CN104616079B - 基于气温变化的电网日用电量预测方法 - Google Patents
基于气温变化的电网日用电量预测方法 Download PDFInfo
- Publication number
- CN104616079B CN104616079B CN201510056866.9A CN201510056866A CN104616079B CN 104616079 B CN104616079 B CN 104616079B CN 201510056866 A CN201510056866 A CN 201510056866A CN 104616079 B CN104616079 B CN 104616079B
- Authority
- CN
- China
- Prior art keywords
- temperature
- electricity
- daily
- economic
- power consumption
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000005611 electricity Effects 0.000 claims abstract description 119
- 238000007689 inspection Methods 0.000 claims abstract description 7
- 241001123248 Arma Species 0.000 claims abstract description 4
- 238000006467 substitution reaction Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 3
- 238000005311 autocorrelation function Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000010206 sensitivity analysis Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 230000033228 biological regulation Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于气温变化的电网日用电量预测方法,包括以下步骤:获取历史样本区间的数据;对日用电量进行分解,将其分解为气温电量与经济电量;采用分离出来的气温电量数据构建气温与气温电量之间关系的预测模型;采用ARMA算法对上述模型进行改进;对预测模型进行回代检验和应用检验,以判断模型的预测精度。本发明从电网日用电量入手,首先将日用电量分解为经济电量和气温电量,再构建气温与日用电量之间的预测模型,根据日气温变化和经济发展形势就可以分别预测出每日的经济电量和气温电量,将经济电量和气温电量加总就可以得到电网日用电量,从而为电网调控提供重要的依据。
Description
技术领域
本发明涉及电网电量预测技术领域,具体是一种基于气温变化的电网日电量预测方法。
背景技术
电力需求除了受到经济发展的影响及其行业自身周期性规律影响外,还受到其它外在因素的影响。要进行电力的科学合理调度,需要考虑的因素很多,也很复杂。工业在一定时期内是比较稳定的,不稳定的是居民生活用电,而居民大功率耗电设备是制冷、取暖等设备,这些设备的使用与气温等气象要素密切相关,因此分析用电量与气温的关系进而利用气温等要素预测用电量就成为可能。所以研究气象因素对电力需求规律的影响规律,在此基础之上建立合适的电力需求预测模型是提高电力预测精度的关键。因此,将气象因素用于用电量预测是目前这一研究领域的热点。
发明内容
本发明提供一种基于气温变化的电网日用电量预测方法,通过该方法能够弥补现有预测方法的不足之处,进而能够对电网日用电量进行更准确的预测,为电力市场分析与电网规划人员把握日用电量变化规律提供参考依据。
为解决上述技术问题,本发明采用如下技术方案:
一种基于气温变化的电网日用电量预测方法,包括如下步骤:
(1)获取历史样本区间的数据,包括每天的日用电量、日平均气温、日最低气温以及日最高气温;
(2)对历史样本区间的数据日用电量进行分解,总用电量分为以下两个组成部分:
E=EG+ET
其中,E表示每日的总用电量;EG表示用电量随时间而增长的部分,称为经济电量;ET表示由气温变化导致的用电量,称为气温电量;
采用线性时间趋势回归方程计算经济电量EG,经济电量随时间变化的回归方程如下:
其中,week为工作日与周末的虚拟变量(week,工作日取值为1,周末或假日取值为0),εt表示残差项;α、β、γ表示常数;
(3)从历史样本数据的日用电量中剔除经济电量,即得到历史样本区间的气温电量;
(4)采用分离出来的气温电量数据构建气温与气温电量之间关系的预测模型,如下所示:
其中,T表示每日平均气温,T0表示气温电量变化的临界温度,εt表示随机误差项;
(5)通过对模型残差的自相关函数和偏自相关函数的分析,以当日气温电量为因变量,气温电量的滞后项为自变量,采用ARMA算法对上述气温电量的预测模型进行改进,如下所示:
(6)对预测方法进行回代检验和应用检验,以判断模型的预测精度;
(7)预测电网日用电量:
获取目标区间的数据,利用步骤(2)的计算方法得到出经济电量,利用步骤(5)中的预测模型得到气温电量,再将经济电量与气温电量加总进而得到预测日用电量。
步骤(2)中,还包括进一步分离经济电量,采用一阶自回归模型,计量方程如下:
其中,扰动项εt为白噪声过程,和分别表示日用电量的当期值和滞后一期值。
步骤(3)中,还包括对日用电量和气温进行敏感性分析,得到气温影响日用电量的临界气温,然后从气温高于临界气温的日用电量中分离出气温电量。
步骤(4)中,还包括对所构建的预测模型进行t检验、R2检验和F检验。
