CN104318332A - 一种电力负荷预测方法和装置 - Google Patents
一种电力负荷预测方法和装置 Download PDFInfo
- Publication number
- CN104318332A CN104318332A CN201410594902.2A CN201410594902A CN104318332A CN 104318332 A CN104318332 A CN 104318332A CN 201410594902 A CN201410594902 A CN 201410594902A CN 104318332 A CN104318332 A CN 104318332A
- Authority
- CN
- China
- Prior art keywords
- day
- data
- predicted
- weather
- power system
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种电力负荷预测方法和装置。该方法根据历史电力负荷数据和历史气象数据，确定影响待预测日的电力负荷的气象因子，并以气象因子为依据，选定与待预测日相近的最终参照日。进而根据最终参照日的电力负荷数据、最终参照日的气象数据以及待预测日的气象数据预测待预测日的电力负荷数据。上述过程中，不需要大量的人工计算，节省了人力。并且，在本发明中将气象数据作为预测电力负荷数据过程重要参数，充分考虑到的气象参数对电力负荷预测的影响，使电力负荷预测的精度更高。
Description
技术领域
本发明涉及电力系统领域，更具体的说是涉及一种电力负荷预测方法和装置。
背景技术
电力负荷预测是电力管理中的重要部分，它所提供的负荷预测数据，对电力系统的控制、运行和规划极为重要。准确预测电力负荷数据，不但对确定电力系统的运行方式、优化调度具有重要的作用，而且影响电力系统运行的安全性、可靠性、经济性。
目前的电力负荷预测方法，使用的多为人工预测方法，该方法采用待预测日前的电力负荷数据对待预测日的电力负荷数据进行预测，需要技术人员进行大量的计算，耗费大量的人力，且预测精度较低。
发明内容
有鉴于此，本发明公开提供一种电力负荷预测方法和装置，以提高电力负荷的预测精度。
为实现上述目的，本发明提供如下技术方案：
一种电力负荷预测方法，包括：
获取待预测日之前的历史电力负荷数据、历史气象数据和待预测日的气象预测数据；
根据所述历史电力负荷数据和所述历史气象数据，确定影响待预测日的电力负荷的气象因子；
至少以所述气象因子为依据，结合待预测日的气象预测数据，选定与待预测日相近的最终参照日；
将所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据作为预测模型的输入向量，获得待预测日的电力负荷数据。
优选的，所述获取待预测日之前的历史电力负荷数据、历史气象数据和待预测日的气象预测数据，包括：
获取待预测日之前一段时间内每天96个采集点的历史负荷数据、历史气象数据以及待预测日96个采集点的气象预测数据。
优选的，所述至少以所述气象因子为依据，结合待预测日的气象预测数据，选定与待预测日相近的最终的参照日，包括：
确定所述待预测日的日类型，所述日类型包括：工作日和非工作日；
以所述气象因子为依据，选择与所述待预测日相近的参照日样本；
从所述参照日样本中选择与所述待预测日的日类型相同的参照日作为最终参照日。
优选的，所述将所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据作为预测模型的输入向量，获得待预测日的电力负荷数据，之前还包括：
对所述最终参照日的历史电力负荷数据中异常的数据进行处理。
优选的，所述将所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据作为预测模型的输入向量，获得待预测日的电力负荷数据，包括：
将基于回归型支持向量机的决策函数作为所述预测模型；
对所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据进行归一化处理；
确定所述回归型支持向量机的最优参数；
利用所述最优参数对所述回归型支持向量机进行训练，得到计算模型；
通过所述计算模型建立决策函数，根据所述决策函数对待预测日的电力负荷进行预测。
一种电力负荷预测装置，包括：
参数获取模块，用于获取待预测日之前的历史电力负荷数据、历史气象数据和待预测日的气象预测数据；
与所述参数获取模块相连的气象因子确定模块，用于根据所述历史电力负荷数据和所述历史气象数据，确定影响待预测日的电力负荷的气象因子；
与所述气象因子确定模块相连的最终参照日确定模块，用于至少以所述气象因子为依据，结合待预测日的气象预测数据，选定与待预测日相近的最终参照日；
与所述最终参照日确定模块相连的预测模块，用于将所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据作为预测模型的输入向量，获得待预测日的电力负荷数据。
优选的，所述参数获取模块包括：
采集点选择单元，用于选择96个数据采集点；
与所述采集点选择单元相连的数据采集单元，用于采集待预测日之前一段时间内每天96个采集点的历史负荷数据、历史气象数据以及待预测日96个采集点的气象预测数据。
优选的，所述最终参照日确定模块包括：
日类型确定单元，用于确定所述待预测日的日类型，所述日类型包括：工作日和非工作日；
参照日样本确定单元，用于以所述气象因子为依据，选择与所述待预测日相近的参照日样本；
与所述参照日样本确定单元和所述日类型确定单元相连的最终参照日确定单元，用于从所述参照日样本中选择与所述待预测日的日类型相同的参照日作为最终参照日。
优选的，所述预测模型包括：
数据异常处理单元，用于对所述最终参照日的历史电力负荷数据中异常的数据进行处理；
数据归一化处理单元，用于对所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据进行归一化处理；
最优参数选择单元，用于确定所述回归型支持向量机的最优参数；
最优参数训练单元，用于利用所述最优参数对所述回归型支持向量机进行训练，得到计算模型；
拟合预测单元，用于通过所述计算模型建立决策函数，根据所述决策函数对待预测日的电力负荷进行预测。
优选的，所述预测模型还包括：输出单元，用于输出待预测日的电力负荷数据。
经由上述技术方案可知，本发明公开了一种电力负荷预测方法和装置。该方法根据历史电力负荷数据和历史气象数据，确定影响待预测日的电力负荷的气象因子，并以气象因子为依据，选定与待预测日相近的最终参照日。进而根据最终参照日的电力负荷数据、最终参照日的气象数据以及待预测日的气象数据预测待预测日的电力负荷数据。上述过程中，不需要大量的人工计算，节省了人力。并且，在本发明中将气象数据作为预测电力负荷数据过程重要参数，充分考虑到的气象参数对电力负荷预测的影响，使电力负荷预测的精度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1示出了本发明一种电力负荷预测方法的一个实施例的流程示意图；
图2示出了本发明一种电力负荷预测方法的另一个实施例的流程示意图；
图3示出了本发明一种电力预测装置的一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
实施例一
参见图1示出了本发明一种电力负荷预测方法的一个实施例的流程示意图。
由图1可知，该方法包括：
101：获取待预测日之前的历史电力负荷数据、历史气象数据和待预测日的气象预测数据。
历史气象数据和待预测日的气象数据包括历史温湿度、历史天气状况、待预测日的温湿度和待预测日的天气状态等。
可以理解的是，为了方便预测通常将历史天气状况和待预测日的天气状况按照预测的要求进行量化。
比如：晴天(<1成云)时赋值为4，多云(2～8成云)时赋值为3，阴天(>9成云或微量降水)时赋值为2，有雨(>0.1mm)时赋值为1。
根据实际操作可行性(数据收集难易程度、数据是否连续等)，采集每天96个采集点的电力负荷数据和气象数据(每天每隔15分钟采集的电力负荷数据，得到每天96个采集点的负荷数据)。
102：根据所述历史电力负荷数据和所述历史气象数据，确定影响待预测日的电力负荷的气象因子。
不同的地区不同的季节对电力负荷具有显著影响的气象因子不同。以温州地区为例，春季显著影响电力负荷的气象因子是日最高气温和天气状况；夏季显著影响电力负荷的气象因子是日最高气温、日最低气温和日平均相对湿度；秋季显著影响电力负荷的气象因子是日最低气温；冬季显著影响电力负荷的气象因子是日平均相对湿度。
103：至少以所述气象因子为依据，结合待预测日的气象预测数据，选定与待预测日相近的最终参照日。
根据待预测日的天气状况、气象预测数据和不同季节选取不同的显著影响电力负荷的气象因子，并以此气象因子作为依据筛选天气状况相同的若干参照日样本。可选的，为了使选定的参照日中的数据与待预测日的数据更加接近，提高预测精度，可在参照日样本中选取与待预测日相同日类型(工作日或非工作日)的某一参照日作为最终参照日。
104：将所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据作为预测模型的输入向量，获得待预测日的电力负荷数据。
需要说明的是，由于一天中的温度和湿度的变化是连续的，温度和湿度的日变化可以很好地表征天气日变化。相反，一天中的降水量的变化是不连续的，而且降水量对于电力负荷的影响还具有累积效应和滞后性。因此，本发明将气象数据中的温度和湿度作为预测模型的输入向量。可选的，可选取最终参照日96个采集点的电力负荷数据、温度和湿度，以及待预测日的温度和湿度(气象预测数据)作为预测模型的输入向量。
实施例二
为了快速、准确地预测电力负荷，就必须设计一种考虑因素全面、逻辑合理、运算高效的算法。在本实施例中采用的负荷预测算法是回归型支持向量机，其算法汲取支持向量机的核心思想，然后根据实际情况进行改进。采用回归型支持向量机做负荷预测不仅预测速度快，而且预测精度较高。在本实施例中以采集96个采集点的历史电力预测数据、历史气象数据和96个采集点的待预测日的气象预测数据为例具体说明。需要说明的是，采集历史电力负荷数据和历史气象数据中的96个采集点的采集时刻与采集待预测日的气象预测数据的96个采集点的采集时刻相同。
参见图2示出了本发明一种电力负荷预测的另一个实施例的结构示意图。
由图2可知，该方法包括：
201：获取待预测日之前的历史电力负荷数据、历史气象数据和待预测日的气象预测数据。
该历史电力负荷数据、历史气象数据和待预测日的气象预测数据以预先设定的96个采集点为基础进行采集。
202：根据所述历史电力负荷数据和所述历史气象数据，确定影响待预测日的电力负荷的气象因子。
203：至少以所述气象因子为依据，结合待预测日的气象预测数据，选定与待预测日相近的最终参照日。
204：对所述最终参照日的历史电力负荷数据中异常的数据进行处理。
205：对所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据进行归一化处理。
将所有96个采集点历史电力负荷数据、历史气象数据和气象预测数据输入LIBSVM工具箱，并选定因变量(待预测日的96采集点的电力负荷)和自变量(历史电力负荷、各气象因子)，LIBSVM将所有样本分类形成训练集和测试集。
对训练集和测试集进行归一化预处理，归一化后既可以提高分类和预测的准确率，又可以方便算法的运行。
206：确定所述回归型支持向量机的最优参数。
利用LIBSVM工具箱提供的功能对回归型支持向量机中的参数进行交叉验证以选择对于预测模型最优的参数(惩罚参数c、RBF核函数中的gamma参数g)。选取能够达到最高验证分类准确率中参数c最小的那组c和g作为最佳参数，如果对应最小的c有多组g，就选取搜索到的第一组c和g作为最佳参数。过高的c会导致过学习状态发生(训练集分类准确率很高而测试集分类准确率很低)，所以认为在能够达到最高验证分类准确率中的所有成对的c和g中较小的惩罚参数c是更佳的选择。
207：利用所述最优参数对所述回归型支持向量机进行训练，得到计算模型。
利用上一步骤选取的最佳参数，使用LIBSVM工具箱中svmtrain函数训练回归型支持向量机，得到一个计算模型。
208：通过所述计算模型建立决策函数，根据所述决策函数对待预测日的电力负荷进行预测。
建立决策函数
通过决策函数来预测待预测日的96个采集点电力负荷。其中，||xi-x||代表二范数距离；
b＝-model.rho(一个标量数字)；n＝model.totalSV代表支持向量的个数。对于每一个i，wi＝model.sv_coef(i)表示支持向量的系数；xi＝model.SVs(i,:)表示支持向量(历史负荷数据和各气象因子数据)；x是待预测标签的样本；gamma就是参数g。需要说明的是回归型支持向量机为现有的技术手段，在此不再做赘述。
为了与一种电力负荷预测方法相适应，本发明还公开的一种电力负荷预测装置的一个实施例的结构示意图。
由图3可知，该电力负荷预测装置包括：参数获取模块1、气象因子确定模块2、最终参照日确定模块3和预测模块4。
参数获取模块1，用于获取待预测日之前的历史电力负荷数据、历史气象数据和待预测日的气象预测数据。其中，该参数获取模块具体还包括：采集点选择单元，用于选择96个数据采集点；数据采集单元，用于采集待预测日之前一段时间内每天96个采集点的历史负荷数据、历史气象数据以及待预测日96个采集点的气象预测数据。
与所述参数获取模块相连的气象因子确定模块2，用于根据所述历史电力负荷数据和所述历史气象数据，确定影响待预测日的电力负荷的气象因子。
与所述气象因子确定模块相连的最终参照日确定模块3，用于至少以所述气象因子为依据，结合待预测日的气象预测数据，选定与待预测日相近的最终参照日。其中，最终参照日确定模块包括：日类型确定单元、参照日样本确定单元以及最终参照日确定单元，所述日类型确定单元，用于确定所述待预测日的日类型，所述日类型包括：工作日和非工作日；参照日样本确定单元用于以所述气象因子为依据，选择与所述待预测日相近的参照日样本；最终参照日确定单元，用于从所述参照日样本中选择与所述待预测日的日类型相同的参照日作为最终参照日。
预测模块4，用于将所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据作为预测模型的输入向量，获得待预测日的电力负荷数据。
具体的，该预测模型包括：
数据异常处理单元，用于对所述最终参照日的历史电力负荷数据中异常的数据进行处理；
数据归一化处理单元，用于对所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据进行归一化处理。
最优参数选择单元，用于确定所述回归型支持向量机的最优参数。
最优参数训练单元，用于利用所述最优参数对所述回归型支持向量机进行训练，得到计算模型。
拟合预测单元，用于通过所述计算模型建立决策函数，根据所述决策函数对待预测日的电力负荷进行预测。
输出单元，用于输出待预测日的电力负荷数据。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电力负荷预测方法，其特征在于，包括：
获取待预测日之前的历史电力负荷数据、历史气象数据和待预测日的气象预测数据；
根据所述历史电力负荷数据和所述历史气象数据，确定影响待预测日的电力负荷的气象因子；
至少以所述气象因子为依据，结合待预测日的气象预测数据，选定与待预测日相近的最终参照日；
将所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据作为预测模型的输入向量，获得待预测日的电力负荷数据。
2.根据权利要求1所述的方法，其特征在于，所述获取待预测日之前的历史电力负荷数据、历史气象数据和待预测日的气象预测数据，包括：
获取待预测日之前一段时间内每天96个采集点的历史负荷数据、历史气象数据以及待预测日96个采集点的气象预测数据。
3.根据权利要求1所述的方法，其特征在于，所述至少以所述气象因子为依据，结合待预测日的气象预测数据，选定与待预测日相近的最终的参照日，包括：
确定所述待预测日的日类型，所述日类型包括：工作日和非工作日；
以所述气象因子为依据，选择与所述待预测日相近的参照日样本；
从所述参照日样本中选择与所述待预测日的日类型相同的参照日作为最终参照日。
4.根据权利要求1所述的方法，其特征在于，所述将所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据作为预测模型的输入向量，获得待预测日的电力负荷数据，之前还包括：
对所述最终参照日的历史电力负荷数据中异常的数据进行处理。
5.根据权利要求1所述的方法，其特征在于，所述将所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据作为预测模型的输入向量，获得待预测日的电力负荷数据，包括：
将基于回归型支持向量机的决策函数作为所述预测模型；
对所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据进行归一化处理；
确定所述回归型支持向量机的最优参数；
利用所述最优参数对所述回归型支持向量机进行训练，得到计算模型；
通过所述计算模型建立决策函数，根据所述决策函数对待预测日的电力负荷进行预测。
6.一种电力负荷预测装置，其特征在于，包括：
参数获取模块，用于获取待预测日之前的历史电力负荷数据、历史气象数据和待预测日的气象预测数据；
与所述参数获取模块相连的气象因子确定模块，用于根据所述历史电力负荷数据和所述历史气象数据，确定影响待预测日的电力负荷的气象因子；
与所述气象因子确定模块相连的最终参照日确定模块，用于至少以所述气象因子为依据，结合待预测日的气象预测数据，选定与待预测日相近的最终参照日；
与所述最终参照日确定模块相连的预测模块，用于将所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据作为预测模型的输入向量，获得待预测日的电力负荷数据。
7.根据权利要求6所述的装置，其特征在于，所述参数获取模块包括：
采集点选择单元，用于选择96个数据采集点；
与所述采集点选择单元相连的数据采集单元，用于采集待预测日之前一段时间内每天96个采集点的历史负荷数据、历史气象数据以及待预测日96个采集点的气象预测数据。
8.根据权利要求6所述的装置，其特征在于，所述最终参照日确定模块包括：
日类型确定单元，用于确定所述待预测日的日类型，所述日类型包括：工作日和非工作日；
参照日样本确定单元，用于以所述气象因子为依据，选择与所述待预测日相近的参照日样本；
与所述参照日样本确定单元和所述日类型确定单元相连的最终参照日确定单元，用于从所述参照日样本中选择与所述待预测日的日类型相同的参照日作为最终参照日。
9.根据权利要求6所述的装置，其特征在于，所述预测模型包括：
数据异常处理单元，用于对所述最终参照日的历史电力负荷数据中异常的数据进行处理；
数据归一化处理单元，用于对所述最终参照日的电力负荷数据、气象数据和待预测日的气象预测数据进行归一化处理；
最优参数选择单元，用于确定所述回归型支持向量机的最优参数；
最优参数训练单元，用于利用所述最优参数对所述回归型支持向量机进行训练，得到计算模型；
拟合预测单元，用于通过所述计算模型建立决策函数，根据所述决策函数对待预测日的电力负荷进行预测。
10.根据权利要求9所述的装置，其特征在于，所述预测模型还包括：输出单元，用于输出待预测日的电力负荷数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410594902.2A CN104318332A (zh) | 2014-10-29 | 2014-10-29 | 一种电力负荷预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410594902.2A CN104318332A (zh) | 2014-10-29 | 2014-10-29 | 一种电力负荷预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104318332A true CN104318332A (zh) | 2015-01-28 |
Family
ID=52373560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410594902.2A Pending CN104318332A (zh) | 2014-10-29 | 2014-10-29 | 一种电力负荷预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104318332A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778503A (zh) * | 2015-03-16 | 2015-07-15 | 国家电网公司 | 一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法 |
| CN105469219A (zh) * | 2015-12-31 | 2016-04-06 | 国家电网公司 | 一种基于决策树的电力负荷数据处理方法 |
| CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
| CN106468467A (zh) * | 2015-08-17 | 2017-03-01 | 同方泰德国际科技(北京)有限公司 | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 |
| CN106650979A (zh) * | 2015-10-29 | 2017-05-10 | 中国电力科学研究院 | 一种馈线基线负荷预测方法 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN107120721A (zh) * | 2017-05-25 | 2017-09-01 | 河北健特建筑安装工程有限公司 | 一种集中供热动态气候补偿方法 |
| CN107133702A (zh) * | 2017-05-18 | 2017-09-05 | 北京唐浩电力工程技术研究有限公司 | 一种风电场全场功率预测方法 |
| CN107204615A (zh) * | 2017-06-12 | 2017-09-26 | 郑州云海信息技术有限公司 | 一种实现功率预测的方法及系统 |
| CN107392368A (zh) * | 2017-07-17 | 2017-11-24 | 天津大学 | 一种基于气象预报的办公建筑动态热负荷组合预测方法 |
| CN107730046A (zh) * | 2017-10-23 | 2018-02-23 | 上海积成能源科技有限公司 | 一种电力短期负荷预测系统及方法 |
| CN107742029A (zh) * | 2017-10-19 | 2018-02-27 | 国家电网公司 | 基于支持向量机的增识度超回归负荷建模多曲线拟合模型 |
| CN107895211A (zh) * | 2017-11-27 | 2018-04-10 | 上海积成能源科技有限公司 | 一种基于大数据的中长期电力负荷预测方法和系统 |
| CN108596242A (zh) * | 2018-04-20 | 2018-09-28 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
| CN109886449A (zh) * | 2018-12-30 | 2019-06-14 | 国网浙江省电力有限公司衢州供电公司 | 一种基于用户用电行为的地区电网负荷预测方法 |
| CN110094834A (zh) * | 2019-05-29 | 2019-08-06 | 珠海格力电器股份有限公司 | 基于气象预报数据的空调能耗预测方法、空调 |
| CN111461444A (zh) * | 2020-04-07 | 2020-07-28 | 上海电气风电集团股份有限公司 | 风电场的机组功率的预测方法、系统、介质及电子设备 |
| CN111598303A (zh) * | 2020-04-20 | 2020-08-28 | 广东电网有限责任公司电力调度控制中心 | 一种基于气象成分分解的夏季短期负荷预测方法 |
| CN112365280A (zh) * | 2020-10-20 | 2021-02-12 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
| CN117301936A (zh) * | 2023-11-30 | 2023-12-29 | 国网信息通信产业集团有限公司 | 电动汽车充电负荷控制方法、装置、电子设备及存储介质 |
-
2014
- 2014-10-29 CN CN201410594902.2A patent/CN104318332A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 刘晶: "《基于相似日和支持向量机的短期负荷预测研究》", 《中国优秀硕士论文电子期刊网 工程科技II辑》 * |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778503A (zh) * | 2015-03-16 | 2015-07-15 | 国家电网公司 | 一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法 |
| CN106468467A (zh) * | 2015-08-17 | 2017-03-01 | 同方泰德国际科技(北京)有限公司 | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 |
| CN106468467B (zh) * | 2015-08-17 | 2020-01-07 | 同方泰德国际科技(北京)有限公司 | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 |
| CN106650979A (zh) * | 2015-10-29 | 2017-05-10 | 中国电力科学研究院 | 一种馈线基线负荷预测方法 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN105469219A (zh) * | 2015-12-31 | 2016-04-06 | 国家电网公司 | 一种基于决策树的电力负荷数据处理方法 |
| CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
| CN107133702B (zh) * | 2017-05-18 | 2020-11-13 | 北京唐浩电力工程技术研究有限公司 | 一种风电场全场功率预测方法 |
| CN107133702A (zh) * | 2017-05-18 | 2017-09-05 | 北京唐浩电力工程技术研究有限公司 | 一种风电场全场功率预测方法 |
| CN107120721B (zh) * | 2017-05-25 | 2019-08-09 | 石家庄华浩能源科技有限公司 | 一种集中供热动态气候补偿方法 |
| CN107120721A (zh) * | 2017-05-25 | 2017-09-01 | 河北健特建筑安装工程有限公司 | 一种集中供热动态气候补偿方法 |
| CN107204615A (zh) * | 2017-06-12 | 2017-09-26 | 郑州云海信息技术有限公司 | 一种实现功率预测的方法及系统 |
| CN107204615B (zh) * | 2017-06-12 | 2020-02-28 | 郑州云海信息技术有限公司 | 一种实现功率预测的方法及系统 |
| CN107392368A (zh) * | 2017-07-17 | 2017-11-24 | 天津大学 | 一种基于气象预报的办公建筑动态热负荷组合预测方法 |
| CN107392368B (zh) * | 2017-07-17 | 2020-11-10 | 天津大学 | 一种基于气象预报的办公建筑动态热负荷组合预测方法 |
| CN107742029A (zh) * | 2017-10-19 | 2018-02-27 | 国家电网公司 | 基于支持向量机的增识度超回归负荷建模多曲线拟合模型 |
| CN107730046A (zh) * | 2017-10-23 | 2018-02-23 | 上海积成能源科技有限公司 | 一种电力短期负荷预测系统及方法 |
| CN107895211A (zh) * | 2017-11-27 | 2018-04-10 | 上海积成能源科技有限公司 | 一种基于大数据的中长期电力负荷预测方法和系统 |
| CN108596242B (zh) * | 2018-04-20 | 2021-03-23 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
| CN108596242A (zh) * | 2018-04-20 | 2018-09-28 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
| CN109886449A (zh) * | 2018-12-30 | 2019-06-14 | 国网浙江省电力有限公司衢州供电公司 | 一种基于用户用电行为的地区电网负荷预测方法 |
| CN110094834B (zh) * | 2019-05-29 | 2020-08-11 | 珠海格力电器股份有限公司 | 基于气象预报数据的空调能耗预测方法、空调 |
| CN110094834A (zh) * | 2019-05-29 | 2019-08-06 | 珠海格力电器股份有限公司 | 基于气象预报数据的空调能耗预测方法、空调 |
| CN111461444A (zh) * | 2020-04-07 | 2020-07-28 | 上海电气风电集团股份有限公司 | 风电场的机组功率的预测方法、系统、介质及电子设备 |
| CN111461444B (zh) * | 2020-04-07 | 2023-07-18 | 上海电气风电集团股份有限公司 | 风电场的机组功率的预测方法、系统、介质及电子设备 |
| CN111598303A (zh) * | 2020-04-20 | 2020-08-28 | 广东电网有限责任公司电力调度控制中心 | 一种基于气象成分分解的夏季短期负荷预测方法 |
| CN112365280A (zh) * | 2020-10-20 | 2021-02-12 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
| CN112365280B (zh) * | 2020-10-20 | 2024-04-19 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
| CN117301936A (zh) * | 2023-11-30 | 2023-12-29 | 国网信息通信产业集团有限公司 | 电动汽车充电负荷控制方法、装置、电子设备及存储介质 |
| CN117301936B (zh) * | 2023-11-30 | 2024-02-06 | 国网信息通信产业集团有限公司 | 电动汽车充电负荷控制方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104318332A (zh) | 一种电力负荷预测方法和装置 | |
| CN111639815B (zh) | 一种多模型融合预测电网缺陷物资的方法及系统 | |
| CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| Dehghani et al. | Probabilistic hydrological drought index forecasting based on meteorological drought index using Archimedean copulas | |
| CN103996082B (zh) | 一种基于双重随机理论的太阳辐射强度预测方法 | |
| CN103295081A (zh) | 基于bp神经网络的电力系统负荷预测方法 | |
| CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
| CN106779223A (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
| CN110222882A (zh) | 一种电力系统中长期负荷的预测方法和装置 | |
| CN103853106A (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
| CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
| CN103424654A (zh) | 一种敏感设备电压暂降敏感度的评估方法 | |
| CN105046953A (zh) | 一种短时交通流组合预测方法 | |
| CN103116711B (zh) | 基于辐照度特征参数的天气类型辨识方法 | |
| CN103679263A (zh) | 基于粒子群支持向量机的雷电临近预测方法 | |
| CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
| CN104156786A (zh) | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 | |
| CN108090629A (zh) | 基于非线性自回归神经网络的负荷预测方法与系统 | |
| CN102147839A (zh) | 一种光伏发电量预测方法 | |
| CN112285807A (zh) | 一种气象信息预测方法及装置 | |
| CN104809532A (zh) | 一种光伏系统发电量的预测方法 | |
| CN103838979A (zh) | 一种基于支持向量机算法的统计降尺度方法 | |
| CN105303268A (zh) | 基于相似度理论的风力发电输出功率预测方法 | |
| CN114638425B (zh) | 一种基于历史数据的大用户月度用电量预测方法及系统 | |
| CN103544539A (zh) | 一种基于人工神经网络和d-s证据理论的用户变化量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150128 |