CN106875057A - 一种基于条件概率调整的电能计量装置短期需求预测方法 - Google Patents
一种基于条件概率调整的电能计量装置短期需求预测方法 Download PDFInfo
- Publication number
- CN106875057A CN106875057A CN201710085066.9A CN201710085066A CN106875057A CN 106875057 A CN106875057 A CN 106875057A CN 201710085066 A CN201710085066 A CN 201710085066A CN 106875057 A CN106875057 A CN 106875057A
- Authority
- CN
- China
- Prior art keywords
- demand
- project
- conditional probability
- electric power
- industry
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 7
- 230000001932 seasonal effect Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000003860 storage Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (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
本发明公开了一种基于条件概率调整的业扩项目电能计量装置短期需求预测方法,属于计量装置需求预测技术领域。本发明方法以业扩项目电能计量装置的需求预测为对象,首先结合营销业务系统中往年历史数据,运用时间序列分解模型进行总体需求预测,并综合考虑业扩在途中“计量需求确定”到“需求实际产生”等关键业务节点的工程进度数据,并依据条件概率分布理论建立在途项目条件概率调整模型,对得到的初步预测结果进行实时性动态调整,从而得到更为精确的需求预测结果。基于条件概率调整的业扩项目电能计量装置短期需求预测方法能够根据近期工程项目需求数据变化,及时滚动调整、优化完善原有的需求预测结果,为采购到货、检定生产、仓储配送提供较为准确的需求计划。
Description
技术领域
本发明属于计量生产技术领域,尤其是一种基于条件概率调整的电能计量装置短期需求预测方法。
背景技术
作为国网公司“大营销”计量体系建设的典型成果和示范,省级计量中心承担着全省每年数百万的计量设备的到货、检定及配送工作,生产计划繁重且交错影响,传统的计量生产计划以人工经验安排为主,具有库存高、周转率低、时效性差、交互困难、灵活性差等缺点,在此情况下,设计一种能综合考虑到货周期、安全库存定和配送能力、需求优先级等因素的计量生产计划优化方法,科学合理制定计量装置的到货、检定及配送计划,对于大幅削减中心库存和生产成本,提升对供电企业的用表需求响应效率和服务能力,具有重要意义。
经过检索,在现有的已公开专利文献中未发现与本专利申请相同的技术方案。
发明内容
本发明的目的在于提供一种基于条件概率调整的电能计量装置短期需求预测方法,建立检测及配送的智能排程模型,为计量装置检测排程提供切实可效的模型方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于条件概率调整的电能计量装置短期需求预测方法,其特征在于:包括下述步骤:
S1:从电力公司SG-186系统获取业扩项目中电能计量装置的需求相关数据,包括:工程项目编号、工程项目业务类型、工程项目业务子类、答复供电方案时间、配表时间、计量装置类型、计量装置需求量;
S2:统计分析业扩项目电能计量装置月度需求量数据规律;
S3:在月度需求数据规律的基础上,构建业扩项目电能计量装置基于时间序列分解预测方法的初步需求预测模型;
S4:求解初步的时间序列分解预测模型,得到初步的需求预测结果;
S5:统计分析业扩项目各业务子类从“答复供电方案时间”到“配表时间”的时间间隔规律,并建立需求产生时间概率分布函数、概率密度函数,并进行假设检验;
S6:计算需求产生时间条件概率;
S7:建立基于条件概率调整的数学模型,对时间序列分解模型预测结果进行调整;
S8:在系统中录入当月新受理的业扩项目工程相关数据,并建立数据库,对已录入的业扩项目进行实时动态监控;
S9:截止下月月度需求上报时间,判断工程项目需求是否发生在当期,如果工程项目需求发生在当月,转入步骤S11;如果工程项目需求未发生在当月,转入步骤S12;
S10:工程项目需求若发生在当月,那么该工程项目的需求则不会发生在下一个月,在进行下一个月需求预测时,需要在初步需求预测结果的基础上,进行基于条件概率的调减,并得到需求调减量;
S11:工程项目需求若未发生在当月,那么该工程项目的需求发生在下一个月的概率则会增大,在进行下一个月需求预测时,需要在时间序列分解预测模型预测结果的基础上,进行基于条件概率的调加,并得到需求调加量;
S12:在初步需求预测的结果上,进行基于条件概率的调加和调减的数据处理,并输出最终的需求预测结果。
而且,所述步骤S3中的时间序列分解模型包括:时间序列分解和预测。
而且,所述时间序列分解模型的预测公式为Y=S×T×C×I;其中T:长期趋势,指时间序列在相当长的时间里变化的总方向,S:季节变化,指时间序列由于季节变换而出现的数量上的变化,C:周期变化,指围绕长期趋势而出现的具有某种规律的循环波动,I:随机变化,指由突发原因或偶然因素引起的不可预测的变化;
所述预测:通过上述步骤,得到季节指数S*和趋势项T*,t+1期的预测值m=S*×T*×C*×I*,其中,S*为t+1时刻相对应月份的季节指数,T*为t+1时刻的趋势值。
而且,步骤S5中所述需求产生时间间隔概率分布函数,是通过利用MATLAB软件中的分布检验函数对S2中业扩项目历史数据进行统计分析结果拟合得到的,其实际需求发生在答复供电方案n天后的概率为P(An)。
而且,步骤S6中所述的条件概率的计算公式为:
以上公式是根据条件概率和贝叶斯公式推得。公式中设A1,A2,…An…是一完备事件组,则对任一事件B,P(B)>0,那么在B时间发生的前提下,An+1时间发生的概率为P(An+1|B)。
而且,步骤S7中所述的条件概率调整模型为:
调整后的t+1月业扩项目电能计量装置的需求量:
上式所述中m代表的是通过S3所得到的初步预测结果,Dk代表的是需求未在t月产生的k项目的电能计量装置需求量,k是业扩项目的编号,P(t+1)k表示编号k业扩项目发生在t+1月的概率,dl代表的是需求发生在t月产生的l项目的电能计量装置需求量,l是业扩项目的编号,Ptl表示编号l业扩项目发生在t月的概率,通过时间序列分解模型求解和基于条件概率调整的模型,t+1月业扩项目电能计量装置的需求预测量为M。
而且,S8中所述建立数据库指的是建立业扩项目的数据库,便于模型求解计算和动态监控。
而且,S10所述基于条件概率的调减调整是指,如果对于l业扩项目其需求发生在t月,那么该业扩项目的需求则不会发生在t+1月,需要在时间序列分解模型预测的结果上进行调减,该业扩项目发生在t月的概率为Ptl,在预测时则需要在初步预测的结果上减去其需求量为dlPtl。
而且,S11所述基于条件概率的调增调整是指,如果对于k业扩项目其未需求发生在t月,那么该业扩项目的需求发生在t+1月的概率增大,需要在时间序列分解模型预测的结果上进行调加,该业扩项目发生在t+1月的条件概率为P(t+1)k,在预测时则需要在初步预测的结果上增加其需求量为DkP(t+1)k。
本发明的优点和积极效果是:
与现有的电能计量装置的需求预测方法相比,本发明的有益效果在于:本方法在对业扩项目电能计量装置的需求量进行预测时,不仅考虑了业扩工程的需求历史数据,也将不同业扩工程在途工单的需求特点进行了分析,所建立的基于条件概率的调整模型,也能够对在途项目实现实时的调整和更新,能够紧密的结合当前工程项目的进度,实时的进行更新和调整,得到更为科学合理的电能计量装置需求预测结果,从而避免了传统人工预测所带来的诸多弊端,指导实际生产采购、提升现场用表响应及时性具有重要意义。
附图说明
图1为本发明提供的电能计量装置的短期需求预测方法。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种基于条件概率调整的电能计量装置短期需求预测方法,
在本发明的实施例中,结合省级计量中心实际,建立电能计量装置的需求预测模型,并通过考虑实际情况,建立了条件概率的调整模型,并通过计算机语言编程实现计量装置需求预测的功能,提供更为科学、合理和准确的需求预测结果,为其他部门决策提供强有力的数据支撑。
如图1所示,本发明提供的电能计量装置的需求预测方法包括按顺序执行的下列步骤:
步骤1):从电力公司SG-186系统获取业扩项目中电能计量装置的需求相关数据,包括:工程项目编号、工程项目业务类型、工程项目业务子类、答复供电方案时间、配表时间、计量装置类型、计量装置需求量。
步骤2):统计分析业扩项目电能计量装置月度需求量数据规律。
步骤3):在月度需求数据规律的基础上,构建业扩项目电能计量装置基于时间序列分解预测方法的初步需求预测模型。
步骤3中所述的时间序列分解模型包括:时间序列分解和预测。
时间序列分解模型的预测公式为Y=S×T×C×I,其中T:长期趋势。指时间序列在相当长的时间里变化的总方向。S:季节变化。指时间序列由于季节变换而出现的数量上的变化。C:周期变化。指围绕长期趋势而出现的具有某种规律的循环波动。I:随机变化。指由突发原因或偶然因素引起的不可预测的变化。在本方法中主要考虑的是分离历史数据的季节因素S和趋势因素T,其中,I=1。
(1)计算加权季节指数
①首先收集历年各月业扩项目计量装置需求量的历史数据yij,其中i代表年份,j代表月份(i=1,2,3…n,j=1,2,3……12);
②计算第i年计量装置需求量月平均数:
③计算第i年的各月需求量的季节指数Sij,
④根据历年数据的重要程度,设置不同的权重系数,计算加权季节指数。各年权重系数设为αi,各月需求量加权季节指数s'ij,
(2)计算趋势T
趋势T的二次函数方程为:Tt=a+bt+ct2,其中a,b,c为参数。求得a,b,c的步骤如下:①把业扩项目电能计量装置的历史需求数据y按照时间进行排列作为因变量,把月份t作为自变量,用n对数据(yt,t),t=1,2,3.....,n来拟合趋势方程,其中yt表示的是t月份时,业扩项目电能计量装置的需求量。②设
分别对a,b,c求偏导数,并令为零。
解出a,b,c,得出趋势模型Tt=a+bt+ct2,可分离出趋势项T。
预测:
通过上述步骤,得到季节指数S*和趋势项T*,t+1期的预测值m=S*×T*×C*×I*,其中,S*为t+1时刻相对应月份的季节指数,T*为t+1时刻的趋势值。
步骤4):求解初步的时间序列分解预测模型,得到初步的需求预测结果。
步骤5):统计分析业扩项目各业务子类从“答复供电方案时间”到“配表时间”的时间间隔规律,并建立需求产生时间概率分布函数、概率密度函数,并进行假设检验。
步骤5中所述需求产生时间间隔概率分布函数,是通过利用MATLAB软件中的分布检验函数对S2中业扩项目历史数据进行统计分析结果拟合得到的,其实际需求发生在答复供电方案n天后的概率为P(An)。
步骤6):计算需求产生时间条件概率;
步骤6中所述的条件概率的计算公式为:
以上公式是根据条件概率和贝叶斯公式推得。公式中设A1,A2,…An…是一完备事件组,则对任一事件B,P(B)>0,那么在B时间发生的前提下,An+1时间发生的概率为P(An+1|B)。
其中,对于业扩项目来说,我们假设从答复供电方案开始时,其需求产生的时间在1月到n月后。需求产生的时间在答复供电方案1月后为A1事件,其概率为P(A1);需求产生时间在f月后为Af事件,其概率为P(Af);以此类推,需求产生时间在n月后为An事件,其概率为P(An),可得到:
P(A1)+P(A2)+P(A3)+…+P(Af)+…+P(An)=1
步骤7):建立基于条件概率调整的数学模型,对时间序列分解模型预测结果进行调整。
步骤7中所述的条件概率调整模型为:
调整后的t+1月业扩项目电能计量装置的需求量:
其中,上式所述中m代表的是通过步骤3所得到的初步预测结果,Dk代表的是需求未在t月产生的k项目的电能计量装置需求量,k是业扩项目的编号,P(t+1)k表示编号k业扩项目发生在t+1月的概率。dl代表的是需求发生在t月产生的l项目的电能计量装置需求量,l是业扩项目的编号,Ptl表示编号l业扩项目发生在t月的概率。通过时间序列分解模型求解和基于条件概率调整的模型,t+1月业扩项目电能计量装置的需求预测量为M。
步骤8):在系统中录入当月新受理的业扩项目工程相关数据,并建立数据库,对已录入的业扩项目进行实时动态监控。
步骤8中所述指的是建立业扩项目的数据库,便于模型求解计算和动态监控
步骤9):截止下月月度需求上报时间,判断工程项目需求是否发生在当期。如果工程项目需求发生在当月,转入步骤11;如果工程项目需求未发生在当月,转入步骤12。
步骤10):工程项目需求若发生在当月,那么该工程项目的需求则不会发生在下一个月,因此,在进行下一个月需求预测时,需要在初步需求预测结果的基础上,进行基于条件概率的调减,并得到需求调减量。
所述基于条件概率的调减调整是指,如果对于l业扩项目其需求发生在t月,那么该业扩项目的需求则不会发生在t+1月,需要在时间序列分解模型预测的结果上进行调减,该业扩项目发生在t月的概率为Ptl,在预测时则需要在初步预测的结果上减去其需求量为dlPtl。
步骤11):工程项目需求若未发生在当月,那么该工程项目的需求发生在下一个月的概率则会增大(为该项目发生在下一个月相对应的条件概率),因此,在进行下一个月需求预测时,需要在时间序列分解预测模型预测结果的基础上,进行基于条件概率的调加,并得到需求调加量;
所述基于条件概率的调增调整是指,如果对于k业扩项目其未需求发生在t月,那么该业扩项目的需求发生在t+1月的概率增大,需要在时间序列分解模型预测的结果上进行调加,该业扩项目发生在t+1月的条件概率为P(t+1)k,在预测时则需要在初步预测的结果上增加其需求量为DkP(t+1)k。
步骤12):在初步需求预测的结果上,进行基于条件概率的调加和调减的数据处理,并输出最终的需求预测结果。
本发明方法以业扩项目电能计量装置的需求预测为对象,首先结合营销业务系统中往年历史数据,运用时间序列分解模型进行总体需求预测,并综合考虑业扩在途中“计量需求确定”到“需求实际产生”等关键业务节点的工程进度数据,并依据条件概率分布理论建立在途项目条件概率调整模型,对得到的初步预测结果进行实时性动态调整,从而得到更为精确的需求预测结果。基于条件概率调整的业扩项目电能计量装置短期需求预测方法能够根据近期工程项目需求数据变化,及时滚动调整、优化完善原有的需求预测结果,为采购到货、检定生产、仓储配送提供较为准确的需求计划。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (9)
1.一种基于条件概率调整的电能计量装置短期需求预测方法,其特征在于:包括下述步骤:
S1:从电力公司SG-186系统获取业扩项目中电能计量装置的需求相关数据,包括:工程项目编号、工程项目业务类型、工程项目业务子类、答复供电方案时间、配表时间、计量装置类型、计量装置需求量;
S2:统计分析业扩项目电能计量装置月度需求量数据规律;
S3:在月度需求数据规律的基础上,构建业扩项目电能计量装置基于时间序列分解预测方法的初步需求预测模型;
S4:求解初步的时间序列分解预测模型,得到初步的需求预测结果;
S5:统计分析业扩项目各业务子类从“答复供电方案时间”到“配表时间”的时间间隔规律,并建立需求产生时间概率分布函数、概率密度函数,并进行假设检验;
S6:计算需求产生时间条件概率;
S7:建立基于条件概率调整的数学模型,对时间序列分解模型预测结果进行调整;
S8:在系统中录入当月新受理的业扩项目工程相关数据,并建立数据库,对已录入的业扩项目进行实时动态监控;
S9:截止下月月度需求上报时间,判断工程项目需求是否发生在当期,如果工程项目需求发生在当月,转入步骤S11;如果工程项目需求未发生在当月,转入步骤S12;
S10:工程项目需求若发生在当月,那么该工程项目的需求则不会发生在下一个月,在进行下一个月需求预测时,需要在初步需求预测结果的基础上,进行基于条件概率的调减,并得到需求调减量;
S11:工程项目需求若未发生在当月,那么该工程项目的需求发生在下一个月的概率则会增大,在进行下一个月需求预测时,需要在时间序列分解预测模型预测结果的基础上,进行基于条件概率的调加,并得到需求调加量;
S12:在初步需求预测的结果上,进行基于条件概率的调加和调减的数据处理,并输出最终的需求预测结果。
2.根据权利要求1所述基于条件概率调整的电能计量装置短期需求预测方法,其特征在于:步骤S3中所述的时间序列分解模型包括:时间序列分解和预测。
3.根据权利要求2所述基于条件概率调整的电能计量装置短期需求预测方法,其特征在于:所述时间序列分解模型的预测公式为Y=S×T×C×I;其中T:长期趋势,指时间序列在相当长的时间里变化的总方向,S:季节变化,指时间序列由于季节变换而出现的数量上的 变化,C:周期变化,指围绕长期趋势而出现的具有某种规律的循环波动,I:随机变化,指由突发原因或偶然因素引起的不可预测的变化;
所述预测:通过上述步骤,得到季节指数S*和趋势项T*,t+1期的预测值m=S*×T*×C*×I*,其中,S*为t+1时刻相对应月份的季节指数,T*为t+1时刻的趋势值。
4.根据权利要求1所述基于条件概率调整的电能计量装置短期需求预测方法,其特征在于:步骤S5中所述需求产生时间间隔概率分布函数,是通过利用MATLAB软件中的分布检验函数对S2中业扩项目历史数据进行统计分析结果拟合得到的,其实际需求发生在答复供电方案n天后的概率为P(An)。
5.根据权利要求1所述基于条件概率调整的电能计量装置短期需求预测方法,其特征在于:步骤S6中所述的条件概率的计算公式为:
以上公式是根据条件概率和贝叶斯公式推得。公式中设A1,A2,…An…是一完备事件组,则对任一事件B,P(B)>0,那么在B时间发生的前提下,An+1时间发生的概率为P(An+1|B)。
6.根据权利要求1所述基于条件概率调整的电能计量装置短期需求预测方法,其特征在于:步骤S7中所述的条件概率调整模型为:
调整后的t+1月业扩项目电能计量装置的需求量:
上式所述中m代表的是通过S3所得到的初步预测结果,Dk代表的是需求未在t月产生的k项目的电能计量装置需求量,k是业扩项目的编号,P(t+1)k表示编号k业扩项目发生在t+1月的概率,dl代表的是需求发生在t月产生的l项目的电能计量装置需求量,l是业扩项目的编号,Ptl表示编号l业扩项目发生在t月的概率,通过时间序列分解模型求解和基于条件概率调整的模型,t+1月业扩项目电能计量装置的需求预测量为M。
7.根据权利要求1所述基于条件概率调整的电能计量装置短期需求预测方法,其特征在于:S8中所述建立数据库指的是建立业扩项目的数据库,便于模型求解计算和动态监控。
8.根据权利要求1所述基于条件概率调整的电能计量装置短期需求预测方法,其特征在于:S10所述基于条件概率的调减调整是指,如果对于l业扩项目其需求发生在t月,那么该业扩项目的需求则不会发生在t+1月,需要在时间序列分解模型预测的结果上进行调减,该 业扩项目发生在t月的概率为Ptl,在预测时则需要在初步预测的结果上减去其需求量为dlPtl。
9.根据权利要求1所述基于条件概率调整的电能计量装置短期需求预测方法,其特征在于:S11所述基于条件概率的调增调整是指,如果对于k业扩项目其未需求发生在t月,那么该业扩项目的需求发生在t+1月的概率增大,需要在时间序列分解模型预测的结果上进行调加,该业扩项目发生在t+1月的条件概率为P(t+1)k,在预测时则需要在初步预测的结果上增加其需求量为DkP(t+1)k。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710085066.9A CN106875057A (zh) | 2017-02-17 | 2017-02-17 | 一种基于条件概率调整的电能计量装置短期需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710085066.9A CN106875057A (zh) | 2017-02-17 | 2017-02-17 | 一种基于条件概率调整的电能计量装置短期需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106875057A true CN106875057A (zh) | 2017-06-20 |
Family
ID=59167332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710085066.9A Pending CN106875057A (zh) | 2017-02-17 | 2017-02-17 | 一种基于条件概率调整的电能计量装置短期需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875057A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590561A (zh) * | 2017-09-05 | 2018-01-16 | 天津市电力科技发展有限公司 | 一种基于电网线路运行误差远程校准的电能表有序换装方法 |
CN110321389A (zh) * | 2019-05-14 | 2019-10-11 | 南京浦和数据有限公司 | 一种基于时间序列聚类的电能表设备类别识别方法 |
CN114418246A (zh) * | 2022-03-30 | 2022-04-29 | 深圳谱盈科技有限公司 | 基于大数据的项目预测系统 |
-
2017
- 2017-02-17 CN CN201710085066.9A patent/CN106875057A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590561A (zh) * | 2017-09-05 | 2018-01-16 | 天津市电力科技发展有限公司 | 一种基于电网线路运行误差远程校准的电能表有序换装方法 |
CN110321389A (zh) * | 2019-05-14 | 2019-10-11 | 南京浦和数据有限公司 | 一种基于时间序列聚类的电能表设备类别识别方法 |
CN110321389B (zh) * | 2019-05-14 | 2023-06-23 | 南京浦和数据有限公司 | 一种基于时间序列聚类的电能表设备类别识别方法 |
CN114418246A (zh) * | 2022-03-30 | 2022-04-29 | 深圳谱盈科技有限公司 | 基于大数据的项目预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kanyalkar et al. | An integrated aggregate and detailed planning in a multi-site production environment using linear programming | |
CN103617564B (zh) | 基于区域负荷预测值综合评价的全网负荷预测方法 | |
Hossan et al. | Integrated CVR and demand response framework for advanced distribution management systems | |
CN105844371A (zh) | 一种用电客户短期负荷需求预测方法及装置 | |
CN104537428B (zh) | 一种计及风电接入不确定性的经济运行评估方法 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN108631295A (zh) | 实测数据的理论线损在线精准计算系统 | |
CN107590561A (zh) | 一种基于电网线路运行误差远程校准的电能表有序换装方法 | |
Zhu et al. | Short‐Term Electricity Consumption Forecasting Based on the EMD‐Fbprophet‐LSTM Method | |
CN106875057A (zh) | 一种基于条件概率调整的电能计量装置短期需求预测方法 | |
CN105205547A (zh) | 一种基于多种不确定因素相似度匹配的母线负荷预测算法 | |
CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
Gao | Application of improved grey theory prediction model in medium-term load forecasting of distribution network | |
CN106096779A (zh) | 一种输配电成本分析、风险评估模型及风险结构优化方法 | |
Lotfi et al. | A dynamic model for multi-objective feeder reconfiguration in distribution network considering demand response program | |
Reddy et al. | Placement of distributed generator, capacitor and DG and capacitor in distribution system for loss reduction and reliability improvement | |
CN107134790B (zh) | 一种基于大数据的配电网无功优化控制序列确定方法 | |
Ali et al. | A Levenberg–Marquardt based neural network for short-term load forecasting | |
CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
CN108695851A (zh) | 一种基于负荷分区电价的发电优化调度方法 | |
CN108599233B (zh) | 一种含分布式电源的配电网接纳容量确定方法和装置 | |
Shukur et al. | Electricity load forecasting using hybrid of multiplicative double seasonal exponential smoothing model with artificial neural network | |
Leenman et al. | Optimal placing of wind turbines: Modelling the uncertainty | |
Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
CN105844342A (zh) | 一种短期电力市场预测系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170620 |
|
RJ01 | Rejection of invention patent application after publication |