CN106548285A - 计及小水电出力的趸售电量预测方法 - Google Patents
计及小水电出力的趸售电量预测方法 Download PDFInfo
- Publication number
- CN106548285A CN106548285A CN201610960987.0A CN201610960987A CN106548285A CN 106548285 A CN106548285 A CN 106548285A CN 201610960987 A CN201610960987 A CN 201610960987A CN 106548285 A CN106548285 A CN 106548285A
- Authority
- CN
- China
- Prior art keywords
- power station
- model
- small power
- bulk sale
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000005611 electricity Effects 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000009825 accumulation Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000007418 data mining Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000033772 system development Effects 0.000 abstract description 4
- 230000009977 dual effect Effects 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 abstract 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 11
- 230000007774 longterm Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及小水电出力的趸售电量预测方法,涉及电力电量预测领域,包括:建立数据预处理模型,建立气象判别模型,建立小水电出力预测模型,建立全社会用电量预测模型,建立地区趸售电量预测模型,完成小水电出力的趸售电量预测;本发明从小水电出力的实际情况出发,深入研究小水电的负荷特性,分析影响小水电的主要气象因素并建立考虑气象因素的小水电电量预测模型,针对全社会用电量,采用考虑经济增长的预测算法进行预测分析,采用全社会用电量与小水电出力双模型预测地区趸售电量,并以实际电量进行仿真误差分析并调整预测参数,为合理制定电力系统发展计划提供科学依据。
Description
技术领域
本发明属于电力电量预测领域,特别涉及一种计及小水电出力的趸售电量预测方法。
背景技术
长期电量预测以年度、季度或月度为预测时段,以年度、季度、月度电量需求作为预测内容,是制定电力系统发展计划的基础,也是规划工作的重要组成部分,其目的是为合理安排电源和电网的建设进度提供宏观决策的依据,使电力建设满足国民经济增长和人民生活水平提高的要求。在国家大力推进清洁能源的建设的同时,水电装机容量在不断上升,小水电作为重要的清洁可再生能源,具有装机容量小,建设周期短,出力与气象密切相关的特点,广泛分布于水力资源丰富的地区。
随着小水电装机规模不断扩大,占总发电量的比例不断攀升,而又由于小水电库容小无储能的特点,其发电量受降雨量的影响十分显著,即降雨水平一定程度上决定了小水电的发电量,间接影响了地区趸售电量,进行中长期电量预测时考虑小水电的影响,建立降雨量与小水电发电量、小水电发电量与地区趸售电量的模型对于研究小水电对局部地区的影响以及准确预测地区售电量水平势在必行。
发明内容
为了解决上述问题,本发明提供了一种计及小水电出力的趸售电量预测方法。
本发明采用如下技术方案实现:
一种计及小水电出力的趸售电量预测方法,其特征在于,包括以下步骤:
建立数据预处理模型;
建立气象判别模型;
建立小水电出力预测模型;
建立全社会用电量预测模型;
建立地区趸售电量预测模型;
完成计及小水电出力的趸售电量预测。
优选地,所述建立数据预处理模型包括:获取地方历史气象、负荷数据,再通过数据挖掘进行筛查过滤。
进一步,所述数据挖掘包括:过滤异常项,补全缺漏数据值,建立数据挖掘模型。
优选地,所述建立气象判别模型包括:根据待预测时段温度、降雨量气象数据集合,对待预测时段的气象状态分类,并判断是否存在极端天气影响,根据气象判断结果对可能影响时段进行标记。
进一步,所述气象数据集合,采用ID3决策树算法建立气象分类器,按春、夏、秋、冬的季节类型和日期类型将气象数据进行分类,划分出典型气象类别和特殊气象场景。
优选地,所述建立小水电出力预测模型包括:以历史气象负荷大数据为样本,由相关性分析法研究小水电出力与实时气象、累积气象及历史出力情况的相关性,选出相关的因素,采用多元回归分析法,建立小水电出力预测模型。
优选地,所述建立全社会用电量预测模型包括:采用经济增长配比法推算地区全社会用电量情况,通过对同期的经济水平进行比较分析经济增长与全社会用电负荷波动的相关性,建立月度、季度、年度全社会用电量预测模型。
优选地,所述建立地区趸售电量预测模型包括:根据趸售电量与全社会用电量和小水电出力情况的相关性,结合全社会用电量、小水电出力预测模型计算月度、季度、年度趸售电量预测数据,建立地区趸售电量预测模型并通过所述地区趸售电量预测模型得出趸售电量预测数据。
进一步,所述完成计及小水电出力的趸售电量预测包括:根据所述建立地区趸售电量预测模型,获得的数据计算地区实际、预测趸售电量的误差,建立修正预测模型,根据历史数据流进行参数的优化修正,最终完成计及小水电出力的趸售电量预测。
本发明的有益效果是:
建立了考虑气象、经济等多因素影响下的趸售电量预测模型,可对月度、季度、年度电量进行预测;克服了中长期电量预测欠考虑小水电出力影响的不足,将全社会用电量分解为小水电部分及地区趸售电量,利用统计分析方法,首先对气象负荷原始数据进行数据挖掘,采用决策树算法对气象数据进行分类,并建立极端气象判断模型;从小水电出力的实际情况出发,深入研究小水电的负荷特性,分析影响小水电的主要气象因素并建立考虑气象因素的小水电电量预测模型;针对全社会用电量,采用考虑经济增长的预测算法进行预测分析,采用全社会用电量与小水电出力双模型预测地区趸售电量,并以实际电量进行仿真误差分析并调整预测参数。建立了多时间维度的电量预测模型,采用误差分析方法,优化模型参数,提高了中长期电量预测的准确度,为合理制定电力系统发展计划提供科学依据。
具体实施方式
为了便于人们更准确理解本发明,下面对本发明实施例中的技术方案进行清楚、完整地描述。
一种计及小水电出力的趸售电量预测方法,包括:
1、建立数据预处理模型
获取地方历史气象、负荷数据,对缺失数据进行补全,排除由于“异常数据”带来的不良影响。分析总结数据,挖据重要指标。
负荷数据处理:按时间顺序取最大负荷,日累积降雨量采用逐小时降雨量之和计算,月累积降雨量由当月的日累积降雨量求和而得,网区平均温度根据全区各地的日气温取平均值得出;
小水电的发电量采用平均负荷计算,设小水电逐日出力的平均值为Pave,则日发电量为Wd=Pave×24000(kW·h),月度发电量为其中n为当月天数。日累积降雨量采用逐小时降雨量之和计算,月累积降雨量由当月的日累积降雨量求和而得,即
2、建立气象判别模型
由于气象数据类型的多样化,造成了多种类气象元所代表的不同的气象指标在其数值上存在较大差异性,所以为充分考虑到各个气象元的影响,需对每一种气象元全部数据进行标准化处理,即对其取标幺值,公式为其中x表示任意气象元素的有名值,x*表示经标准化处理后的气象元素,Xmax和Xmin为全部样本数据中每一种气象因子的对应的最大、最小值。
采用ID3决策树分类法对气象数据进行分类分析,使用Matlab数学分析软件Classregtree 函数构建决策树模型,分别对以下几种气象类别进行判断处理:
(1)一般季节性气象模块;判断一般性季节气象,根据历史气象数据划分地区内四季的时间分割点,结合气象序列特性对带预测日的季节性进行判断和划分。
(2)累积性气相判别模块;判断并划分高温、低温累积日,降雨累积日等,并针对气象的累积程度进行分类,并根据气象分类情况建立预测修正模型。
(3)极端气象判别模块;根据历史极端气象数据,如台风、寒潮等影响人类生产生活的异常气象类别进行判断并建立分类模型。若待预测日经判断后属于极端气象类则进行针对性预测修正。
3、建立小水电出力预测模型
对同一时期的地区降雨量情况和小水电发电量情况的历史数据进行相关性分析处理,找出降雨量和小水电出力之间的相关程度。其中,小水电的月度发电量由小水电逐日出力数据累加而得。通过相关性分析法对某地区2015年6~8月实际小水电的月度发电量与气象因素之间求相关性,结果如表1所示。
表1某地区小水电发电量与降雨量的相关性
通过对大量历史数据的相关性分析表明,降雨量是影响小水电发电量的主要因素。从表1可以看出,月降雨量累积值、前一个月累积降雨量与小水电发电量的相关系数最大,分别为0.49、0.71。故本发明实施例选择月降雨量累积值、前一个月累积降雨量作为小水电最大出力建模研究的关键气象因素。同时考虑到小水电无储能以及水能的不可突变性,将前一个月的发电量纳入建模因素,建立小水电最大出力预测模型:Wmf=f(Wmh,Rmh,Rmf)其中,Wmf表示预测的小水电月度发电量,Wmh、Rmh分别表示小水电前一个月的月度发电量、地区前一个月的月度降雨量的历史值,Rmf表示小水电月度降雨量的预测值。预测函数f采用回归、二次回归、幂指数回归等函数进行预测仿真如表2所示:
表2多种函数模型预测结果
式中各相关变量和上述说明一致。
以误差最小为原则,经过仿真比较如表2,显然多元线性拟合函数的平均误差最小,故选取其作为对应该地区的最优建模。即:
Wmf=0.5Wmh+0.003393Rmh+0.3Rmf+2.597515。
4、建立全社会用电量预测模型
利用相关系数、回归分析法、计量经济法,研究全社会用电量(即网区负荷)月度、季度、年度用电量和气象因素的关联性,结合国民经济增长率进行分析,分别建立全社会用电量月度、季度、年度预测模型。大量研究表明温度是电力负荷最主要的影响因素,因此,在本模型中重点考虑温度对电力负荷的影响。
