CN104978610A - 电网需求侧可调度容量预测方法及电力调度方法 - Google Patents
电网需求侧可调度容量预测方法及电力调度方法 Download PDFInfo
- Publication number
- CN104978610A CN104978610A CN201510379210.0A CN201510379210A CN104978610A CN 104978610 A CN104978610 A CN 104978610A CN 201510379210 A CN201510379210 A CN 201510379210A CN 104978610 A CN104978610 A CN 104978610A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- capacity
- schedulable
- influence factor
- 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
-
- Y—GENERAL 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems 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)
Abstract
本发明公开了一种电网需求侧可调度容量预测方法,属于智能电网与计算机数据挖掘相交叉的技术领域。本发明充分考虑了对需求侧可调度容量会产生影响的用户基本情况、用户中断能力、用户中断意愿这三方面信息,并进一步从中选出最重要的影响因素,对所选出的影响因素采用评分的方式进行量化,并结合神经网络构建需求侧可调度容量预测模型。本发明还公开了一种采用上述预测方法的电力调度方法。相比现有技术,本发明方法具有更高的预测精度和预测准确度,可为电网调度、电价设定、电网可靠性分析等应用提供强有力的数据支持。
Description
技术领域
本发明涉及一种电网需求侧可调度容量预测方法,属于智能电网与计算机数据挖掘相交叉的技术领域。
背景技术
电网调度是指电网调度机构为保障电网的安全、优质、经济运行,对电网运行进行的组织、指挥、指导和协调。其主要工作包括:①预测用电负荷,②制订发电任务、运行方式和运行计划,③进行安全监控和安全分析,④指挥操作和处理事故。传统的电力系统调度对于能源调度主要是依靠发电机组组合,本发明是将需求侧调度的角度研究需求响应对电网安全稳定运行的影响。
需求响应(Demand Response,简称DR)概念的提出,改变了过去单纯依靠电力供应侧的发展来满足不断增长的电力需求的固定思维,将需求侧作为供应侧电能的可替代资源加以利用。这一理念的运用是电力工业的一场效率革命,它不仅可以缓解电力供应紧张困窘局面,还能促进环境保护和能源节约,因此需求响应很快在国际上得到广泛的认同和推行。
需求侧资源可调度容量预测方法,可以有效评估需求响应潜力和预期效果,为电网调度预案的安排提供依据;提出需求侧资源优化调度策略,在确保电网安全稳定运行的前提下,实现需求侧资源与新能源、常规电源之间的互补消纳,并且根据电网安全运行的约束条件,不断修正需求响应的实施预案。
在提升电网动态平衡能力的需求侧资源调度方面的研究,国外起步较早。国外专家提出一种有效的负荷模型,利用峰负荷、谷负荷、总消耗电量来描述反转负荷持续曲线,来实现需求侧可调度资源容量的预测,但该模型过于复杂,实现起来困难,采用的较少;美国专家通过可蓄能工业用户对实时电价的响应,建立了此类用户的数学模型,提出了相应的算法,并仿真出用户响应需求侧管理的实施可以节约的电费以及可以采取的措施以此来预测可调度资源的容量,不过此模型过于笼统,从中无法看出其是如何对用户进行具体描述的,因此,该模型并没有被大量的引用。
虽然在需求侧管理方面研究已经取得了一些的成果,但在中国的实际应用中针对需求侧资源的预测研究还是存在以下不足:
(1)针对可调度资源容量的预测的研究比较少,大部分预测是针对于用户负荷预测,而用户的负荷和可调度资源特性完全不一样,预测方法也不相同。
(2)已有的需求侧可调度资源预测比较粗略,考虑的影响因素较为简单,容量预测方法往往只针对某一特定行业或者用户预测,适用性小。
(3)需求侧可调度资源容量的影响因素繁多,部分影响因素难以定量分析,难以构建可供实用的预测模型。
(4)需求侧可调度资源容量波动大,现有技术难以保证预测精度。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种电网需求侧可调度容量预测方法,具有更高的预测精度和预测准确度,可为电网调度、电价设定、电网可靠性分析等应用提供强有力的数据支持。
