CN107909186A - 一种目标年负荷预测方法 - Google Patents
一种目标年负荷预测方法 Download PDFInfo
- Publication number
- CN107909186A CN107909186A CN201710949893.8A CN201710949893A CN107909186A CN 107909186 A CN107909186 A CN 107909186A CN 201710949893 A CN201710949893 A CN 201710949893A CN 107909186 A CN107909186 A CN 107909186A
- Authority
- CN
- China
- Prior art keywords
- peak load
- year
- reference value
- target
- history
- 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 20
- 230000012010 growth Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity 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
- G06Q10/04—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)
Abstract
本发明提供一种目标年负荷预测方法,包括:步骤S1,收集各历史年的历史数据;步骤S2,根据收集的历史数据,计算多个历史年的最高气温的平均值或均方根作为各历史年及所述目标年的最高气温基准;步骤S3,建立各历史年的最大负荷、最大负荷基准、最高气温、最高气温基准之间的函数模型;步骤S4,根据步骤S3建立的所述函数模型及预设的各历史年的最大负荷基准值之间的关系,求解所述K1和K2;步骤S5,获取所述目标年的最大负荷基准值,并获取所述目标年的最高温度作为目标年的Tmax;步骤S6,根据获取的目标年的Tmax与计算出的最高气温基准Tref之间的大小关系选择包含K1或K2的函数模型求解所述目标年的最大负荷。本发明可有助于提高地区负荷预测数据精度。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,尤其涉及一种目标年负荷预测方法。
背景技术
负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数,在满足一定精度要求的条件下,确定未来某特定时刻的负荷数据,其中负荷是指电力需求量(功率或用电量)。负荷预测是电力系统经济调度中的一项重要内容,是能量管理系统(EMS)的一个重要模块。随着社会经济的发展和生活水平的提高,近年来在我国绝大多数大中型城市,居民类负荷和第三产业负荷在社会总负荷中所占的比重都存在着逐年上升的趋势。其最大特点是,与天气状况尤其是气温存在密切关系,表现为对气温的敏感特性,特别是在季节变化特征明显的城市地区,这种特点更加明显。气温已成为影响城市地区负荷的一个不可忽略的敏感因素。
为量化和估测气温因素对负荷预测工作的影响,研究者将模糊线性回归法、人工神经网络法、专家系统等方法应用到超短期和短期负荷预测中,取得了很多可喜的成果。然而在中长期负荷预测中很少有研究定量分析气温因素的影响,事实上,在负荷发展初期和高速成长期,由于影响因素的不确定性,气温因素难以成为影响负荷的关键因素。而在负荷发展趋于饱和的地区,整个地区的大规模建设已经完成,负荷的增长趋慢,负荷增长变化特性已基本固化,气候因素对城市负荷的影响将不可忽略。有针对性地解决气温与负荷间的对应关系,无疑对整个电网建设的优化决策具有非常重要的意义。
发明内容
本发明所要解决的技术问题在于,提供一种目标年负荷预测方法,可有助于提高地区负荷预测数据精度。
本发明提供的一种目标年负荷预测方法,可包括:
步骤S1,收集目标年之前的各历史年的最大负荷及最高温度历史数据;
步骤S2,根据所述收集的各历史年的最高温度历史数据,计算多个历史年的最高气温的平均值或均方根作为各历史年及所述目标年的最高气温基准;
步骤S3,建立各历史年的最大负荷、最大负荷基准、最高气温、最高气温基准之间的函数模型:
最大负荷-最大负荷基准值=最大负荷基准值×K1×(Tmax-Tref) 或
最大负荷-最大负荷基准值=最大负荷基准值×K2×(Tmax-Tref)
其中,所述最大负荷基准值为年最高气温为所述最高气温基准时的最大负荷,Tmax表示步骤S1收集的最高气温,Tref表示步骤S2计算出的最高气温基准,且在Tmax低于Tref时,函数模型为上述包括K1的模型,在Tmax高于Tref时,函数模型为上述包括K1的模型;
步骤S4,根据步骤S3建立的所述函数模型及预设的各历史年的最大负荷基准值之间的关系,求解所述K1和K2;
步骤S5,获取所述目标年未考虑气温影响时的最大负荷预测值作为所述目标年的最大负荷基准值,并获取所述目标年的最高温度作为目标年的Tmax;
步骤S6,根据步骤S5获取的目标年的Tmax与步骤S2计算出的最高气温基准Tref之间的大小关系选择步骤S3中建立的包含K1或K2的函数模型求解所述目标年的最大负荷。
在可选的实施例中,所述历史年的个数大于或等于2。
在可选的实施例中,当所述步骤S1中的历史年的数量大于或等于4,则在所述步骤S1还包括:
过滤掉所述多个历史年中最高气温最低的历史年的历史数据。
在可选的实施例中,当所述步骤S1中的历史年的数量大于或等于4,则在所述步骤S1还包括:
过滤掉所述多个历史年中最高气温最高的历史年的历史数据。
在可选的实施例中,所述预设的各历史年的最大负荷基准值之间的关系为下一年度的最大负荷基准值相较于上一年的最大负荷基准值的增长比例相同。
在可选的实施例中,所述步骤S2中具体根据过滤后的历史数据中的各历史年的最高温度历史数据,计算多个历史年的最高气温的平均值或均方根作为各历史年的最高气温基准。
在可选的实施例中,所述预设的各历史年的最大负荷基准值之间的关系为:连续多个历史年中,下一年度的最大负荷基准值相较于上一年的最大负荷基准值的增长比例相同,被过滤掉的历史年之间的两年的最大负荷基准值的增长值为连续的多个历史年中下一年度的最大负荷基准值相较于上一年的最大负荷基准值的增长比例的平方。
本发明实施例的有效效果为:
突破传统中长期负荷预测方法不考虑气温影响的缺陷,结合地区气候状况,将计及气温影响的负荷预测调整方法应用于普通负荷预测中,有助于提高地区负荷预测数据精度,可为配电系统规划提供更为精确的参考依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的目标年负荷预测方法的一个实施例的流程示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
图1是本发明的目标年负荷预测方法的一个实施例的流程示意图。如图1所示,本发明的方法可包括:
步骤S1,收集目标年之前的各历史年的最大负荷及最高温度历史数据。
以某供电公司1996年-2006年11年的总量数据为例,对2006年的负荷进行预测。其中1996-2005年10年的数据作为历史数据,2006年的数据作为目标年数据。
本实施例中,某供电公司1996年-2005年各年最大负荷和最高气温如表1所示。
表1
年份 | 最大负荷(MW) | 最高气温(℃) |
1996 | 2942 | 37.1 |
1997 | 3396 | 37.1 |
1998 | 3995 | 39.4 |
1999 | 3372 | 35.2 |
2000 | 4265 | 38.2 |
2001 | 4501 | 38.4 |
2002 | 4804 | 38.8 |
2003 | 5395 | 39.6 |
2004 | 5694 | 38.0 |
2005 | 6137 | 39.0 |
由表1可知1999年的最高气温为10年来的最低值,并且与其他最高气温偏低年份的最高气温相差较大,所以在一个可选的实施例中,在分析时可将该年的数据剔除。而2003年的最高气温为10年来的最高值,其最大负荷受错避峰措施影响较大,所以在一个可选的实施例中,在分析时应可将该年的数据剔除。
步骤S2,根据所述收集的各历史年的最高温度历史数据,计算多个历史年的最高气温的平均值或均方根作为各历史年及所述目标年的最高气温基准。
仍接着前面的例子,以剔除1999年和2003年的数据之后的数据为例。剔除掉不良数据之后的原始数据如表2所示:
表2
年份 | 最大负荷(MW) | 最高气温(℃) |
1996 | 2942 | 37.1 |
1997 | 3396 | 37.1 |
1998 | 3995 | 39.4 |
2000 | 4265 | 38.2 |
2001 | 4501 | 38.4 |
2002 | 4804 | 38.8 |
2004 | 5694 | 38 |
2005 | 6137 | 39 |
平均值 | —— | 38.25 |
均方根 | —— | 38.258 |
表2中各年最高气温平均值的计算公式为:
最高气温平均值=(∑各年最高气温)÷8
=(37.1+37.1+39.4+38.2+38.4+38.8+38+39)÷8
= 38.25
≈ 38.3℃
均方根的计算公式为:
最高气温均方根={[∑(各年最高气温)2]÷8}1/2
={(37.12+37.12+39.42+38.22+38.42+38.82+382+392)÷8}1/2
= 38.258
≈ 38.3℃
综合考虑,可以将38.3℃作为1999-2006年的最高气温基准。
步骤S3,建立各历史年的最大负荷、最大负荷基准、最高气温、最高气温基准之间的函数模型:
最大负荷-最大负荷基准值=最大负荷基准值×K1×(Tmax-Tref) (1)
或
最大负荷-最大负荷基准值=最大负荷基准值×K2×(Tmax-Tref) (2)
其中,所述最大负荷基准值为年最高气温为所述最高气温基准时的最大负荷,Tmax表示步骤S1收集的最高气温,Tref表示步骤S2计算出的最高气温基准,且在Tmax低于Tref时,函数模型为上述包括K1的模型(1),在Tmax高于Tref时,函数模型为上述包括K2的模型(2);
将表2中各年的最大负荷带入函数模型(1)或(2),可求得各年的最大负荷基准值如表3所示:
表3
年份 | 最大负荷(MW) | 最高气温(℃) | 最大负荷基准值(MW) |
1996 | 2942 | 37.1 | 2942÷(1-1.2×K1) |
1997 | 3396 | 37.1 | 3396÷(1-1.2×K1) |
1998 | 3995 | 39.4 | 3995÷(1+1.1×K2) |
2000 | 4265 | 38.2 | 4265÷(1-0.1×K1) |
2001 | 4501 | 38.4 | 4501÷(1+0.1×K2) |
2002 | 4804 | 38.8 | 4804÷(1+0.5×K2) |
2004 | 5694 | 38 | 5694÷(1-0.3×K1) |
2005 | 6137 | 39 | 6137÷(1+0.7×K2) |
步骤S4,根据步骤S3建立的所述函数模型及预设的各历史年的最大负荷基准值之间的关系,求解所述K1和K2。
仍接着前面的例子,表3中的各年最大负荷基准值可以认为是按照自然增长率增长的,为了计算简便,假设1996年-2000年期间各年的最大负荷基准值增长率是相同的,而2001年-2005年期间各年的最大负荷基准值增长率是相同的。用式子(3)表示即为:
(1997年最大负荷基准值-1996年最大负荷基准值)÷1996年最大负荷基准值=(1998年最大负荷基准值-1997年最大负荷基准值)÷1997年最大负荷基准值=(1999年最大负荷基准值-1998年最大负荷基准值)÷1998年最大负荷基准值=(2000年最大负荷基准值-1999年最大负荷基准值)÷1999年最大负荷基准值
(2002年最大负荷基准值-2001年最大负荷基准值)÷2001年最大负荷基准值=(2003年最大负荷基准值-2002年最大负荷基准值)÷2002年最大负荷基准值=(2004年最大负荷基准值-2003年最大负荷基准值)÷2003年最大负荷基准值=(2005年最大负荷基准值-2004年最大负荷基准值)÷2004年最大负荷基准值
由于剔除掉了1999年和2003年的数据,因此在实际计算时应将式(3)变换为等式(4):{(1997年最大负荷基准值-1996年最大负荷基准值)÷1996年最大负荷基准值}2={(1998年最大负荷基准值-1997年最大负荷基准值)÷1997年最大负荷基准值}2=(2000年最大负荷基准值-1998年最大负荷基准值)÷1998年最大负荷基准值{(2002年最大负荷基准值-2001年最大负荷基准值)÷2001年最大负荷基准值}2=(2004年最大负荷基准值-2002年最大负荷基准值)÷2002年最大负荷基准值={(2005年最大负荷基准值-2004年最大负荷基准值)÷2004年最大负荷基准值}2 (4)
下面根据(4)式进行求解。将各年的最大负荷基准值代入(4)式为:
{[3396÷(1-1.2×K1)-2942÷(1-1.2×K1)]÷[2942÷(1-1.2×K1)]}2={[3995÷(1+1.1×K2)-3396÷(1-1.2×K1)]÷[3396÷(1-1.2×K1)]}2=[4265÷(1-0.1×K1)-3995÷(1+1.1×K2)]÷[3995÷(1+1.1×K2)]
{[4804÷(1+0.5×K2)-4501÷(1+0.1×K2)]÷[4501÷(1+0.1×K2)]}2=[5694÷(1-0.3×K1)-4804÷(1+0.5×K2)]÷[4804÷(1+0.5×K2)]={[6137÷(1+0.7×K2)-5694÷(1-0.3×K1)]÷[5694÷(1-0.3×K1) ]}2 (5)
由(5)式可以求得“1996年-2000年”和“2001年-2005年”期间的K1和K2。以“1996年-2000年”数据为例,说明求解过程如下:
将“1996年-2000年”数据分解为式(6)、(7)、(8):
{[3396÷(1-1.2×K1)-2942÷(1-1.2×K1)]÷[2942÷(1-1.2×K1)]}2={[3995÷(1+1.1×K2)-3396÷(1-1.2×K1)]÷[3396÷(1-1.2×K1)]}2 (6)
将(6)式化简一个关于K1与K2的二元一次方程,将K2用含有K1的表达式表示。
{[3995÷(1+1.1×K2)-3396÷(1-1.2×K1)]÷[3396÷(1-1.2×K1)]}2=[4265÷(1-0.1×K1)-3995÷(1+1.1×K2)]÷[3995÷(1+1.1×K2)] (7)
将(7)式中的K2用含有K1的表达式代替并化简可得一个关于K1的一元二次方程A。
{[3396÷(1-1.2×K1)-2942÷(1-1.2×K1)]÷[2942÷(1-1.2×K1)]}2=[4265÷(1-0.1×K1)-3995÷(1+1.1×K2)]÷[3995÷(1+1.1×K2)] (8)
将(8)式中的K2 用含有K1的表达式代替并化简可得一个关于K1的一元二次方程B。
将A式与B式的二次项系数约掉可到一个关于K1的一元一次方程,求解即可得K1值。将K1值代入由(4)式求得的K2用K1表示的表达式可得K2的值。
计算结果如下表4所示:
表4
时期 | K1 | K2 |
“1996年-2000年” | 0.021 | -0.013 |
“2001年-2005年” | 0.022 | -0.003 |
平均值 | 0.022 | -0.008 |
步骤S5,获取所述目标年未考虑气温影响时的最大负荷预测值作为所述目标年的最大负荷基准值,并获取所述目标年的最高温度作为目标年的Tmax。
仍接着前面的例子,未考虑气温影响时的2006年的最大负荷(即2006年的最大负荷基准值)和获取的2006年的最高气温如表6所示:
表6
年份 | 最大负荷基准值(MW) | 最高气温(℃) |
2006 | 6571 | 37.2 |
步骤S6,根据步骤S5获取的目标年的Tmax与步骤S2计算出的最高气温基准Tref之间的大小关系选择步骤S3中建立的包含K1或K2的函数模型求解所述目标年的最大负荷。
根据气象预报,2006年的最高气温为37.2℃,因此式应取K1的函数模型。计算2006年的最大负荷表达式为:
2006年最大负荷=2006年最大负荷基准值×{1+0.022×(37.2-38.3)}
=6571×{1+0.022×(-0.9℃)}
=6440.894MW
本发明实施例的有效效果为:
突破传统中长期负荷预测方法不考虑气温影响的缺陷,结合地区气候状况,将计及气温影响的负荷预测调整方法应用于普通负荷预测中,有助于提高地区负荷预测数据精度,可为配电系统规划提供更为精确的参考依据。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种目标年负荷预测方法,其特征在于,包括:
步骤S1,收集目标年之前的各历史年的最大负荷及最高温度历史数据;
步骤S2,根据所述收集的各历史年的最高温度历史数据,计算多个历史年的最高气温的平均值或均方根作为各历史年及所述目标年的最高气温基准;
步骤S3,建立各历史年的最大负荷、最大负荷基准、最高气温、最高气温基准之间的函数模型:
最大负荷-最大负荷基准值=最大负荷基准值×K1×(Tmax-Tref) 或
最大负荷-最大负荷基准值=最大负荷基准值×K2×(Tmax-Tref)
其中,所述最大负荷基准值为年最高气温为所述最高气温基准时的最大负荷,Tmax 表示步骤S1收集的最高气温,Tref 表示步骤S2计算出的最高气温基准,且在Tmax低于Tref时,函数模型为上述包括K1的模型,在Tmax高于Tref时,函数模型为上述包括K2的模型;
步骤S4,根据步骤S3建立的所述函数模型及预设的各历史年的最大负荷基准值之间的关系,求解所述K1和K2;
步骤S5,获取所述目标年未考虑气温影响时的最大负荷预测值作为所述目标年的最大负荷基准值,并获取所述目标年的最高温度作为目标年的Tmax;
