOFTWARE Co Ltd
Priority to CN201310442051.5A priority Critical patent/CN103544537B/zh
Publication of CN103544537A publication Critical patent/CN103544537A/zh
Application granted granted Critical
Publication of CN103544537B publication Critical patent/CN103544537B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明要公开了一种基于预测可信度评估的综合子网累加的短期负荷预测方法,具体包括有历史预测误差统计与分析、分时段误差可信度评级和根据评级采用地市综合子网累加法进行负荷预测三个步骤。本发明充分利用了各地市负荷预测结果,有利于调度部门深层次、精细化把握电网各地区负荷成分的特性变化规律,加强负荷预测分级管理,全面提高负荷预测科学化和精细化水平。

Description

基于预测可信度评估的综合子网累加的短期负荷预测方法
技术领域
本发明涉及电力系统短期负荷预测技术领域,具体是一种基于预测可信度评估的综合子网累加的短期负荷预测方法。
背景技术
现有的大电网负荷预测都是基于本身的负荷总量规律性外推进行预测,总体存在如下缺点:
1.供电区域大,负荷结构复杂,影响负荷大小及分布的因素较多,对于众多影响因素无法一一考虑;
2.大电网由多个地市级或区县级子网组成,各个子网具有不同的负荷特点,因此统计大电网的整体负荷信息较为困难;
3.组成大电网的子网分布区域较广,气象差别较大,且气象台的天气预报只针对小区域,因此统一大地区的整体气象情况或提前获得大地区的气象预报是不可能的。
相对于大电网而言,组成大电网的子网,例如地市级或区县级电网,其特点如下:
1.供电区域小,负荷结构清晰,影响负荷大小及分布的因素较易统计;
2.子网供电公司容易掌握自身管辖电网的详细用电负荷信息;
3.各个子网供电区域内的天气情况变化很小,且有详细的预报,获知气象信息较容易。
在这种情况下,由于大电网在负荷预测时遇到的困难很容易在子网预测中解决,如果考虑充分利用子网供电公司提供的预测结果来形成对大电网的负荷预测,对于提高省级电网的预测精度有一定积极的意义。
我们知道在进行负荷预测时,充分了解影响负荷结构及负荷大小的因素,掌握居民负荷、商业负荷与工业负荷在总负荷中所占的比例,以及三种负荷在时间上的分布情况,对于负荷预测来说是十分关键的,而基于以上前两个大电网的特点我们可以看出,由于供电区域较大,大电网不易获得此方面的精确信息,给负荷预测造成了一定的困难。另外,在夏季或是其它天气情况波动较大的特殊时期,气象信息在短期负荷预测中起到了至关重要的作用,因此从第三个特点可以看出,由于气象情况难于获得,大电网短期负荷预测的准确度很难持续保持较高的水平。
发明内容
本发明要解决的技术问题是提供一种基于预测可信度评估的综合子网累加的短期负荷预测方法,提高省级电力公司短期负荷预测精度。
本发明的技术方案为:
基于预测可信度评估的综合子网累加的短期负荷预测方法,包括以下步骤:
(1)、历史预测误差统计与分析:
计算每日所有日负荷点的负荷预测偏差率:
E i = | p i , f - p i | p i × 100 % - - - ( 1 ) ,
上式中,Ei为时刻i的负荷预测偏差率,单位为%;pi,f为时刻i的负荷预测值,单位为MW;pi为时刻i的负荷实际值,单位为MW;
统计预测基准日前7天的时段的预测误差分布,即7天中时段第m点-第n点预测偏差率的平均值:
E ‾ = Σ d = 1 I Σ t = m n E dt / [ I × ( n - m + 1 ) ] - - - ( 2 ) ,
上式中,Edt为第d天t时刻点的预测偏差率,具体计算见公式(1);t为每日的日负荷点数;d为需要统计精度的天数;I=7;
进一步统计各时段的预测偏差率的最大值和最小值:
Emax=max{E1m,E1(m+1),...,E7,n},
Emin=min{E1m,...,E1n,...E7m,...,E7,n},
(2)、分时段误差可信度评级:
将步骤(1)中计算的预测偏差率的平均值E、预测偏差率的最大值Emax和最小值Emin代入表1中进行可信度评级;
表1
Figure BDA0000386992140000032
(3)、低于设定可信度等级的时段,采用地市综合子网累加法进行预测;对于可信度为一级的时段,直接采用基于大电网整体规律的负荷预测结果;对于可信度为二级的时段,需要判断气象和大用户业扩报装是否发生突变,如果发生突变则采用地市综合子网累加法进行预测;对于可信度为三级的时段,直接采用地市综合子网累加法进行预测;
(4)、步骤(3)中所述的地市综合子网累加法的计算公式如下:
