CN107609716A - 一种水电站负荷区间预测方法 - Google Patents
一种水电站负荷区间预测方法 Download PDFInfo
- Publication number
- CN107609716A CN107609716A CN201710947594.0A CN201710947594A CN107609716A CN 107609716 A CN107609716 A CN 107609716A CN 201710947594 A CN201710947594 A CN 201710947594A CN 107609716 A CN107609716 A CN 107609716A
- Authority
- CN
- China
- Prior art keywords
- day
- predicted
- load
- moment
- characteristic
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种水电站负荷区间预测方法,充分利用历史负荷数据,通过计算待预测日已知时刻负荷序列与各历史日实际负荷序列的线形差异度获得待预测日的相似日集合,根据待预测日的相似日进行待预测日点预测,再通过对大量历史负荷预测误差样本进行分析,得出未来负荷可能取值的概率性区间结果。根据区间预测结果,水电站决策人员在进行生产计划、实时调度等工作时能够更好地认识到未来负荷可能存在的不确定性和面临的风险因素,从而及时作出更为合理的决策,并为水电站实时负荷分配提供依据。
Description
技术领域
本发明属于水电能源优化运行技术领域,更具体地,涉及一种水电站负荷区间预测方法。
背景技术
水电站在运行过程中,不仅需要考虑负荷日计划,同时也要考虑电站实际负荷过程与日前计划值存在的偏差,即电站负荷波动的问题。中长期负荷预测周期为数月至数年,受气象与经济环境等因素影响较大,是制定电力系统发展规划,中长期运行计划的前提。超短期负荷预测是基于当前负荷和时段预测若干分钟(一般为数分钟至数小时)后的负荷,一般情况下不考虑气象、经济、环境等因素,其可用于实时经济调度、在线安全监视,指导发电机组提前响应系统负荷变化,或提示调度人员提前做好调整发电出力的准备,合理安排机组下一时刻发电计划,其预测信息直接影响到电网和各电厂的经济效益。传统的负荷点预测方法即预测未来某时刻的负荷值,其结果是一个简单的数值,没有提供全面的预测信息,无法准确描述未来负荷存在的不确定性和面临的风险,而区间预测方法预测的结果是一个对应一定概率置信水平的区间,从而提供更为全面的预测信息。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种水电站负荷区间预测方法,其目的在于由于现有水电站负荷预测结果为简单数值导致预测结果无法准确描述未来负荷存在不确定性的技术问题。
为实现上述目的,本发明提供了一种水电站负荷区间预测方法,包括如下步骤:
S1根据待预测日已知时刻负荷序列和待预测日前P天历史日实际负荷序列获得待预测日已知时刻负荷序列与各历史日实际负荷序列间的线形差异度;
S2将待预测日已知时刻负荷序列与各历史日实际负荷序列间的线形差异度升序排列,取前Q个线形差异度所对应的历史日实际负荷序列作为待预测日的相似日集合;其中,Q<P;
S3根据待预测日的相似日集合获得相似日集合的典型日,根据相似日集合的典型日负荷数据和待预测日待预测时刻前一个时刻的实际负荷求得待预测日待预测时刻点预测值;
S4根据待预测日待预测时刻所属特征日特征时段,获得待预测日前p天历史负荷数据中属于特征日特征时段的全部点预测值和全部实际负荷值,将属于特征日特征时段的全部点预测值及对应的全部实际负荷值以点预测值的大小分解为多个负荷区间,再根据待预测日待预测时刻点预测值,确定所属负荷区间,并计算获得点预测值所属负荷区间的负荷预测误差累计概率分布函数;
S5根据待预测日待预测时刻点预测值所属负荷区间的负荷预测误差累计概率分布函数以及设定置信度获得待预测日待预测时刻在设定置信度下的负荷预测误差区间,实现待预测日待预测时刻的负荷区间预测。
优选地,步骤S3中根据公式获得相似日集合的典型日第t个时刻实际负荷;
其中,Li,t为待预测日的相似日集合中第i日t时刻实际负荷,m为待预测日的相似日集合中历史负荷日的数量。优选地,步骤S1根据公式获得待预测日与第j个历史实际负荷数据间的线形差异度;
其中,n为待预测日已知时刻的数目,xj,t为待预测日与第j个历史日实际负荷序列在第t个时刻下的负荷值之差,为待预测日与第j个历史日实际负荷序列的n个时刻下负荷值之差的均值,
优选地,S1之前还包括如下步骤:
当第d个历史日第t个时刻实际负荷满足时,根据公式y'(d,t)=[y(d,t-1)+y(d,t+1)]/2对第d个历史日第t个时刻实际负荷进行预处理,获得预处理后的第d个历史日实际负荷;
其中,y'(d,t)为预处理后第d个历史日第t时刻的实际负荷;α(t)为第一阀值,β(t)为第二阀值。
优选地,步骤S4中根据如下步骤确定特征日特征时段:
选择枯期中节假日、枯期中非节假日周末、枯期中工作日、汛期中节假日、汛期中非节假日周末以及汛期中工作日作为特征日,将特征日每日的峰时段、特征日每日的平时段以及特征日每日的谷时段作为特征日特征时段。
优选地,步骤S4中根据公式获得点预测值所属负荷区间的负荷预测误差概率密度函数;
其中,M为该负荷区间误差样本总数,h为平滑参数,ei为该负荷区间的第i个误差样本的值,K(·)为核函数,
优选地,将相似日集合的典型日负荷序列进行最小二乘法线性拟合获得典型日对应待预测时刻前一个时间段的斜率,根据典型日对应待预测时刻前一个时间段的斜率和待预测日待预测时刻前一个时间段的实际负荷求得待预测日待预测时刻点预测值。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明提出的负荷区间预测方法,定义了线形差异度,通过计算于历史实际负荷中获得于待预测日线形差异度最低的数日,即建立相似日集合,再依据相似日集合确定典型日,待预测日根据相似日集合的典型日确定待预测日待预测时刻点预测值,提高预测结果精度。
2、本发明提供的负荷区间预测方法中,根据历史负荷实际数据和点预测数据获得特征日特征时段点预测值所属负荷区间的误差,以此获得点预测值所属负荷区间的负荷预测误差累计概率分布函数,通过负荷预测误差累计概率分布函数获得一定置信度下的预测误差区间,再基于点预测值求得待预测日待预测时段的负荷预测区间,解决了传统方法只关注点预测无全面的预测信息的问题,从而能更好地认识到未来负荷可能存在的不确定性和面临的风险因素。
附图说明
图1为本发明提供的水电站负荷区间预测方法的流程图;
图2为本发明提供的水电站负荷区间预测方法的区间负荷预测结果示意。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1为本发明提供的水电站负荷区间预测方法的流程图,包括如下步骤:
S1当第d个历史日第t个时刻实际负荷满足时,则需对实际负荷进行预处理,根据如下公式获得预处理后的第d个历史日第t个时刻实际负荷:
y'(d,t)=[y(d,t-1)+y(d,t+1)]/2
其中,y'(d,t)为预处理后第d个历史日第t时刻的实际负荷;α(t)为第一阀值,β(t)为第二阀值,第一阀值和第一阀值相等,均为上一年全年相邻两点负荷波动之差的最大绝对值。
设y(d)={y(d,1),…,y(d,n),…,y(d,N)}为第d个历史日实际负荷序列,若取每5min为负荷间隔点,则N=288。再设y(d*)={y(d*,1),y(d*,2)…,y(d*,n)}为待预测日已知时刻负荷序列,其中n为待预测日已知时刻的数目。
根据待预测日已知时刻负荷序列和待预测日前P天历史日实际负荷序列获得待预测日已知时刻负荷序列与各历史日实际负荷序列间的线形差异度。
更具体地,根据如下公式获得待预测日已知时刻负荷序列与第j个历史日实际负荷序列间的线形差异度:
其中,n为待预测日已知时刻的数目,xj,t为待预测日已知时刻负荷序列与第j个历史日实际负荷序列在第t个时刻下的负荷值之差,即xj,t=y(d*,t)-y(j,t)且有t<n,y(d*,t)为经过预处理后的待预测日t时刻负荷序列,y(j,t)为第j个历史日实际负荷序列在第t个时刻下的负荷值,为待预测日已知时刻负荷序列与第j个历史日实际负荷序列的n个时刻下负荷值之差的均值,即
S2将待预测日已知时刻负荷序列与各历史日实际负荷序列间的线形差异度升序排列,取前Q个线形差异度所对应的历史日实际负荷序列作为待预测日的相似日集合;其中,Q<P。
S3根据待预测日的相似日集合获得相似日集合的典型日,根据相似日集合的典型日实际负荷数据和待预测时刻前一个时刻的实际负荷求得待预测日待预测时刻点预测值。
更具体地,根据公式获得相似日集合的典型日第t个时刻实际负荷;
其中,Li,t为待预测日的相似日集合中第i日t时刻实际负荷,m为待预测日的相似日集合中历史负荷日的数量。
将相似日集合的典型日负荷序列进行最小二乘法线性拟合获得典型日对应待预测时刻前一个时间段的斜率,根据典型日对应待预测时刻前一个时间段的斜率和待预测日待预测时刻前一个时间段的实际负荷求得待预测日待预测时刻点预测值。
S4根据待预测日待预测时刻所属特征日特征时段,获得待预测日前p天历史负荷数据中属于特征日特征时段的全部点预测值和全部实际负荷值,将属于特征日特征时段的全部点预测值及对应的全部实际负荷值以点预测值的大小分解为多个负荷区间,再根据待预测日待预测时刻点预测值,确定所属负荷区间,并计算获得点预测值所属负荷区间的负荷预测误差累计概率分布函数。
更具体地,根据如下步骤确定特征日特征时段:
选择枯期中节假日、枯期中非节假日周末、枯期中工作日、汛期中节假日、汛期中非节假日周末以及汛期中工作日作为特征日,将特征日每日的峰时段、特征日每日的平时段以及特征日每日的谷时段作为特征日特征时段。
S41根据待预测日待预测时刻所属特征日特征时段,获得待预测日前p天历史负荷数据中属于特征日特征时段的全部点预测值及对应的全部实际负荷值。
S42将属于特征日特征时段的全部点预测值及对应的全部实际负荷值以点预测值的大小分解为多个负荷区间。
S43根据点预测值所属负荷区间的所有点预测数据和对应的实际负荷数据,计算获得负荷区间的负荷预测误差概率密度函数,根据负荷区间的负荷预测误差概率密度函数,通过积分求取负荷区间的负荷预测误差累计概率分布函数。
更具体地,根据公式获得该负荷区间的负荷预测误差概率密度函数;
其中,M为该区间误差样本总数,h为平滑参数,h过大会掩盖分布的某些特征,过度均化,而h过小,会产生较大的干扰,一般取0.9~1.1,ei为该负荷区间的第i个误差样本的值,K(·)为核函数,μ为自变量,
根据点预测值所属负荷区间的负荷预测误差概率密度函数f(e),积分获得该负荷区间的负荷预测误差累计概率分布函数,更具体的为:
设负荷预测误差累计概率分布函数为F(ξ),则F(ξ)为对负荷预测误差概率密度函数f(e)积分计算求取,其中ξ为负荷预测误差的随机变量。
S5根据待预测日待预测时刻点预测值所属负荷区间的负荷预测误差累计概率分布函数F(ξ)以及设定置信度1-α获得待预测日待预测时刻在设定置信度1-α下的负荷预测误差区间,实现待预测日待预测时刻的负荷区间预测。
更具体地,在置信度为1-α的负荷预测误差区间为:
式中,α2-α1=1-α;为负荷预测误差累计概率分布函数F(ξ)的反函数,取对称概率区间,即α1=α/2,α2=1-α/2,则可得到有置信概率1-α的负荷预测区间结果为:
其中Ppred为待预测日待预测时刻的点预测值。
本发明提供的水电站负荷区间预测方法的实施例中,以清江水电站为实施例,进行实例仿真,以验证本发明的效果。实施例包括如下步骤:
步骤一:以清江水电站短期负荷数据为对象,以2015年1月1日至2015年4月29日清江负荷数据作为历史样本集,采用4月29日以前的样本数据对4月29日(星期三,属于枯期工作日)的日288点负荷进行预测,并与实际值进行比较。清江流域汛期为5月1日~9月30日,其余月份为枯期。清江梯级电站发电负荷主要供于湖北省网,以湖北省网峰平谷段划分方式为标准,其中7:00~11:00与19:00~23:00为峰段,23:00~次日7:00为谷段,11:00~19:00为平段。
步骤二:对样本数据进行预处理,预设第一阀值α(t)和第一阀值β(t)相等,为2014年全年相邻两点负荷波动之差的最大绝对值,从而处理异常点及空缺点。
步骤三:获得2015年1月1日至2015年4月28日之间历史日实际负荷序列和待预测日已知时刻负荷序列获得待预测日已知时刻负荷序列与各历史日实际负荷序列间的线形差异度。若待预测日已知时刻负荷数据数量小于5时,可利用待预测日前一日末的实际负荷数据进行填补。
将待预测日已知时刻负荷序列与各历史日实际负荷序列间的线形差异度升序排列,将前10个线形差异度所对应的历史日实际负荷序列作为待预测日的相似日集合。根据待预测日的相似日集合获得相似日集合的典型日。
将相似日集合的典型日负荷序列进行最小二乘法线性拟合获得典型日对应待预测时刻前一个时间段的斜率,根据典型日对应待预测时刻前一个时间段的斜率和待预测日待预测时刻前一个时间段的实际负荷求得待预测日待预测时刻点预测值。
步骤四:根据待预测日待预测时刻所属特征日特征时段,获得2015年1月1日至2015年4月28日间历史负荷数据中属于特征日特征时段的全部点预测值和全部实际负荷值,将属于特征日特征时段的全部点预测值及对应的全部实际负荷值以点预测值的大小分解为多个负荷区间,再根据待预测日待预测时刻点预测值,确定所属负荷区间,并计算获得点预测值所属负荷区间的负荷预测误差累计概率分布函数。
步骤五:根据待预测日待预测时刻点预测值所属负荷区间的负荷预测误差累计概率分布函数以及设定置信度获得待预测日待预测时刻在设定置信度下的负荷预测误差区间,实现待预测日待预测时刻的负荷区间预测。
根据前述的计算方法对2015年4月29日各时段未来5min进行超短期负荷点预测。通过计算可得:288点预测值平均误差为0.01729;均方根误差为6.467;其点预测结果如表1所示。由表1可知采用最小线形差异度方法对水电站负荷点预测具有较高精度。
表1 预测误差分布情况
表2为根据计算所得的85%置信度情况下某特征日特征时段各负荷区间的预测误差,由误差区间的上下限值分别加上点预测值即可获得待预测日待预测时刻的负荷预测区间。
表2 85%置信度情况下某特征日特征时段各负荷区间的预测误差
负荷层级 | 误差区间下限 | 误差区间上限 |
[77.0,115.0) | -11.8411 | 13.53135 |
[115.0,134.0) | -9.74089 | 9.583703 |
[134.0,153.0) | -10.3068 | 10.84096 |
[153.0,172.0) | -10.4539 | 9.109192 |
[172.0,191.0) | -7.98195 | 7.31377 |
[191.0,215.2) | -6.81499 | 7.843968 |
以置信度为85%的为例,将得到的每个预测时段的的置信区间上限和下限分别联结,即可形成上下2条包络线,负荷预测结果的置信区间的大小随着置信度取值的不同而变化,如图2所示。
从图2中可以看出:
1)预测区间上限曲线、预测区间下限曲线与实际曲线大体上接近,说明前述负荷预测方法在清江电站负荷预测中应用效果良好。
2)实际负荷曲线基本在包络线之内,即对应置信度的预测区间上限与预测区间下限之间,由于包络线是根据对应概率置信度的预测误差分布及点预测结果绘制而成的,因此置信区间包络线与负荷预测曲线之间的距离不是等间隔的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种水电站负荷区间预测方法,其特征在于,包括如下步骤:
S1根据待预测日已知时刻负荷序列和待预测日前P天历史日实际负荷序列和获得待预测日已知时刻负荷序列与各历史日实际负荷序列间的线形差异度;
S2将所述待预测日已知时刻负荷序列与各历史日实际负荷序列间的线形差异度升序排列,取前Q个线形差异度所对应的历史日实际负荷序列作为待预测日的相似日集合;其中,Q<P;
S3根据待预测日的相似日集合获得相似日集合的典型日,根据所述相似日集合的典型日负荷数据和待预测时刻前一个时刻的实际负荷求得待预测日待预测时刻点预测值;
S4根据待预测日待预测时刻所属特征日特征时段,获得待预测日前P天历史负荷数据中属于所述特征日特征时段的全部点预测值及对应的全部实际负荷值,将属于所述特征日特征时段的全部点预测值及对应的全部实际负荷值以点预测值的大小分解为多个负荷区间,再根据待预测日待预测时刻点预测值,确定所属负荷区间,并计算获得点预测值所属负荷区间的负荷预测误差累计概率分布函数;
S5根据点预测值所属负荷区间的负荷预测误差累计概率分布函数以及设定置信度获得待预测日待预测时刻在设定置信度下的负荷预测误差区间,实现待预测日待预测时刻的负荷区间预测。
2.如权利要求1所述的水电站负荷区间预测方法,其特征在于,所述步骤S3中根据公式获得相似日集合的典型日第t个时刻实际负荷;
其中,Li,t为待预测日的相似日集合中第i日第t时刻实际负荷,m为待预测日的相似日集合中历史负荷日的数量。
3.如权利要求1所述的水电站负荷区间预测方法,其特征在于,所述步骤S1根据公式获得待预测日已知时刻负荷序列与第j个历史日实际负荷序列间的线形差异度;
其中,n为待预测日已知时刻的数目,xj,t为待预测日已知时刻负荷序列与第j个历史日实际负荷序列在第t个时刻下的负荷值之差,为待预测日已知时刻负荷序列与第j个历史日实际负荷序列在n个时刻下负荷值之差的均值,
4.如权利要求1所述的水电站负荷区间预测方法,其特征在于,步骤S1之前还包括如下步骤:
当第d个历史日第t个时刻实际负荷满足时,根据公式y'(d,t)=[y(d,t-1)+y(d,t+1)]/2对第d个历史日第t个时刻实际负荷进行预处理,获得预处理后第d个历史日第t个时刻的实际负荷;
其中,y'(d,t)为预处理后第d个历史日第t时刻的实际负荷;α(t)为第一阀值,β(t)为第二阀值。
5.如权利要求1所述的水电站负荷区间预测方法,其特征在于,步骤S4中根据如下步骤确定特征日特征时段:
选择枯期中节假日、枯期中非节假日周末、枯期中工作日、汛期中节假日、汛期中非节假日周末以及汛期中工作日作为特征日,将特征日每日的峰时段、特征日每日的平时段以及特征日每日的谷时段作为特征日特征时段。
6.如权利要求1所述的水电站负荷区间预测方法,其特征在于,所述步骤S4中根据公式获得点预测值所属负荷区间的负荷预测误差概率密度函数;
其中,M为该负荷区间误差样本总数,h为平滑参数,ei为该负荷区间的第i个误差样本的值,K(·)为核函数,
7.如权利要求1所述的水电站负荷区间预测方法,其特征在于,将相似日集合的典型日负荷序列进行最小二乘法线性拟合获得典型日对应待预测时刻前一个时间段的斜率,根据典型日对应待预测时刻前一个时间段的斜率和待预测日待预测时刻前一个时间段的实际负荷求得待预测日待预测时刻点预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710947594.0A CN107609716B (zh) | 2017-10-12 | 2017-10-12 | 一种水电站负荷区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710947594.0A CN107609716B (zh) | 2017-10-12 | 2017-10-12 | 一种水电站负荷区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609716A true CN107609716A (zh) | 2018-01-19 |
CN107609716B CN107609716B (zh) | 2018-08-21 |
Family
ID=61068802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710947594.0A Active CN107609716B (zh) | 2017-10-12 | 2017-10-12 | 一种水电站负荷区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609716B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN110222879A (zh) * | 2019-05-17 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 |
CN111350477A (zh) * | 2018-12-20 | 2020-06-30 | 中国石油天然气股份有限公司 | 提高注水系统效率潜力区间的确定方法 |
CN111612282A (zh) * | 2020-06-30 | 2020-09-01 | 广东电网有限责任公司梅州供电局 | 一种地区性水电站的日负荷预测方法、系统及介质 |
CN113408101A (zh) * | 2021-05-19 | 2021-09-17 | 南方电网科学研究院有限责任公司 | 一种负荷序列模拟方法、装置 |
CN113672666A (zh) * | 2021-08-23 | 2021-11-19 | 成都佳华物链云科技有限公司 | 机器负荷预测方法、装置、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4255787A (en) * | 1975-02-14 | 1981-03-10 | Westinghouse Electric Corp. | System and method for controlling the power generated by a system of hydro-plants and thermal units |
CN104866918A (zh) * | 2015-05-07 | 2015-08-26 | 国家电网公司 | 带有水电站的配电网短期负荷预测方法 |
CN106503848A (zh) * | 2016-11-01 | 2017-03-15 | 国家电网公司 | 多小水电趸售地区电网的负荷预测方法 |
-
2017
- 2017-10-12 CN CN201710947594.0A patent/CN107609716B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4255787A (en) * | 1975-02-14 | 1981-03-10 | Westinghouse Electric Corp. | System and method for controlling the power generated by a system of hydro-plants and thermal units |
CN104866918A (zh) * | 2015-05-07 | 2015-08-26 | 国家电网公司 | 带有水电站的配电网短期负荷预测方法 |
CN106503848A (zh) * | 2016-11-01 | 2017-03-15 | 国家电网公司 | 多小水电趸售地区电网的负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
宗文婷 等: "基于改进高斯过程回归模型的短期负荷区间预测", 《电力系统及其自动化学报》 * |
李知艺 等: "电力负荷区间预测的集成极限学习机方法", 《华北电力大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN108229754B (zh) * | 2018-01-31 | 2021-12-10 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN111350477A (zh) * | 2018-12-20 | 2020-06-30 | 中国石油天然气股份有限公司 | 提高注水系统效率潜力区间的确定方法 |
CN111350477B (zh) * | 2018-12-20 | 2021-11-30 | 中国石油天然气股份有限公司 | 提高注水系统效率潜力区间的确定方法 |
CN110222879A (zh) * | 2019-05-17 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 |
CN110222879B (zh) * | 2019-05-17 | 2023-02-10 | 广东电网有限责任公司电力调度控制中心 | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 |
CN111612282A (zh) * | 2020-06-30 | 2020-09-01 | 广东电网有限责任公司梅州供电局 | 一种地区性水电站的日负荷预测方法、系统及介质 |
CN111612282B (zh) * | 2020-06-30 | 2022-12-20 | 广东电网有限责任公司梅州供电局 | 一种地区性水电站的日负荷预测方法、系统及介质 |
CN113408101A (zh) * | 2021-05-19 | 2021-09-17 | 南方电网科学研究院有限责任公司 | 一种负荷序列模拟方法、装置 |
CN113408101B (zh) * | 2021-05-19 | 2024-01-12 | 南方电网科学研究院有限责任公司 | 一种负荷序列模拟方法、装置 |
CN113672666A (zh) * | 2021-08-23 | 2021-11-19 | 成都佳华物链云科技有限公司 | 机器负荷预测方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107609716B (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609716B (zh) | 一种水电站负荷区间预测方法 | |
Wu et al. | Optimal location selection for offshore wind-PV-seawater pumped storage power plant using a hybrid MCDM approach: A two-stage framework | |
Zografidou et al. | Optimal design of the renewable energy map of Greece using weighted goal-programming and data envelopment analysis | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
Sarmas et al. | ML-based energy management of water pumping systems for the application of peak shaving in small-scale islands | |
Yan et al. | Novel cost model for balancing wind power forecasting uncertainty | |
Ji et al. | Inexact stochastic risk-aversion optimal day-ahead dispatch model for electricity system management with wind power under uncertainty | |
CN107992961A (zh) | 一种自适应的流域中长期径流预报模型架构方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN106845669A (zh) | 基于指数平滑法预测电网年持续负荷的方法 | |
CN106022530A (zh) | 一种电力需求侧柔性负荷有功功率预测方法 | |
Zhou et al. | A hybrid inexact optimization model for land-use allocation of China | |
CN108647829A (zh) | 一种基于随机森林的梯级水电站群联合调度规则提取方法 | |
CN105656026B (zh) | 可再生能源的设备建设资源配置方法和系统 | |
Ma et al. | Optimal capacity configuration of hydro-wind-PV hybrid system and its coordinative operation rules considering the UHV transmission and reservoir operation requirements | |
Huang et al. | Genetic Algorithms for Optimization of Resource Allocation in Large Scale Construction Project Management. | |
CN105140967B (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
Kofinas et al. | Daily multivariate forecasting of water demand in a touristic island with the use of artificial neural network and adaptive neuro-fuzzy inference system | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
CN107769268A (zh) | 一种含小水电的地调范围日前预测省供负荷方法 | |
CN110147908A (zh) | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 | |
CN113255982A (zh) | 一种风光水互补系统中长期优化调度方法 | |
CN105205572A (zh) | 基于EMD分解和Elman算法的光伏出力预测方法 | |
Gilbert et al. | A hierarchical approach to probabilistic wind power forecasting | |
Jagadeesh et al. | Forecasting the probability of solar power output using logistic regression algorithm |
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 |