由以上技术方案可知,本发明将日用电量分解为气温电量与经济电量,构建气温电量和气温之间的预测模型,并引入ARMA算法对模型进行改进,再针对经济电量构建线性时间趋势回归模型,该模型使用的气温因素能够准确地反映日用电量随经济电量的波动情况,并据此准确预测日用电量大小,从而为电网调控、运营提供依据。
附图说明
图1为本发明的方法流程图;
图2为本发明具体实施例对安徽省2013年夏季日用电量进行预测的预测值与实际值的比较图。
具体实施方式
下面,以安徽省2013年逐日用电量作为实施例来说明本发明一种基于气温变化的电网日用电量预测方法的具体实施方式,包括以下步骤:
步骤(1):采集安徽省2013年逐日用电量、日平均气温、日最高气温和日最低气温的数据。
在对历史样本数据按季节对日用电量与日平均气温、日最高气温和日最低气温进行相关性分析发现,首先,冬季日用电量与日平均气温、最高气温与最低气温的相关系数显著为负,这说明气温的下降导致用电量的上升。而春、秋季日用电量与气温虽然也是负相关关系,但是相关系数较小且在统计上并不显著,该季节一般气温都很适宜,人体感觉较为舒适,所以用电量基本维持在正常水平,不会有太大的波动。夏季日用电量与日平均气温、最高气温与最低气温的相关系数皆在1%的统计性水平上显著为正,且相关系数也远远高于冬季。从气温与日用电量相关系数的大小来看,日平均气温与用电量的相关系数最大(0.8165)。据此,采用安徽省夏季为研究对象,重点分析日平均气温与用电量的关系。
(2)对历史样本区间的数据日用电量进行分解,采用线性时间趋势回归方程得到日用电量的长期变化趋势项,即为经济电量,总用电量分为以下两个组成部分:
E=EG+ET
其中,E表示夏季每日的总用电量,EG表示用电量随时间而增长的部分,这主要是由于国民经济的快速发展和人民生活水平的提高导致的,简称“经济电量”。ET表示由气温变化导致的用电量,简称“气温变量”。采用线性时间趋势回归方程计算经济电量,经济电量随时间变化的回归方程如下:
其中,EG表示表示用电量随时间而增长的部分,即经济电量;由于考虑到周末的用电量较工作日有很大的差异,因此采用week反映工作日与周末的虚拟变量(week,工作日取值为1,周末或假日取值为0);εt表示残差项。
选取安徽省2013年2月10日到6月14日为样本数据进行回归,选择这段时期计算的经济电量应该更准确,因为这段时间的用电量受气温影响作用很小。采用STATA软件对上式进行最小二乘法回归,可得经济电量随时间变化的线性趋势方程如下:
EG=31176.81+17.403t+1431.354week
(84.70) (4.14) (4.51)
F=18.73,R2=0.2349
从上式的回归结果可以看出线性趋势的拟合优度太低(只有0.2349),为了更准确的分离经济电量,接下来再采用时间序列数据分析方法计算经济电量。在这里采用最简单的一阶自回归模型AR(1),计量方程如下:
其中,扰动项εt为白噪声过程,和分别表示日用电量的当期值和滞后一期值。采用STATA软件对上式进行最小二乘法回归,可得经济电量的回归方程形式如下:
EG t=6518.65+0.787EG t-1+889.399wt
(4.63) (18.46) (5.17)
F=200.29,R2=0.7680
(3)从历史样本数据的日用电量中剔除经济电量,即得到历史样本区间的气温电量;
日用电量与气温间的相互关系表明,日用电量与气温的在冬季和夏季高度相关,而在春、秋季则关系不大,季节的差异主要体现在气温的差异。那么由此可知一定存在一个高温阈值,当气温高于高温阈值时,日用电量随着气温的变化而变化,而当气温低于高温阈值时,日用电量不随气温的变化而变化。以1℃作为单位,对安徽省2013年夏季日用电量按照温度进行分组,为减少波动性,将同一温度下的日用电量取平均值,通过分析可以确定日用电量对气温的敏感点为25℃,只有当日平均气温高于该温度时,日用电量才会有显著的增加,此时就应该考虑增加用电计划。
(4)采用分离出来的气温电量数据构建气温与气温电量之间关系的预测模型;
其中,T表示每日平均气温且大于25℃,T0表示气温电量变化的临界温度25℃,εt表示随机误差项。
(5)考虑到日用电量具有累积效应,前期用电量会影响当期日用电量,持续的高温也会产生累计效应影响当期用电量,以当日气温电量为因变量,气温电量的滞后项为自变量得到如下形式的ARMAX模型:
选取安徽省2013年夏季气温高于25℃的天数,总计共有74天,选择其中的60个样本数据,高温时期内剩余的14天作为对上述回归模型的检验。根据逐步回归方法确立了经济电量影响当期用电量的最佳滞后阶数是2,据此对自回归模型进行回归得到以下回归方程:
Et=-2223.67+0.318Et-1+0.159Et-2+1591.96(T-T0),
(-5.45) (3.49) (2.45) (13.94)
F=588.72,R2=0.9709
(6)对预测方法进行回代检验和应用检验,以判断模型的预测精度;
下面采用安徽省2014年8月16日-8月30日的用电量与气温的数据进行检验,首先根据前文关于经济电量的计算方法预测出2013年8月份的经济电量,利用气温电量的预测模型可以得到2013年8月份下旬的气温电量,经济电量、气温电量的预测结果如表1所示。
日期 | 实际气温 | 经济电量 | 气温电量 |
8.16 | 33.5 | 36073 | 18348.47 |
8.17 | 33.8 | 36091 | 19276.44 |
8.18 | 33.2 | 36108 | 17309.68 |
8.19 | 32.5 | 36126 | 11564.64 |
8.20 | 33.0 | 36143 | 9463.544 |
8.21 | 33.1 | 36161 | 9291.464 |
8.22 | 32.2 | 36178 | 8394.124 |
8.23 | 32.1 | 36195 | 8715.123 |
8.24 | 32.7 | 36213 | 7339.876 |
8.25 | 31.5 | 36230 | 3917.382 |
8.26 | 28.5 | 36248 | 1710.986 |
8.27 | 28.5 | 36265 | 3792.852 |
8.28 | 29.1 | 36282 | 7831.329 |
8.29 | 28.3 | 36300 | 8968.94 |
8.30 | 29.3 | 36317 | 6237.635 |
表1 安徽省2013年8月份经济电量预测结果
将气温电量与经济电量加总得到2013年8月份的预测电量如表2所示,从该表可以看出,使用该方法计算8月份用电量的平均绝对值误差为2.02%,采用该方法计算夏季高温天气的日用电量的预测精度是较高的,预测结果也较为可信。
日期 | 实际气温 | 实际电量 | 预测电量 | 预测误差 |
8.16 | 33.5 | 55940.7 | 54892.77 | 1.87% |
8.17 | 33.8 | 55911.7 | 55697.45 | 0.38% |
8.18 | 33.2 | 53495.44 | 53677.35 | 0.34% |
8.19 | 32.5 | 49083.37 | 48196.30 | 1.81% |
8.20 | 33.0 | 46823.94 | 46380.37 | 0.95% |
8.21 | 33.1 | 47645.6 | 45878.87 | 3.71% |
8.22 | 32.2 | 44989.6 | 44488.59 | 1.11% |
8.23 | 32.1 | 45706.1 | 45386.63 | 0.70% |
8.24 | 32.7 | 44162.34 | 43461.07 | 1.59% |
8.25 | 31.5 | 40037.72 | 40336.11 | 0.75% |
8.26 | 28.5 | 39653.55 | 38505.56 | 2.90% |
8.27 | 28.5 | 41606.46 | 40057.96 | 3.72% |
8.28 | 29.1 | 46423.47 | 43835.80 | 5.57% |
8.29 | 28.3 | 46014.41 | 44562.91 | 3.15% |
8.30 | 29.3 | 43386.94 | 42616.92 | 1.77% |
平均绝对值误差 | 2.02% |
表2 安徽省2013年8月份用电量预测结果
以上所述实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (4)
1.一种基于气温变化的电网日用电量预测方法,其特征在于,包括如下步骤:
(1)获取历史样本区间的数据,包括每天的日用电量、日平均气温、日最低气温以及日最高气温;
(2)对历史样本区间的数据日用电量进行分解,总用电量分为以下两个组成部分:
E=EG+ET
其中,E表示每日的总用电量;EG表示用电量随时间而增长的部分,称为经济电量;ET表示由气温变化导致的用电量,称为气温电量;
采用线性时间趋势回归方程计算经济电量EG,经济电量随时间变化的回归方程如下:
其中,week为工作日与周末的虚拟变量(week,工作日取值为1,周末或假日取值为0),εt表示残差项;α、β、γ表示常数;
(3)从历史样本数据的日用电量中剔除经济电量,即得到历史样本区间的气温电量;
(4)采用分离出来的气温电量数据构建气温与气温电量之间关系的预测模型,如下所示:
其中,α0和α1表示将气温和用电量数据带入计量模型回归得到的回归系数,T表示每日平均气温,T0表示气温电量变化的临界温度,εt表示随机误差项;
(5)通过对模型残差的自相关函数和偏自相关函数的分析,以当日气温电量为因变量,气温电量的滞后项为自变量,采用ARMA算法对上述气温电量的预测模型进行改进,如下所示:
其中,ET表示当期由气温变化导致的用电量,分别表示t-1期到t-p期的气温电量,α0,α1……,αp分别表示将气温和用电量数据带入计量模型回归得到的回归系数,εt表示随机误差项;
(6)对预测方法进行回代检验和应用检验,以判断模型的预测精度;
(7)预测电网日用电量:
获取目标区间的数据,利用步骤(2)的计算方法得到出经济电量,利用步骤(5)中的预测模型得到气温电量,再将经济电量与气温电量加总进而得到预测日用电量。
2.根据权利要求1所述的电网日用电量预测方法,其特征在于,步骤(2)中,还包括进一步分离经济电量,采用一阶自回归模型,计量方程如下:
其中,α0和α1分别表示将用电量数据带入计量模型所得的回归系数,wt表示工作日与周末虚拟变量,工作日取1,周末或假日取0,扰动项εt为白噪声过程,和分别表示日用电量的当期值和滞后一期值。
3.根据权利要求1所述的电网日用电量预测方法,其特征在于,步骤(3)中,还包括对日用电量和气温进行敏感性分析,得到气温影响日用电量的临界气温,然后从气温高于临界气温的日用电量中分离出气温电量。
4.根据权利要求1所述的电网日用电量预测方法,其特征在于,步骤(4)中,还包括对所构建的预测模型进行t检验、R2检验和F检验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510056866.9A CN104616079B (zh) | 2015-02-04 | 2015-02-04 | 基于气温变化的电网日用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510056866.9A CN104616079B (zh) | 2015-02-04 | 2015-02-04 | 基于气温变化的电网日用电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104616079A CN104616079A (zh) | 2015-05-13 |