月度预测模型:Emf=f(Emh,Tmh,Tmf,GDPmf)其中,Emf表示全社会月度发电量预测值,Emh、Tmh分别表示全社会前一个月的月度发电量、地区前一个月的最高平均温度历史值,Tmf表示地区月度的最高平均温度的预测值,GDPmf表示地区GDP月度预测值,预测函数f由大量历史数据建立相应回归方程进行预测仿真,以误差最小为原则选取最优建模函数。
季度预测模型,根据月度预测电量模型,通过经济增长配比方法,推算季度电量,建立预测模型:其中Emf表示全社会月度发电量预测值,Esf表示季度电量预测值,k表示同期增长率,k计算公式为:其中Esh-1、Esh-2分别表示前一年、前两年相同季度的电量历史值,k即为距离待预测季度最近已知相邻季度的电量增长率,可认为是季度电量的自然增长比例。
年度预测模型,由月度、季度预测模型,同理可得年度电量预测模型:其中Eyf表示全社会年度发电量预测值,Esf表示季度电量预测值,k表示同期增长率,k计算公式为:其中Eyh-1、Eyh-2分别表示前一年、前两年同期的电量历史值,k即为距离待预测季度最近已知相邻季度的电量增长率,可认为是季度电量的自然增长比例。
5、建立地区趸售电量预测模型
根据电量守恒原则,结合全社会用电量预测结果与小水电发电量预测结果,采用公式:趸售电量=全社会用电量-小水电发电量,还原地区趸售电量,以此建立地区趸售电量月度、季度、年度预测模型:PDf=Ef—Wf其中,PDf表示地区趸售电量预测值,Ef、Wf分别表示全社会发电量预测值、地区小水电发电量预测值。
(1)建立月度电量预测模型:
其中,PDmif表示对应的地区第i个月趸售电量预测值,Emif、Wmif分别表示对应的全社会第i月发电量预测值、对应的地区小水电第i月发电量预测值。
(2)建立季度电量预测模型:
其中,PDsif表示地区第i个季度趸售电量预测值,Esif、Wsif分别表示全社会第i个季度发电量预测值、地区小水电第i个季度发电量预测值,Wmf表示地区小水电月度发电量预测值。
(3)建立年度电量预测模型:
其中,PDyif表示地区第i个年度趸售电量预测值,Eyif、Wyif分别表示全社会第i个年度发电量预测值、地区小水电第i个年度发电量预测值,Wsf表示地区小水电季度发电量预测值。
6、完成计及小水电出力的趸售电量预测,根据步骤5获得的数据计算地区实际、预测趸售电量的误差,建立修正预测模型,根据历史数据流进行参数的优化修正,最终完成计及小水电出力的趸售电量预测。
本发明的有益效果是:
建立了考虑气象、经济等多因素影响下的趸售电量预测模型,可对月度、季度、年度电量进行预测;克服了中长期电量预测欠考虑小水电出力影响的不足,将全社会用电量分解为小水电部分及地区趸售电量,利用统计分析方法,首先对气象负荷原始数据进行数据挖掘,采用决策树算法对气象数据进行分类,并建立极端气象判断模型;从小水电出力的实际情况出发,深入研究小水电的负荷特性,分析影响小水电的主要气象因素并建立考虑气象因素的小水电电量预测模型;针对全社会用电量,采用考虑经济增长的预测算法进行预测分析,采用全社会用电量与小水电出力双模型预测地区趸售电量,并以实际电量进行仿真误差分析并调整预测参数。建立了多时间维度的电量预测模型,采用误差分析方法,优化模型参数,提高了中长期电量预测的准确度,为合理制定电力系统发展计划提供科学依据。
Claims (9)
1.一种计及小水电出力的趸售电量预测方法,其特征在于,包括以下步骤:
建立数据预处理模型;
建立气象判别模型;
建立小水电出力预测模型;
建立全社会用电量预测模型;
建立地区趸售电量预测模型;
完成计及小水电出力的趸售电量预测。
2.根据权利要求1所述的预测方法,其特征在于:所述建立数据预处理模型包括:获取地方历史气象、负荷数据,再通过数据挖掘进行筛查过滤。
3.根据权利要求2所述的预测方法,其特征在于:所述数据挖掘包括:过滤异常项,补全缺漏数据值,建立数据挖掘模型。
4.根据权利要求1所述的预测方法,其特征在于:所述建立气象判别模型包括:根据待预测时段温度、降雨量气象数据集合,对待预测时段的气象状态分类,并判断是否存在极端天气影响,根据气象判断结果对可能影响时段进行标记。
5.根据权利要求4所述的预测方法,其特征在于:所述气象数据集合,采用ID3决策树算法建立气象分类器,按春、夏、秋、冬的季节类型和日期类型将气象数据进行分类,划分出典型气象类别和特殊气象场景。
6.根据权利要求1所述的预测方法,其特征在于:所述建立小水电出力预测模型包括:以历史气象负荷大数据为样本,由相关性分析法研究小水电出力与实时气象、累积气象及历史出力情况的相关性,选出相关的因素,采用多元回归分析法,建立小水电出力预测模型。
7.根据权利要求1所述的预测方法,其特征在于:所述建立全社会用电量预测模型包括:采用经济增长配比法推算地区全社会用电量情况,通过对同期的经济水平进行比较分析经济增长与全社会用电负荷波动的相关性,建立月度、季度、年度全社会用电量预测模型。
8.根据权利要求1所述的预测方法,其特征在于:所述建立地区趸售电量预测模型包括:根据趸售电量与全社会用电量和小水电出力情况的相关性,结合全社会用电量、小水电出力预测模型计算月度、季度、年度趸售电量预测数据,建立地区趸售电量预测模型并通过所述地区趸售电量预测模型得出趸售电量预测数据。