P t = Σ i = 1 N P it * ( 1 + K ) - - - ( 3 ) ,
上式中,Pt为t时刻的大电网负荷;N为子网个数;Pit为t时刻,第i个子网的负荷;K为大电网负荷相对子网负荷之和高出的比率,即网损系数;
根据公式(3),其具体计算步骤为:
a、每天及时采集各个子网所有日负荷点的负荷预测结果Pit,并把每个子网上报所有日负荷点的预测数据分别对应相加;
b、计算前7天的实际网损系数,即用大电网总负荷除以地市负荷的累加和;
K nt = P nt grid / Σ i = 1 N P ni , t - - - ( 4 ) ,
式中,Knt
Figure BDA0000386992140000043
分别为第n天第t个时刻点的网损系数、系统负荷,Pni,t为第n天第i地市第t时刻点的负荷;
c、预测当天的网损系数,即用前7天的实际网损系数分别乘以不同的权重后相加;
K=aK1t+a(1-a)K2t+…+a(1-a)n-1Knt   (5),
上式中,a为平滑系数,取值0.35;
d、将公式(5)得到的网损系数代入到公式(3)中,即把累加结果与预测的网损系数相乘,就可得到省网的负荷预测结果。
所述的日负荷点数t为96个,即每个日负荷点之间间隔为15分钟。
所述的步骤(4)在计算网损系数之前,如果发现某个子网的预测准确率与所有子网预测准确率的平均值相差3%以上,则在计算累加和时把这几个子网的预测结果排除,计入网损。
本发明的原理:
不考虑厂用电、损耗和大电网直接供应的用户,大电网负荷等于所辖子网的负荷之和。由概率论可知,如果一个量是由大量相互独立的随机因素组成,而每一个个别因素,在总影响中所起的作用不是很大,则这种量通常都服从或近似服从正态分布。由于子网负荷(作为个体)满足相互独立、互不影响的条件,因此大电网负荷(作为母体)服从正态分布。在预测各个子网的负荷时,即使某些子网供电公司由于预测条件较差,预测误差较大,由于这些正、负误差的相互独立,且均服从某一区间上的均匀分布,所以,将各个子网供电公司的负荷预测数据相加后,误差相互抵消。通过分别预测各个子网的负荷,可充分利用子网所在区域的各种信息,充分考虑外部因素对负荷的影响。
考虑到电厂厂用电和线损以及部分由大电网直接供应的用户,大电网负荷高于各个子网负荷之和。高出的程度,定义为“网损系数”,厂用电比率、线损比率和都是相对比较稳定的,大电网直接供应的用户所占比率比较小,所以,网损系数一般保持相当稳定。因此就可利用子网负荷累加后乘网损系数的方法来预测大电网供电公司的全网总负荷。
在实际情况下,并不是所有日期下大电网短期预测精度都不能满足考核要求,只有在大电网所辖区域内的气象条件变化较大或大用户的生产运行多变时,大电网短期预测精度才会相对较低。因此,在选用“基于预测可信度评估的综合子网累加的短期负荷预测方法”时,需首先详细统计历史日期分时段的预测误差,确定不同时段的预测可信度,对可信度不满足标准的时段,采用综合子网累加法进行预测。
做好电力负荷预测工作是降低电网公司运行成本和提高电力设备运行效率的前提;是电网公司适应市场经济要求,保证公司投资回报和提高经营效益的基础工作。电力需求预测结果准确与否,不仅影响到电网安全可靠供电,而且影响到电网经营企业的生产经营决策及经营效益。
在电力向市场发展的大形势下,电网短期负荷预测不但为电力系统的安全、经济运行提供保障,也是市场环境下编排调度计划、供电计划、交易计划的基础。与此同时,电力市场的引入对负荷预测的准确性、实时性、可靠性和智能性提出了更高的要求,目前各级电网公司都已将短期负荷预测列为各地工作的一项重要考核指标。
为了适应安徽地区电网商业化运营的需要,适应电网管理现代化、科学化的要求;为了准确地预测市场对电力这一商品的需求,研制开发面向电力市场环境的网络化的电网负荷预测方法是非常必要的。
短期负荷预测是电力系统提高安全性、经济性的重要手段。负荷预测是从已知的电力负荷变化和对此有影响的气象等因素情况出发,探索用电负荷与主要影响因素之间的内在联系和发展变化规律,对未来用电负荷作出预先的预测。为了准确地预测电力需求,本算法在认真分析各种信息与相关数据的基础上,采用最新的理论和方法进一步的提高预测精度。
从直接经济效益角度来看,本算法的改进,将提高有助于电网公司更加合理地安排、优化配置电力供应能力,有效实施有序用电,降低电网运行风险,同时确保实现企业、社会效益的最大化。
以2000万千瓦的负荷水平为例,负荷预测精度提高一个百分点,产生的直接效益可演算如下:
单位:万元、万千瓦时
Figure BDA0000386992140000071
其中:限电按20天,每天6小时,工业电价按照0.6元/kwh,产值10元/kwh计算;投资按发电5000元/kw,电网500元/kw计算;购电价按0.5元/kwh,时间3个月,每天10小时计算。