一种电网需求侧可调度容量预测方法,包括训练阶段和预测阶段,
所述训练阶段具体如下:
选取一系列典型用户,以单个用户的影响因素信息量化数据和历史可调度容量的标幺值作为一个数据样本,得到训练样本集;以影响因素信息量化数据作为输入,以历史可调度容量的标幺值作为输出,利用所述训练样本集对神经网络进行训练,训练完成后即得到可调度容量预测模型;其中,用户的影响因素信息量化数据是通过对用户的影响因素信息进行量化处理得到,所述影响因素信息至少包括以下三方面信息:用户基本情况信息、用户中断能力信息、用户中断意愿信息;用户的历史可调度容量的标幺值按照下式得到:
式中,ki表示第i个用户的历史可调度容量的标幺值,Pik表示i个用户的历史可调度容,量,Pi表示第i个用户的历史负荷最大容量,i=1,2,…,N,N为训练阶段所选取典型用户的总数;
所述预测阶段具体如下:
以待预测用户的影响因素信息量化数据作为可调度容量预测模型的输入,得到可调度容量预测模型的输出;然后用可调度容量预测模型的输出乘以该用户的历史负荷最大容量,即得到该用户的可调度容量预测值。
用户基本情况、用户中断能力、用户中断意愿这三方面信息基本涵盖了对可调度容量产生影响的因素,因此据此建立的预测模型更准确全面。这三方面信息具体所包含的信息项可根据实际情况灵活选取,本发明优选以下技术方案:
所述用户基本情况信息至少包括以下各项信息:行业类型、企业性质、生产班制;所述用户中断能力信息至少包括以下各项信息:可转移用电设备容量占总设备容量比例、供电系统要求不高的“柔性负荷”(常规上,许多用电负荷需求必须随时满足,这是一种“刚性”特征;但相对来说,有些负荷可以根据需要在一定的范围内进行调整,本领域将此类负荷称之为“柔性负荷”。柔性负荷既包括电力用户中的工业负荷、商业负荷以及居民生活负荷中的空调、冰箱等传统负荷,也包括储能、电动汽车等双向可控负荷,这些需求侧资源均可实时响应电网需求并参与电力供需平衡。)占总设备容量比例、可用于削峰的储存能量设备占总设备容量比例;所述用户中断意愿信息至少包括以下各项信息:电费占总成本比例、单位缺电成本、中断发生时间、中断持续时间、中断持续时间、用户用电量的不确定性。
优选地,所述对用户的影响因素信息进行量化处理,具体为根据预设评分标准对用户的各项影响因素信息进行评分。
各项影响因素信息具体的评分标准可按照实际调研和专家分析建立,优选地,所述用户基本情况信息的评分标准具体如下:
行业类型评分标准:
石油化工 | 80-100 |
机械制造 | 80-100 |
冶金 | 80-100 |
建材 | 80-100 |
造纸 | 80-100 |
纺织 | 80-100 |
食品医药制造 | 60-90 |
电气电子 | 60-90 |
其它 | <60 |
企业性质评分标准:
国有 | 70 |
集体 | 80 |
私营 | 90 |
股份制 | 90 |
合资 | 85 |
外商独资 | 95 |
生产班制评分标准:
一班制 | 0-50 |
两班制 | 50-75 |
三班制 | 75-100 |
。
优选地,所述中断能力信息的评分标准具体如下:
优选地,所述中断意愿信息的评分标准具体如下:
根据相同的发明思路,还可以得到以下技术方案:
一种电力调度方法,包括对电网需求侧可调度容量进行预测的步骤,使用如上任一技术方案所述预测方法对电网需求侧可调度容量进行预测。
相比现有技术,本发明具有以下有益效果:
1.本发明方法考虑了用户所属行业类型行、企业性质、生产班制权、可转移用电设备容量占总设备容量比例、供电系统要求不高的“柔性负荷”占总设备容量比例、可用于削峰的储存能量设备占总设备容量比例、电费占总成本比例、单位缺电成本、中断发生时间、中断持续时间、用户用电量的不确定性这些复杂因素对需求侧可调度容量的影响,提高了预测的精度。
2.本发明提出了完整的影响因素评分标准体系,可以有效地对部分难以量化的影响因素进行评分量化,通过这种方法得到的各个影响因素的量化数据,可作为神经网络的输入向量,从而可加快运算速度,避免了神经网络再进行复杂的数据处理。
3.本发明方法克服了需求侧可调度容量数据数量级不统一、波动大、影响因素繁多等难点,提高了需求侧可调度资源容量预测的精度和运算速度,对需求侧可调度容量预测的实际操作提供了有效可行的方法。
附图说明
图1为本发明预测方法的基本流程示意图;
图2为神经网络的工作流程示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
要提高需求侧可调度容量的预测精确度,则需要构建全面准确的预测模型,而其中的核心是找出对需求侧可调度容量会产生影响的影响因素。本发明所建立的预测模型全面考虑了用户基本情况、用户中断能力、用户中断意愿这三方面信息,并进一步从中选出最重要的影响因素,本发明所考虑的需求侧可调度容量影响因素详见表1。
表1需求侧可调度容量影响因素列表
本发明预测方法包括训练阶段和预测阶段,其基本流程如图1所示,具体如下:
步骤1:选取不同行业的多个用户作为研究对象,获取各用户的历史可调度容量、历史电量以及表1中所列的各项影响因素信息;对各个用户的历史可调度容量进行标幺化处理:
所述标幺化处理的公式具体如下:
式中,ki表示第i个用户的历史可调度容量的标幺值,Pik表示i个用户的历史可调度容,量,Pi表示第i个用户的历史负荷最大容量,i=1,2,…,N,N为所选取用户的总数。
步骤2:对步骤1中所得到的所有用户的影响因素信息进行分析,确定一个对应的用户可调度容量影响因素打分标准;本实施例中所确定的打分标准具体如下:
1)行业类型打分标准
石油化工 | 80-100 |
机械制造 | 80-100 |
冶金 | 80-100 |
建材 | 80-100 |
造纸 | 80-100 |
纺织 | 80-100 |
食品医药制造 | 60-90 |
电气电子 | 60-90 |
其它 | <60 |
这里主要考虑企业是否配有自备电站以及生产工序连续程度。例如石油化工企业多设有自备电站,可在外部电网中断电力供应后,独自承担本企业全部或大部分电力负荷,故其行业类型分数较高(80-100);电气电子企业用电量相对不高,一般无自备电站,但其生产工序连续程度高,不宜中断,故其行业类型分数较低(60-90)。
2)企业性质打分标准
国有 | 70 |
集体 | 80 |
私营 | 90 |
股份制 | 90 |
合资 | 85 |
外商独资 | 95 |
这里主要与企业对电费的关注程度以及用电管理水平相关。例如外商独资企业一般用电管理精细化程度高且对电费支出较关注,更愿意参与需求侧管理,故其企业性质分数较高(95);国有企业常与供电企业保持长期稳定的合作关系,需求侧管理项目对其吸引力不大,故其企业性质分数较低(70)。
3)生产班制打分标准
一班制 | 0-50 |
两班制 | 50-75 |
三班制 | 75-100 |
生产班制越多,将中断负荷转移的可能性越高,分值越高,如一班制为0-50分,三班制75-100分。
4)用户中断能力打分标准
如果某个企业可转移用电设备容量占总设备容量比例或供电系统要求不高的“柔性负荷”占总设备容量比例越高,表示其可中断的负荷比例越高;如果某个企业可用于削峰的储存能量设备占总设备容量比例越高,表示其能承担的可中断负荷越大及持续时间越长。
5)用户中断意愿打分参考标准
如果电费占总企业成本比例较高,说明其越需参与需求侧管理项目,例如超过20%,分值可达100;如果单位缺电成本越低,对于电网公司而言,更愿意与其签订需求侧管理合同,例如低于1元/kWh,分值可达100;如果中断发生时间与电网高峰时间重合度越高,说明该企业更具中断价值,分值可达90-100;中断持续时间越长,说明其作为需求侧管理对象更理想,超过3小时,分值可达100。用户需求的电量与负荷预测之间的偏差,即用户需求不确定性越大,用户越倾向于选择接受需求侧管理合同来减小风险,若偏差超过5%,分值可达100。
步骤3:构建训练样本集:从步骤1选取的用户中选取一部分具有代表性的用户,
利用步骤2中所确定的打分标准对其各项影响因素信息进行打分,得到影响因素信息量化数据,每个用户的影响因素信息量化数据和历史可调度容量的标幺值作为一个数据样本,即得到训练样本集。
步骤4:利用所得到的训练样本集对神经网络进行训练,训练时以影响因素信息量化数据作为神经网络的输入,以历史可调度容量的标幺值作为神经网络的输出,训练完成后的神经网络即为所构建的预测模型;在训练前最好先对训练样本集中的数据样本进行归一化处理;
神经网络为现有成熟技术,其基本工作流程如图2所示,为简洁起见,此处不再赘述。
步骤5:按照表1的内容获取预测用户的影响因素信息,并按照训练阶段确定的影响因素打分标准进行打分量化处理,然后将得到的影响因素信息量化数据作为预测模型(即训练后的神经网络)的输入,得到相应的输出结果。
步骤6:对输出结果进行基准值处理得到该预测对象的需求侧可调度容量预测数据,具体为:用可调度容量预测模型的输出乘以该用户的历史负荷最大容量,即得到该用户的可调度容量预测值。
本发明较全面地考虑了需求侧可调度容量的影响因素,因此所构建的需求侧可调度容量预测模型更符合实际情况,具有更高的准确性。本发明预测方法可广泛用于电网调度、电价设定、电网可靠性分析等应用场合。
