CN108229742A - 一种基于气象数据以及数据趋势的负荷预测方法 - Google Patents

一种基于气象数据以及数据趋势的负荷预测方法 Download PDF

Info

Publication number
CN108229742A
CN108229742A CN201810008005.7A CN201810008005A CN108229742A CN 108229742 A CN108229742 A CN 108229742A CN 201810008005 A CN201810008005 A CN 201810008005A CN 108229742 A CN108229742 A CN 108229742A
Authority
CN
China
Prior art keywords
load parameter
load
data
curve
function
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
Application number
CN201810008005.7A
Other languages
English (en)
Other versions
CN108229742B (zh
Inventor
刘周斌
胡怡霜
丁
丁一
沈然
崔文琪
方磊
卢毓东
汪自翔
谷泓杰
吕诗宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Zhejiang University ZJU
Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, Electric Power Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical Zhejiang University ZJU
Priority to CN201810008005.7A priority Critical patent/CN108229742B/zh
Publication of CN108229742A publication Critical patent/CN108229742A/zh
Application granted granted Critical
Publication of CN108229742B publication Critical patent/CN108229742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (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气象数据以及数据趋势的负荷预测方法。设定负荷参数和气象因素；根据历史电力数据统计历史全年负荷参数分布变化曲线，对负荷参数与气象因素之间进行相关性分析，获得影响相关性值；对每项负荷参数与各个气象因素的关系采用多种方法预测，获得负荷参数函数及曲线；将负荷参数函数曲线与变化曲线对比进行趋势分析判断筛选，将负荷参数函数中系数与影响相关性值进行比较选择最终负荷参数函数，并计算预测结果。本发明充分考虑气象数据对负荷波动的影响，充分考虑历史数据本身的特性趋势，将气象因素和负荷参数相结合，将趋势和相关性即利用数据本身的特性来快速验证预测的准确性，大大减少原有算法的工作量。

Description

一种基于气象数据以及数据趋势的负荷预测方法
技术领域
本发明涉及了一种负荷预测方法，涉及在负荷预测中的充分考虑气象数据以及快速验证预测精确度的基于气象数据以及数据趋势的负荷预测方法。
背景技术
电力系统的基本作用是尽可能经济地为各类用户提供可靠且合乎标准要求的电能，适应实际负荷需求和变化。由于电能的生产、输送、分配和消费是同时完成的，难以大量储存，这就要求发电系统要随时紧跟系统负荷变化以达到动态平衡，否则就会影响供用电质量，甚至危及电力系统的安全与稳定。因此，科学的电力负荷预测就成为电力系统中一项重要工作，同时是电力系统自动化领域中一项重要内容。
电力系统负荷预测是以准确的统计数据和调查资料为依据，从用电量的历史和现状出发，在充分考虑一些重要的系统运行特性、增容决策，自然条件与社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法。在满足一定精度要求的意义下，确定未来某特定时刻的负荷数值。
电力负荷预测的目的就是提供负荷的发展状况和水平，为电力生产部门和管理部门制订生产计划和发展规划提供依据，确定各供电地区的供电电量，生产规划等等。
电力负荷预测的结果除了由负荷本身的历史规律决定外，还受众多非负荷因素的影响，同时和所应用的预测理论、采用的预测方法直接相关。多年来，许多学者对这一课题进行了深入研究，提出了许多方法。
现有技术的缺点：
1.现有技术大多数没有充分考虑气象数据对负荷波动的影响，没有将气象因素和负荷参数相结合。
2.现有技术的负荷预测算法的精确度验证都是通过历史数据的真实值与预测值进行误差对比来验证，而没有充分考虑历史数据本身的特性趋势。
3.有技术的负荷预测算法的精确度验证都是通过已知数据的真实值与预测值进行误差对比来验证，耗时且过程繁琐。
发明内容
为了解决背景技术中存在的问题，本发明提出了一种基于气象数据以及数据趋势的负荷预测方法。
如图1所示，本发明的技术方案包括如下步骤：
第一步：设定多项负荷参数和多个气象因素；
第二步：根据历史电力数据，统计历史全年中各个负荷参数各自的分布情况，获得各个负荷参数各自以日为单位的变化曲线，每个负荷参数对应有一条变化曲线；
第三步：根据历史电力数据对每项负荷参数与每个气象因素之间的关系进行相关性分析，获得每个气象因素对每项负荷参数的影响相关性值，相关性越大，表明该气象因素对该负荷参数的影响越大；
相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。
第四步：根据历史电力数据针对每项负荷参数与各个气象因素的整体关系采用多元非线性回归分析算法，多元线性回归分析算法，一元非线性回归分析算法和一元线性回归分析算法分别进行预测，获得每项负荷参数的四种负荷参数函数及其函数曲线；
多元非线性回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，常用于预测，如果回归分析中包括两个或两个以上的自变量，且自变量与因变量之间存在非线性关系，则称为多元非线性回归分析。
多元线性回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，常用于预测，如果回归分析中包括两个或两个以上的自变量，且自变量与因变量之间存在线性关系，则称为一元线性回归分析。
一元非线性回归分析是确定变量间相互依赖的定量关系的一种统计分析方法，常用于预测，如果回归分析中包括一个自变量，且自变量与因变量之间存在非线性关系，则称为一元非线性回归分析。
一元线性回归分析是确定变量间相互依赖的定量关系的一种统计分析方法，常用于预测，如果回归分析中包括一个自变量，且自变量与因变量之间存在线性关系，则称为一元线性回归分析。
第五步：针对每项负荷参数，将第四步通过四种方法预测得到的四种负荷参数函数曲线与步骤三得到的变化曲线进行对比进行趋势分析判断，对负荷参数函数进行筛选，获得吻合度高的负荷参数函数及其函数曲线；
第六步：针对每项负荷参数由第五步保留得到的每个负荷参数函数，将负荷参数函数中各个气象因素对应的系数的绝对值分别与第三步得到各项气象因素与该项负荷参数之间的影响相关性值进行比较，获得两者的差值，选择各项系数的差值之和最小的负荷参数函数作为负荷参数的最终负荷参数函数，若负荷参数函数中存在多个关于同一气象因素的系数，选择该气象因素的最高次项的系数绝对值与影响相关性值进行比较；
第七步：历史电力数据用第六步获得的各项负荷参数的最终负荷参数函数对各自的负荷参数进行预测计算获得预测结果。
所述第一步中，多项负荷参数为日最高负荷、日最低负荷、日峰谷差和日平均负荷。
所述第一步中，多个气象因素为最高温度、最低温度、平均温度、相对湿度和降雨量。
本发明挑选参数依据：这四项负荷参数可以精确的表示出在一天内负荷的大致变化情况，这五个气象因素可以大致反映一天内气象的变化特性。
所述第二步中，变化曲线为负荷参数以日为单位统计分布获得的曲线。
所述第五步具体为：
预测得到的负荷参数函数曲线与步骤三得到的变化曲线相比，对于曲线上的每个峰值/谷值进行处理判断：
若峰值/谷值所对应的日期变化范围在3天以内，则认为在该峰值/谷值处两者吻合度高，该负荷参数函数曲线具有良好的预测精确性；
若峰值/谷值所对应的日期变化范围大于3天，则认为在该峰值/谷值处两者吻合度不高，该负荷参数函数曲线不具有良好的预测精确性；
将四种预测方法得到的各条负荷参数函数曲线中吻合度高的峰值/谷值的所有个数相加，所得到的个数和作为预测方法得到的负荷参数函数曲线总吻合度。
从中选取与变化曲线总吻合度高的几个负荷参数函数曲线进行保留，其余剔除，最终保留的各类负荷参数函数曲线数量为所有负荷参数函数曲线总数量的一半。
本发明所用数据的定义为：某一个地区某一年的数据，以日为基本单位的日最高负荷、日最低负荷、日峰谷差和日平均负荷，最高温度，最低温度，平均温度，相对湿度和降雨量。
本发明通过趋势分析绘制二维图和三维图来共同反应负荷的分布情况，通过相关性分析分析各个气象因素对负荷的影响，通过多元非线性回归分析进行考虑气象数据的预测，并应用趋势分析和相关性分析进行预测的到的数据与负荷的历史数据之间的趋势和相关性的对比，从而可以简便而精确的判断多元非线性回归的准确性。
本发明的有益效果是：
相对于现有技术方案，本发明充分考虑气象数据对负荷波动的影响，将气象因素和负荷参数相结合。
相对于现有技术方案，本发明充分考虑历史数据本身的特性趋势，是预测结果负荷历史数据发展规律。
相对于现有技术方案，本发明将趋势和相关性即利用数据本身的特性来快速验证预测的准确性，大大减少原有算法的工作量。
附图说明
图1是本发明方法逻辑框图。
图2是实施例根据历史电力数据分析统计获得的日最高负荷变化曲线图。
图3是实施例根据历史电力数据分析统计获得的日最低负荷变化曲线图。
图4是实施例根据历史电力数据分析统计获得的日峰谷差变化曲线图。
图5是实施例根据历史电力数据分析统计获得的日平均负荷变化曲线图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明的实施例如下：
第一步：统计全年的日最高负荷、日最低负荷、日峰谷差、日平均负荷参数的分布情况；
如图2，3，4，5所示，从图中可以看出日最高负荷、日最低负荷和日平均负荷都在7,8月份达到最高，在3,4月份达到最低。日峰谷差在一年内保持平稳。
第二步：根据历史电力数据对每项负荷参数与每个气象因素之间的关系进行相关性分析，获得每个气象因素对每项负荷参数的影响相关性值，相关性越大，表明该气象因素对该负荷参数的影响越大；
各个气象因素与日平均负荷之间的影响相关性值如下表1。
表1：各个气象因素与日平均负荷之间的影响相关性值
由表1可知，最高温度对负荷的影响最大，相对湿度对负荷的影响最小，其中最高温度对日峰谷差的影响最大，相对湿度对日平均负荷的影响最大。
第三步：分别对日最高负荷、日最低负荷、日峰谷差、日平均负荷与各气象因素的关系进行采用多元非线性回归分析算法，多元线性回归分析算法，一元非线性回归分析算法和一元线性回归分析算法进行预测。
可以得到日最高负荷、日最低负荷、日峰谷差、日平均负荷分别与五个自变量最高温度，最低温度，平均温度，相对湿度，降雨量之间的在每种预测算法下的负荷参数函数关系，以日最高负荷的四条负荷参数函数来说明第五步，如表2所示。
表2日最高负荷的四条负荷参数函数
第四步：以日最高负荷参数函数曲线作为案例说明，将多元非线性回归分析算法，多元线性回归分析算法，一元非线性回归分析算法和一元线性回归分析算法预测得到的日最高负荷参数函数曲线进行趋势分析，与步骤1得到的历史数据的趋势进行对比。由表2中的日最高负荷参数函数曲线可知，多元非线性回归的总吻合度最高，其次是多元线性回归分析，所以保留多元非线性回归和多元线性回归分析得到的负荷参数函数曲线，剔除一元非线性回归分析和一元线性回归分析得到的负荷参数函数曲线。
以日最高负荷参数函数作为案例说明，将多元非线性回归分析算法和多元线性回归分析算法分析得到的负荷参数函数中各个气象因素前的系数的绝对值与步骤2得到的影响相关性值进行比较，由表1和表2可知，多元非线性回归分析算法得到的日最高负荷参数的各个气象因素的系数与步骤3得到的影响相关性值的差值之和最小，所以日最高负荷的预测选取多元非线性回归分析算法。
第五步：以此分析所有的负荷参数函数可知，多元非线性回归分析算法得到的四个负荷参数函数的精确度最高，所以最后的负荷预测采用由多元非线性回归分析算法得到的四个负荷参数函数进行负荷预测。

Claims (5)

1.一种基于气象数据以及数据趋势的负荷预测方法，其特征在于：
第一步：设定多项负荷参数和多个气象因素；
第二步：根据历史电力数据，统计历史全年中各个负荷参数各自的分布情况，获得各个负荷参数各自以日为单位的变化曲线；
第三步：根据历史电力数据对每项负荷参数与每个气象因素之间的关系进行相关性分析，获得每个气象因素对每项负荷参数的影响相关性值；
第四步：根据历史电力数据针对每项负荷参数与各个气象因素的整体关系采用多元非线性回归分析算法、多元线性回归分析算法、一元非线性回归分析算法和一元线性回归分析算法分别进行预测，获得每项负荷参数的四种负荷参数函数及其函数曲线；
第五步：针对每项负荷参数，将第四步通过四种方法预测得到的四种负荷参数函数曲线与步骤三得到的变化曲线进行对比进行趋势分析判断，对负荷参数函数进行筛选，获得吻合度高的负荷参数函数及其函数曲线；
第六步：针对每项负荷参数由第五步保留得到的每个负荷参数函数，将负荷参数函数中各个气象因素对应的系数的绝对值分别与第三步得到各项气象因素与该项负荷参数之间的影响相关性值进行比较，获得两者的差值，选择各项系数的差值之和最小的负荷参数函数作为负荷参数的最终负荷参数函数；
第七步：历史电力数据用第六步获得的各项负荷参数的最终负荷参数函数对各自的负荷参数进行预测计算获得预测结果。
2.根据权利要求1所述的一种基于气象数据以及数据趋势的负荷预测方法，其特征在于：所述第一步中，多项负荷参数为日最高负荷、日最低负荷、日峰谷差和日平均负荷。
3.根据权利要求1所述的一种基于气象数据以及数据趋势的负荷预测方法，其特征在于：所述第一步中，多个气象因素为最高温度、最低温度、平均温度、相对湿度和降雨量。
4.根据权利要求1所述的一种基于气象数据以及数据趋势的负荷预测方法，其特征在于：所述第二步中，变化曲线为负荷参数以日为单位统计分布获得的曲线。
5.根据权利要求1所述的一种基于气象数据以及数据趋势的负荷预测方法，其特征在于：所述第五步具体为：
预测得到的负荷参数函数曲线与步骤三得到的变化曲线相比，对于曲线上的每个峰值/谷值进行处理判断：
若峰值/谷值所对应的日期变化范围在3天以内，则认为在该峰值/谷值处两者吻合度高，该负荷参数函数曲线具有良好的预测精确性；
若峰值/谷值所对应的日期变化范围大于3天，则认为在该峰值/谷值处两者吻合度不高，该负荷参数函数曲线不具有良好的预测精确性；
将四种预测方法得到的各条负荷参数函数曲线中吻合度高的峰值/谷值的所有个数相加，所得到的个数和作为预测方法得到的负荷参数函数曲线总吻合度。
从中选取与变化曲线总吻合度高的几个负荷参数函数曲线进行保留，其余剔除。
CN201810008005.7A 2018-01-04 2018-01-04 一种基于气象数据以及数据趋势的负荷预测方法 Active CN108229742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810008005.7A CN108229742B (zh) 2018-01-04 2018-01-04 一种基于气象数据以及数据趋势的负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810008005.7A CN108229742B (zh) 2018-01-04 2018-01-04 一种基于气象数据以及数据趋势的负荷预测方法

Publications (2)

Publication Number Publication Date
CN108229742A true CN108229742A (zh) 2018-06-29
CN108229742B CN108229742B (zh) 2021-10-22

Family

ID=62642937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810008005.7A Active CN108229742B (zh) 2018-01-04 2018-01-04 一种基于气象数据以及数据趋势的负荷预测方法

Country Status (1)

Country Link
CN (1) CN108229742B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109254550A (zh) * 2018-09-03 2019-01-22 深圳市智物联网络有限公司 一种数据处理方法及处理设备
CN109325622A (zh) * 2018-09-26 2019-02-12 巢湖学院 一种电力系统负荷预测的方法
CN109684668A (zh) * 2018-11-26 2019-04-26 国网江苏省电力有限公司检修分公司 一种考虑气象要素的变压器负荷分析方法
CN109800962A (zh) * 2018-12-27 2019-05-24 四川华迪信息技术有限公司 一种就业数据的定量分析方法及系统
CN110033278A (zh) * 2019-03-27 2019-07-19 阿里巴巴集团控股有限公司 风险识别方法和装置
CN111023400A (zh) * 2019-12-30 2020-04-17 宁波奥克斯电气股份有限公司 一种空调室外环温预测方法、装置及空调器
CN112085256A (zh) * 2020-08-13 2020-12-15 广东电网有限责任公司广州供电局 考虑负荷跃变的全周期负荷预测方法
CN112488418A (zh) * 2020-12-14 2021-03-12 中国南方电网有限责任公司 一种全拓扑负荷预测方法、装置及计算机设备
CN112488431A (zh) * 2020-12-23 2021-03-12 国创新能源汽车智慧能源装备创新中心(江苏)有限公司 一种预测电力负荷的大数据分析方法
CN112561210A (zh) * 2020-12-29 2021-03-26 广东电网有限责任公司电力调度控制中心 一种电力系统稳定性和资源需求预估系统及方法
CN113127533A (zh) * 2021-03-31 2021-07-16 四川省气象服务中心(四川省专业气象台 四川省气象影视中心) 气象交通系统基于组合多变量相关性的影响因子分析方法
CN114065386A (zh) * 2021-11-15 2022-02-18 中国航发沈阳发动机研究所 一种快速预计整机mtbf的多元线性回归方程方法
CN114846991A (zh) * 2022-05-31 2022-08-05 江苏大学 一种联合收获机清选负荷监测装置与清选性能预测方法
CN117875797A (zh) * 2024-03-12 2024-04-12 广东华宸建设工程质量检测有限公司 一种建设工程协同监理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040102937A1 (en) * 2002-11-21 2004-05-27 Honeywell International Inc. Energy forecasting using model parameter estimation
CN104156783A (zh) * 2014-07-29 2014-11-19 广西电网有限责任公司 计及气象累积效应的电力系统最大日负荷预测系统及方法
CN105069525A (zh) * 2015-07-30 2015-11-18 广西大学 全天候96点日负荷曲线预测及优化修正系统
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040102937A1 (en) * 2002-11-21 2004-05-27 Honeywell International Inc. Energy forecasting using model parameter estimation
CN104156783A (zh) * 2014-07-29 2014-11-19 广西电网有限责任公司 计及气象累积效应的电力系统最大日负荷预测系统及方法
CN105069525A (zh) * 2015-07-30 2015-11-18 广西大学 全天候96点日负荷曲线预测及优化修正系统
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
OUSSAMA AHMIA等: "Multi-model approach for electrical load forecasting", 《2015 SAI INTELLIGENT SYSTEMS CONFERENCE (INTELLISYS)》 *
唐伟斌等: "基于皮尔逊相关系数的电网夏季空调负荷预测研究", 《电力需求侧管理》 *
孙海斌等: "电力系统短期负荷预测方法综述", 《江苏电机工程》 *
李海龙: "考虑实时气象因素的电力系统短期负荷预测", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109254550A (zh) * 2018-09-03 2019-01-22 深圳市智物联网络有限公司 一种数据处理方法及处理设备
CN109325622A (zh) * 2018-09-26 2019-02-12 巢湖学院 一种电力系统负荷预测的方法
CN109684668B (zh) * 2018-11-26 2023-06-06 国网江苏省电力有限公司检修分公司 一种考虑气象要素的变压器负荷分析方法
CN109684668A (zh) * 2018-11-26 2019-04-26 国网江苏省电力有限公司检修分公司 一种考虑气象要素的变压器负荷分析方法
CN109800962A (zh) * 2018-12-27 2019-05-24 四川华迪信息技术有限公司 一种就业数据的定量分析方法及系统
CN110033278A (zh) * 2019-03-27 2019-07-19 阿里巴巴集团控股有限公司 风险识别方法和装置
CN111023400A (zh) * 2019-12-30 2020-04-17 宁波奥克斯电气股份有限公司 一种空调室外环温预测方法、装置及空调器
CN112085256A (zh) * 2020-08-13 2020-12-15 广东电网有限责任公司广州供电局 考虑负荷跃变的全周期负荷预测方法
CN112488418A (zh) * 2020-12-14 2021-03-12 中国南方电网有限责任公司 一种全拓扑负荷预测方法、装置及计算机设备
CN112488418B (zh) * 2020-12-14 2023-09-26 中国南方电网有限责任公司 一种全拓扑负荷预测方法、装置及计算机设备
CN112488431A (zh) * 2020-12-23 2021-03-12 国创新能源汽车智慧能源装备创新中心(江苏)有限公司 一种预测电力负荷的大数据分析方法
CN112488431B (zh) * 2020-12-23 2022-09-06 国创移动能源创新中心(江苏)有限公司 一种预测电力负荷的大数据分析方法
CN112561210A (zh) * 2020-12-29 2021-03-26 广东电网有限责任公司电力调度控制中心 一种电力系统稳定性和资源需求预估系统及方法
CN113127533A (zh) * 2021-03-31 2021-07-16 四川省气象服务中心(四川省专业气象台 四川省气象影视中心) 气象交通系统基于组合多变量相关性的影响因子分析方法
CN114065386A (zh) * 2021-11-15 2022-02-18 中国航发沈阳发动机研究所 一种快速预计整机mtbf的多元线性回归方程方法
CN114065386B (zh) * 2021-11-15 2022-09-20 中国航发沈阳发动机研究所 一种快速预计整机mtbf的多元线性回归方程方法
CN114846991A (zh) * 2022-05-31 2022-08-05 江苏大学 一种联合收获机清选负荷监测装置与清选性能预测方法
CN114846991B (zh) * 2022-05-31 2023-10-10 江苏大学 一种联合收获机清选负荷监测装置与清选性能预测方法
CN117875797A (zh) * 2024-03-12 2024-04-12 广东华宸建设工程质量检测有限公司 一种建设工程协同监理方法及系统

Also Published As

Publication number Publication date
CN108229742B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN108229742A (zh) 一种基于气象数据以及数据趋势的负荷预测方法
Dong et al. Wind power day-ahead prediction with cluster analysis of NWP
CN111932402B (zh) 一种基于相似日和lstm的短期电力负荷双向组合预测方法
CN108596242B (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
CN103971175B (zh) 一种多级变电站的短期负荷预测方法
CN110991843A (zh) 考虑城市化发展及电能替代效应的饱和电力需求预测方法
CN111027872A (zh) 一种区域用户的用电成熟度确定方法及系统
CN107506863A (zh) 一种基于大数据电网实物资产运维检修费用预测方法
CN106372755A (zh) 基于主元分析的bp神经网络智能工业园区能耗模型建立方法
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
Guo et al. Power demand forecasting and application based on SVR
Evans et al. Multivariate data analytics in PV manufacturing—Four case studies using manufacturing datasets
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN111062539A (zh) 基于次级用电量特性聚类分析的总电量预测方法
Neogi et al. Intertemporal efficiency variations in Indian manufacturing industries
CN114899830A (zh) 基于电网峰谷差率的负荷侧交易方法、系统及相关设备
Tan et al. Selection ideal coal suppliers of thermal power plants using the matter-element extension model with integrated empowerment method for sustainability
Lu et al. Research on creating multi-attribute power consumption behavior portraits for massive users
Al-Ani et al. A study of load demand forecasting models in electricity using artificial neural networks and fuzzy logic model
Sari et al. The effectiveness of hybrid backpropagation Neural Network model and TSK Fuzzy Inference System for inflation forecasting
CN116894687A (zh) 一种基于机器学习的用电量分析方法及系统、电子设备
CN104077231A (zh) 基于符号动力学和ls-svm的变压器维护优化方法
CN111429979A (zh) 一种基于支持向量机分位数回归的钢材力学性能预测方法
CN115860797A (zh) 一种适应新电价改革形势的电量需求预测方法
CN113627677A (zh) 多区域能源需求预测方法、装置、终端设备及存储介质

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