考虑到由于预测偏差造成限电等的间接社会影响,如用电客户无法按生产计划造成的违约损失、商誉影响、电网企业优质服务成本、建设前期费用及设备空载损失等,将是无法估计的。
本算法的改进将提高调度部门驾驭电网的能力,提高整个电网的调度水平,实现电网调度管理的科学化、集约化、精益化,提高电网运行的安全性,实现显著的经济效益。
本发明的具体优点如下:
(1)、若各个子网供电公司的负荷预测相互独立,误差也相互独立,则对于提高大电网的负荷预测精度非常有利。
(2)、组成大电网的子网越多,误差相互抵消的程度越大;但同时,划分子网越细,每个子网的负荷水平越低,负荷预测的难度越大,子网的平均偏差将越大;两个因素综合,子网数量应在一定水平取得最佳效果。
(3)、各个子网供电公司的负荷水平越接近,对提高大电网的负荷预测精度越有利。
(4)、各子网供电公司负荷预测水平越高,对提高大电网的负荷预测精度越有利。
因此,大电网供电公司只要每天要求子网供电公司及时上报各自的负荷预测结果,则可以形成精度满足要求的大电网负荷预测结果。
具体实施方式
基于预测可信度评估的综合子网累加的短期负荷预测方法,包括以下步骤:
(1)、历史预测误差统计与分析:
计算每日96个日负荷点的负荷预测偏差率:
E i = | p i , f - p i | p i × 100 % - - - ( 1 ) ,
上式中,Ei为时刻i的负荷预测偏差率,单位为%;pi,f为时刻i的负荷预测值,单位为MW;pi为时刻i的负荷实际值,单位为MW;
统计预测基准日前7天的时段的预测误差分布,即7天中时段第m点-第n点预测偏差率的平均值:
E ‾ = Σ d = 1 I Σ t = m n E dt / [ I × ( n - m + 1 ) ] - - - ( 2 ) ,
上式中,Edt为第d天t时刻点的预测偏差率,具体计算见公式(1);t为每日的日负荷点数,为96个,即每个日负荷点之间间隔为15分钟;d为需要统计精度的天数;I=7;
进一步统计各时段的预测偏差率的最大值和最小值:
Emax=max{E1m,E1(m+1),...,E7,n},
Emin=min{E1m,...,E1n,...E7m,...,E7,n},
(2)、分时段误差可信度评级:
将步骤(1)中计算的预测偏差率的平均值E、预测偏差率的最大值Emax和最小值Emin代入表1中进行可信度评级;
表1
Figure BDA0000386992140000091
(3)、低于设定可信度等级的时段,采用地市综合子网累加法进行预测;对于可信度为一级的时段,直接采用基于大电网整体规律的负荷预测结果(如果可信度达到一级,即偏差率平均值≤3%,且偏差率最小值≤4%,说明预测结果整体满足精度考核要求,且最小偏差率在4%以下,也与考核标准接近,属于准确预测范畴);对于可信度为二级的时段,需要判断气象和大用户业扩报装是否发生突变,如果发生突变则采用地市综合子网累加法进行预测(如果可信度为二级,即偏差率平均值(3%,4%],或者最大偏差率为(1%,2%],最小偏差率为(4%,5%],说明预测结果精度整体不高,或者存在个别日期精度较差现象);对于可信度为三级的时段,直接采用地市综合子网累加法进行预测(如果可信度为三级,即偏差率平均值>4%,或者最大偏差率>2%,最小偏差率>5%,说明预测结果精度很差);
(4)、步骤(3)中的地市综合子网累加法的计算公式如下:
P t = Σ i = 1 N P it * ( 1 + K ) - - - ( 3 ) ,
上式中,Pt为t时刻的大电网负荷;N为子网个数;Pit为t时刻,第i个子网的负荷;K为大电网负荷相对子网负荷之和高出的比率,即网损系数;
根据公式(3),其具体计算步骤为:
a、每天及时采集各个子网96点日负荷点的负荷预测结果Pit,并把每个子网上报96点日负荷点的预测数据分别对应相加;
b、在计算网损系数之前,如果发现某个子网的预测准确率与所有子网预测准确率的平均值相差3%以上,则在计算累加和时把这几个子网的预测结果排除,计入网损,这样可以使预测精度进一步提高;根本原因是,如式(3)所示,将一部分子网的负荷计为网损后,虽然网损系数K加大,但各个子网的预测准确率将提高,而且网损系数的稳定性也可提高;
c、计算前7天的实际网损系数,即用大电网总负荷除以地市负荷的累加和;
K nt = P nt grid / Σ i = 1 N P ni , t - - - ( 4 ) ,
式中,Knt
Figure BDA0000386992140000102
分别为第n天第t个时刻点的网损系数、系统负荷,Pni,t为第n天第i地市第t时刻点的负荷;
d、预测当天的网损系数,即用前7天的实际网损系数分别乘以不同的权重后相加;
K=aK1t+a(1-a)K2t+…+a(1-a)n-1Knt   (5),
上式中,a为平滑系数,取值0.35;
e、将公式(5)得到的网损系数代入到公式(3)中,即把累加结果与预测的网损系数相乘,就可得到省网的负荷预测结果。

Claims (3)

1.基于预测可信度评估的综合子网累加的短期负荷预测方法,其特征在于:包括以下步骤:
(1)、历史预测误差统计与分析:
计算每日所有日负荷点的负荷预测偏差率:
E i = | p i , f - p i | p i × 100 % - - - ( 1 ) ,
上式中,Ei为时刻i的负荷预测偏差率,单位为%;pi,f为时刻i的负荷预测值,单位为MW;pi为时刻i的负荷实际值,单位为MW;
统计预测基准日前7天的时段的预测误差分布,即7天中时段第m点-第n点预测偏差率的平均值:
E ‾ = Σ d = 1 I Σ t = m n E dt / [ I × ( n - m + 1 ) ] - - - ( 2 ) ,
上式中,Edt为第d天t时刻点的预测偏差率,具体计算见公式(1);t为每日的日负荷点数;d为需要统计精度的天数;I=7;
进一步统计各时段的预测偏差率的最大值和最小值:
Emax=max{E1m,E1(m+1),...,E7,n},
Emin=min{E1m,...,E1n,...E7m,...,E7,n},
(2)、分时段误差可信度评级:
将步骤(1)中计算的预测偏差率的平均值E、预测偏差率的最大值Emax和最小值Emin代入表1中进行可信度评级;
表1
(3)、低于设定可信度等级的时段,采用地市综合子网累加法进行预测;对于可信度为一级的时段,直接采用基于大电网整体规律的负荷预测结果;对于可信度为二级的时段,需要判断气象和大用户业扩报装是否发生突变,如果发生突变则采用地市综合子网累加法进行预测;对于可信度为三级的时段,直接采用地市综合子网累加法进行预测;
(4)、步骤(3)中所述的地市综合子网累加法的计算公式如下:
P t = Σ i = 1 N P it * ( 1 + K ) - - - ( 3 ) ,
上式中,Pt为t时刻的大电网负荷;N为子网个数;Pit为t时刻,第i个子网的负荷;K为大电网负荷相对子网负荷之和高出的比率,即网损系数;
根据公式(3),其具体计算步骤为:
a、每天及时采集各个子网所有日负荷点的负荷预测结果Pit,并把每个子网上报所有日负荷点的预测数据分别对应相加;
b、计算前7天的实际网损系数,即用大电网总负荷除以地市负荷的累加和;
K nt = P nt grid / Σ i = 1 N P ni , t - - - ( 4 ) ,
式中,Knt
Figure FDA0000386992130000024
分别为第n天第t个时刻点的网损系数、系统负荷,Pni,t为第n天第i地市第t时刻点的负荷;
c、预测当天的网损系数,即用前7天的实际网损系数分别乘以不同的权重后相加;
K=aK1t+a(1-a)K2t+…+a(1-a)n-1Knt   (5),
上式中,a为平滑系数,取值0.35;
d、将公式(5)得到的网损系数代入到公式(3)中,即把累加结果与预测的网损系数相乘,就可得到省网的负荷预测结果。
2.根据权利要求1所述的基于预测可信度评估的综合子网累加的短期负荷预测方法,其特征在于:所述的日负荷点数t为96个,即每个日负荷点之间间隔为15分钟。
3.根据权利要求1所述的基于预测可信度评估的综合子网累加的短期负荷预测方法,其特征在于:所述的步骤(4)在计算网损系数之前,如果发现某个子网的预测准确率与所有子网预测准确率的平均值相差3%以上,则在计算累加和时把这几个子网的预测结果排除,计入网损。
CN201310442051.5A 2013-09-25 2013-09-25 基于预测可信度评估的综合子网累加的短期负荷预测方法 Expired - Fee Related CN103544537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310442051.5A CN103544537B (zh) 2013-09-25 2013-09-25 基于预测可信度评估的综合子网累加的短期负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310442051.5A CN103544537B (zh) 2013-09-25 2013-09-25 基于预测可信度评估的综合子网累加的短期负荷预测方法

Publications (2)

Publication Number Publication Date
CN103544537A true CN103544537A (zh) 2014-01-29
CN103544537B CN103544537B (zh) 2016-05-25

Family

ID=49967971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310442051.5A Expired - Fee Related CN103544537B (zh) 2013-09-25 2013-09-25 基于预测可信度评估的综合子网累加的短期负荷预测方法

Country Status (1)

Country Link
CN (1) CN103544537B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077636A (zh) * 2014-07-24 2014-10-01 国网山东省电力公司泰安供电公司 一种电网短期负荷分析和预测的方法
CN108108833A (zh) * 2017-11-22 2018-06-01 新奥泛能网络科技股份有限公司 负荷预测精度评估方法及系统
CN109424858A (zh) * 2017-08-29 2019-03-05 中国石油天然气股份有限公司 一种确定管道调峰能力的方法
CN109767047A (zh) * 2019-01-23 2019-05-17 中国电力科学研究院有限公司 一种线性规划负荷调控方法及系统
CN110419052A (zh) * 2017-03-14 2019-11-05 宝马股份公司 用于合计多个空间分布的运行单元的运行值的方法以及用于执行该方法的监控装置
CN110648021A (zh) * 2019-09-12 2020-01-03 广东电网有限责任公司电力调度控制中心 一种两级电力负荷预测结果协调方法、装置及设备
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
CN112488192A (zh) * 2020-11-30 2021-03-12 国家电网有限公司 一种区域电网短期负荷预测方法
CN112801374A (zh) * 2021-01-29 2021-05-14 广东晨兴智能科技有限公司 模型训练方法、用电负荷预测方法、装置及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270279A (zh) * 2011-07-27 2011-12-07 华北电力大学 一种短期电力负荷预测方法
CN102769288A (zh) * 2012-07-17 2012-11-07 湖南大学 海岛新能源供电系统调度时间尺度自适应调整方法
US20130110756A1 (en) * 2011-10-31 2013-05-02 Siemens Corporation Short-term Load Forecast Using Support Vector Regression and Feature Learning
CN103268524A (zh) * 2013-06-03 2013-08-28 国家电网公司 一种提高电网短期负荷预测准确度的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270279A (zh) * 2011-07-27 2011-12-07 华北电力大学 一种短期电力负荷预测方法
US20130110756A1 (en) * 2011-10-31 2013-05-02 Siemens Corporation Short-term Load Forecast Using Support Vector Regression and Feature Learning
CN102769288A (zh) * 2012-07-17 2012-11-07 湖南大学 海岛新能源供电系统调度时间尺度自适应调整方法
CN103268524A (zh) * 2013-06-03 2013-08-28 国家电网公司 一种提高电网短期负荷预测准确度的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
彭显刚等: "基于RBF神经网络的短期负荷预测方法综述", 《电力系统保护与控制》 *
李鹏等: "证据理论融合量子神经网络的短期负荷预测", 《电力系统保护与控制》 *
金义雄等: "考虑气象因素的相似聚类短期负荷组合预测方法", 《电网技术》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077636A (zh) * 2014-07-24 2014-10-01 国网山东省电力公司泰安供电公司 一种电网短期负荷分析和预测的方法
CN110419052A (zh) * 2017-03-14 2019-11-05 宝马股份公司 用于合计多个空间分布的运行单元的运行值的方法以及用于执行该方法的监控装置
CN110419052B (zh) * 2017-03-14 2023-09-22 宝马股份公司 用于合计多个运行单元的运行值的方法以及监控装置
CN109424858A (zh) * 2017-08-29 2019-03-05 中国石油天然气股份有限公司 一种确定管道调峰能力的方法
CN109424858B (zh) * 2017-08-29 2020-02-14 中国石油天然气股份有限公司 一种确定管道调峰能力的方法
CN108108833A (zh) * 2017-11-22 2018-06-01 新奥泛能网络科技股份有限公司 负荷预测精度评估方法及系统
CN109767047A (zh) * 2019-01-23 2019-05-17 中国电力科学研究院有限公司 一种线性规划负荷调控方法及系统
CN110648021A (zh) * 2019-09-12 2020-01-03 广东电网有限责任公司电力调度控制中心 一种两级电力负荷预测结果协调方法、装置及设备
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
CN112488192A (zh) * 2020-11-30 2021-03-12 国家电网有限公司 一种区域电网短期负荷预测方法
CN112801374A (zh) * 2021-01-29 2021-05-14 广东晨兴智能科技有限公司 模型训练方法、用电负荷预测方法、装置及设备

Also Published As

Publication number Publication date
CN103544537B (zh) 2016-05-25

Similar Documents

Publication Publication Date Title
CN103544537B (zh) 基于预测可信度评估的综合子网累加的短期负荷预测方法
Lin et al. A regional analysis of excess capacity in China’s power systems
CN103208085B (zh) 企业用电提高负荷率与降低最大需量的分析智能系统
Mehta et al. Solar PV sharing in urban energy communities: Impact of community configurations on profitability, autonomy and the electric grid
CN104318322B (zh) 基于农历日期的节假日负荷预测方法
CN102521672B (zh) 一种基于配网生产作业计划的安全风险自动识别方法
CN107590568A (zh) 一种基于空间细分的精细化负荷预测方法
CN102570449A (zh) 一种基于时空分布特性的区域风电功率预测方法
CN107730076A (zh) 一种区域配电网设备综合利用效率分析方法
CN107748972A (zh) 一种基于双能源指标预测全社会用电量的方法
CN106447073A (zh) 一种基于不确定性因素与全省负荷预测的购电交易方法
CN106529769A (zh) 基于综合评价的电网规划方法
CN105205573A (zh) 一种考虑基本供电责任的配电网规划项目优选排序方法
CN107769268A (zh) 一种含小水电的地调范围日前预测省供负荷方法
CN103401239A (zh) 电力需求侧参与缓解配电线路过载的方法
Wang et al. A two-step load disaggregation algorithm for quasi-static time-series analysis on actual distribution feeders
CN109636033B (zh) 一种分布式光伏项目自发自用综合电价预测方法
Gayretli et al. An analysis of price spikes and deviations in the deregulated Turkish power market
Han et al. Weather index insurance for wind energy
Wu et al. Wind power development in the Belt and Road area of Xinjiang, China: Problems and solutions
Park et al. Optimal VPP Operation Considering Network Constraint Uncertainty of DSO
Obermüller Build wind capacities at windy locations? Assessment of system optimal wind locations
CN105117859A (zh) 基于iowa算子的电力发展水平通用评价方法
Eltohamy et al. Technical investigation for power system flexibility
Voropai et al. Demand side management and load control in Russia: Experience and perspective view for the next two decades

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160525

Termination date: 20170925

CF01 Termination of patent right due to non-payment of annual fee