Claims (7)
1.一种电网需求侧可调度容量预测方法,其特征在于,包括训练阶段和预测阶段,
所述训练阶段具体如下:
选取一系列典型用户,以单个用户的影响因素信息量化数据和历史可调度容量的标幺值作为一个数据样本,得到训练样本集;以影响因素信息量化数据作为输入,以历史可调度容量的标幺值作为输出,利用所述训练样本集对神经网络进行训练,训练完成后即得到可调度容量预测模型;其中,用户的影响因素信息量化数据是通过对用户的影响因素信息进行量化处理得到,所述影响因素信息至少包括以下三方面信息:用户基本情况信息、用户中断能力信息、用户中断意愿信息;用户的历史可调度容量的标幺值按照下式得到:
式中,ki表示第i个用户的历史可调度容量的标幺值,Pik表示i个用户的历史可调度容,量,Pi表示第i个用户的历史负荷最大容量,i=1,2,…,N,N为训练阶段所选取典型用户的总数;
所述预测阶段具体如下:
以待预测用户的影响因素信息量化数据作为可调度容量预测模型的输入,得到可调度容量预测模型的输出;然后用可调度容量预测模型的输出乘以该用户的历史负荷最大容量,即得到该用户的可调度容量预测值。
2.如权利要求1所述电网需求侧可调度容量预测方法,其特征在于,所述用户基本情况信息至少包括以下各项信息:行业类型、企业性质、生产班制;所述用户中断能力信息至少包括以下各项信息:可转移用电设备容量占总设备容量比例、供电系统要求不高的“柔性负荷”占总设备容量比例、可用于削峰的储存能量设备占总设备容量比例;所述用户中断意愿信息至少包括以下各项信息:电费占总成本比例、单位缺电成本、中断发生时间、中断持续时间、中断持续时间、用户用电量的不确定性。
3.如权利要求2所述电网需求侧可调度容量预测方法,其特征在于,所述对用户的影响因素信息进行量化处理,具体为根据预设评分标准对用户的各项影响因素信息进行评分。
4.如权利要求3所述电网需求侧可调度容量预测方法,其特征在于,所述用户基本情况信息的评分标准具体如下:
行业类型评分标准:
企业性质评分标准:
生产班制评分标准:
。
5.如权利要求3所述电网需求侧可调度容量预测方法,其特征在于,所述中断能力信息的评分标准具体如下:
6.如权利要求3所述电网需求侧可调度容量预测方法,其特征在于,所述中断意愿信息的评分标准具体如下:
7.一种电力调度方法,包括对电网需求侧可调度容量进行预测的步骤,其特征在于,使用如权利要求1~6任一项所述预测方法对电网需求侧可调度容量进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510379210.0A CN104978610A (zh) | 2015-07-01 | 2015-07-01 | 电网需求侧可调度容量预测方法及电力调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510379210.0A CN104978610A (zh) | 2015-07-01 | 2015-07-01 | 电网需求侧可调度容量预测方法及电力调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104978610A true CN104978610A (zh) | 2015-10-14 |
Family
ID=54275092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510379210.0A Pending CN104978610A (zh) | 2015-07-01 | 2015-07-01 | 电网需求侧可调度容量预测方法及电力调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104978610A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976047A (zh) * | 2016-04-28 | 2016-09-28 | 中国电力科学研究院 | 一种基于灵活度指标的居民负荷需求响应潜力评估方法 |
CN106203719A (zh) * | 2016-07-15 | 2016-12-07 | 东南大学 | 一种电动汽车接入电网的负荷预测方法 |
CN108376300A (zh) * | 2018-03-02 | 2018-08-07 | 江苏电力信息技术有限公司 | 一种基于概率图模型的用户用电行为预测方法 |
CN109255463A (zh) * | 2018-07-11 | 2019-01-22 | 东南大学 | 一种面向可中断负荷的需求响应效果分阶段评估方法 |
CN109409688A (zh) * | 2018-09-29 | 2019-03-01 | 东南大学 | 一种面向可中断负荷的需求响应效果分阶段评估方法 |
CN109461025A (zh) * | 2018-10-23 | 2019-03-12 | 国网湖南省电力公司节能管理分公司 | 一种基于机器学习的电能替代潜在客户预测方法 |
CN110753366A (zh) * | 2018-07-24 | 2020-02-04 | 中国移动通信集团浙江有限公司 | 行业短信网关容量的预测处理方法及装置 |
CN113487151A (zh) * | 2021-06-23 | 2021-10-08 | 广东润建电力科技有限公司 | 基于5g消息的智能用电与需求侧响应方法、系统及装置 |
-
2015
- 2015-07-01 CN CN201510379210.0A patent/CN104978610A/zh active Pending
Non-Patent Citations (7)
Title |
---|
周靖: "《市场环境下需求侧管理规划系统研究》", 《中国优秀硕士论文电子期刊网 工程科技II辑》 * |
张钦等: "《电力市场下需求响应研究综述》", 《电力系统自动化》 * |
李金超: "《基于节能调度与需求侧管理的电力优化运营研究》", 《中国优秀博士论文电子期刊网 经济与管理科学辑》 * |
殷令姣等: "《基于层析分析法的电力需求侧管理效益综合评价》", 《当代经济》 * |
董文杰: "《计及需求侧资源作用的负荷预测模型及应用》", 《陕西电力》 * |
邢龙等: "《基于广义需求侧资源的微网运行优化》", 《电力系统自动化》 * |
魏沁华: "《县级供电公司负荷特性分析及需求侧管理规划》", 《中国优秀硕士论文电子期刊网 工程科技II辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976047A (zh) * | 2016-04-28 | 2016-09-28 | 中国电力科学研究院 | 一种基于灵活度指标的居民负荷需求响应潜力评估方法 |
CN106203719A (zh) * | 2016-07-15 | 2016-12-07 | 东南大学 | 一种电动汽车接入电网的负荷预测方法 |
CN108376300A (zh) * | 2018-03-02 | 2018-08-07 | 江苏电力信息技术有限公司 | 一种基于概率图模型的用户用电行为预测方法 |
CN109255463A (zh) * | 2018-07-11 | 2019-01-22 | 东南大学 | 一种面向可中断负荷的需求响应效果分阶段评估方法 |
CN110753366A (zh) * | 2018-07-24 | 2020-02-04 | 中国移动通信集团浙江有限公司 | 行业短信网关容量的预测处理方法及装置 |
CN109409688A (zh) * | 2018-09-29 | 2019-03-01 | 东南大学 | 一种面向可中断负荷的需求响应效果分阶段评估方法 |
CN109461025A (zh) * | 2018-10-23 | 2019-03-12 | 国网湖南省电力公司节能管理分公司 | 一种基于机器学习的电能替代潜在客户预测方法 |
CN109461025B (zh) * | 2018-10-23 | 2020-11-27 | 国网湖南省电力公司节能管理分公司 | 一种基于机器学习的电能替代潜在客户预测方法 |
CN113487151A (zh) * | 2021-06-23 | 2021-10-08 | 广东润建电力科技有限公司 | 基于5g消息的智能用电与需求侧响应方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104978610A (zh) | 电网需求侧可调度容量预测方法及电力调度方法 | |
Kohlhepp et al. | Large-scale grid integration of residential thermal energy storages as demand-side flexibility resource: A review of international field studies | |
Fares et al. | A dynamic model-based estimate of the value of a vanadium redox flow battery for frequency regulation in Texas | |
Roldán-Blay et al. | Improving the benefits of demand response participation in facilities with distributed energy resources | |
Kohler | Differential electricity pricing and energy efficiency in South Africa | |
Kaneko et al. | Financial allocation strategy for the regional pollution abatement cost of reducing sulfur dioxide emissions in the thermal power sector in China | |
US10223167B2 (en) | Discrete resource management | |
US11036250B2 (en) | Datacenter stabilization of regional power grids | |
CN104376435A (zh) | 一种电力电量平衡方案评估方法 | |
CN104933629A (zh) | 基于区间层次分析和区间熵组合的电力用户设备评估方法 | |
Li et al. | Combined effects of carbon pricing and power market reform on CO2 emissions reduction in China's electricity sector | |
Wang et al. | Performance based regulation of the electricity supply industry in Hong Kong: An empirical efficiency analysis approach | |
CN108364238A (zh) | 一种基于供电区域等级划分的多样化供电模式选择方法 | |
CN108764626A (zh) | 一种节能诊断方法和装置 | |
Van Gorp | Maximizing energy savings with enterprise energy management systems | |
CN103679389A (zh) | 一种智能用电需求响应计划综合评价方法 | |
CN104992246A (zh) | 一种基于改进最小二乘法的变电站站用负荷电量预测方法 | |
Abaza et al. | Demand-side management-based dynamic pricing within smart grid environment | |
Carter et al. | Leveraging Bitcoin miners as flexible load resources for power system stability and efficiency | |
Masiello et al. | Market dynamics of integrating demand response into wholesale energy markets | |
Chen et al. | Available transfer capability calculations considering demand response | |
Wang et al. | A Portrait-Based Method for Constructing Multi-Time Scale Demand Response Resource Pools | |
CN103904687B (zh) | 面向电网负载数据的混合能源系统配置及输出平滑方法 | |
Li et al. | Electricity Consumption Forecast of Zhejiang Based on the Background of Electric Energy Substitution | |
Dimitrijević et al. | ICT and power: new challenges and solutions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20181019 |
|
AD01 | Patent right deemed abandoned |