CN105894113A - 一种天然气短期需求预测方法 - Google Patents
一种天然气短期需求预测方法 Download PDFInfo
- Publication number
- CN105894113A CN105894113A CN201610197156.2A CN201610197156A CN105894113A CN 105894113 A CN105894113 A CN 105894113A CN 201610197156 A CN201610197156 A CN 201610197156A CN 105894113 A CN105894113 A CN 105894113A
- Authority
- CN
- China
- Prior art keywords
- model
- gas
- prediction
- load
- data
- 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
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 44
- 239000003345 natural gas Substances 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000007789 gas Substances 0.000 claims abstract description 61
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000000611 regression analysis Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000567 combustion gas Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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)
Abstract
本发明公开了一种天然气短期需求预测方法，在搜集各地区不同时期气象参数、历史负荷、用气结构基础上，利用MATLAB进行相关性分析确定负荷影响因素，通过人工神经网络、支持向量机、主成分分析预测、混合回归分析、节点倍比法、误差修正模型、自回归分布滞后模型分别进行预测，采用最优化技术和决策理论，根据虚拟预测结果确定各预测模型权重，得出模型预测值，最后根据各区域新增/减用户、用户检修等数据对模型预测值进行修正，得出最终预测结果。本发明基于传统的经典统计学理论和人工智能算法，通过预测决策理论和最优化技术，形成了一套完整的短期需求预测方法，实现对不同区域内未来一个月内分日天然气需求进行预测。
Description
技术领域
本发明涉及天然气负荷预测领域，具体是一种天然气短期需求预测方法。
背景技术
美国、欧洲等发达国家天然气市场发展已处于成熟期，其对燃气预测的研究已达到较高水平，许多燃气企业结合下游用户用气特点，自主研发负荷预测软件，用于预测天然气短期需求。如英国ESI能源集团开发的Gas Load Forecaster气体负荷预测软件，应用于美国佛罗里达、荷兰壳牌等世界大型输气企业，GLF通过分析历史气象数据、管输数据，结合气象预报对未来天然气需求和管网输量进行预测；德国OGADO公司开发的慕达能源管理系统应用在莫斯科、柏林、维也纳等市区的燃气管网系统，预测精度较高，涉及气象、统计学、概率学、高纬空间几何学、专家经验等多个专业领域，通过慕达海量数据库和多元回归、人工智能等数学模型，实现对不同城市的小时、日、周、月等时间跨度的需求预测。
21世纪以来，随着国内天然气市场快速发展，负荷预测研究进入了蓬勃发展阶段，国内高校和科研院所对负荷预测方法的研究逐渐成熟。部分发达城市燃气企业已研发并投入使用燃气负荷预测系统：上海市城市燃气负荷预测系统、北京燃气集团研发的北京市天然气日负荷预测实时优化系统、川渝管网城市居民用气负荷预测软件、清华大学和北京市公共事业科学研究所共同开发的燃气负荷预测数据库系统等。平台主体功能包括：燃气小时、日、月、年负荷预测、春节期间负荷预测、寒潮高峰期负荷预测，夏季低谷期负荷预测等。
由于我国天然气行业发展迅速，管理技术和手段落后，可利用的科技档案和记录数据分散，市场尚未成熟，消费结构快速变化等因素，对用气负荷的整体预测难度较大。当前，大多数天然气需求预测多用于单独的城市燃气公司，重点关注日需求和小时需求，尚未有区域性和全国性的短期需求的高水平成熟预测模型案例。
目前，全国天然气跨区域骨干管网已基本形成，但管网系统整体输配能力仍然不足，干线之间尚无法实现完全意义上的灵活调运，在出现极端气象条件时，局部地区会出现供气紧张的局面。因此，供气企业迫切需要研发一套成熟、可靠的短期需求预测模型库，建立短期预测平台，以协调天然气产运销各环节，做好应急管理，同时有针对性地协调用气客户，做好需求侧管理。
发明内容
本发明的目的在于克服单一预测技术存在的缺点和不足，从多角度建立天然气市场短期负荷预测模型，结合虚拟预测结果，通过决策理论和最优化技术，形成一套自适应性较强的天然气短期需求预测方法，以实现对不同用气区域内日用气需求预测，预测结果可为供气企业合理安排上游资源、优化调度运行提供参考，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种天然气短期需求预测方法，具体步骤如下：