步骤S6,根据步骤S5获取的目标年的Tmax与步骤S2计算出的最高气温基准Tref 之间的大小关系选择步骤S3中建立的包含K1或K2的函数模型求解所述目标年的最大负荷。
2.根据权利要求1所述的目标年负荷预测方法,其特征在于,所述历史年的个数大于或等于2。
3.根据权利要求2所述的目标年负荷预测方法,其特征在于,当所述步骤S1中的历史年的数量大于或等于4,则在所述步骤S1还包括:
过滤掉所述多个历史年中最高气温最低的历史年的历史数据。
4.根据权利要求2所述的目标年负荷预测方法,其特征在于,当所述步骤S1中的历史年的数量大于或等于4,则在所述步骤S1还包括:
过滤掉所述多个历史年中最高气温最高的历史年的历史数据。
5.根据权利要求1所述的目标年负荷预测方法,其特征在于,所述预设的各历史年的最大负荷基准值之间的关系为下一年度的最大负荷基准值相较于上一年的最大负荷基准值的增长比例相同。
6.根据权利要求3或4所述的目标年负荷预测方法,其特征在于,所述步骤S2中具体根据过滤后的历史数据中的各历史年的最高温度历史数据,计算多个历史年的最高气温的平均值或均方根作为各历史年的最高气温基准。
7.根据权利要求3或4所述的目标年负荷预测方法,其特征在于,所述预设的各历史年的最大负荷基准值之间的关系为:连续多个历史年中,下一年度的最大负荷基准值相较于上一年的最大负荷基准值的增长比例相同,被过滤掉的历史年之间的两年的最大负荷基准值的增长值为连续的多个历史年中下一年度的最大负荷基准值相较于上一年的最大负荷基准值的增长比例的平方。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710949893.8A CN107909186A (zh) | 2017-10-13 | 2017-10-13 | 一种目标年负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710949893.8A CN107909186A (zh) | 2017-10-13 | 2017-10-13 | 一种目标年负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107909186A true CN107909186A (zh) | 2018-04-13 |
Family
ID=61841325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710949893.8A Pending CN107909186A (zh) | 2017-10-13 | 2017-10-13 | 一种目标年负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909186A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956298A (zh) * | 2018-09-27 | 2020-04-03 | 上海博英信息科技有限公司 | 一种基于气温置信区间的负荷预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663517A (zh) * | 2012-03-31 | 2012-09-12 | 上海市电力公司 | 基于工询业扩和温度还原模型的年最大负荷预测方法 |
CN102663518A (zh) * | 2012-03-31 | 2012-09-12 | 上海市电力公司 | 基于温度还原模型的年最大负荷预测方法 |
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN103971296A (zh) * | 2014-05-16 | 2014-08-06 | 国家电网公司 | 基于电负荷与气温的数学模型的购电方法 |
CN104463344A (zh) * | 2014-10-29 | 2015-03-25 | 广东电网有限责任公司电力调度控制中心 | 电网短期负荷预测方法和系统 |
CN104598982A (zh) * | 2014-10-30 | 2015-05-06 | 广东电网有限责任公司电力调度控制中心 | 年最大降温负荷的获取方法及系统 |
CN107017624A (zh) * | 2017-04-13 | 2017-08-04 | 云南电网有限责任公司电力科学研究院 | 电力负荷周周期特性建模方法 |
-
2017
- 2017-10-13 CN CN201710949893.8A patent/CN107909186A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663517A (zh) * | 2012-03-31 | 2012-09-12 | 上海市电力公司 | 基于工询业扩和温度还原模型的年最大负荷预测方法 |
CN102663518A (zh) * | 2012-03-31 | 2012-09-12 | 上海市电力公司 | 基于温度还原模型的年最大负荷预测方法 |
CN102930356A (zh) * | 2012-11-16 | 2013-02-13 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN103971296A (zh) * | 2014-05-16 | 2014-08-06 | 国家电网公司 | 基于电负荷与气温的数学模型的购电方法 |
CN104463344A (zh) * | 2014-10-29 | 2015-03-25 | 广东电网有限责任公司电力调度控制中心 | 电网短期负荷预测方法和系统 |
CN104598982A (zh) * | 2014-10-30 | 2015-05-06 | 广东电网有限责任公司电力调度控制中心 | 年最大降温负荷的获取方法及系统 |
CN107017624A (zh) * | 2017-04-13 | 2017-08-04 | 云南电网有限责任公司电力科学研究院 | 电力负荷周周期特性建模方法 |
Non-Patent Citations (1)
Title |
---|
罗凤章等: "《计及气温因素的年度负荷预测修正方法》", 《电力系统及其自动化学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956298A (zh) * | 2018-09-27 | 2020-04-03 | 上海博英信息科技有限公司 | 一种基于气温置信区间的负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
CN105069536B (zh) | 一种基于气温与经济增长的用电需求预测方法 | |
CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN104091293B (zh) | 基于用电结构变动的电网长期负荷特性预测方法 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN109389238B (zh) | 一种基于岭回归的短期负荷预测方法及装置 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN106934500A (zh) | 一种基于非参数模型对地区饱和电量进行预测的方法 | |
CN110866658A (zh) | 一种城市电网中长期负荷预测方法 | |
CN107977898B (zh) | 一种光伏电站的发电量保险定价评估方法 | |
CN113205252A (zh) | 基于需求侧负荷调峰潜力参数预测的聚合负荷调度方法 | |
CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN109214458A (zh) | 一种基于历史数据的城市负荷量化方法 | |
CN104134102B (zh) | 基于leap模型的电网中长期电力需求分布预测方法 | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
CN105262148B (zh) | 计及风电出力特性的规划年电力平衡方法 | |
CN107909186A (zh) | 一种目标年负荷预测方法 | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
CN104091227B (zh) | 一种城市用电用户的负荷密度分析方法 | |
CN110991748A (zh) | 一种城市电网短期负荷预测方法 | |
CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 | |
CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |
|
RJ01 | Rejection of invention patent application after publication |