CN104616079B true CN104616079B (zh) | 2018-08-03 |
Family
ID=53150515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510056866.9A Active CN104616079B (zh) | 2015-02-04 | 2015-02-04 | 基于气温变化的电网日用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616079B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069536B (zh) * | 2015-08-19 | 2018-08-03 | 国网安徽省电力公司经济技术研究院 | 一种基于气温与经济增长的用电需求预测方法 |
CN105046372B (zh) * | 2015-08-24 | 2021-07-16 | 广州市气候与农业气象中心 | 一种逐日蔬菜价格的预测方法和装置 |
CN105608333B (zh) * | 2016-01-26 | 2018-04-03 | 广东电网有限责任公司电力科学研究院 | 一种考虑多区域差异的气象敏感电量挖掘方法 |
CN106022536B (zh) * | 2016-05-30 | 2018-03-30 | 中国南方电网有限责任公司电网技术研究中心 | 季节性用电预测方法和系统 |
CN107273998B (zh) * | 2016-06-30 | 2024-02-13 | 国网江苏省电力公司南通供电公司 | 一种用于台区日用电量预测的气温修正方法 |
CN107169596B (zh) * | 2016-06-30 | 2024-02-09 | 国网江苏省电力公司南通供电公司 | 基于人体舒适度的台区日用电量的预测方法 |
CN106447067A (zh) * | 2016-06-30 | 2017-02-22 | 国网江苏省电力公司南通供电公司 | 基于自适应非线性回归模型的台区日用电量的预测方法 |
CN106771429B (zh) * | 2016-12-28 | 2019-07-26 | 湖南大学 | 用电量模式学习方法、装置及智能电表 |
CN106844594A (zh) * | 2017-01-12 | 2017-06-13 | 南京大学 | 一种基于大数据的电力优化配置方法 |
CN109752629B (zh) * | 2017-11-07 | 2022-09-23 | 中国电力科学研究院有限公司 | 一种电网量测问题智能诊断方法及系统 |
CN108022017A (zh) * | 2017-12-11 | 2018-05-11 | 中国水利水电科学研究院 | 一种基于气候变化的能源消耗预测方法 |
CN111582568B (zh) * | 2020-04-28 | 2023-12-19 | 国网湖南省电力有限公司 | 基于电力数据的春节期间企业复工预测方法 |
CN111598349A (zh) * | 2020-05-22 | 2020-08-28 | 国网重庆市电力公司电力科学研究院 | 一种短期用电量预测方法、装置及可读存储介质 |
CN112907062B (zh) * | 2021-02-08 | 2024-04-02 | 国网安徽省电力有限公司蚌埠供电公司 | 融合温度特征的电网电量预测方法、装置、介质及终端 |
CN113449919B (zh) * | 2021-06-29 | 2022-12-09 | 国网山东省电力公司菏泽供电公司 | 一种基于特征和趋势感知的用电量预测方法及系统 |
CN116090620B (zh) * | 2022-12-30 | 2023-10-13 | 厦门大学 | 一种基于气温惯性效应的电量预测方法、终端设备及介质 |
CN116701481A (zh) * | 2023-04-21 | 2023-09-05 | 国网宁夏电力有限公司 | 一种电采暖用电量波动分析系统及方法 |
CN116436002B (zh) * | 2023-06-13 | 2023-09-05 | 成都航空职业技术学院 | 一种楼宇用电预测方法 |
CN117728566A (zh) * | 2023-12-05 | 2024-03-19 | 国网安徽省电力有限公司黄山供电公司 | 一种移动储能远程控制方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218675A (zh) * | 2013-05-06 | 2013-07-24 | 国家电网公司 | 一种基于聚类和滑动窗口的短期负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278165A1 (en) * | 2013-03-14 | 2014-09-18 | Johnson Controls Technology Company | Systems and methods for analyzing energy consumption model data |
-
2015
- 2015-02-04 CN CN201510056866.9A patent/CN104616079B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218675A (zh) * | 2013-05-06 | 2013-07-24 | 国家电网公司 | 一种基于聚类和滑动窗口的短期负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
ARMA模型在哈尔滨气温预测中的应用;丛凌博等;《数学的实践与认识》;20120823;第42卷(第16期);第190-195页 * |
气温对浙江电网用电量影响的研究;李继红等;《华东电力》;20051124;第33卷(第11期);第39-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104616079A (zh) | 2015-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104616079B (zh) | 基于气温变化的电网日用电量预测方法 | |
Han et al. | Quantitative evaluation method for the complementarity of wind–solar–hydro power and optimization of wind–solar ratio | |
Rio et al. | A thermal plume model for the convective boundary layer: Representation of cumulus clouds | |
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
Schulz et al. | Post-processing numerical weather prediction ensembles for probabilistic solar irradiance forecasting | |
Chen et al. | Impacts of climate change and LULC change on runoff in the Jinsha River Basin | |
Lee et al. | Generation of typical weather data using the ISO Test Reference Year (TRY) method for major cities of South Korea | |
Lee et al. | Quality control and estimation hourly solar irradiation on inclined surfaces in South Korea | |
McFarquhar et al. | SCM simulations of tropical ice clouds using observationally based parameterizations of microphysics | |
Senturk et al. | A new method to simulate photovoltaic performance of crystalline silicon photovoltaic modules based on datasheet values | |
Clark et al. | Growth of spread in convection-allowing and convection-parameterizing ensembles | |
CN109858758A (zh) | 一种配电网电能质量的组合赋权评估方法及系统 | |
CN106461251B (zh) | 利用预测日射量的室内冷热负荷预测方法 | |
CN102945508A (zh) | 一种基于模型校正的风电功率预测预报系统及方法 | |
KR102578223B1 (ko) | 태양광 발전량 예측 장치 | |
CN110363432A (zh) | 基于改进熵权-灰色关联的配电网可靠性影响分析方法 | |
CN107423836A (zh) | 基于体感温度的短期负荷预测方法 | |
Peruchena et al. | Generation of series of high frequency DNI years consistent with annual and monthly long-term averages using measured DNI data | |
Schwartz | Reply to comments by G. Foster et al., R. Knutti et al., and N. Scafetta on “Heat capacity, time constant, and sensitivity of Earth’s climate system” | |
CN110119556A (zh) | 一种区域水源涵养功能的时空演变分析方法 | |
CN105631520A (zh) | 一种提取风速随机模糊不确定特征的建模新方法 | |
Bulut | Generation of typical solar radiation data for Istanbul, Turkey | |
Alsamamra et al. | Assessment of wind power potential at Eastern-Jerusalem, Palestine | |
Singh et al. | Deterministic and probabilistic analysis of different empirical models to estimate monthly mean diffuse solar radiation for composite climatic region of India | |
CN112287299B (zh) | 河流健康变化定量归因方法、装置及系统 |
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 |