(1)搜集用气区域3～5年天然气的历史负荷数据、分用户用气细分数据、气象数据、日期类型、新增减用户、冬季保供压减、夏季降价促销的关键事件信息数据；
(2)对搜集获取的历史数据进行预处理，包括气象数据和负荷数据，气象数据处理是对缺失数据进行补充，各区域内实际负荷数据是由供应侧和需求侧共同决定，处理原则是将统计周期内的实际负荷处理为用气区域内的实际用气需求量，如冬季保供时期应根据实际压减量对负荷进行还原；发生地质灾害造成断供或供应减少情况时，将需求量按近期或同期数据作平滑处理；
(3)通过MATLAB对区域内各行业用气日负荷(城市燃气、工业用气、发电用气)与影响变量(气象数据、日期类型)进行相关分析，根据相关分析结果确定模型输入变量；
(4)结合预测理论和天然气负荷自身波动特点，建立人工神经网络模型、支持向量机模型、主成分回归分析预测模型、节点倍比模型、误差修正模型、自回归分布滞后模型和混合回归模型的七种预测单模型；
(5)根据虚拟预测思想，采用七种单模型对用气区域内近期或去年同期用气负荷进行预测，并与实际用气需求进行对比；根据各模型分日预测误差情况，采用预测决策理论完成模型筛选，剔除预测效果较差的模型；基于误差平方和准则建立最优化模型，求解各单模型权重，作为未来预测时各模型分配权重；
(6)将相关变量的未来预测值作为输入变量，采用步骤(5)中筛选出的单模型对区域内短期用气需求进行预测，并根据对应单模型分配权重得出各区域内模型预测负荷结果；
(7)根据区域内上报的未来一个月“关键事件”信息情况，对分日负荷预测结果进行修正，得出最终用气需求。
作为本发明进一步的方案：所述步骤(4)中，人工神经网络模型、支持向量机模型、主成分回归分析预测模型、节点倍比模型、混合回归模型进行预测通过MATLAB编程实现，误差修正模型和自回归分布滞后模型通过Eviews软件运算输出。
与现有技术相比，本发明的有益效果是：本发明预测方法对不同区域分日负荷进行预测，结合“关键事件”信息上报情况对各区域用气需求进行调整，得出未来一个月内分日负荷预测结果，应用结果表明，平均预测精度可达到97％以上。与国外成熟预测软件平台相比，平均预测精度提高约3％。
附图说明
图1为本发明的预测流程图。
图2为为采用MATLAB进行用气负荷与影响因素之间进行关联分析计算流程图。
图3为混合回归预测模型预测流程图。
图4为“同类型日”原理示意图。
图5为节点倍比预测模型计算流程图。
图6为人工神经网络预测模型流程图。
图7为3层神经网络模型结构图。
图8为主成分回归分析模型原理示意图。
图9为神经网络模型预测结果误差曲线图。
图10为多元回归模型预测结果误差曲线图。
图11为北京市6月真实值与慕达能源管理系统预测结果的拟合曲线对比图。
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。
实施例1
以北京市2015年1月份分日用气需求预测为例，对本发明提出的天然气市场短期需求预测方法体系的实施过程进行说明，如图1-8所示，
(1)搜集北京市2013年1月1日起至2014年12月31日用气负荷(按行业细分)及气象数据(包括：最高温度、最低温度、平均温度、平均风速、降水/雪量等)和日期类型(国家法定节假日及重大社会活动)，结合过去两年内冬季北京市实际用气压减情况对历史负荷进行还原，以反映真实需求量；对搜集到的气象数据进行预处理，补充缺失数据(采用取平均值方法)；
(2)通过MATLAB对各行业用气负荷与各变量进行相关分析，最后确定平均温度、日期类型、前一日负荷作为城市燃气用气负荷的相关变量(针对不同时期(采暖季、非采暖季)用气负荷，最高温度、最低温度对城市燃气负荷的相关系数相对大小，如采暖季期间最低温度对城市燃气负荷的相关系数大于最高温度，非采暖季期间则相反)；日期类型、平均温度作为电厂用气负荷的相关变量；工业用气负荷主要受日期类型的影响，根据相关分析结果，对各行业负荷与相关变量分别进行统计处理，形成分类训练样本；
(3)将训练样本自变量作为输入变量，用气负荷作为输出变量，对七种单模型进行训练，训练结果使各模型训练输出结果与实际负荷(还原后的负荷)拟合效果最好；
(4)搜集北京市2015年1月份分日气象数据，并对月内日期类型进行标注，作为输入样本输入至训练好的七个单模型中，得到各单模型预测结果；
(5)采用前述方法对2014年12月份北京市用气负荷进行虚拟预测，根据2014年12月份分日实际负荷，结合预测筛选理论，完成单模型的筛选，并确定各单模型的权重。
(6)根据步骤(4)中各模型预测结果，利用步骤(5)中分配的各单模型权重，计算模型综合预测结果；
(7)根据2015年1月份下游大用户的“关键事件”信息上报情况，对分日用气需求进行修正，得出最终预测结果。
实施例2
采用英国ESI能源公司GLF预测软件(预测方法主要采用神经网络模型和回归模型)对北京、长沙、兰州、天津市四地市用气负荷进行预测，预测效果并不理想。如图9、图10所示。从预测曲线可以看出，除少数点的预测精度高于95％之外，大部分点精度不高，甚至出现大幅度偏离的数据点。
采用慕达能源管理系统对北京市2015年6月份分日用气负荷进行预测，采用两组模型预测结果平均值，总体来看，预测误差为-5.55％，预测结果偏低。其中模型一组平均预测误差-11.66％，模型二组平均预测误差0.56％。
北京市6月份慕达能源管理系统预测结果误差分布情况
两组模型预测结果与北京市6月份实际分日用气负荷曲线对比如图11所示，从图中可以看出，模型一组分日预测结果均偏低，模型二组预测结果与实际结果较为贴近。6月下旬，受新增电厂用户影响，预测结果与实际值偏差较大。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (2)
1.一种天然气短期需求预测方法，其特征在于，步骤如下：
(1)搜集用气区域3～5年天然气的历史负荷数据、分用户用气细分数据、气象数据、日期类型、新增减用户、冬季保供压减、夏季降价促销的信息数据；
(2)对搜集获取的历史数据进行预处理，包括气象数据和负荷数据，气象数据处理是对缺失数据进行补充，各区域内实际负荷数据是由供应侧和需求侧共同决定，处理原则是将统计周期内的实际负荷处理为用气区域内的实际用气需求量；发生地质灾害造成断供或供应减少情况时，将需求量按近期或同期数据作平滑处理；
(3)通过MATLAB对行业区域内用气日负荷与影响变量进行相关分析，根据相关分析结果确定模型输入变量；
(4)结合预测理论和天然气负荷自身波动的特点，建立人工神经网络模型、支持向量机模型、主成分回归分析预测模型、节点倍比模型、误差修正模型、自回归分布滞后模型和混合回归模型的七种预测单模型；
(5)根据虚拟预测方法，采用七种单模型对用气区域内近期或去年同期用气负荷进行预测，并与实际用气需求进行对比；根据各模型分日预测误差情况，采用预测决策理论完成模型筛选，剔除预测效果较差的模型；基于误差平方和准则建立最优化模型，求解各单模型权重，作为未来预测时各模型分配权重；
(6)将相关变量的未来预测值作为输入变量，采用步骤(5)中筛选出的单模型对区域内短期用气需求进行预测，并根据对应单模型分配权重得出各区域内模型预测负荷结果；
(7)根据区域内上报的未来一个月信息数据，对分日负荷预测结果进行修正，得出最终用气需求。
2.根据权利要求1所述的天然气短期需求预测方法，其特征在于，所述步骤(4)中，人工神经网络模型、支持向量机模型、主成分回归分析预测模型、节点倍比模型、混合回归模型进行预测通过MATLAB编程实现，误差修正模型和自回归分布滞后模型通过Eviews软件运算输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610197156.2A CN105894113A (zh) | 2016-03-31 | 2016-03-31 | 一种天然气短期需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610197156.2A CN105894113A (zh) | 2016-03-31 | 2016-03-31 | 一种天然气短期需求预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105894113A true CN105894113A (zh) | 2016-08-24 |
Family
ID=57011730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610197156.2A Pending CN105894113A (zh) | 2016-03-31 | 2016-03-31 | 一种天然气短期需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105894113A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
| CN109214606A (zh) * | 2018-11-13 | 2019-01-15 | 中石化石油工程技术服务有限公司 | 一种城市天然气时负荷预测方法 |
| CN109214607A (zh) * | 2018-11-13 | 2019-01-15 | 中石化石油工程技术服务有限公司 | 基于小波理论和神经网络的短期天然气负荷预测模型 |
| CN109558972A (zh) * | 2018-11-13 | 2019-04-02 | 中石化石油工程技术服务有限公司 | 基于不同小波分解阶数和层数的天然气需求预测方法 |
| CN109583944A (zh) * | 2018-11-13 | 2019-04-05 | 中石化石油工程技术服务有限公司 | 基于一维小波分解重构和神经网络的天然气需求预测方法 |
| CN110516867A (zh) * | 2019-08-21 | 2019-11-29 | 广东电网有限责任公司 | 一种基于主成分分析的集成学习负荷预测方法 |
| CN110569981A (zh) * | 2019-07-22 | 2019-12-13 | 国网冀北电力有限公司电力科学研究院 | 散煤燃用量确定方法及装置 |
| CN111429180A (zh) * | 2020-03-23 | 2020-07-17 | 上海中旖能源科技有限公司 | 液化天然气需求预测方法及装置 |
| CN112308587A (zh) * | 2019-07-31 | 2021-02-02 | 中国石油天然气股份有限公司 | 天然气峰谷月销售量确定方法、装置及存储介质 |
| CN112508257A (zh) * | 2020-12-02 | 2021-03-16 | 新奥数能科技有限公司 | 负荷预测结果生成方法、装置、电子设备和介质 |
| CN113326654A (zh) * | 2021-05-20 | 2021-08-31 | 北京市燃气集团有限责任公司 | 一种燃气负荷预测模型的构建方法及装置 |
| CN113326983A (zh) * | 2021-05-28 | 2021-08-31 | 重庆能源大数据中心有限公司 | 一种天然气消费量预测系统及方法 |
| CN113554213A (zh) * | 2021-06-11 | 2021-10-26 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种天然气需求预测方法、系统、存储介质及设备 |
| CN115470967A (zh) * | 2022-08-15 | 2022-12-13 | 杭州杰牌传动科技有限公司 | 减速机制造信息优化分析方法和系统 |
| CN117078268A (zh) * | 2023-10-16 | 2023-11-17 | 国网浙江省电力有限公司宁波供电公司 | 一种用于分布式光伏的结算方法以及财务机器人 |
| CN117610720A (zh) * | 2023-11-20 | 2024-02-27 | 武汉城市数字科技有限公司 | 一种基于大数据平台和神经网络的气量负荷预测系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101482941A (zh) * | 2008-01-09 | 2009-07-15 | 新奥(廊坊)燃气技术研究发展有限公司 | 城市燃气日负荷预测方法 |
| CN102073785A (zh) * | 2010-11-26 | 2011-05-25 | 哈尔滨工程大学 | 基于广义动态模糊神经网络的燃气日负荷组合预报方法 |
| KR20130101784A (ko) * | 2012-03-06 | 2013-09-16 | 케이웨더(주) | 기상 정보에 기반한 도시가스 수요 예측 장치 |
| CN103473605A (zh) * | 2013-08-22 | 2013-12-25 | 中国能源建设集团广东省电力设计研究院 | 能源消费预测方法与系统 |
| CN103824128A (zh) * | 2014-02-24 | 2014-05-28 | 华南理工大学 | 一种区域性分布式综合供能系统的规模预测方法 |
| CN104123591A (zh) * | 2014-07-14 | 2014-10-29 | 上海师范大学 | 基于智能网格分类和模糊神经网络的天然气负荷预测方法 |
-
2016
- 2016-03-31 CN CN201610197156.2A patent/CN105894113A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101482941A (zh) * | 2008-01-09 | 2009-07-15 | 新奥(廊坊)燃气技术研究发展有限公司 | 城市燃气日负荷预测方法 |
| CN102073785A (zh) * | 2010-11-26 | 2011-05-25 | 哈尔滨工程大学 | 基于广义动态模糊神经网络的燃气日负荷组合预报方法 |
| KR20130101784A (ko) * | 2012-03-06 | 2013-09-16 | 케이웨더(주) | 기상 정보에 기반한 도시가스 수요 예측 장치 |
| CN103473605A (zh) * | 2013-08-22 | 2013-12-25 | 中国能源建设集团广东省电力设计研究院 | 能源消费预测方法与系统 |
| CN103824128A (zh) * | 2014-02-24 | 2014-05-28 | 华南理工大学 | 一种区域性分布式综合供能系统的规模预测方法 |
| CN104123591A (zh) * | 2014-07-14 | 2014-10-29 | 上海师范大学 | 基于智能网格分类和模糊神经网络的天然气负荷预测方法 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779859A (zh) * | 2016-12-27 | 2017-05-31 | 南京安讯科技有限责任公司 | 一种移动终端产品实时销量预测方法 |
| CN109214606A (zh) * | 2018-11-13 | 2019-01-15 | 中石化石油工程技术服务有限公司 | 一种城市天然气时负荷预测方法 |
| CN109214607A (zh) * | 2018-11-13 | 2019-01-15 | 中石化石油工程技术服务有限公司 | 基于小波理论和神经网络的短期天然气负荷预测模型 |
| CN109558972A (zh) * | 2018-11-13 | 2019-04-02 | 中石化石油工程技术服务有限公司 | 基于不同小波分解阶数和层数的天然气需求预测方法 |
| CN109583944A (zh) * | 2018-11-13 | 2019-04-05 | 中石化石油工程技术服务有限公司 | 基于一维小波分解重构和神经网络的天然气需求预测方法 |
| CN110569981A (zh) * | 2019-07-22 | 2019-12-13 | 国网冀北电力有限公司电力科学研究院 | 散煤燃用量确定方法及装置 |
| CN112308587A (zh) * | 2019-07-31 | 2021-02-02 | 中国石油天然气股份有限公司 | 天然气峰谷月销售量确定方法、装置及存储介质 |
| CN112308587B (zh) * | 2019-07-31 | 2024-03-05 | 中国石油天然气股份有限公司 | 天然气峰谷月销售量确定方法、装置及存储介质 |
| CN110516867A (zh) * | 2019-08-21 | 2019-11-29 | 广东电网有限责任公司 | 一种基于主成分分析的集成学习负荷预测方法 |
| CN110516867B (zh) * | 2019-08-21 | 2022-02-11 | 广东电网有限责任公司 | 一种基于主成分分析的集成学习负荷预测方法 |
| CN111429180A (zh) * | 2020-03-23 | 2020-07-17 | 上海中旖能源科技有限公司 | 液化天然气需求预测方法及装置 |
| CN112508257A (zh) * | 2020-12-02 | 2021-03-16 | 新奥数能科技有限公司 | 负荷预测结果生成方法、装置、电子设备和介质 |
| CN113326654A (zh) * | 2021-05-20 | 2021-08-31 | 北京市燃气集团有限责任公司 | 一种燃气负荷预测模型的构建方法及装置 |
| CN113326983A (zh) * | 2021-05-28 | 2021-08-31 | 重庆能源大数据中心有限公司 | 一种天然气消费量预测系统及方法 |
| CN113554213A (zh) * | 2021-06-11 | 2021-10-26 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种天然气需求预测方法、系统、存储介质及设备 |
| CN115470967A (zh) * | 2022-08-15 | 2022-12-13 | 杭州杰牌传动科技有限公司 | 减速机制造信息优化分析方法和系统 |
| CN117078268A (zh) * | 2023-10-16 | 2023-11-17 | 国网浙江省电力有限公司宁波供电公司 | 一种用于分布式光伏的结算方法以及财务机器人 |
| CN117610720A (zh) * | 2023-11-20 | 2024-02-27 | 武汉城市数字科技有限公司 | 一种基于大数据平台和神经网络的气量负荷预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105894113A (zh) | 一种天然气短期需求预测方法 | |
| Zhu et al. | Review and prospect of data-driven techniques for load forecasting in integrated energy systems | |
| Zhou et al. | A geographical information system based multi-criteria decision-making approach for location analysis and evaluation of urban photovoltaic charging station: A case study in Beijing | |
| Wang et al. | A combined Data Envelopment Analysis (DEA) and Grey Based Multiple Criteria Decision Making (G-MCDM) for solar PV power plants site selection: A case study in Vietnam | |
| Zoghi et al. | Optimization solar site selection by fuzzy logic model and weighted linear combination method in arid and semi-arid region: A case study Isfahan-IRAN | |
| Mendes et al. | On the planning and analysis of Integrated Community Energy Systems: A review and survey of available tools | |
| Sigrin et al. | Distributed generation market demand model (dGen): Documentation | |
| Cai et al. | An integrated approach for climate-change impact analysis and adaptation planning under multi-level uncertainties. Part II. Case study | |
| Eslami et al. | District heating planning with focus on solar energy and heat pump using GIS and the supervised learning method: Case study of Gaziantep, Turkey | |
| CN104881712A (zh) | 多能互补分布式能源系统及其设备配置与运行优化方法 | |
| Saur et al. | US Geographic analysis of the cost of hydrogen from electrolysis | |
| Ghodusinejad et al. | Multi-criteria modeling and assessment of PV system performance in different climate areas of Iran | |
| Li et al. | A decision-making and planning optimization framework for multi-regional rural hybrid renewable energy system | |
| Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
| CN112465661A (zh) | 基于用例图的资源统一规划系统及其工作方法 | |
| Zhou et al. | A three-stage geospatial multi-criteria optimization model for location identification of integrated energy service stations from macro market to micro site | |
| Zhang et al. | A review of publicly available data sources for models to study renewables integration in China's power system | |
| Kurdi et al. | The influence of electricity transaction models on the optimal design of PV and PV-BESS systems | |
| Luís et al. | Energy forecasting using an ensamble of machine learning methods trained only with electricity data | |
| García et al. | An economic and environmental optimization model for sizing a hybrid renewable energy and battery storage system in off-grid farms | |
| CN107808308A (zh) | 一种智能化检测淡旺季的收益管理方法 | |
| Yu et al. | Dual-layer optimization design method for collaborative benefits of renewable energy systems in building clusters: Case study of campus buildings | |
| Miraj et al. | Multi-criteria decision making for photovoltaic alternatives: a case study in hot climate country | |
| Liu et al. | Investment Risk Assessment of Dispersed Wind Power in Low Wind Speed Area Using a Hybrid Multi‐Criteria Decision‐Making Approach Based on Hesitant Fuzzy Linguistic Environment | |
| Mallahi et al. | An investigation on the impacts of low probability and high intensity events on wind power generator’s market participation |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160824 |