9.根据权利要求8所述的预测方法,其特征在于:所述完成计及小水电出力的趸售电量预测包括:根据所述建立地区趸售电量预测模型,获得的数据计算地区实际、预测趸售电量的误差,建立修正预测模型,根据历史数据流进行参数的优化修正,最终完成计及小水电出力的趸售电量预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610960987.0A CN106548285B (zh) | 2016-11-04 | 2016-11-04 | 计及小水电出力的趸售电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610960987.0A CN106548285B (zh) | 2016-11-04 | 2016-11-04 | 计及小水电出力的趸售电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106548285A true CN106548285A (zh) | 2017-03-29 |
CN106548285B CN106548285B (zh) | 2020-11-03 |
Family
ID=58394113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610960987.0A Active CN106548285B (zh) | 2016-11-04 | 2016-11-04 | 计及小水电出力的趸售电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106548285B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563739A (zh) * | 2018-04-11 | 2018-09-21 | 平安科技(深圳)有限公司 | 天气数据获取方法及装置、计算机装置及可读存储介质 |
CN109102110A (zh) * | 2018-07-23 | 2018-12-28 | 云南电网有限责任公司临沧供电局 | 一种径流式小水电短期出力预测方法和装置 |
CN109934395A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 |
CN112424715A (zh) * | 2018-08-23 | 2021-02-26 | 三菱动力株式会社 | 预测装置、预测方法及程序 |
WO2023193395A1 (zh) * | 2022-04-07 | 2023-10-12 | 广西电网有限责任公司 | 一种基于函数型数据分析的混频数据补值模型的创建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050114028A1 (en) * | 2003-10-30 | 2005-05-26 | Masakazu Wada | Weather prediction system and power demand prediction system, and weather prediction method and power demand prediction method |
CN103854073A (zh) * | 2014-03-24 | 2014-06-11 | 昆明理工大学 | 一种多径流式小水电群地区发电量综合预测方法 |
CN104463358A (zh) * | 2014-11-28 | 2015-03-25 | 大连理工大学 | 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法 |
CN104537436A (zh) * | 2014-12-18 | 2015-04-22 | 大连理工大学 | 一种地区小水电发电能力预测方法 |
-
2016
- 2016-11-04 CN CN201610960987.0A patent/CN106548285B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050114028A1 (en) * | 2003-10-30 | 2005-05-26 | Masakazu Wada | Weather prediction system and power demand prediction system, and weather prediction method and power demand prediction method |
CN103854073A (zh) * | 2014-03-24 | 2014-06-11 | 昆明理工大学 | 一种多径流式小水电群地区发电量综合预测方法 |
CN104463358A (zh) * | 2014-11-28 | 2015-03-25 | 大连理工大学 | 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法 |
CN104537436A (zh) * | 2014-12-18 | 2015-04-22 | 大连理工大学 | 一种地区小水电发电能力预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563739A (zh) * | 2018-04-11 | 2018-09-21 | 平安科技(深圳)有限公司 | 天气数据获取方法及装置、计算机装置及可读存储介质 |
CN108563739B (zh) * | 2018-04-11 | 2021-05-04 | 平安科技(深圳)有限公司 | 天气数据获取方法及装置、计算机装置及可读存储介质 |
CN109102110A (zh) * | 2018-07-23 | 2018-12-28 | 云南电网有限责任公司临沧供电局 | 一种径流式小水电短期出力预测方法和装置 |
CN109102110B (zh) * | 2018-07-23 | 2022-03-22 | 云南电网有限责任公司临沧供电局 | 一种径流式小水电短期出力预测方法和装置 |
CN112424715A (zh) * | 2018-08-23 | 2021-02-26 | 三菱动力株式会社 | 预测装置、预测方法及程序 |
CN109934395A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 |
CN109934395B (zh) * | 2019-03-04 | 2023-05-02 | 三峡大学 | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 |
WO2023193395A1 (zh) * | 2022-04-07 | 2023-10-12 | 广西电网有限责任公司 | 一种基于函数型数据分析的混频数据补值模型的创建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106548285B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548285A (zh) | 计及小水电出力的趸售电量预测方法 | |
CN103996082B (zh) | 一种基于双重随机理论的太阳辐射强度预测方法 | |
Liu et al. | Deriving optimal refill rules for multi-purpose reservoir operation | |
CN102570449B (zh) | 一种基于时空分布特性的区域风电功率预测方法 | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN107506868A (zh) | 一种短时电力负荷预测的方法及装置 | |
CN105005711B (zh) | 获取统计线损的方法及装置 | |
CN110033134A (zh) | 一种考虑气象因素的逐日分段短期负荷预测算法 | |
CN105608333B (zh) | 一种考虑多区域差异的气象敏感电量挖掘方法 | |
CN110110912A (zh) | 一种光伏功率多模型区间预测方法 | |
CN103679288B (zh) | 一种径流式小水电集群发电功率短期预测方法及预测系统 | |
CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
CN109376950A (zh) | 一种基于bp神经网络的多元电网负荷预测方法 | |
CN104574209A (zh) | 一种城网配变重过载中期预警模型的建模方法 | |
CN105335796A (zh) | 一种风电场输出功率爬坡事件预测的系统及方法 | |
CN108596242A (zh) | 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 | |
CN109508826A (zh) | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 | |
CN106485093A (zh) | 基于改进马尔可夫链的太阳辐照度时间序列合成方法 | |
Giudici et al. | Descriptive or normative: How does reservoir operations modeling influence hydrological simulations under climate change? | |
CN104881718A (zh) | 基于多尺度经济先行指标的区域电力景气指数构建方法 | |
Zou et al. | Quantitative assessment of adaptive measures on optimal water resources allocation by using reliability, resilience, vulnerability indicators | |
CN111428745A (zh) | 一种基于聚类分析的低压用户用电特征提取方法 | |
CN110135652B (zh) | 一种长期汛期径流预测方法 | |
CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |