CN106980910A - 中长期电力负荷测算系统及方法 - Google Patents
中长期电力负荷测算系统及方法 Download PDFInfo
- Publication number
- CN106980910A CN106980910A CN201710214058.XA CN201710214058A CN106980910A CN 106980910 A CN106980910 A CN 106980910A CN 201710214058 A CN201710214058 A CN 201710214058A CN 106980910 A CN106980910 A CN 106980910A
- Authority
- CN
- China
- Prior art keywords
- load
- influence factor
- data
- historical data
- module
- 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 abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000005611 electricity Effects 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 25
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 241001269238 Data Species 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 8
- 238000013277 forecasting method Methods 0.000 claims description 8
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 6
- 240000002853 Nelumbo nucifera Species 0.000 claims description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 4
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000011160 research 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—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)
- Complex Calculations (AREA)
Abstract
一种中长期负荷测算系统，包括存储模块、获取模块、输入模块、负荷特性影响因素关联度计算模块、筛选影响因素预测值计算模块、中长期负荷预测计算模块，获取模块、输入模块、负荷特性影响因素关联度计算模块、筛选影响因素预测值计算模块、中长期负荷预测计算模块基于改进灰色关联分析模型分析各个负荷特性指标与所有影响因素之间的关联度、筛选出每个负荷特性指标对应的影响因素序列、在此基础上应用灰色Verhulst模型计算出影响因素的预测值、应用PLS模型建立符合特性指标与其对应影响因素的回归方程的原理获得，最终利用上述各模块的组合计算出各个负荷特性指标的预测值，即中长期负荷预测结果。本发明还提供一种中长期负荷测算方法。
Description
技术领域：
本发明涉及电力系统负荷预测技术领域，特别涉及一种中长期电力负荷测算系统及方法。
背景技术：
中长期电力负荷受到的影响因素较多，如经济发展水平及经济结构、居民收入和消费水平、电价、气温等。对影响负荷的因素进行定量分析，揭示其变化规律，并在此基础上对未来的负荷水平进行预测，是电力系统规划的重要基础。
引起电力系统中各类负荷变化的原因各有差异，且十分复杂，导致了建模上的困难。因此，过去对负荷影响因素的分析大多停留在定性分析阶段。在经济高速增长和电力发输配售一体化的年代，中长期负荷预测方法相对简单，例如经典的单耗法、趋势外推法、弹性系数法等。而随着国家经济发展进入“新常态”、电改的深入推进，电力需求与经济发展的变化步伐不再一致，电力弹性系数也变得捉摸不定。因此，单纯依靠比较适合于传统的经典预测方法，难以保证精度，存在一定的预测风险。
国内外专家学者对负荷影响因素分析和中长期负荷预测分别进行了大量研究，但是缺少两部分的整体联动研究。负荷影响因素分析的结果对于中长期负荷预测的指导作用，没有得到充分发挥。
发明内容：
有鉴于此，有必要提供一种中长期电力负荷测算系统，通过中长期电力负荷测算系统及方法来解决当前中长期负荷预测方法存在的精度低及预测风险大的技术问题。
还有必要提供一种中长期负荷预测方法。
一种中长期电力负荷测算系统，包括存储模块、获取模块、输入模块、负荷特性影响因素关联度计算模块、筛选影响因素预测值计算模块、中长期负荷预测计算模块，其中，输入模块包括附加数据输入模块、筛选影响因素序列输入模块，存储模块用于存储基础负荷特性指标历史数据和基础负荷特性影响因素历史数据，其中，基础负荷特性指标历史数据包括年份的年用电量数据y1(t)(t＝1,2,…,T)、年最大负荷数据y2(t)(t＝1,2,…,T)、年最大峰谷差数据y3(t)(t＝1,2,…,T)、年最大负荷利用小时数y4(t)(t＝1,2,…,T)，基础负荷特性影响因素历史数据包括T年份的地区GDP数据x1(t)(t＝1,2,…,T)、一产用电占比数据x2(t)(t＝1,2,…,T)、二产用电占比数据x3(t)(t＝1,2,…,T)、三产用电占比数据x4(t)(t＝1,2,…,T)、居民消费价格指数x5(t)(t＝1,2,…,T)、万元GDP能耗x6(t)(t＝1,2,…,T)、全社会固定资产投资数据x7(t)(t＝1,2,…,T)、地区常驻人口数据x8(t)(t＝1,2,…,T)；获取模块用于从存储模块中获取基础负荷特性指标历史数据和基础负荷特性影响因素历史数据，并将获取的基础负荷特性指标历史数据和基础负荷特性影响因素历史数据提供给筛选影响因素序列输入模块、负荷特性影响因素关联度计算模块；附加数据输入模块用于响应用户输入的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据以及所有负荷特性影响因素横向AHP权值判断矩阵数据的操作，产生对应的附加负荷特性指标历史数据yα(t)(α＝5,6,…,n；t＝1,2,…,T)、附加负荷特性影响因素历史数据xβ(t)(β＝9,10,…,m；t＝1,2,…,T)以及所有负荷特性影响因素横向AHP权值判断矩阵，并将附加负荷特性指标历史数据yα(t)(α＝5,6,…,n；t＝1,2,…,T)、附加负荷特性影响因素历史数据xβ(t)(β＝9,10,…,m；t＝1,2,…,T)提供给筛选影响因素序列输入模块和负荷特性影响因素关联度计算模块，将负荷特性影响因素横向AHP权值判断矩阵提供给负荷特性影响因素关联度计算模块；筛选影响因素序列输入模块用于响应用户输入的各负荷特性指标所对应的影响因素序列的操作，产生对应的影响因素序列xji(i＝1,2,…,mj)，并根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、附加负荷特性指标历史数据、附加负荷特性影响因素历史数据及影响因素序列xji(i＝1,2,…,mj)，产生对应的影响因素序列历史数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)，并将影响因素序列数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)提供给中长期负荷预测计算模块；负荷特性影响因素关联度计算模块用于根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、接收的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据、负荷特性影响因素横向AHP权值判断矩阵及预存的计算公式：计算出每个负荷特性指标yj(j＝1,2,…,n)和所有的负荷特性指标影响因素xi(i＝1,2,…,m)之间的关联度Rij，供用户参考以便筛选出需要的每个负荷特性指标yj(j＝1,2,…,n)所对应的影响因素序列xji(i＝1,2,…,mj)；筛选影响因素计算模块用于根据用户输入的筛选出的各个负荷特性指标所对应的影响因素序列xji(i＝1,2,…,mj)及预存的计算公式：计算出所有负荷特性指标所对应影响因素的预测值并将计算出的预测值提供给中长期负荷预测模块；中长期负荷预测模块用于根据接收的所有负荷特性指标历史数据和与其对应的影响因素序列数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)和预测值及预存的计算公式：计算出电力部门所希望预测的各类负荷特性指标，供电力部门参考。
一种中长期负荷预测方法，包括以下步骤：
存储地区基础负荷特性指标历史数据及基础负荷特性影响因素历史数据，其中，基础负荷特性指标历史数据包括T年份的年用电量数据y1(t)(t＝1,2,…,T)、年最大负荷数据y2(t)(t＝1,2,…,T)、年最大峰谷差数据y3(t)(t＝1,2,…,T)、年最大负荷利用小时数y4(t)(t＝1,2,…,T)，基础负荷特性影响因素历史数据包括T年份的地区GDP数据x1(t)(t＝1,2,…,T)、一产用电占比数据x2(t)(t＝1,2,…,T)、二产用电占比数据x3(t)(t＝1,2,…,T)、三产用电占比数据x4(t)(t＝1,2,…,T)、居民消费价格指数x5(t)(t＝1,2,…,T)、万元GDP能耗x6(t)(t＝1,2,…,T)、全社会固定资产投资数据x7(t)(t＝1,2,…,T)、地区常驻人口数据x8(t)(t＝1,2,…,T)；
获取基础负荷特性指标历史数据和基础负荷特性影响因素历史数据；
响应用户输入的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据以及所有负荷特性影响因素横向AHP权值判断矩阵数据的操作，产生对应的附加负荷特性指标历史数据yα(t)(α＝5,6,…,n；t＝1,2,…,T)、附加负荷特性影响因素历史数据xβ(t)(β＝9,10,…,m；t＝1,2,…,T)以及所有负荷特性影响因素横向AHP权值判断矩阵；
响应用户输入的各负荷特性指标所对应的影响因素序列的操作，产生对应的影响因素序列xji(i＝1,2,…,mj)，并根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、附加负荷特性指标历史数据、附加负荷特性影响因素历史数据及影响因素序列xji(i＝1,2,…,mj)，产生对应的影响因素序列历史数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)；
根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、接收的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据、负荷特性影响因素横向AHP权值判断矩阵及预存的计算公式：计算出每个负荷特性指标yj(j＝1,2,…,n)和所有的负荷特性指标影响因素xi(i＝1,2,…,m)之间的关联度Rij，供用户参考以便筛选出需要的每个负荷特性指标yj(j＝1,2,…,n)所对应的影响因素序列xji(i＝1,2,…,mj)；
根据用户输入的筛选出的各个负荷特性指标所对应的影响因素序列xji(i＝1,2,…,mj)及预存的计算公式：计算出所有负荷特性指标所对应影响因素的预测值
根据接收的所有负荷特性指标历史数据和与其对应的影响因素序列数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)和预测值及预存的计算公式：计算出电力部门所希望预测的各类负荷特性指标，供电力部门参考。
上述中长期电力负荷测算系统及方法中，获取模块、输入模块、负荷特性影响因素关联度计算模块、筛选影响因素预测值计算模块、中长期负荷预测计算模块基于改进灰色关联分析模型分析各个负荷特性指标与所有影响因素之间的关联度、筛选出每个负荷特性指标对应的影响因素序列、在此基础上应用灰色Verhulst模型计算出影响因素的预测值、应用PLS模型建立符合特性指标与其对应影响因素的回归方程的原理获得，最终利用上述各模块的组合计算出各个负荷特性指标的预测值，即中长期负荷预测结果，进而解决现有技术的精度低及预测风险大的技术问题。
附图说明：
图1为本发明的中长期电力负荷测算系统所采用的原理示意图。
图2为本发明的中长期电力负荷测算系统所采用的流程示意图。
图3为一较佳实施方式的中长期电力负荷测算系统的功能模块示意图。
图4为输入模块的功能模块示意图。
图5为输出模块的功能模块示意图。
图6为负荷特性指标与其影响因素数据库示意图。
图7为用户所输入附加负荷特性指标及负荷特性影响因素历史数据表。
图8为所有负荷特性影响因素横向AHP权值判断矩阵数据表。
图9为筛选后各负荷特性指标所对应影响因素序列表。
图中：中长期电力负荷测算系统100、存储模块200、获取模块300、输入模块400、附加数据输入模块401、筛选影响因素序列输入模块402、负荷特性影响因素关联度计算模块500、筛选影响因素预测值计算模块600、中长期负荷预测模块700、输出模块800、负荷特性关联度输出模块801、负荷特性指标预测值输出模块802。
具体实施方式：
本发明公开了一种基于灰色理论和偏最小二乘回归的中长期电力负荷测算系统及方法，通过建立负荷特性指标及其影响因素基础数据库、输入附加负荷特性指标与附加负荷特性影响因素历史数据、应用双向加权灰色关联模型计算出各个负荷特性指标与所有影响因素之间的关联度并输出反馈给用户、输入筛选后的各个负荷特性指标对应的影响因素序列、应用灰色Verhulst模型计算出影响因素的预测值、应用PLS模型建立符合特性指标与其对应影响因素的回归方程，最终计算出各个负荷特性指标的预测值，即中长期负荷预测结果，以供电力部门参考。其中，请同时参看图6，构建负荷特性指标及其影响因素基础数据库包含两类数据：
(1)基础负荷特性指标历史数据，即常规的中长期负荷预测项的近T年历史数据，有：年用电量y1(t)(t＝1,2,…,T)，单位(亿千瓦时)；年最大负荷y2(t)(t＝1,2,…,T)，单位(兆瓦)；年最大峰谷差y3(t)(t＝1,2,…,T)，单位(％)；年最大负荷利用小时数y4(t)(t＝1,2,…,T)，单位(小时)。
(2)基础负荷特性影响因素历史数据，即会对负荷特性造成影响的常规影响因素的近T年历史数据，有：地区GDPx1(t)(t＝1,2,…,T)，单位(亿元)；一产用电占比x2(t)(t＝1,2,…,T)，单位(％)；二产用电占比x3(t)(t＝1,2,…,T)，单位(％)；三产用电占比x4(t)(t＝1,2,…,T)，单位(％)；居民消费价格指数x5(t)(t＝1,2,…,T)；万元GDP能耗x6(t)(t＝1,2,…,T)，单位(吨标煤)；全社会固定资产投资x7(t)(t＝1,2,…,T)，单位(亿元)；地区常住人口x8(t)(t＝1,2,…,T)，单位(万人)。
以下详细介绍上述中长期电力负荷测算系统及中长期负荷预测方法：
请同时参看图1至图5，中长期电力负荷测算系统100包括存储模块200、获取模块300、输入模块400、负荷特性影响因素关联度计算模块500、中长期负荷预测模块70、输出模块800。其中，存储模块200、获取模块300、输入模块400、负荷特性影响因素关联度计算模块500、中长期负荷预测模块都为具有数据处理能力的数据处理装置，中长期电力负荷测算系统100中的各模块运行对应的计算机程序代码后，实现彼此之间的数据交换及具有以下功能：
存储模块200用于存储基础负荷特性指标历史数据和基础负荷特性影响因素历史数据，其中，基础负荷特性指标历史数据包括T年份的年用电量数据y1(t)(t＝1,2,…,T)、年最大负荷数据y2(t)(t＝1,2,…,T)、年最大峰谷差数据y3(t)(t＝1,2,…,T)、年最大负荷利用小时数y4(t)(t＝1,2,…,T)，基础负荷特性影响因素历史数据包括T年份的地区GDP数据x1(t)(t＝1,2,…,T)、一产用电占比数据x2(t)(t＝1,2,…,T)、二产用电占比数据x3(t)(t＝1,2,…,T)、三产用电占比数据x4(t)(t＝1,2,…,T)、居民消费价格指数x5(t)(t＝1,2,…,T)、万元GDP能耗x6(t)(t＝1,2,…,T)、全社会固定资产投资数据x7(t)(t＝1,2,…,T)、地区常驻人口数据x8(t)(t＝1,2,…,T)。
获取模块300用于从存储模块200中获取基础负荷特性指标历史数据和基础负荷特性影响因素历史数据，并将获取的基础负荷特性指标历史数据和基础负荷特性影响因素历史数据提供给筛选影响因素输入序列模块402、负荷特性影响因素关联度计算模块500。
请同时参看图7至图9，输入模块400包括附加数据输入模块401和筛选影响因素序列输入模块402。附加数据输入模块401用于响应用户输入的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据以及所有负荷特性影响因素横向AHP权值判断矩阵数据的操作，产生对应的附加负荷特性指标历史数据yα(t)(α＝5,6,…,n；t＝1,2,…,T)、附加负荷特性影响因素历史数据xβ(t)(β＝9,10,…,m；t＝1,2,…,T)以及所有负荷特性影响因素横向AHP权值判断矩阵，并将附加负荷特性指标历史数据yα(t)(α＝5,6,…,n；t＝1,2,…,T)、附加负荷特性影响因素历史数据xβ(t)(β＝9,10,…,m；t＝1,2,…,T)提供给筛选影响因素序列输入模块402和负荷特性影响因素关联度计算模块500，将负荷特性影响因素横向AHP权值判断矩阵提供给负荷特性影响因素关联度计算模块500；筛选影响因素序列输入模块402用于响应用户输入的各负荷特性指标所对应的影响因素序列的操作，产生对应的影响因素序列xji(i＝1,2,…,mj)，并根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、附加负荷特性指标历史数据、附加负荷特性影响因素历史数据及影响因素序列xji(i＝1,2,…,mj)，产生对应的影响因素序列历史数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)，并将影响因素序列历史数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)提供给筛选影响因素预测值计算模块600，将所有负荷特性指标历史数据及对应的影响因素序列中的历史数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)提供给中长期负荷预测模块700。
负荷特性影响因素关联度计算模块500用于根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、接收的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据、负荷特性影响因素横向AHP权值判断矩阵及预存的计算公式：计算出每个负荷特性指标yj(j＝1,2,…,n)和所有的负荷特性指标影响因素xi(i＝1,2,…,m)之间的关联度Rij，供用户参考以便筛选出需要的每个负荷特性指标yj(j＝1,2,…,n)所对应的影响因素序列。其中，计算公式的前置步骤为：根据第j类负荷特性指标数据yj(t)(j＝1,2,…,n；t＝1,2,…,T)和影响因素数据xi(t)(i＝1,2,…m；t＝1,2,…,T)，形成n个分析矩阵：
新增过程变量:Yj表示第j个负荷特性指标序列，X表示影响因素序列。
将分析矩阵(1)按如式(2)、(3)进行归一化，并按照式(4)形成初值矩阵：
新增过程变量：xi′(t)、y′j(t)为对负荷特性指标序列、影响因素序列归一化后的形式。
将初值矩阵(4)中的元素按照式(5)进行差值运算，计算第j个负荷特性指标序列与影响因素指标i的差值，得到如式(6)所示的序列矩阵Δji，并选择两极差的最大值Δmax和最小值Δmin，如式(7)所示：
Δji(t)＝…yi′(t)-xi′(t)…(i＝1,2,…,m) (5)
Δmax＝max(maxΔji(t)),Δmin＝min(minΔji(t)) (7)
由式(8)计算第j个负荷特性指标序列与影响因素i在时间t的关联系数λji(t)，并形成它们的关联系数矩阵λji，如式(9)所示：
新增过程变量：ρ为分辨系数，通常取0.5
将λji矩阵中的每一列如式(10)求取均值，即可得到影响因素指标i与第j个负荷特性指标序列的灰色关联度rij。
在传统的灰色关联分析模型中，灰色关联度是对各个历史时期的关联系数求取均值获得的。而实际上，历史数据对现有情况的影响程度不一致。通常，在同等条件下，数据的历史时间越近，对现有情况的影响程度越高。因此，需要对影响因素在不同时间t之间的权重进行调整。
影响因素指标i与第j个负荷特性指标序列在不同时间i之间的纵向加权关联度rij′的计算公式为：
式中新增变量：ω(t)为纵向权值，表示第t时间的影响因素i与第j个LCI的关联系数。
纵向权值ω(t)的计算方法如下：
1)根据历史时间“近大远小”的原则，形成历史时间t1和t2的模糊互补优先关系矩阵表示针对某个影响因素指标，时间t1的数据与t2的数据重要性大小对比关系。
当t1＞t2表示历史时间t1的数据比t2的数据重要，令反之，当t1＜t2时，则令当t1＝t2时，表示历史时间t1的数据与t2的数据同等重要，令
2)将模糊互补优先关系矩阵改造成模糊一致矩阵其中
3)求纵向权值ω(t)
式中新增变量：a是满足的参数，一般取
另一方面外，传统关联度计算公式对各影响因素采用平权处理，这存在两方面问题：一是平均值容易掩盖各个影响因素的个性，未能考虑进专家的经验或意见，对于未来情况的变化难以应对；二是当关联系数较为离散时，总体关联度将由关联系数大的点决定，从而造成局部关联倾向，使分析结果产生偏差。因此，还需要对不同的影响因素i权重进行调整。
影响因素指标i与第j个LCI之间的双向加权关联度Rij的计算公式为：
式中新增变量：σij为横向权值，表示影响因素i相对于第j个LCI的重要程度。
横向权值σij的计算采用层次分析法(AHP)，其步骤如下。
1)明确方案目标，建立评价模型。该评价模型包括目标层、准则层和方案层，各层由若干因素组成。
2)构造判断矩阵。每一层中所含的各因素可以用上一层的一个因素作为比较准则来相互比较，当以上层某因素作为评价准则时，判断矩阵A＝(aij)m×m中的aij表示该层次中的第i个影响因素相对第j个影响因素的重要性，aij的取值一般取正整数1-9及其倒数。
3)求判断矩阵A的最大特征值λmax及其对应的特征向量ω，将ω归一化之后的ω′即为该层次因素的权重。
4)一致性检验。首先，计算一致性指标CI，其计算公式为CI＝(λmax-n)…(n-1)；其次，根据阶数n查平均随机一致性指标RI；最后，计算一致性比例CR＝CI/RI，若CR＜0.10时，认为判断矩阵的一致性可以接受，否则应对判断矩阵作适当修正。
5)综合各层次的权重，即可得到各方案对目标的权重。
将负荷特性指标及其影响因素基础数据库中的年用电量数据y1(t)(t＝1,2,…,T)、年最大负荷数据y2(t)(t＝1,2,…,T)、年最大峰谷差数据y3(t)(t＝1,2,…,T)、年最大负荷利用小时数y4(t)(t＝1,2,…,T)、地区GDP数据x1(t)(t＝1,2,…,T)、一产用电占比数据x2(t)(t＝1,2,…,T)、二产用电占比数据x3(t)(t＝1,2,…,T)、三产用电占比数据x4(t)(t＝1,2,…,T)、居民消费价格指数x5(t)(t＝1,2,…,T)、万元GDP能耗x6(t)(t＝1,2,…,T)、全社会固定资产投资数据x7(t)(t＝1,2,…,T)、地区常驻人口数据x8(t)(t＝1,2,…,T)和附加数据输入模块中的附加负荷特性指标历史数据yα(t)(α＝5,6,…,n；t＝1,2,…,T)、附加负荷特性影响因素历史数据xβ(t)(β＝9,10,…,m；t＝1,2,…,T)带入上述公式(1)—(15)中，可测算得到各个负荷特性指标与所有负荷特性影响因素的关联度Rij(j＝1,2,…,n；i＝1,2,…,m)。
筛选影响因素预测值计算模块600用于根据用户输入的筛选出的各个负荷特性指标所对应的影响因素序列xji(i＝1,2,…,mj)及预存的计算公式：计算出所有负荷特性指标所对应影响因素的预测值并将计算出的预测值提供给中长期负荷预测模块700。其中，计算公式的前置步骤为：
以筛选后的负荷特性影响因素xji为例，有原始数据序列[xji (0)(1),…,xji (0)(t),…,xji (0)(T)]，其中xji (0)(t)＝xji(t)(t＝1,2,…,T)。利用该数据序列建立灰色Verhulst模型的一般步骤如下。
1)作一阶累加生成，形成1-AGO序列
xji (1)的紧邻均值生成序列为
该模型的白化方程为
2)对参数列[aji bji]T进行最小二乘估计，得
[aji bji]T＝(Bji TBji)-1Bji TYji (19)
式中，
3)由模型白化方程的通解可得模型的白化响应式为
一阶累减还原，即可得原始数据序列的拟合值
式中，是原始数据序列的拟合值；其中即为原始数据序列的预测值。
将筛选影响因素序列输入模块402中的对应的影响因素序列中的历史数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)带入到公式(16)—(23)中，即可得到每个负荷特性指标对应的影响因素的预测值
中长期负荷预测模块700用于根据接收的所有负荷特性指标历史数据和与其对应的影响因素序列数据和预测值及预存的计算公式：计算出电力部门所希望预测的各类负荷特性指标，供电力部门参考。其中，公式的前置步骤为：
1)以负荷特性指标yj为例，则yj为自变量，其对应的mj个影响因素即为自变量，样本数为T，形成因变量矩阵Yj＝[yj]T×1和自变量矩阵将Xj与Yj标准化处理为Ej0与Fj0(常用z-score标准化法)。
2)从Ej0中提取第1个主成分tj1
式中新增变量：wj1是Ej0的第一主轴，即最大特征值所对应的特征向量
提取第一个主成分tj1后，实施Ej0和Fj0在tj1上的回归。在简化算法中，无需实施Fj0在t1上的回归，只需求出Ej0对tj1的回归系数pj1即可。
式中新增变量：Ej1表示回归方程的残差矩阵
3)检验交叉有效性，若满足停止条件，则只提取一个成分tj1。否则利用Ej1和Fj0重复第2)步，依次类推，直至满足停止条件。
检验交叉有效性的方法：设yj为原始数据，t1,t2,…,tk是在偏最小二乘回归过程中提取的成分。是使用全部样本点并取t1,t2,…,tk回归建模后第j个样本点的拟合值。是在建模时删去样本点j，同样取t1,t2,…,tk回归建模后，再用此模型计算的yj拟合值，记
一般认为，当时，th成分的边际贡献率是显著的，增加成分th是有益的；否则，可以认为不应再增加该成分。
4)根据所提取的kj个成分实施Fj0在上的回归，得到
通过标准化的逆过程，可得到yj关于的回归方程为
最终，有各个负荷特性指标预测值为：
将筛选影响因素序列输入模块402中的所有负荷特性指标历史数据yj(t)(j＝1,2,…,n；t＝1,2,…T)、对应的影响因素序列历史数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)和筛选影响因素预测值计算模块600中的影响因素序列预测数据带入到公式(24)—(32)中，即可得到每个负荷特性指标的预测值yj(T+1)(j＝1,2,…,n)，即中长期负荷预测结果。
进一步的，输出模块800分为负荷特性关联度输出模块801和负荷特性指标预测值输出模块802。负荷特性关联度输出模块801用于将各个负荷特性指标和所有负荷特性影响因素之间的关联度Rij(i＝1,2,…,m；j＝1,2,…,n)输出，供用户筛选出每个负荷特性指标对应的影响因素序列；负荷特性指标预测值输出模块802用于将各个负荷特性预测值yj(T+1)(j＝1,2,…,n)输出，供用户参考。
本发明还提供的一种中长期负荷预测方法，包括以下步骤：
存储地区基础负荷特性指标历史数据及基础负荷特性影响因素历史数据，其中，基础负荷特性指标历史数据包括T年份的年用电量数据y1(t)(t＝1,2,…,T)、年最大负荷数据y2(t)(t＝1,2,…,T)、年最大峰谷差数据y3(t)(t＝1,2,…,T)、年最大负荷利用小时数y4(t)(t＝1,2,…,T)，基础负荷特性影响因素历史数据包括T年份的地区GDP数据x1(t)(t＝1,2,…,T)、一产用电占比数据x2(t)(t＝1,2,…,T)、二产用电占比数据x3(t)(t＝1,2,…,T)、三产用电占比数据x4(t)(t＝1,2,…,T)、居民消费价格指数x5(t)(t＝1,2,…,T)、万元GDP能耗x6(t)(t＝1,2,…,T)、全社会固定资产投资数据x7(t)(t＝1,2,…,T)、地区常驻人口数据x8(t)(t＝1,2,…,T)；
获取基础负荷特性指标历史数据和基础负荷特性影响因素历史数据；
响应用户输入的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据以及所有负荷特性影响因素横向AHP权值判断矩阵数据的操作，产生对应的附加负荷特性指标历史数据yα(t)(α＝5,6,…,n；t＝1,2,…,T)、附加负荷特性影响因素历史数据xβ(t)(β＝9,10,…,m；t＝1,2,…,T)以及所有负荷特性影响因素横向AHP权值判断矩阵；
响应用户输入的各负荷特性指标所对应的影响因素序列的操作，产生对应的影响因素序列xji(i＝1,2,…,mj)，并根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、附加负荷特性指标历史数据、附加负荷特性影响因素历史数据及影响因素序列xji(i＝1,2,…,mj)，产生对应的影响因素序列历史数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)；
根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、接收的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据、负荷特性影响因素横向AHP权值判断矩阵及预存的计算公式：计算出每个负荷特性指标yj(j＝1,2,…,n)和所有的负荷特性指标影响因素xi(i＝1,2,…,m)之间的关联度Rij，供用户参考以便筛选出需要的每个负荷特性指标yj(j＝1,2,…,n)所对应的影响因素序列xji(i＝1,2,…,mj)；
根据用户输入的筛选出的各个负荷特性指标所对应的影响因素序列xji(i＝1,2,…,mj)及预存的计算公式：计算出所有负荷特性指标所对应影响因素的预测值
根据接收的所有负荷特性指标历史数据和与其对应的影响因素序列数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)和预测值及预存的计算公式：计算出电力部门所希望预测的各类负荷特性指标，供电力部门参考。
Claims (4)
1.一种中长期电力负荷测算系统，其特征在于：包括存储模块、获取模块、输入模块、负荷特性影响因素关联度计算模块、筛选影响因素预测值计算模块、中长期负荷预测计算模块，其中，输入模块包括附加数据输入模块、筛选影响因素序列输入模块，存储模块用于存储基础负荷特性指标历史数据和基础负荷特性影响因素历史数据，其中，基础负荷特性指标历史数据包括年份的年用电量数据y1(t)(t＝1,2,…,T)、年最大负荷数据y2(t)(t＝1,2,…,T)、年最大峰谷差数据y3(t)(t＝1,2,…,T)、年最大负荷利用小时数y4(t)(t＝1,2,…,T)，基础负荷特性影响因素历史数据包括T年份的地区GDP数据x1(t)(t＝1,2,…,T)、一产用电占比数据x2(t)(t＝1,2,…,T)、二产用电占比数据x3(t)(t＝1,2,…,T)、三产用电占比数据x4(t)(t＝1,2,…,T)、居民消费价格指数x5(t)(t＝1,2,…,T)、万元GDP能耗x6(t)(t＝1,2,…,T)、全社会固定资产投资数据x7(t)(t＝1,2,…,T)、地区常驻人口数据x8(t)(t＝1,2,…,T)；获取模块用于从存储模块中获取基础负荷特性指标历史数据和基础负荷特性影响因素历史数据，并将获取的基础负荷特性指标历史数据和基础负荷特性影响因素历史数据提供给筛选影响因素序列输入模块、负荷特性影响因素关联度计算模块；附加数据输入模块用于响应用户输入的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据以及所有负荷特性影响因素横向AHP权值判断矩阵数据的操作，产生对应的附加负荷特性指标历史数据yα(t)(α＝5,6,…,n；t＝1,2,…,T)、附加负荷特性影响因素历史数据xβ(t)(β＝9,10,…,m；t＝1,2,…,T)以及所有负荷特性影响因素横向AHP权值判断矩阵，并将附加负荷特性指标历史数据yα(t)(α＝5,6,…,n；t＝1,2,…,T)、附加负荷特性影响因素历史数据xβ(t)(β＝9,10,…,m；t＝1,2,…,T)提供给筛选影响因素序列输入模块和负荷特性影响因素关联度计算模块，将负荷特性影响因素横向AHP权值判断矩阵提供给负荷特性影响因素关联度计算模块；筛选影响因素序列输入模块用于响应用户输入的各负荷特性指标所对应的影响因素序列的操作，产生对应的影响因素序列xji(i＝1,2,…,mj)，并根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、附加负荷特性指标历史数据、附加负荷特性影响因素历史数据及影响因素序列xji(i＝1,2,…,mj)，产生对应的影响因素序列历史数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)，并将影响因素序列数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)提供给中长期负荷预测计算模块；负荷特性影响因素关联度计算模块用于根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、接收的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据、负荷特性影响因素横向AHP权值判断矩阵及预存的计算公式：计算出每个负荷特性指标yj(j＝1,2,…,n)和所有的负荷特性指标影响因素xi(i＝1,2,…,m)之间的关联度Rij，供用户参考以便筛选出需要的每个负荷特性指标yj(j＝1,2,…,n)所对应的影响因素序列xji(i＝1,2,…,mj)；筛选影响因素计算模块用于根据用户输入的筛选出的各个负荷特性指标所对应的影响因素序列xji(i＝1,2,…,mj)及预存的计算公式：计算出所有负荷特性指标所对应影响因素的预测值并将计算出的预测值提供给中长期负荷预测模块；中长期负荷预测模块用于根据接收的所有负荷特性指标历史数据和与其对应的影响因素序列数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)和预测值及预存的计算公式：计算出电力部门所希望预测的各类负荷特性指标，供电力部门参考。
2.如权利要求1所述的中长期电力负荷测算系统，其特征在于：中长期电力负荷测算系统还包括负荷特性关联度输出模块和负荷特性指标预测值输出模块，负荷特性关联度输出模块用于将各个负荷特性指标和所有负荷特性影响因素之间的关联度Rij(i＝1,2,…,m；j＝1,2,…,n)输出，供用户筛选出每个负荷特性指标对应的影响因素序列；负荷特性指标预测值输出模块用于将各个负荷特性预测值yj(T+1)(j＝1,2,…,n)输出，供用户参考。
3.一种中长期负荷预测方法，包括以下步骤：
存储地区基础负荷特性指标历史数据及基础负荷特性影响因素历史数据，其中，基础负荷特性指标历史数据包括T年份的年用电量数据y1(t)(t＝1,2,…,T)、年最大负荷数据y2(t)(t＝1,2,…,T)、年最大峰谷差数据y3(t)(t＝1,2,…,T)、年最大负荷利用小时数y4(t)(t＝1,2,…,T)，基础负荷特性影响因素历史数据包括T年份的地区GDP数据x1(t)(t＝1,2,…,T)、一产用电占比数据x2(t)(t＝1,2,…,T)、二产用电占比数据x3(t)(t＝1,2,…,T)、三产用电占比数据x4(t)(t＝1,2,…,T)、居民消费价格指数x5(t)(t＝1,2,…,T)、万元GDP能耗x6(t)(t＝1,2,…,T)、全社会固定资产投资数据x7(t)(t＝1,2,…,T)、地区常驻人口数据x8(t)(t＝1,2,…,T)；
获取基础负荷特性指标历史数据和基础负荷特性影响因素历史数据；
响应用户输入的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据以及所有负荷特性影响因素横向AHP权值判断矩阵数据的操作，产生对应的附加负荷特性指标历史数据yα(t)(α＝5,6,…,n；t＝1,2,…,T)、附加负荷特性影响因素历史数据xβ(t)(β＝9,10,…,m；t＝1,2,…,T)以及所有负荷特性影响因素横向AHP权值判断矩阵；
响应用户输入的各负荷特性指标所对应的影响因素序列的操作，产生对应的影响因素序列xji(i＝1,2,…,mj)，并根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、附加负荷特性指标历史数据、附加负荷特性影响因素历史数据及影响因素序列xji(i＝1,2,…,mj)，产生对应的影响因素序列历史数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)；
根据接收的基础负荷特性指标历史数据、基础负荷特性影响因素历史数据、接收的附加负荷特性指标历史数据、附加负荷特性影响因素历史数据、负荷特性影响因素横向AHP权值判断矩阵及预存的计算公式：计算出每个负荷特性指标yj(j＝1,2,…,n)和所有的负荷特性指标影响因素xi(i＝1,2,…,m)之间的关联度Rij，供用户参考以便筛选出需要的每个负荷特性指标yj(j＝1,2,…,n)所对应的影响因素序列xji(i＝1,2,…,mj)；
根据用户输入的筛选出的各个负荷特性指标所对应的影响因素序列xji(i＝1,2,…,mj)及预存的计算公式：计算出所有负荷特性指标所对应影响因素的预测值
根据接收的所有负荷特性指标历史数据和与其对应的影响因素序列数据xji(t)(j＝1,2,…,n；i＝1,2,…,mj；t＝1,2,…,T)和预测值及预存的计算公式：计算出电力部门所希望预测的各类负荷特性指标，供电力部门参考。
4.如权利要求3所述的中长期负荷预测方法，其特征在于：还包括以下步骤：
将各个负荷特性指标和所有负荷特性影响因素之间的关联度Rij(i＝1,2,…,m；j＝1,2,…,n)输出，供用户筛选出每个负荷特性指标对应的影响因素序列；将各个负荷特性预测值yj(T+1)(j＝1,2,…,n)输出，供用户参考。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710214058.XA CN106980910B (zh) | 2017-04-01 | 2017-04-01 | 中长期电力负荷测算系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710214058.XA CN106980910B (zh) | 2017-04-01 | 2017-04-01 | 中长期电力负荷测算系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106980910A true CN106980910A (zh) | 2017-07-25 |
| CN106980910B CN106980910B (zh) | 2021-05-25 |
Family
ID=59345331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710214058.XA Active CN106980910B (zh) | 2017-04-01 | 2017-04-01 | 中长期电力负荷测算系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106980910B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107994562A (zh) * | 2018-01-16 | 2018-05-04 | 中国石油大学(华东) | 一种计及负载特性的柴储型车载电源系统的稳定性设计方法 |
| CN108053082A (zh) * | 2018-01-05 | 2018-05-18 | 国网湖南省电力有限公司 | 基于温度区间分解的电网中长期负荷预测方法 |
| CN108062594A (zh) * | 2017-11-13 | 2018-05-22 | 国网山东省电力公司荣成市供电公司 | 一种电力系统网络的负荷的预测方法及其装置 |
| CN108304978A (zh) * | 2018-05-08 | 2018-07-20 | 国网江西省电力有限公司经济技术研究院 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
| CN109325880A (zh) * | 2018-09-21 | 2019-02-12 | 国网天津市电力公司 | 一种基于Verhulst-SVM的中长期负荷预测方法 |
| CN113869600A (zh) * | 2021-10-18 | 2021-12-31 | 国网江苏省电力有限公司营销服务中心 | 基于随机森林与二次修正的峰谷差中长期预测方法 |
| CN115292390A (zh) * | 2022-10-08 | 2022-11-04 | 北京国电通网络技术有限公司 | 负荷信息生成方法、装置、电子设备和计算机可读介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
| CN103971175A (zh) * | 2014-05-06 | 2014-08-06 | 华中科技大学 | 一种多级变电站的短期负荷预测方法 |
-
2017
- 2017-04-01 CN CN201710214058.XA patent/CN106980910B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140058572A1 (en) * | 2012-08-27 | 2014-02-27 | Gridium, Inc. | Systems and methods for energy consumption and energy demand management |
| CN103971175A (zh) * | 2014-05-06 | 2014-08-06 | 华中科技大学 | 一种多级变电站的短期负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张栋梁 等: "基于马尔可夫链筛选组合预测模型的中长期负荷预测方法", 《电力系统保护与控制》 * |
| 毛李帆: "电网规划中长期负荷预测技术的研究", 《工程科技Ⅱ辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108062594A (zh) * | 2017-11-13 | 2018-05-22 | 国网山东省电力公司荣成市供电公司 | 一种电力系统网络的负荷的预测方法及其装置 |
| CN108062594B (zh) * | 2017-11-13 | 2019-10-18 | 国网山东省电力公司荣成市供电公司 | 一种电力系统网络的负荷的预测方法及其装置 |
| CN108053082A (zh) * | 2018-01-05 | 2018-05-18 | 国网湖南省电力有限公司 | 基于温度区间分解的电网中长期负荷预测方法 |
| CN108053082B (zh) * | 2018-01-05 | 2021-06-01 | 国网湖南省电力有限公司 | 基于温度区间分解的电网中长期负荷预测方法 |
| CN107994562A (zh) * | 2018-01-16 | 2018-05-04 | 中国石油大学(华东) | 一种计及负载特性的柴储型车载电源系统的稳定性设计方法 |
| CN108304978A (zh) * | 2018-05-08 | 2018-07-20 | 国网江西省电力有限公司经济技术研究院 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
| CN109325880A (zh) * | 2018-09-21 | 2019-02-12 | 国网天津市电力公司 | 一种基于Verhulst-SVM的中长期负荷预测方法 |
| CN113869600A (zh) * | 2021-10-18 | 2021-12-31 | 国网江苏省电力有限公司营销服务中心 | 基于随机森林与二次修正的峰谷差中长期预测方法 |
| CN115292390A (zh) * | 2022-10-08 | 2022-11-04 | 北京国电通网络技术有限公司 | 负荷信息生成方法、装置、电子设备和计算机可读介质 |
| CN115292390B (zh) * | 2022-10-08 | 2022-12-23 | 北京国电通网络技术有限公司 | 负荷信息生成方法、装置、电子设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106980910B (zh) | 2021-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106980910A (zh) | 中长期电力负荷测算系统及方法 | |
| CN107578124B (zh) | 基于多层改进gru神经网络的短期电力负荷预测方法 | |
| CN108846517A (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
| CN109829604A (zh) | 一种电网侧储能电站运行效果综合评估方法 | |
| CN108491969A (zh) | 基于大数据的空间负荷预测模型构建方法 | |
| CN110738435A (zh) | 一种配电网项目投资决策评价方法 | |
| CN103679544A (zh) | 一种智能配电网运行综合评估方法 | |
| CN110414788A (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
| Enke et al. | A hybrid neuro-fuzzy model to forecast inflation | |
| CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
| CN108647809A (zh) | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 | |
| CN106779478A (zh) | 一种负荷调度价值评估方法 | |
| CN110895773A (zh) | 一种基于广义需求侧资源的dbn电网负荷预测方法及装置 | |
| CN109872061A (zh) | 一种电网基建改进、提升决策方法 | |
| CN108921376A (zh) | 一种智能配电网用电可靠性提升对象的优选方法及系统 | |
| 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 | |
| CN109657884A (zh) | 电网供电优化方法、装置、设备和计算机可读存储介质 | |
| CN104376502A (zh) | 基于灰色关联度的电力客户信用综合评价方法 | |
| CN109003010A (zh) | 电网项目投资效益的评价方法 | |
| CN115758246A (zh) | 基于EMD与AlexNet的非侵入式负荷识别方法 | |
| CN115205068A (zh) | 计及净负荷需求分布式的储能最优峰谷时段划分方法 | |
| CN112149976B (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
| CN114707782A (zh) | 一种石材园区用户参与有序用电的决策与管理方法 | |
| CN111428938A (zh) | 一种基于功能差异与全寿命周期的输电网方案优选方法 | |
| CN108615091A (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |