CN104240144A - 一种基于需求响应的电力负荷聚类方法 - Google Patents

一种基于需求响应的电力负荷聚类方法 Download PDF

Info

Publication number
CN104240144A
CN104240144A CN201410420955.2A CN201410420955A CN104240144A CN 104240144 A CN104240144 A CN 104240144A CN 201410420955 A CN201410420955 A CN 201410420955A CN 104240144 A CN104240144 A CN 104240144A
Authority
CN
China
Prior art keywords
load
power
large user
value
referred
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
CN201410420955.2A
Other languages
English (en)
Other versions
CN104240144B (zh
Inventor
陈星莺
王刚
姚建国
廖迎晨
余昆
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Hohai University HHU
State Grid Ningxia Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Hohai University HHU
State Grid Ningxia 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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Hohai University HHU, State Grid Ningxia Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201410420955.2A priority Critical patent/CN104240144B/zh
Publication of CN104240144A publication Critical patent/CN104240144A/zh
Application granted granted Critical
Publication of CN104240144B publication Critical patent/CN104240144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于需求响应的电力负荷聚类方法，属于智能电网领域。本发明通过构建特性指标和综合相似系数并计算，将种类繁多的大用户聚为有限几类。在构建大用户特性指标时创造性的提出了负荷波动系数、负荷分布指数、负荷调整极限以及临界峰谷电价比等特性指标，从用电特性和响应特性两大方面对一个大用户做了系统的描述，因此本发明对大用户的聚类更加准确科学，符合实际，提高了聚类的准确性，实现对电网中各大用户进行更加准确的负荷调度，同时特性指标及相似系数计算公式简洁，所需数据贴近实际，更易于在实际工程展开实施。

Description

一种基于需求响应的电力负荷聚类方法
技术领域
本发明涉及智能电网领域，具体是涉及一种基于需求响应的电力负荷聚类方法。
背景技术
在目前的配电网中，大用户是用电主体，所谓大用户，目前主要指的是各种工业用户以及商场、办公大楼等用电大户。大用户的负荷占电网总负荷的绝大多数，因此对大用户的用电监控就显得尤为重要。
而由于大用户所涉及的用户种类广泛，不同类型用户之间的用电特性和需求响应特性又差别很大，目前的集中电力负荷聚类方法聚类结果较差，不能准确高效地供大用户做出决策，不能满足现在电力系统的需求。
智能电网讲究“网-荷”之间的互动，通过需求响应对电网进行准确的调度是未来智能电网的一大特点，因此，为了实现对电网的准确调度，必须要对大用户的用电特性及需求响应特性进行准确的把握。
因此，需要一种电力负荷聚类方法来提高聚类的准确性，实现对电网中各大用户进行更加准确的负荷调度。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种聚类精度高的基于需求响应的电力负荷聚类方法，实现对电网中各大用户进行更加准确的负荷调度。
技术方案：为实现上述目的，本发明的一种基于需求响应的电力负荷聚类方法，包括以下步骤：
(1)读取配电网中m个电力大用户的历史负荷值以及与历史负荷值相对应的历史电价值，利用m个大用户的历史负荷值和与历史负荷值相对应的历史电价值构建数据样本，所述m是指大用户个数总和，m是正整数；
(2)构建基于需求响应的电力负荷特性指标，所述电力负荷特性指标包括负荷波动系数ε、负荷峰谷差指标δ、负荷分布指数φ、负荷调整极限γ和临界峰谷电价比
(3)根据步骤(2)中所述电力负荷特性指标计算第i大用户与第j大用户之间的综合相似系数cij，其中1≤i≤m，1≤j≤m；
(4)如果步骤(3)中所述综合相似系数cij大于0.9，就将第i大用户与第j大用户聚为一类。
进一步地，所述各电力负荷特性指标的计算公式如下：
负荷波动系数ε： ϵ = Σ t = 0 22 | L t + 1 - L t | / Σ t = 0 23 L t
其中，Lt是指大用户在典型日的t时段内平均负荷，Lt+1是指大用户在典型日的t+1时段内平均负荷，典型日是指一天，典型日被平均分为24个时段；
负荷峰谷差指标δ： δ = max L t - min L t max L t
其中，max Lt是指典型日内最大负荷值，min Lt是指典型日内最小负荷值；
负荷分布指数φ： φ = p v q v + p m q m + p p q p p p Σ t = 0 23 q t
其中，pp是指电荷峰时段对应的电价值，pm是指电荷平时段对应的电价值，pv是指电荷谷时段对应的电价值，qp是指电荷峰时段内的累计用电量，qm是指电荷平时段内的累计用电量，qv是指电荷谷时段内的累计用电量，qr是指24个时段内各时段的用电量；
负荷调整极限γ： γ = ( max L - min L ) / L ‾
其中，max L是指年最大负荷，min L是指年最小负荷，表示年平均负荷；
临界峰谷电价比
其中，是指用户l的临界峰谷电价比归一化后的标幺值，ωl是指用户l参与需求响应的临界峰谷电价比。
进一步地，所述第i大用户与第j大用户之间的综合相似系数cij的计算公式如下：
其中，min(δi，δj)是指δi，δj中的较小值；min(εi，εj)是指εi，εj中的较小值；min(φi，φj)是指φi，φj中的较小值；min(γi，γj)是指γi，γj的较小值；是指中的较小值；max(δi，δj)是指δi，δj中的较大值；max(εi，εj)是指εi，εj中的较大值；max(φi，φj)是指φi，φj中的较大值；max(γi，γj)是指γi，γj的较大值；是指中的较大值，δi是指第i大用户的负荷波动系数；
进一步地，另有第k大用户，计算第i大用户与第k大用户之间的综合相似系数cik，当第i大用户与第k大用户之间的综合相似系数cik大于0.9时，将第i大用户与第k大用户归为一类，同时将第i大用户、第j大用户和第k大用户都归为一类，其中1≤k≤m。
有益效果：本发明提出的一种新型的负荷聚类方法，通过构建电力负荷特性指标，再根据各特性指标计算出各个大用户的综合相似系数，对大用户进行聚类，由于综合相似系数的计算计及了大用户所有的特性指标，使得聚类的结果更加科学，符合实际，提高了聚类的准确性，实现对电网中各大用户进行更加准确的负荷调度，同时特性指标及相似系数计算公式简洁，所需数据贴近实际，更易于在实际工程展开实施。
附图说明
图1是基于需求响应的电力负荷聚类方法的总流程图。
具体实施方式
下面结合实施例和附图对本发明作更进一步的说明，应理解为这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等同形式的修改均落于本申请所附权利要求所限定的范围。
本发明提出的一种基于需求响应的电力负荷聚类方法，参照图1，一种基于需求响应的电力负荷聚类方法包括以下步骤：
(1)读取配电网中m个电力大用户的历史负荷值以及与历史负荷值相对应的历史电价值，利用m个大用户的历史负荷值和与历史负荷值相对应的历史电价值构建数据样本，所述m是指大用户个数总和，m是正整数；
(2)构建基于需求响应的电力负荷特性指标，所述电力负荷特性指标包括负荷波动系数ε、负荷峰谷差指标δ、负荷分布指数φ、负荷调整极限γ和临界峰谷电价比
(3)根据步骤(2)中所述电力负荷特性指标计算第i大用户与第j大用户之间的综合相似系数cij，其中1≤i≤m，1≤j≤m；
(4)如果步骤(3)中所述综合相似系数cij大于0.9，就将第i大用户与第j大用户聚为一类。
实施例：在本发明实施例中，采用了12个不同类型行业的大用户(m＝12)，12个不同类型行业的大用户分别是一家纺织企业(编号为1)、一家纸质企业(编号为2)、一家电子加工企业(编号为3)、一家制药企业(编号为4)、一家炼油厂(编号为5)、一家水泥厂(编号为6)、一家建材企业(编号为7)、铸造企业(编号为8)、一家炼钢企业(编号为9)、一家金属加工企业(编号为10)、一家办公楼(编号为11)和一家大型商场(编号为12)。
按照步骤(1)进行实施，针对纺织企业(编号为1)，读取其历史负荷值以及与历史负荷值相对应的历史电价值，选取纺织企业多年来用电情况中最能体现其用电情况的一天作为典型日，典型日共有24个小时，被平均分为24个时段，首先在配电网中读取纺织企业的典型日的24个时段内各个时段的平均负荷值(用电量)Lt；
在纺织企业的典型日的24个时段内各个时段所对应的平均负荷中，提取最大平均负荷值max Lt和最小平均负荷值min Lt；
在纺织企业的典型日的24个时段内各个时段中，提取用电高峰时段时的累积用电量qp和对应的电价值pp，用电平缓时段内的累积用电量qm和对应的电价值pm，用电低谷时段的累积用电量qv和对应的电价值pv，计算纺织企业的典型日的24个时段的累积用电量
提取在纺织企业的历史使用年限中每一年对应的累积用电量，求出年平均用电量提取用电量最多的一年的累积用电量max L和用电量最小的一年的累积用电量min L；
计算出纺织企业的典型日内用电高峰时段对应的电价值和用电低谷时段对应的电价值的比值。
这样，读取纺织企业的数据就完成了，同样的道理，可以读取另外11家大用户的数据。
(2)：构建基于需求响应的电力负荷特性指标，所述电力负荷特性指标包括负荷峰谷差指标δ、负荷波动系数ε、负荷分布指数φ、负荷调整极限γ和临界峰谷电价比
各电力负荷特性指标的计算公式如下：
负荷波动系数ε： ϵ = Σ t = 0 22 | L t + 1 - L t | / Σ t = 0 23 L t
其中，Lt是指大用户在典型日的t时段内平均负荷，Lt+1是指大用户在典型日的t+1时段内平均负荷，典型日是指一天，典型日被平均分为24个时段；
负荷峰谷差指标δ： δ = max L t - min L t max L t
其中，max Lt是指典型日内最大负荷值，min Lt是指典型日内最小负荷值；
负荷分布指数φ： φ = p v q v + p m q m + p p q p p p Σ t = 0 23 q t
其中，pp是指电荷峰时段对应的电价值，pm是指电荷平时段对应的电价值，pv是指电荷谷时段对应的电价值，qp是指电荷峰时段内的累计用电量，qm是指电荷平时段内的累计用电量，qv是指电荷谷时段内的累计用电量；
负荷调整极限γ： γ = ( max L - min L ) / L ‾
其中，max L是指年最大负荷，min L是指年最小负荷，表示年平均负荷；
临界峰谷电价比
其中，是指用户l的临界峰谷电价比归一化后的标幺值，ωl是指用户l的临界峰谷电价比；
按照步骤(2)进行实施，根据步骤(1)得到的12家大用户的数据计算大用户电力负荷特性指标，经过计算得到12家大用户对应的各个特性指标值如表1所示：
表1 特性指标计算结果
(3)：根据步骤(2)中所述电力负荷特性指标计算第i大用户与第j大用户之间的综合相似系数cij，其中1≤i≤m，1≤j≤m；
第i大用户与第j大用户之间的综合相似系数cij的计算公式如下：
其中，min(δi，δj)是指δi，δj中的较小值；min(εi，εj)是指εi，εj中的较小值；min(φi，φj)是指φi，φj中的较小值；min(γi，γj)是指γi，γj的较小值；是指中的较小值；max(δi，δj)是指δi，δj中的较大值；max(εi，εj)是指εi，εj中的较大值；max(φi，φj)是指φi，φj中的较大值；max(γi，γj)是指γi，γj的较大值；是指中的较大值，δi是指第i大用户的负荷波动系数；
按照步骤(3)进行实施，根据表1中各家大用户特性指标值，计算两个大用户之间的综合相似系数，计算公式为：
可以得到12家大用户任意两个大用户之间的综合相似系数值如表2所示，
表2 相似系数计算值
1 2 3 4 5 6 7 8 9 10 11 12
1 1 0.652 0.916 0.618 0.605 0.641 0.621 0.679 0.671 0.688 0.528 0.516
2 0.652 1 0.690 0.734 0.695 0.853 0.888 0.811 0.801 0.822 0.699 0.689
3 0.916 0.690 1 0.659 0.645 0.672 0.657 0.675 0.667 0.684 0.517 0.504
4 0.618 0.734 0.659 1 0.946 0.739 0.716 0.633 0.653 0.678 0.508 0.552
5 0.605 0.695 0.645 0.946 1 0.706 0.683 0.605 0.628 0.648 0.509 0.539
6 0.641 0.853 0.672 0.739 0.706 1 0.932 0.762 0.774 0.810 0.676 0.687
7 0.621 0.888 0.657 0.716 0.683 0.932 1 0.745 0.745 0.779 0.669 0.659
8 0.679 0.811 0.675 0.633 0.605 0.762 0.745 1 0.935 0.943 0.743 0.740
9 0.671 0.801 0.667 0.653 0.628 0.774 0.745 0.935 1 0.937 0.746 0.765
10 0.688 0.822 0.684 0.678 0.648 0.810 0.779 0.943 0.937 1 0.718 0.729
11 0.528 0.699 0.517 0.536 0.509 0.676 0.669 0.743 0.746 0.718 1 0.927
12 0.516 0.689 0.504 0.552 0.539 0.687 0.659 0.740 0.765 0.729 0.927 1
(4)：如果步骤(3)中所述综合相似系数cij大于0.9，就将第i大用户与第j大用户聚为一类；
另有第k大用户，计算第i大用户与第k大用户之间的综合相似系数cik，当第i大用户与第k大用户之间的综合相似系数cik大于0.9时，将第i大用户与第k大用户归为一类，同时将第i大用户、第j大用户和第k大用户都归为一类，其中1≤k≤m。
按照步骤(4)进行实施，根据表2中计算得到的综合相似系数，选取相似系数大于0.9的两个大用户聚为一类。
从表2中可以得到，纺织企业(编号为1)和电子加工企业(编号为3)的综合相似系数为聚为0.916，大于0.9，所以聚为一类；同理，制药企业(编号为4)和炼油厂(编号为5)聚为一类；水泥厂(编号为6)和建材企业(编号为7)聚为一类；铸造企业(编号为8)和炼钢企业(编号为9)的综合相似系数为0.935，大于0.9，所以聚为一类，而铸造企业(编号为8)和金属加工企业(编号为10)的综合相似系数为0.943，也大于0.9，也需聚为一类，这时将铸造企业(编号为8)、炼钢企业(编号为9)和金属加工企业(编号为10)都聚为一大类；办公楼(编号为11)和大型商场(编号为12)聚为一类，纸质企业(编号为2)自成一类，这样12家大用户可以聚类为6大类。
本发明提出的一种新型的负荷聚类方法，通过构建电力负荷特性指标，再根据各特性指标计算出各个大用户的综合相似系数，对大用户进行聚类，由于综合相似系数的计算计及了大用户所有的特性指标，使得聚类的结果更加科学，符合实际，提高了聚类的准确性，实现对电网中各大用户进行更加准确的负荷调度，同时特性指标及相似系数计算公式简洁，所需数据贴近实际，更易于在实际工程展开实施。

Claims (4)

1.一种基于需求响应的电力负荷聚类方法，其特征在于：包括以下步骤： 
(1)读取配电网中m个电力大用户的历史负荷值以及与历史负荷值相对应的历史电价值，利用m个大用户的历史负荷值和与历史负荷值相对应的历史电价值构建数据样本，所述m是指大用户个数总和，m是正整数； 
(2)构建基于需求响应的电力负荷特性指标，所述电力负荷特性指标包括负荷波动系数ε、负荷峰谷差指标δ、负荷分布指数φ、负荷调整极限γ和临界峰谷电价比
(3)根据步骤(2)中所述电力负荷特性指标计算第i大用户与第j大用户之间的综合相似系数cij，其中1≤i≤m，1≤j≤m； 
(4)如果步骤(3)中所述综合相似系数cij大于0.9，将第i大用户与第j大用户聚为一类。
2.根据权利要求1所述的基于需求响应的电力负荷聚类方法，其特征在于：步骤(2)中所述电力负荷特性指标的计算公式如下： 
负荷波动系数ε：
其中，Lt是指大用户在典型日的t时段内平均负荷，Lt+1是指大用户在典型日的t+1时段内平均负荷，典型日是指一天，典型日被平均分为24个时段； 
负荷峰谷差指标δ：
其中，max Lt是指典型日内最大负荷值，min Lt是指典型日内最小负荷值； 
负荷分布指数φ：
其中，pp是指电荷峰时段对应的电价值，pm是指电荷平时段对应的电价值，pv是指电荷谷时段对应的电价值，qp是指电荷峰时段内的累计用电量，qm是指电荷平时段内的累计用电量，qv是指电荷谷时段内的累计用电量，qt是指24个时段内各时段的用电量； 
负荷调整极限γ：
其中，max L是指年最大负荷，min L是指年最小负荷，表示年平均负荷； 
临界峰谷电价比
其中，是指用户l的临界峰谷电价比归一化后的标幺值，ωl是指用户l的临界峰谷电价比。 
3.根据权利要求1所述的基于需求响应的电力负荷聚类方法，其特征在于：步骤(3)中所述第i大用户与第j大用户之间的综合相似系数cij的计算公式如下： 
其中，min(δi，δj)是指δi，δj中的较小值，min(εi，εj)是指εi，εj中的较小值，min(φi，φj)是指φi，φj中的较小值，min(γi，γj)是指γi，γj的较小值，是指中的较小值，是指δi，δj中的较大值，max(εi，εj)是指εi，εj中的较大值，max(φi，φj)是指φi，φj中的较大值，max(γi，γj)是指γi，γj的较大值， 是指中的较大值，δi是指第i大用户的负荷波动系数。 
4.根据权利要求1所述的基于需求响应的电力负荷聚类方法，其特征在于：另有第k大用户，计算第i大用户与第k大用户之间的综合相似系数cik，当第i大用户与第k大用户之间的综合相似系数cik大于0.9时，将第i大用户与第k大用户归为一类，同时将第i大用户、第j大用户和第k大用户都归为一类，其中1≤k≤m。 
CN201410420955.2A 2014-08-25 2014-08-25 一种基于需求响应的电力负荷聚类方法 Active CN104240144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410420955.2A CN104240144B (zh) 2014-08-25 2014-08-25 一种基于需求响应的电力负荷聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410420955.2A CN104240144B (zh) 2014-08-25 2014-08-25 一种基于需求响应的电力负荷聚类方法

Publications (2)

Publication Number Publication Date
CN104240144A true CN104240144A (zh) 2014-12-24
CN104240144B CN104240144B (zh) 2017-12-22

Family

ID=52228157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410420955.2A Active CN104240144B (zh) 2014-08-25 2014-08-25 一种基于需求响应的电力负荷聚类方法

Country Status (1)

Country Link
CN (1) CN104240144B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106712112A (zh) * 2017-02-17 2017-05-24 云南电网有限责任公司 一种基于概率分布的风电场集群出力平滑效应的分析方法
CN108776939A (zh) * 2018-06-07 2018-11-09 上海电气分布式能源科技有限公司 用户用电行为的分析方法及系统
CN110910173A (zh) * 2019-11-25 2020-03-24 深圳市深电能售电有限公司 一种电力现货市场节点电价分析方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999791A (zh) * 2012-11-23 2013-03-27 广东电网公司电力科学研究院 一种电力行业中基于客户分群的电力负荷预测方法
CN103093394A (zh) * 2013-01-23 2013-05-08 广东电网公司信息中心 一种基于用户用电负荷数据细分的聚类融合方法
JP2013196037A (ja) * 2012-03-15 2013-09-30 Hitachi Ltd 需要予測システム及び需要予測方法
CN103440539A (zh) * 2013-09-13 2013-12-11 国网信息通信有限公司 一种用户用电数据处理方法
CN103793788A (zh) * 2014-01-27 2014-05-14 国家电网公司 一种有序用电管理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013196037A (ja) * 2012-03-15 2013-09-30 Hitachi Ltd 需要予測システム及び需要予測方法
CN102999791A (zh) * 2012-11-23 2013-03-27 广东电网公司电力科学研究院 一种电力行业中基于客户分群的电力负荷预测方法
CN103093394A (zh) * 2013-01-23 2013-05-08 广东电网公司信息中心 一种基于用户用电负荷数据细分的聚类融合方法
CN103440539A (zh) * 2013-09-13 2013-12-11 国网信息通信有限公司 一种用户用电数据处理方法
CN103793788A (zh) * 2014-01-27 2014-05-14 国家电网公司 一种有序用电管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冯晓蒲，张铁峰: "基于实际负荷曲线的电力用户分类技术研究", 《电力科学与工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106712112A (zh) * 2017-02-17 2017-05-24 云南电网有限责任公司 一种基于概率分布的风电场集群出力平滑效应的分析方法
CN106712112B (zh) * 2017-02-17 2019-11-01 云南电网有限责任公司 一种基于概率分布的风电场集群出力平滑效应的分析方法
CN108776939A (zh) * 2018-06-07 2018-11-09 上海电气分布式能源科技有限公司 用户用电行为的分析方法及系统
CN110910173A (zh) * 2019-11-25 2020-03-24 深圳市深电能售电有限公司 一种电力现货市场节点电价分析方法

Also Published As

Publication number Publication date
CN104240144B (zh) 2017-12-22

Similar Documents

Publication Publication Date Title
CN116646933A (zh) 一种基于大数据的电力负荷调度方法及系统
Wong et al. A simple way to use interval data to segment residential customers for energy efficiency and demand response program targeting
CN107194502B (zh) 一种居民用户电力负荷预测方法
CN102426674B (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN104680261A (zh) 基于重点大客户负荷曲线聚类的电力负荷运行控制方法
CN106875047B (zh) 水库流域径流预报方法及系统
CN108428055B (zh) 一种考虑负荷纵向特性的负荷聚类方法
CN104463344A (zh) 电网短期负荷预测方法和系统
CN102509173A (zh) 一种基于马尔科夫链的电力系统负荷准确预测方法
CN111815060A (zh) 一种用电地区短期负荷预测方法及装置
CN114004296A (zh) 一种基于电力负荷特征反向提取监测点的方法及系统
Leal et al. Distribution transformer losses evaluation: A new analytical methodology and artificial neural network approach
Yu et al. Load forecasting based on smart meter data and gradient boosting decision tree
CN104240144A (zh) 一种基于需求响应的电力负荷聚类方法
CN112598155A (zh) 一种变电站的负荷增减预估方法及系统
CN112633556A (zh) 一种基于混合模型的短期电力负荷预测方法
CN106408119A (zh) 基于类气象分区综合评价的大电网负荷预测方法
CN115829235A (zh) 一种基于大数据分析的用电调度方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN114565293A (zh) 一种工业负荷提供长周期需求响应能力的评估方法
CN104091227B (zh) 一种城市用电用户的负荷密度分析方法
Papadopoulos et al. Study of electricity load profiles in university campuses: The case study of Democritus University of Thrace
CN112257964B (zh) 一种负荷密集型城市智慧园区需求聚合建模方法
CN112330089B (zh) 装备制造类企业的综合能效监测方法及监测系统
CN113537578A (zh) 一种电力用户行为预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant