CN108898246A - 一种基于电力系统的负荷预测管理系统 - Google Patents
一种基于电力系统的负荷预测管理系统 Download PDFInfo
- Publication number
- CN108898246A CN108898246A CN201810628746.5A CN201810628746A CN108898246A CN 108898246 A CN108898246 A CN 108898246A CN 201810628746 A CN201810628746 A CN 201810628746A CN 108898246 A CN108898246 A CN 108898246A
- Authority
- CN
- China
- Prior art keywords
- load
- unit
- prediction
- data
- day
- 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 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 238000013507 mapping Methods 0.000 claims description 77
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 60
- 238000007726 management method Methods 0.000 claims description 40
- 238000011068 loading method Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims description 17
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000002045 lasting effect Effects 0.000 claims description 7
- 240000002853 Nelumbo nucifera Species 0.000 claims description 6
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 230000000052 comparative effect Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 2
- 230000000149 penetrating effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 8
- 230000000750 progressive effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003786 synthesis reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000003054 catalyst Substances 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification 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)
Abstract
本发明公开一种基于电力系统的负荷预测管理系统，包括用于管理基础信息数据的管理模块、用于负荷相关特性分析的负荷分析模块、用于支持多预测模式对比分析和智能选择负荷预测模块、用于统计分析负荷预测准确率的负荷预测考核模块、以及用于调度预测数据的定时、限时逐级上报的数据交换管理模块。本发明建立了完整的短期负荷预测理论体系，设计完善的短期负荷预测策略，建立完备的短期负荷预测的方法库，提出高效的负荷预测方法。
Description
技术领域
本发明涉及电力负荷预测技术领域，具体涉及一种基于电力系统的负荷预测管理系统。
背景技术
随着节能发电调度的全面开展，电网调度运行精细化水平不断提高，使得电力系统对未来电网运行状态的预知能力、对在各种相关因素影响下电力负荷的预测能力等方面的要求极大地提高，亟需新一代智能化的负荷预测算法及相应系统，确保电力系统的安全经济运行。
短期负荷预测对电力系统安全和经济运行具有重要意义。首先，停电和区域性的拉闸限电仍然是影响社会正常生产生活的主要问题，精确的负荷预测可以确保系统在合适的时间和地点预留充足的备用，确保电网运行的安全裕度，保证电网的正常供电；其次，高能耗和污染已成为威胁人类生存的严重危机，而准确的负荷预测确保了机组能够更为经济、合理的运行，从而减少燃煤和污染物排放，实现节能减排；最后，随着全球气候变化和人民生活水平的提高，对空调等调温负荷的依赖逐步增强，使得电网负荷对气象因素的变化愈发敏感，给负荷预测带来了极大的不确定性，需要更为精确的预测手段为运行决策提供支持。
然而，长期以来，无论是理论研究还是实际应用，电网短期负荷预测都存在着诸多关键性问题尚未解决，制约着负荷预测精度的进一步提高和科学的电网短期负荷预测方法在实际中广泛的应用，主要体现在：(1)缺乏规范有效、智能的相关因素处理方法，进而影响相似日的选取策略；(2)对预测偏差产生原因缺乏深入研究，没有深入分析各种相关因素对负荷波动及预测偏差的影响，无法进一步有效提高预测精度；(3)预测策略缺乏智能性和适应性，无法应对复杂多变的负荷特性；(4)上级电网和下级电网之间的沟通不畅，信息交流渠道复杂，数据规范性不够，造成上下级电网的预测过程及结果往往存在脱节。
发明内容
本申请提供一种基于电力系统的负荷预测管理系统，以更好地实现电网短期负荷预测。
为此，本发明实施例提供一种基于电力系统的负荷预测管理系统，包括：
管理模块，用于管理基础信息数据的管理模块；
负荷分析模块，用于负荷相关特性分析；
负荷预测模块，用于支持多预测模式对比分析和智能选择；
负荷预测考核模块，用于统计分析负荷预测准确率；
数据交换管理模块，用于调度预测数据的定时、限时逐级上报。
其中，所述管理模块包括用于基础数据的自动化收集工作的数据接口，用于对基础数据和统计分析的信息维护单元和用于将存储数据自动统计的信息统计单元；
所述负荷预测模块包括节假日设置单元、映射数据库、映射数据库训练单元、自适应训练单元、正常日预测单元、节假日预测单元、综合预测单元、预测方法结果查询比较单元、分区负荷预测汇总单元、预测结果修正上报单元、文本生成单元、日志记录单元和特殊事件定义单元；
所述负荷分析模块包括日负荷特性指标单元、月负荷特性指标单元、年/季负荷特性指标单元、月典型日负荷曲线单元、节日负荷曲线单元、负荷其它相关特性分析单元、负荷稳定度分析单元和气象分析单元；
所述负荷预测考核模块包括免考单元、时段点准确率查询单元、多日准确率统计单元、月准确率统计单元、季准确率统计单元和年准确率统计单元；
所述数据交换管理模块包括上报时限设置单元、准确率指标设定单元和县调上报地调数据单元。
其中，所述负荷预测模块包括短期预测单元和中长期预测单元；
所述短期预测单元包括自动启动和人工启动两种工作模式；
所述节假日设置单元将短期预测分为节假日预测和非节假日预测；所述节假日用于正常日预测时筛选历史数据，正常日预测时，定义为节假日的日期，跳过该日期，顺延取用对应的历史数据作为预测依据；
所述中长期预测单元用于对历史日的负荷进行虚拟预测，其预测的结果为历史日的拟合结果，从而按拟合的效果作出各个单一方法的权重的判断。
其中，所述映射数据库根据原始定量指标的映射、化分类为定量的指标的映射和用户设置界面构成；
所述映射数据库用于存储特征量，所述特征量包括特征量名称、特征量描述、映射前取值和映射后取值。
其中，采集所述特征量采用原始定量指标的映射和化分类为定量的指标的映射为依据；所述原始定量指标的映射为若日最高温度为主导气象因素，则其映射区间可超过[0，1]的区间限制，而对于非主导气象因素，则其映射区间限制在[0，1]区间之中；
所述化分类为定量的指标的映射包括星期类型的映射和/或日分类属性的映射；所述星期类型的映射其映射区间映射到[0.1，3.2]的映射区间中；
所述用户设置界面用于根据用户需求，修改映射数据库。
其中，所述映射数据库训练单元用于从映射数据库的初值出发，建立新映射表，并给出在该映射表下对历史数据拟合的精度；
所述自适应训练单元用于根据不同的地区和单位选择预测方法进行自适应训练；
所述正常日预测单元包括根据网络情况和所选方法的数目，将预测结果界面推送显示预测的执行情况；
所述预测方法结果查询比较单元用于根据系统负荷、交换计划、母线负荷总加之间的关系分析，对系统负荷预测、下级调度系统负荷预测总加、母线负荷预测总加进行相互校验和自动修正；
所述分区负荷预测汇总单元用于上级单位根据地调数据申报完成后，按照规则汇总生成全网负荷预测，并选择该汇总曲线保存上报；
所述预测结果修正上报单元可通过历史预测数据或相似日负荷数据进行人工修正生成上报数据；
所述文本生成单元生成统调负荷、全网负荷和下载文本文件；
所述日志记录单元可选择关注日志的单位、时间，进行查询，可以在查询选项中，选择关注日志的内容；
所述特殊事件定义单元对于拉闸限电和有序用电的特殊事件，通过特殊事件定义设置功能将此信息录入到系统汇总，对预测结果进行二次校正。
其中，所述日负荷特性指标单元包括日最大/小负荷、日平均负荷、日负荷率、日最小负荷率、日负荷曲线、日峰谷差、日峰谷差率、持续负荷曲线、某时段点负荷趋势、日电量分析和负荷特性趋势；
所述月负荷特性指标单元包括月最大/小负荷、月平均日负荷、月平均日负荷率、月负荷率、月最小负荷率、月最大日负荷率、月最小日负荷率、月最大/ 小峰谷差、月最大/小峰谷差率、月平均日峰谷差、月平均日峰谷差率和月不均衡负荷率；
所述年/季负荷特性指标单元包括年/季最大/小负荷、年/季平均日负荷、年/季平均日负荷率、年/季平均月负荷率、年/季大/小日负荷率、季负荷率、年/季负荷率、最小负荷率、年/季大/小峰谷差、年/季大/小峰谷差率、年/季平均日峰谷差、年/季平均日峰谷差率、年最大负荷利用小时数、年持续负荷曲线、年负荷曲线和年/季生产均衡率；
所述月典型日负荷曲线单元包括月工作日负荷曲线、月周六日负荷曲线、月周日日负荷曲线、月最大电量日负荷曲线、月最小电量日负荷曲线、月最大负荷日负荷曲线、月最小负荷日负荷曲线、月最大峰谷差日负荷曲线和月最小峰谷差日负荷曲线；
所述节日负荷曲线单元包括春节日负荷曲线、元旦日负荷曲线、五一日负荷曲线、十一日负荷曲线、元宵节日负荷曲线和中秋节日负荷曲线；
所述气象分析单元包括选择单位、时间，查询出这个月份的气象数据表气象统计单元；和选择单位、时间，查询出这个月份的数据表，以及月度气温负荷分析曲线图气象相关性分析单元。
其中，所述免考单元包括个别地区原因，历史负荷发生突变，在预测时会影响准确率，进行的免考申请，和管理人员根据时间条件、电网和免考申请审批状态进行信息的查询；
所述时段点准确率查询单元用于根据设定的单位和日期，查询当日各个时段点预测负荷的预测准确率，做预测负荷曲线和历史实际发生负荷曲线的对比曲线图，列表显示各个时段点的逐点准确率，给出当日的平均准确率；
所述多日准确率统计单元用于根据选定的时间范围，计算对应时间范围内的准确率或对准确率进行排名；
所述月准确率统计单元包括月准确率排名、月最高最低准确率查询和月最高最低准确率排名；
所述季准确率统计单元包括季准确率查询、季准确率排名、季最高最低准确率查询和季最高最低准确率排名；
所述年准确率统计单元包括年准确率查询、年准确率排名、年最高最低准确率查询和年最高最低准确率排名。
其中，所述上报时限设置单元用于设置负荷修正上报期限，选择是否进行上报时间检查、标记表示进行检查、选择单位和上报时间最晚期限进行检查操作；
所述准确率指标设定单元用于根据各个地区的预测准确率的要求，设置每个地区的准确率指标；
所述县调上报地调数据单元包括县调各产业负荷数据申报、县调气象数据申报、小火电开停申报、大工业负荷变化申报和前一日预测偏差原因申报。
其中，所述数据接口包括基于数据服务总线方式接口、基于数据文件方式接口、基于数据库访问方式接口、基于专用通信中间件方式接口、基于数据传输系统接口和基于FTP文件下载解析方式接口。
通过以上技术方案，实施本发明实施例装置具有如下有益效果：
本发明实施例提供了一种基于电力系统的负荷预测管理系统，建立具备安全、灵活、可靠的系统管理功能建立系统负荷预测结果评价模块，并实现预测相关信息的上报和预测结果及考核结果的下发。本发明实施例采用完善的短期负荷预测理论体系，结合电力系统的特点，提出了多种新颖的预测方法，在此基础上，建立了完整的短期负荷预测理论体系，设计完善的短期负荷预测策略，建立完备的短期负荷预测的方法库，提出高效的负荷预测方法。
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为本发明实施例所述基于电力系统的负荷预测管理系统框架示意图；
图2为本发明实施例所述数据接口结构示意图。
具体实施例
以下描述中，为了说明而不是为了限定，提出了诸如特定装置结构、技术之类的具体细节，以便透切理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的装置、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例结合附图来进行说明。
如图1为一种基于电力系统的负荷预测管理系统结构示意图，由图1可知该系统包括：
管理模块，用于管理基础信息数据的管理模块；
负荷分析模块，用于负荷相关特性分析；
负荷预测模块，用于支持多预测模式对比分析和智能选择；
负荷预测考核模块，用于统计分析负荷预测准确率；
数据交换管理模块，用于调度预测数据的定时、限时逐级上报。
下面对各模块进行详细说明：
1.管理模块
1.1数据接口
数据接口主要是实现基础数据的自动化收集工作，在采集自动转换数据格式适应本系统需要，并自动保存到系统数据库当中，以适应今后分析、预测的相关需要。
对信息采集功能的主要要求包括以下几点：
1)实现信息采集的自动化；
2)保证信息采集的准确度，做到不丢数、不重复；
3)在数据源系统出现故障，不能按时提供数据的情况下，可以实现人工干预的手动补采。
1.1.1数据接口开发原则
系统接口规范应符合基础系统数据交换规范完成，对数据交换接口的通信协议、数据组成、调用机制、文件格式进行规定，基本原则如下：
1)数据交换统一采用可扩展标记语言XML(eXtensible Makeup Language) 作为数据标准格式进行接口转换；
2)数据交换接口机制采用标准的WebService调用方式；
3)接口通信采用https协议，并使用调度数字证书系统所颁发的公网证书进行加密和认证，保证数据安全；
4)交换的接口和数据是可扩展的。
1.1.2多种接口方式
数据接口的功能结构图如图2所示，系统提供多种方式从各业务系统中进行数据采集从而将信息加载到系统数据库中。数据采集方式包括但不限于下列方式，
1)基于IEC 61970的CIM/XML接口方式
如果第三方系统/软件能够基于IEC 61970标准实现，还可以采用XML文件的方式。由于都遵循CIM，双方就对电力系统对象有了共同的描述方式，任何一方生成的XML文件都可被另一方正确理解。通过XML文件的交换，双方既可以交换电网模型的描述信息，也可以用于传送遥信、遥测数据断面。
2)基于E文件模型导入导出
系统E文件导入/导出工具支持全数据、动态数据的导入/导出，实现了网络模型、参数数据、实时数据的E文件的互操作。
E文件导入/导出工具可按照设备(或虚拟设备)、属性的导出配置文件要求进行导出。还可按子控制区、子站、电压等级等资源层次关系的配置进行部分资源导出。E文件导入/导出工具也可按基准电压进行配置，将某基准电压及以下电压等级的电网在接入点按等值负荷处理。
E文件导入/导出工具可周期导出(时间可设)、手工导出、也可根据变更通知事件进行导出。
3)基于数据库的接口方式
双方通过数据库交换数据是较常见的方式，双方约定好数据库的数据结构，一方将数据写入数据库中，另一方从数据库中将数据读出。双方还需约定好一定的时间顺序，以免出现一方尚未写入另一方就去读之类的时间配合问题。也可以在数据库中设立相应的标志表明是否有新的数据写入，这需要一定的技巧，以免双方在标志使用上的冲突。这种方式适用于两种情况，一是频率不高的尤其是定时的交换数据的情况，二是不断传送实时数据而不需要双方的时间配合的情况。
数据库包括ORACLE、SQLSERVER、SYBASE、DB2、FOXPRO、DBASE等.
4)基于专用通信协议的接口方式
双方通过专用通信协议的接口方式是最常用的方式，双方约定好专用通信协议并按照此专用通信协议进行双方的通信，从而实现双方的交互。这种方式具有较大的适用范围，既可用于不定时的数据交换，也可用于实时数据传送。
系统实现了最高层面的开放－应用层开放。由于系统遵循各种新的、开放的国际标准，为系统的开放性奠定了良好的基础。当为系统增加新功能时，无论开发者是自己还是第三方，都能方便地接入系统。在实际应用中，已有在多个工程中与第三方软件接口的实例，无论用户开发的增值软件，还是第三方厂家的应用软件模块都能很好地运行于卖方提供的系统之上。
系统的计算机设备、网络设备、操作系统、数据库、中间件和开发工具等均采用主流商业现货产品(COTS)。
系统的计算机硬件采用了主流厂家的产品，支持包括HP的系列服务器和工作站、SUN公司SPARC系列服务器和工作站、IBM公司的Power5系列、各种品牌的X86和X64系列的服务器和工作站在内的多种硬件系统。
系统支持多种符合POSIX标准的操作系统，在Unix操作系统上遵循 X-Window和OSF/Motif等国际标准，系统支持使用Tru64、AIX、Solaris、HP-UX 等64位UNIX操作系统，也支持X86系列和X64系列CPU的Windows操作系统、 Solaris和Linux操作系统。
系统在不同的硬件系统上相应的支持SQL Server、Oracle、Sybase和DB2 主流商用数据库。数据库访问支持SQL方式。
系统在网络通讯中采用标准的TCP/IP协议集。
5)基于ESB/SOA服务总线接口
采用ESB/SOA服务接口方式实现信息共享和服务调用。
1.1.3数据接口方式
系统支持的接口方式包括：基于数据服务总线方式接口、基于数据文件方式接口、基于数据库访问方式接口、基于专用通信中间件方式接口、基于数据传输系统接口、基于FTP文件下载解析方式接口等。
1.1.3.1数据服务总线方式
数据服务总线应用程序组件抽象为一个服务集，应用程序通过总线直接访问服务集进行数据交互。每个业务系统的应用服务既可以是提供者，也可以是请求者，或者同时兼有两个角色。
本系统数据服务总线接口方式支持两种消息传递，一种是调用(Call)，即请求/回应方式，这是常见的同步模式。还有一种我们称之为单路消息 (One-way)，它的目的往往是触发异步的事件，发送者不需要马上得到回复。
系统接口可通过基础数据系统提供的数据服务总线消息传递方式获取业务系统需要的各类输入数据，同时可将各类结果类数据写入基础数据系统。
1.1.3.2基于数据库访问的接口方式
通过数据库交换数据是最常见的方式，双方约定好数据库的数据结构，一方将数据写入数据库中，另一方从数据库中将数据读出。双方还需约定好一定的时间顺序，以免出现一方尚未写入另一方就去读之类的时间配合问题。也可以在数据库中设立相应的标志表明是否有新的数据写入，这需要一定的技巧，以免双方在标志使用上的冲突。
这种方式适用于两种情况，一是频率不高的尤其是定时的交换数据的情况，二是不断传送实时数据而不需要双方的时间配合的情况。
1.1.3.3基于文件的接口方式
传输文件可包括E格式、xml格式、txt格式、excel格式等。双方通过文件交换数据也是较常见的方式，双方约定好一定的时间顺序和数据文件的格式，一方将数据写入文件中，另一方从文件中将数据读出。这种方式适用于频率不高的尤其是定时的交换数据的情况，但不适用于传送实时数据。可采用XML文件进行数据交换。
1.1.3.4基于专用通信协议的接口方式
双方通过专用通信协议的接口方式是最常用的方式，双方约定好专用通信协议并按照此专用通信协议进行双方的通信，从而实现双方的交互。这种方式具有较大的适用范围，既可用于不定时的数据交换，也可用于实时数据传送。
1.1.3.5数据传输模块
数据传输模块针对各个专业系统的数据，专门开发了自动同步线程程序和配置工具，采用配置工具的合理配置可以做到分钟级的数据同步自动更新。
数据采集系统支持：
1)可适应不同的数据库运行系统与各种数据格式。
2)人工设定、自动采集、定时主动等多种采集模式。
1.1.3.6文件下载解析方式
系统可以支持解析EMS数据文件、电网结构CIM模型文件、svg文件等。系统与配合厂家联合配置ftp上传服务器，由文件提供者定时上传文件。系统自动读取文件解析。
1.1.4接口内容
(1)系统及地区历史负荷数据的获取功能：系统及地区历史负荷数据的采集和更新频率为每5分钟。系统提供自动采集和手工触发的手段来获取系统及地区历史负荷数据。
(2)行业分类负荷信息的获取：能够通过统计影响全网负荷的重点用户负荷节点，构建行业分类负荷数据。
(3)网络拓扑信息变化获取功能：能够从相关检修计划管理系统或者采用其他输入方式获取检修计划、负荷转供方式等运行方式变化信息。
(4)气象相关因素获取功能：能够从其它系统获取各地区日特征的温度、湿度、降雨等实测及预报信息。
(5)支持历史负荷和气象数据获取状态监视。
(6)支持上下级联合预测流程的实时监视。
(7)向安全校核应用提供未来多时段系统负荷预测。
(8)向检修计划应用、水电调度应用、申报发布应用、日前发电计划功能提供次日每15分钟的系统负荷预测和分区负荷预测。
(9)向计划分析与评估应用提供次日每15分钟的系统负荷预测和分区负荷预测。提供短期系统负荷预测误差指标，包括每个考核点系统负荷预测偏差率、日平均系统负荷预测准确率、月平均日系统负荷预测准确率、年平均日系统负荷预测准确率、日最高(低)系统负荷准确率、月平均日最高(低)系统负荷预测准确率、年平均日最高(低)系统负荷预测准确率。
(10)向上级调度提供指定日期的负荷预测结果。
(11)向水电调度应用、实时发电计划功能、申报发布应用提供几小时内每5分钟系统负荷预测和分区负荷预测。
(12)向计划分析与评估应用提供几小时内每5分钟系统负荷预测和分区负荷预测。提供超短期系统负荷预测误差指标，包括每个考核点系统负荷预测偏差率、日平均系统负荷预测准确率、月平均日系统负荷预测准确率、年平均日系统负荷预测准确率、日最高(低)系统负荷准确率、月平均日最高(低) 系统负荷预测准确率、年平均日最高(低)系统负荷预测准确率。
(13)向自动发电控制功能提供15分钟内每5分钟的系统负荷预测结果。
1.2信息维护单元
该单元应能够实现对基础数据和统计分析数据等信息的科学、有效的集成管理，提供数据维护、查询、排序、图表生成、转存Excel等信息加工工具，以方便用户对信息分析、加工及处理，并全面支持用户个性化的信息组织。
信息维护单元对数据的维护、查询和管理可以从三个维度进行，电网、口径、时间。对于同一个数据分类，电网可以多选，以便实现多电网对照查询分析。电网选择、口径选择、时间范围选择、数据分类节点选择，唯一确定了一个查询的数据来源，这四个选择项组合构成查询条件。
查询到的数据在数据表格中显示，除了能够对数据进行增、删、改操作外，还能以任意多个数据列进行组合排序，还可以选择部分列显示，部分列隐藏，选择性显示数据表的内容。数据表的数据还能以某一行或某一列为基准，进行行列转置操作，也就是透视表功能。
无论那种数据展现形式，都能所见即所得的导出为Excel等格式文件到用户的本机文件系统。
系统采集到大量的生产数据，这些原始数据的分类、维护、管理功能是系统至关重要的功能，其作用主要包括：
基础数据的查询、添加、删除、保存；
对基础数据的自定义图表、比对；
1)数据维护工具
数据增加、删除、修改操作。
2)智能化查询工具
可以根据条件灵活查询出各类别中符合条件的数据。
3)图形曲线自动生成及维护工具
可以自动生成图形，并在折线图、饼图、柱图、堆积柱图间切换。
4)字段筛选排序工具
可以根据条件筛选需要显示内容和排序。
5)透视表自动生成及维护工具
可以根据条件生成透视表。
6)自定义个人报表工具
可以把各种选择条件作为个人报表保存下来，以后就可以直接使用。
7)数据图表输出工具
可以把生成的数据表格和图形直接保存成文件。
信息维护单元做出的图能够在折线图、柱图、饼图、堆积柱图等四种图之间切换，另外还能在2D和3D两种显示模式之间切换。
图和表中的数据，是所见即所得的，只要数据表中的数据改变，依照数据表中数据所作的图，就会刷新使用数据，根据新的数据做出新的图。
所做的图可以放大、缩小，可以调整颜色和风格，图还可以导出为PNG格式的图片到用户的本机文件系统。
1.2.1气温参数修正
历史气象数据应包括概况气象和分时气象，类型上包括但不限于分地区的天气类型、温度、湿度、降水、风力、风向、气压、舒适度等信息，可根据实际情况选用，如没有相关气象系统，气象数据等应能提供人工录入页面，由相关人员录入。
1.3信息统计单元
1.3.1数据存储
各节点历史数据库要能够存储30年的历史数据，数据时间间隔最小可为5 分钟(288点日曲线)。要合理设计数据库索引，查找数据不因运行时间长，积累历史多了以后而显著变慢。
1.3.2自动统计线程
各类日、月、季、年统计分析数据均为后台自动统计计算生成，应具备数据自动统计日志，查询数据统计正确情况。
1.3.3统计信息
统计内容主要包括：
日负荷特性类：日最大负荷及出现时刻、日最小负荷及出现时刻、平均负荷、负荷率、最小负荷率、日电量等。
月负荷特性类：月度最大/平均/最小负荷、最大/最小峰谷差、最大/最小日负荷率、平均负荷率等。
年负荷特性类：年度最大/平均/最小负荷、最大/最小峰谷差、最大/最小日负荷率、平均负荷率等。
典型曲线类：月典型工作日曲线、月周六/周日曲线、月最大/最小电量日曲线、月最大/最小负荷日曲线、月最大/最小峰谷差日曲线、年负荷曲线等。
2.负荷预测模块
短期负荷预测应能够支持自动启动和人工启动。
负荷预测手动预测功能具备将下级分区系统负荷申报合成、分区系统负荷预测合成和系统预测等多种预测模式，应支持多预测模式对比分析和智能选择。
2.1节假日设置单元
短期预测分为节假日预测和非节假日预测。一方面由于某些农历节假日农历节气等日期不固定，另一方面由于不同节假日在不同的地区，影响的时间范围有所不同。因此，预测系统采用事先统一预定义节假日设置的方式，对节假日发生日期，节假日影响时间范围做一个约定。
节假日用于正常日预测时筛选历史数据。正常日预测时，遇到定义为节假日的日期，就跳过这些日期，顺延取用对应的历史数据作为预测依据。
节假日定义，用于节假日预测则是为了指明节假日发生的日期。因为进行了预定义，也就回避了农历历法难以用程序实现正确推算的问题，也能够适应一些特殊地区性无固定时间设置的节假日。根据指定的节假日发生日期，进行历史数据的选取；前推、后推进行预测时间范围的设定。系统中提供的“节假日设置”。
2.2映射数据库的设计
由于各个特征量的量纲各不相同，因此需要把不同量纲的值通过无量纲化处理，映射到特定的区间，使各个量之间可以有数值上的可比性，从而方便相似度和差异度的定量计算。
2.2.1映射数据库的构成
需要考虑的特征量包括两类：
(1)原始定量指标：温度(最高温度，最低温度，平均温度等)，降雨量，风速，相对湿度等。
(2)化分类为定量的指标：日气象类型(阴，晴，多云，雨，雪，风等)，星期类型(周一，周二，......，周日等)，日期差(历史日与预测日相差天数， 1天，2天，等)，日分类(正常日，元旦，国庆，春节等)等。
当需要考虑新的特征量时，预测人员可自行加入。建立指标映射数据库如下表。
表1指标映射数据库
2.2.2原始定量指标的映射
以最高温度为例。假设本地区高温阈值为30o和35o。则比如0o到30o之间可以采用线性映射，映射值有变化，但变化不大；而在30o到35o之间采用另外一组线性映射，映射值相互之间的差别比较明显；35o以上采用非线性映射，气温每增加一度，其映射值变化很大。低温区域类似。
若日最高温度为主导气象因素，则其映射区间可以超过[0，1]的区间限制，而对于非主导气象因素，则其映射区间应该限制在[0，1]区间之中。
2.2.3化分类为定量的指标的映射
如表1所做的示例。仅详细讨论以下两个指标：
(1)星期类型的映射
由于星期类型在短期负荷预测中是占主导作用的影响因素，故其映射区间可以映射到[0.1，3.2]的映射区间中，以加大星期因素的作用，且周一到周五的映射值很接近，而周六和周日比较接近，表明周一到周五是负荷类型相似的正常工作日，而周六和周日是休息日，这两组之间有比较大的差别，表明工作日和休息日之间的区别，从而在聚类分析的时候比较有利。
(2)日分类属性的映射
日分类属性在短期预测中的作用是很大的，特别对于重大节日以及重大节日左右的几天的影响比较大，如果不加考虑，必然会对预测结果产生比较大的影响，从而产生较大的预测误差。为了将正常日与节假日区别对待，更有利于节假日的负荷曲线的预测。
2.2.4映射数据库的修改
专门设计一个用户设置界面，供用户修改映射数据库。用户可以通过这个界面反复预测，反复修改映射数据库的值，摸索出适合本地区的映射关系，直到满意为止，则在以后的预测时，这个值就可以不变了，认为已经适合本地区的映射关系。当然在不断的预测中，各地区的负荷特性也是有可能改变的，虽然这种改变不是很剧烈，以后用户仍然可以根据负荷特性的变化来改变为更适应的映射关系。
若有新的气象因素指标，可以直接在数据库中加入，而不用修改计算程序，大大减轻了工作量，提高了程序的灵活性。
2.3映射数据库训练单元
由于跟负荷预测有关的各种相关因素的量纲不同，需要用映射数据库将各种相关因素标准化，这样方便统一处理。此外，映射数据库中各映射对的取值是否合理是否符合物理规律，直接关系到预测结果的准确与否，这需要用历史样本对其进行训练得到。训练过程就是从给定的初值出发，找到一个比较合理的新映射表，并给出在该映射表下对历史数据拟合的精度。同时映射数据库也是模式识别和相似度外推方法的基础。
2.4自适应训练单元
对于不同的地区和不同的季节，由于电网条件不同，使用不同的预测方法，才可以够获得更好的预测结果。为了使选择的预测方法更适应具体地区和单位，可以进行自适应训练。
2.5正常日预测单元
使用正常日预测算法进行预测，算法只使用当年的数据，方法包括相似日负荷加权法，相关因素分量加权法，重叠曲线法等。
用户也可以不用设置参数，我们为预测提供了一套默认的经过优化的参数。
所有的参数设置完成后，点击【预测】按钮，根据网络情况和所选方法的数目，经过几秒种到几十秒的等待，将出现预测结果界面(如果预测没有成功，会提示失败原因)；
点击信息文件，将预测算法过程中记录的信息文件打开，信息文件详细的记录了使用预测方法进行预测的过程。
2.6节假日预测单元
使用节假日预测算法进行预测，算法需要使用往年的数据，并且需要确定是阳历节日和阴历节日。方法包括节假日同时负荷回归法，节假日倍比平滑法等。
2.7综合预测单元
2.7.1基本思路
虚拟预测策略
在中长期预测中，一般都是以序列的拟合为前提进行未来时刻的预测的，由于在预测未来的同时，对历史时刻做出了拟合，故可以以拟合效果的评价得到预测时该方法应取的权重。而在短期预测中，许多方法失去了这种拟合特性。
因此，首先提出一种“虚拟预测”策略。其思路是：对历史日的负荷进行假定的预测(即虚拟预测)，其预测的结果认为是历史日的拟合结果，从而可以按拟合的效果作出各个单一方法的权重的判断。
虚拟预测结果
首先，针对短期负荷预测给出如下定义。
对历史上的若干天，取近期n天的数据作为预测样本集。已知条件为：历史上各日的特征量(即相关因素的取值，假设共有m个待考虑的因素)xik(i＝1， 2，…，n；k＝1，2，…，m)与负荷lit(i＝1，2，…，n；t＝1，2，…，T)。这里T 为每日的负荷采样点数，xik已经是量化值，并且做了映射变换。已知待预测日的特征量为x0k(k＝1，2，…，m)。已经用q种方法对待预测日的负荷作了预测，设其中第j种预测方法对待预测日的预测结果为
规定i为日下标，t为时刻下标，j为预测方法下标，k为相关因素下标，其下限均为1，上限依次是n，T，q，m。
定义1虚拟预测结果
在上述已知条件下，使用q种方法利用第i日的前n天的数据对第i日进行假定的预测，得到预测结果为则称这一结果为q种方法对第i日的虚拟预测结果。
2.7.2综合预测模型
可以构造以下两种综合预测模型。
综合方式之一：
综合方式之一各权重的选定只依赖于方法，不依赖于各日各点。当确定了各种方法在综合模型中的权重后，在每个点均取这一权重进行加权。
使虚拟预测的综合结果与实际负荷数据的差别达到最小的模型为综合最优预测模型。满足：
w(j)≥0(j＝1，2，...，q)
即追求虚拟预测残差平方和的最小化。
综合方式之二：
按各点分别建立综合模型，于是权重应该是即各种方法的预测结果在每个时刻的权重均不同。
同样，使虚拟预测的综合结果与实际负荷数据的差别达到最小的模型为综合最优预测模型。考虑同时取决于预测方法和时刻的情况，则t时刻的满足：
2.7.3功能介绍
使用多个算法预测时，在算法内部进行的前几天的虚拟预测的基础上，系统自动进行综合模型计算，得到一个综合的结果。
2.8预测方法结果查询比较单元
系统可对不同预测方法的结果进行查询对比，也可选择某一预测方法的结果直接上报。
可以根据系统负荷、交换计划、母线负荷总加之间的关系分析，对系统负荷预测、下级调度系统负荷预测总加、母线负荷预测总加进行相互校验和自动修正
2.9分区负荷预测汇总单元
地调数据申报完成后，上级单位可按照一定规则汇总生成全网负荷预测，并可选择该汇总曲线保存上报。
2.10预测结果修正上报单元
预测结果数据的手工上报，可通过历史预测数据或相似日负荷数据进行人工修正生成最终上报数据。
修正方式支持：曲线拖动，批量增加和减少，倍数放大等多种技术手段。
可以直接选择某日某段实际曲线当作预测曲线。
2.11文本生成单元
预测负荷在上报以后，可以生成“统调负荷”、“全网负荷”、“下载”文本文件。
2.12日志记录单元
选择关注日志的单位、时间，进行查询，可以在查询选项中，选择关注日志的内容。
2.13特殊事件定义单元
对于拉闸限电和有序用电等特殊事件，可以通过特殊事件定义设置功能将此信息录入到系统汇总，方便对预测结果进行二次校正。
3.负荷分析模块
3.1日负荷特性指标
日最大(小)负荷：每日负荷最大(小)值。
日平均负荷：日电量除以24或每日负荷的平均值。
日负荷率：日平均负荷与日最大负荷百分比值。
日最小负荷率：日最小负荷与日最大负荷比值。
日负荷曲线；每日24点或96点构成的连续的曲线。
日峰谷差：最大负荷与日最小负荷的差。
日峰谷差率：日峰谷差/日最大负荷。
持续负荷曲线。某时段点负荷趋势。日电量分析。负荷特性趋势。
依据单位、起止时间，和所钩选的负荷特性指标，以表、图的形式展现，便于用户分析。选择最大负荷，最小负荷，平均负荷三个指标。
3.2月负荷特性指标
月最大(小)负荷：每月最大(小)负荷日的最大(小)负荷。
月平均日负荷：每月日平均负荷的平均值。
月平均日负荷率：每月日负荷率的平均值。
月负荷率：又称月不均衡率，平均日电量与最大日电量的比值。
月最小负荷率：每月日最小负荷率的最小值。
月最大日负荷率；每月的日负荷率的最大值。
月最小日负荷率；每月的日负荷率的最小值。
月最大(小)峰谷差：每月日峰谷差的最大(小)值。
月最大(小)峰谷差率：每月日峰谷差率的最大(小)值。
月平均日峰谷差：每月日峰谷差的平均值。
月平均日峰谷差率：每月日峰谷差率的平均值。
月不均衡负荷率：月电量/最大负荷日电量计算的月电量。
页面设计基本同日负荷特性分析。
3.3年(季)负荷特性指标
年(季)最大(小)负荷：全年(季)各月最大(小)负荷的最大(小) 值。
年(季)平均日负荷：全年(季)月平均日负荷的平均值。
年(季)平均日负荷率：全年(季)月平均日负荷率的平均值。
年(季)平均月负荷率：全年(季)各月平均负荷之和与各月最大负荷日平均负荷之和的比值。
年(季)最大(小)日负荷率。
季负荷率：又称季不均衡系数，全季各月最大负荷日的最大负荷之和的平均值与季最大负荷的比值。
年(季)负荷率：全年(季)平均小时电量与年最大负荷的比值。
最小负荷率：全年(季)日最小负荷率的最小值。
年(季)最大(小)峰谷差：年(季)日峰谷差的最大(小)值。
年(季)最大(小)峰谷差率：全年(季)日峰谷差率的最大(小)值。
年(季)平均日峰谷差：全年(季)日峰谷差的平均值。
年(季)平均日峰谷差率：全年(季)日峰谷差率的平均值。
年最大负荷利用小时数：年用电量与年最大负荷的比值。
年持续负荷曲线：按全年中系统负荷的数值大小及其持续小时数顺序绘制的曲线。
年负荷曲线：按全年中逐月最大负荷绘制的曲线。
年(季)生产均衡率：各月最高负荷之和/(最大月最高负荷*12(3))。
页面设计基本同日负荷特性分析。
3.4月典型日负荷曲线指标
月工作日负荷曲线：取每月中间十天工作日(去除周六、周日、节假日) 的平均值构成的日负荷曲线。
月周六日负荷曲线：取每月所有周六的平均值构成的日负荷曲线。
月周日日负荷曲线：取每月所有周日的平均值构成的日负荷曲线。
月最大电量日负荷曲线。月最小电量日负荷曲线。月最大负荷日负荷曲线。月最小负荷日负荷曲线。月最大峰谷差日负荷曲线。月最小峰谷差日负荷曲线。
3.5节日负荷曲线
每个节日所有天数的各点负荷的平均值构成了节日负荷曲线。包括：
春节日负荷曲线。元旦日负荷曲线。五一日负荷曲线。十一日负荷曲线。元宵节日负荷曲线。中秋节日负荷曲线。页面设计基本同日负荷特性分析。
3.6负荷其它相关特性分析
系统能够对历史上负荷数据与气象数据等因素的相关性分析，得到相关分析结果，研究天气变化等因素对负荷的影响，量化分析其影响程度。
将一段时间的负荷数据进行分解和成分分析，提取其中可规律性建模的成分和波动性成分，从而确定此段历史数据的规律性和可预测性，评估预测的可能精度，为后续预测流程的方法选择和预测精度预评估提供参考。主要功能有：
最高、最低稳定度指标计算与分析。
负荷一段时间内(大于2周)的日分量、周分量、高频分量和低频分量的曲线图及数据。
3.7负荷稳定度分析单元
3.7.1负荷时间序列的傅立叶分解
在自然界中，任何一个复杂的波形都可以看成是由频率为基波整数倍的简谐振动合成的。以时间t为横坐标，以位移x为纵坐标的坐标系称为时域，而以频率为横坐标，振幅为纵坐标的坐标系称为频域。某一个波形由时域或由频域表示各有其特点，在时域中可以看到完整的波形，在频域中可以很快分辨出组成这一波形的谐波特征。根据研究问题的不同，可以选择感兴趣的频率波形进行研究。
傅立叶分解的实质就是用一系列不同频率的正弦项和余弦项之和来逼近原曲线，当谐波次数很多的时候可以近似认为逼近没有误差。对离散时间序列{Xt} 可作如下有限傅立叶分解：
其中，N为离散时间序列{Xt}中时间点的总数目。这里cit＝cos(2πfit)， sit＝sin(2πfit)，fi＝i/N是基频1/N的第i次谐波。系数对{ai,bi}由下式求得：
傅立叶系数正是表征各频率分量的振荡幅值与相角。
电力负荷具有特殊的周期性，即负荷以天、周、年为周期发生波动，大周期中嵌套小周期。从频域的观点来看，就是电力负荷序列的能量相对集中于一些频段。用上述这种方法就可以将负荷P(t)的变化分解成角频率为2π/N， 4π/N，……，π的分量。
然后依据负荷变化周期性的特点，将式中的分量重新组合为5个分量，有
P(t)＝a0+D(t)+W(t)+L(t)+H(t)
式中，a0为常值分量；D(t)、W(t)、L(t)、H(t)为若干谐波分量的组合。
a0+D(t)称为负荷的日周期分量；W(t)称为周周期分量；L(t)称为低频分量； H(t)称为高频分量。这里所说的日周期、周周期、低频和高频，并不是从纯粹频域的角度而言的，它是从负荷序列周期变化规律的角度而言的。
假若给定的负荷数据是14天的，则N＝14×96＝1344。D(t)是以24h为周期变化的分量，当负荷序列以96点给出时，其周期T即为96，谐波次数i＝N/T，因其是从负荷变化角度而言的，所以它并不是只包含次数为14的谐波分量，而应提取出周期为96、96/2、……的各次谐波将其叠加。W(t)的周期为7×96，谐波次数i＝N/T，因是从负荷变化角度而言的，所以它并不是只包含次数为2的谐波分量，而应提取出周期为96×7、96×7/2、……、96×7/6(周期小于96 的谐波应属于高频分量，即不包含在周周期分量中)的各次谐波将其叠加，原理同日周期分量类似。
在P(t)中扣除a0+D(t)及W(t)之后，剩余分量为L(t)和H(t)。L(t)为周期大于 96的分量的总和，它的曲线变化相对较平缓，它与气象等变化相关因素有关。从P(t)中扣除以上各分量之后就得到H(t)，它是剩余分量中的高频分量的总和，可将它理解为体现了负荷的随机变化。
3.7.2合理预测精度
负荷预测的精度不完全由算法决定，负荷样本的规律性决定了负荷预测所能达到的精度上限。通过算法的改进能使预测精度逐渐趋近这个精度上限，而无法超越它。
由以上对负荷序列的傅立叶分解可知：
1.日周期分量和周周期分量是正常负荷分量，具有很强的规律性，通过简单的直接外推即可求出。它们均属于可预测部分，若负荷预测软件不能准确的预测这两部分的分量，则说明其使用的算法不合理，尚有改进的余地。
2.高频分量反映了电力负荷的随机波动，因此对高频分量的预测难以保证其准确度。河南省某时期高频分量的频数直方图，经验证，高频分量的概率分布基本上是正态的，均值为0。高频分量属于不可预测部分，电力负荷中高频分量比重的大小决定了其负荷预测精度上限的高低，高频分量比重越大则预测精度的上限就越低。
设原始负荷序列为X(i)(i＝1，2，……，N)，分离出来的高频分量负荷序列为H(i)，则预测精度上限为：
高频分量周期小于96，反映的是负荷的随机波动，是属于不可预测的部分，若负荷预测方法能够准确预测除了高频分量以外其他所有分量，则精度已经达到负荷预测所能够达到的上限。
3.低频分量中各分量变化的周期大于24h，它包含了相关因素对负荷的影响，其中主要的影响因素是气象因素，对其进行建模通常会提高负荷预测的精度。但是低频分量的预测精度很大程度上取决于负荷受气象因素影响规律性的强弱及气象预报的精度，属于部分可预测分量。一套合格的负荷预测系统，其预测能力的最低限度是要能够准确预测电网负荷中除低频分量和高频分量以外的部分。
设分离出来的低频分量负荷序列为L(i)，则预测精度的下限为：
应该说，负荷中扣除高频分量和低频分量以后是非常有规律的，负荷预测方法应该能够准确预测，所以这是预测精度应该达到的下限。
以上求出的精度上限反映了历史负荷序列中高频分量所占的比重；而精度下限反映了历史负荷序列中高频分量与低频分量之和所占的比重。它们反映的均为建模误差，由于实际预测误差除了建模误差外，还包括外推误差，因此合理的预测精度应在预测上限和下限之间，视负荷受气象因素影响规律性的强弱及气象预报的精度而定。
实际运用中，可以对几段负荷序列的预测精度上下限取均值作为分析的依据。
负荷变化的规律性因地区而异，也随时间变化，且时空差异都可能很显著。因此，不管负荷变化规律性和难易程度的差异，统一规定负荷预测的精度要求并不一定能够反映实际预测的好坏。运用建模误差的概念，采用以上方法可以通过对赖以建模的负荷数据的分析，估计负荷预测准确率的上下限，不仅可以用来客观地评价负荷预测方法的优劣，还可以根据不同的负荷规律性确定切实可行的负荷预测精度要求。
3.8气象分析单元
3.8.1气象统计
选择单位、时间，点击“查询”按钮，查询出这个月份的气象数据表。
3.8.2气象相关性分析
选择单位、时间，点击“查询”按钮，查询出这个月份的数据表，以及月度气温负荷分析曲线图。
4.负荷预测考核模块
4.1免考单元
4.1.1免考申请
个别地区由于一些原因，历史负荷发生突变。在预测时，可能会影响准确率。可进行免考申请。
4.1.2免考审批
上级部门可以对某地区的免考申请，做删除、审批等操作
管理人员可以根据时间条件、电网和审批状态进行信息的查询。
“删除”将该条免考申请进行删除。
“审批”对下级用户申请免考的内容进行批准、不批准的操作。
4.2时段点准确率查询单元
4.2.1时段点查询
根据设定的单位和日期，查询当日各个时段点预测负荷的预测准确率。做预测负荷曲线和历史实际发生负荷曲线的对比曲线图。列表显示各个时段点的逐点准确率，最后给出当日的平均准确率。
各点的准确率计算公式为：
Rate[n]＝1-abs(Fc[n]-His[n])/(His[n])
备注：Rate[n]：n点的准确率；Fc[n]：n点的负荷预测值；His[n]：n 点的历史负荷值；Abs：绝对值；平均准确率为各点准确率的算术平均值。
时段点准确率不考虑免考，采用独立的计算逻辑。免考核设置不影响准确率。
选择单位、时间，查询出96点的时段点准确率及预测及实际曲线。便于分析每个点的误差。
该功能同时可查询预测时的备注信息及相关因素信息。
4.3多日准确率统计单元
4.3.1算法
根据选定的时间范围，计算对应时间范围内的准确率或对准确率进行排名。所有结果都是实时计算的结果，每次查询，每次刷新排序，均重新计算。
多日、月、季、年的准确率计算和免考设定关联，基本逻辑是这样的：如果当天设为全天免考，则该天不计算准确率，与当天没有历史数据的情况等同；如果当天设为时段点免考，则刨除免考时段点计算准确率，其它逻辑相同。
最高最低准确率的计算逻辑和免考设定的关联逻辑如下：如果当天设为全天免考，则不计算最高最低准确率；如果当天设为时段点免考，则对历史数据和预测提交结果都预先刨除免考时段点，然后再进行最高最低准确率的计算。
传送率的计算和免考无关。
合格率依据考虑免考因素后的准确率进行计算。
4.3.2准确率查询
查询时间段的日准确率，以及这些天的平均准确率、合格率、传送率。
4.3.3准确率排名
选择起止日期，将各个下属单位的这个时间段的平均准确率做排名，以及可对去年同期的准确率做对比分析。
4.3.4最高最低准确率查询
选择单位和起止日期，统计所选单位在该时间段每日预测中最高、最低负荷，与该天的历史最高、最低负荷做分析。以及可以总结出这些天的平均准确率、合格率。
4.3.5最高最低准确率排名
依据所选择的时间段统计出的日最高、最低准确率，做各个下属单位的准确率排名。
4.4月准确率统计单元
根据设定的单位和日期，查询当日各个时段点预测负荷的预测准确率。做预测负荷曲线和历史实际发生负荷曲线的对比曲线图。列表显示各个时段点的逐点准确率，最后给出当日的平均准确率。
各点的准确率计算公式为：
Rate[n]＝1-abs(Fc[n]-His[n])/(His[n])
备注：Rate[n]：n点的准确率；Fc[n]：n点的负荷预测值；
His[n]：n点的历史负荷值；Abs：绝对值；平均准确率为各点准确率的算术平均值。
时段点准确率不考虑免考，采用独立的计算逻辑。免考核设置不影响准确率。
4.4.1月准确率查询
功能同多日准确率查询功能；月准确率排名；月最高最低准确率查询；月最高最低准确率排名。
4.5季准确率统计单元
季准确率查询；季准确率排名；季最高最低准确率查询；季最高最低准确率排名。
4.6年准确率统计单元
年准确率查询；年准确率排名；年最高最低准确率查询；年最高最低准确率排名。
5.数据交换管理模块
实现地和县调度预测数据的定时、限时逐级上报功能。系统管理员对修改和申报时限可进行调整和设置
5.1上报时限设置单元
设置负荷修正上报期限，选择是否进行上报时间检查，标记表示进行检查，可以选择单位和上报时间最晚期限，点【确定】按钮表示确认时间检查操作。
5.2准确率指标设定单元
根据各个地区的预测准确率的要求不同，上级部门可以在“准确率指标”中，设置每个地区的准确率指标，设置完成后点击“保存设定”按钮。
5.3县调上报地调数据单元
根据地调要求，每日上午10：00前上报次日(0：15～24：00)的96点预测数据和最高、最低预测值和出现时间，每日16：00前可进行修改上报，16： 00后所有上报数据将自动锁定，时间节点可维护。
县调申报的数据项主要包括：
县调各产业负荷数据申报(按周)；县调气象数据申报；小火电开停申报，包括开机计划申报；大工业负荷变化申报；前一日预测偏差原因申报(偏差大)；
县调数据申报不完整或未按时申报，地调向县调系统发布报警提醒信息，并能够统计各类申报数据的申报率。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于电力系统的负荷预测管理系统，其特征在于，包括：
管理模块，用于管理基础信息数据的管理模块；
负荷分析模块，用于负荷相关特性分析；
负荷预测模块，用于支持多预测模式对比分析和智能选择；
负荷预测考核模块，用于统计分析负荷预测准确率；
数据交换管理模块，用于调度预测数据的定时、限时逐级上报。
2.如权利要求1所述的基于电力系统的负荷预测管理系统，其特征在于，所述管理模块包括用于基础数据的自动化收集工作的数据接口，用于对基础数据和统计分析的信息维护单元和用于将存储数据自动统计的信息统计单元；
所述负荷预测模块包括节假日设置单元、映射数据库、映射数据库训练单元、自适应训练单元、正常日预测单元、节假日预测单元、综合预测单元、预测方法结果查询比较单元、分区负荷预测汇总单元、预测结果修正上报单元、文本生成单元、日志记录单元和特殊事件定义单元；
所述负荷分析模块包括日负荷特性指标单元、月负荷特性指标单元、年/季负荷特性指标单元、月典型日负荷曲线单元、节日负荷曲线单元、负荷其它相关特性分析单元、负荷稳定度分析单元和气象分析单元；
所述负荷预测考核模块包括免考单元、时段点准确率查询单元、多日准确率统计单元、月准确率统计单元、季准确率统计单元和年准确率统计单元；
所述数据交换管理模块包括上报时限设置单元、准确率指标设定单元和县调上报地调数据单元。
3.如权利要求2所述的基于电力系统的负荷预测管理系统，其特征在于，所述负荷预测模块包括短期预测单元和中长期预测单元；
所述短期预测单元包括自动启动和人工启动两种工作模式；
所述节假日设置单元将短期预测分为节假日预测和非节假日预测；所述节假日用于正常日预测时筛选历史数据，正常日预测时，定义为节假日的日期，跳过该日期，顺延取用对应的历史数据作为预测依据；
所述中长期预测单元用于对历史日的负荷进行虚拟预测，其预测的结果为历史日的拟合结果，从而按拟合的效果作出各个单一方法的权重的判断。
4.如权利要求3所述的基于电力系统的负荷预测管理系统，其特征在于，所述映射数据库根据原始定量指标的映射、化分类为定量的指标的映射和用户设置界面构成；
所述映射数据库用于存储特征量，所述特征量包括特征量名称、特征量描述、映射前取值和映射后取值。
5.如权利要求4所述的基于电力系统的负荷预测管理系统，其特征在于，采集所述特征量采用原始定量指标的映射和化分类为定量的指标的映射为依据；所述原始定量指标的映射为若日最高温度为主导气象因素，则其映射区间可超过[0，1]的区间限制，而对于非主导气象因素，则其映射区间限制在[0，1]区间之中；
所述化分类为定量的指标的映射包括星期类型的映射和/或日分类属性的映射；所述星期类型的映射其映射区间映射到[0.1，3.2]的映射区间中；
所述用户设置界面用于根据用户需求，修改映射数据库。
6.如权利要求5所述的基于电力系统的负荷预测管理系统，其特征在于，所述映射数据库训练单元用于从映射数据库的初值出发，建立新映射表，并给出在该映射表下对历史数据拟合的精度；
所述自适应训练单元用于根据不同的地区和单位选择预测方法进行自适应训练；
所述正常日预测单元包括根据网络情况和所选方法的数目，将预测结果界面推送显示预测的执行情况；
所述预测方法结果查询比较单元用于根据系统负荷、交换计划、母线负荷总加之间的关系分析，对系统负荷预测、下级调度系统负荷预测总加、母线负荷预测总加进行相互校验和自动修正；
所述分区负荷预测汇总单元用于上级单位根据地调数据申报完成后，按照规则汇总生成全网负荷预测，并选择该汇总曲线保存上报；
所述预测结果修正上报单元可通过历史预测数据或相似日负荷数据进行人工修正生成上报数据；
所述文本生成单元生成统调负荷、全网负荷和下载文本文件；
所述日志记录单元可选择关注日志的单位、时间，进行查询，可以在查询选项中，选择关注日志的内容；
所述特殊事件定义单元对于拉闸限电和有序用电的特殊事件，通过特殊事件定义设置功能将此信息录入到系统汇总，对预测结果进行二次校正。
7.如权利要求2所述的基于电力系统的负荷预测管理系统，其特征在于，所述日负荷特性指标单元包括日最大/小负荷、日平均负荷、日负荷率、日最小负荷率、日负荷曲线、日峰谷差、日峰谷差率、持续负荷曲线、某时段点负荷趋势、日电量分析和负荷特性趋势；
所述月负荷特性指标单元包括月最大/小负荷、月平均日负荷、月平均日负荷率、月负荷率、月最小负荷率、月最大日负荷率、月最小日负荷率、月最大/小峰谷差、月最大/小峰谷差率、月平均日峰谷差、月平均日峰谷差率和月不均衡负荷率；
所述年/季负荷特性指标单元包括年/季最大/小负荷、年/季平均日负荷、年/季平均日负荷率、年/季平均月负荷率、年/季大/小日负荷率、季负荷率、年/季负荷率、最小负荷率、年/季大/小峰谷差、年/季大/小峰谷差率、年/季平均日峰谷差、年/季平均日峰谷差率、年最大负荷利用小时数、年持续负荷曲线、年负荷曲线和年/季生产均衡率；
所述月典型日负荷曲线单元包括月工作日负荷曲线、月周六日负荷曲线、月周日日负荷曲线、月最大电量日负荷曲线、月最小电量日负荷曲线、月最大负荷日负荷曲线、月最小负荷日负荷曲线、月最大峰谷差日负荷曲线和月最小峰谷差日负荷曲线；
所述节日负荷曲线单元包括春节日负荷曲线、元旦日负荷曲线、五一日负荷曲线、十一日负荷曲线、元宵节日负荷曲线和中秋节日负荷曲线；
所述气象分析单元包括选择单位、时间，查询出这个月份的气象数据表气象统计单元；和选择单位、时间，查询出这个月份的数据表，以及月度气温负荷分析曲线图气象相关性分析单元。
8.如权利要求2所述的基于电力系统的负荷预测管理系统，其特征在于，所述免考单元包括个别地区原因，历史负荷发生突变，在预测时会影响准确率，进行的免考申请，和管理人员根据时间条件、电网和免考申请审批状态进行信息的查询；
所述时段点准确率查询单元用于根据设定的单位和日期，查询当日各个时段点预测负荷的预测准确率，做预测负荷曲线和历史实际发生负荷曲线的对比曲线图，列表显示各个时段点的逐点准确率，给出当日的平均准确率；
所述多日准确率统计单元用于根据选定的时间范围，计算对应时间范围内的准确率或对准确率进行排名；
所述月准确率统计单元包括月准确率排名、月最高最低准确率查询和月最高最低准确率排名；
所述季准确率统计单元包括季准确率查询、季准确率排名、季最高最低准确率查询和季最高最低准确率排名；
所述年准确率统计单元包括年准确率查询、年准确率排名、年最高最低准确率查询和年最高最低准确率排名。
9.如权利要求2所述的基于电力系统的负荷预测管理系统，其特征在于，所述上报时限设置单元用于设置负荷修正上报期限，选择是否进行上报时间检查、标记表示进行检查、选择单位和上报时间最晚期限进行检查操作；
所述准确率指标设定单元用于根据各个地区的预测准确率的要求，设置每个地区的准确率指标；
所述县调上报地调数据单元包括县调各产业负荷数据申报、县调气象数据申报、小火电开停申报、大工业负荷变化申报和前一日预测偏差原因申报。
10.如权利要求2所述的基于电力系统的负荷预测管理系统，其特征在于，所述数据接口包括基于数据服务总线方式接口、基于数据文件方式接口、基于数据库访问方式接口、基于专用通信中间件方式接口、基于数据传输系统接口和基于FTP文件下载解析方式接口。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810628746.5A CN108898246A (zh) | 2018-06-19 | 2018-06-19 | 一种基于电力系统的负荷预测管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810628746.5A CN108898246A (zh) | 2018-06-19 | 2018-06-19 | 一种基于电力系统的负荷预测管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108898246A true CN108898246A (zh) | 2018-11-27 |
Family
ID=64345028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810628746.5A Pending CN108898246A (zh) | 2018-06-19 | 2018-06-19 | 一种基于电力系统的负荷预测管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898246A (zh) |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657884A (zh) * | 2019-02-15 | 2019-04-19 | 广东电网有限责任公司 | 电网供电优化方法、装置、设备和计算机可读存储介质 |
| CN109816145A (zh) * | 2018-12-21 | 2019-05-28 | 国网上海市电力公司 | 一种供电负荷管理用数据平台 |
| CN110210679A (zh) * | 2019-06-10 | 2019-09-06 | 国家电网有限公司 | 一种应用于县级配电网规划的负荷预测系统 |
| CN110489893A (zh) * | 2019-08-23 | 2019-11-22 | 国网山东省电力公司莱芜供电公司 | 一种基于可变权值的母线负荷预测方法及系统 |
| CN110518578A (zh) * | 2019-08-08 | 2019-11-29 | 中国南方电网有限责任公司 | 一种母线负荷预测的方法、装置、终端设备及存储介质 |
| CN110796567A (zh) * | 2019-11-08 | 2020-02-14 | 上海电力大学 | 一种基于调控云的生产早报应用框架 |
| CN111553529A (zh) * | 2020-04-27 | 2020-08-18 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
| CN111814112A (zh) * | 2020-06-03 | 2020-10-23 | 新奥数能科技有限公司 | 电力负荷预测方法、装置、可读介质及电子设备 |
| CN112149882A (zh) * | 2020-09-04 | 2020-12-29 | 深圳供电局有限公司 | 一种电网中长期负荷预测管理系统 |
| CN112149965A (zh) * | 2020-09-04 | 2020-12-29 | 深圳供电局有限公司 | 一种节能发电调度支持系统 |
| CN112288159A (zh) * | 2020-10-28 | 2021-01-29 | 施耐德电气（中国）有限公司 | 一种用电场所节能潜力的预估方法和装置 |
| CN112288496A (zh) * | 2020-11-18 | 2021-01-29 | 国网湖南省电力有限公司 | 电力行业负荷分类计算方法及其跟踪分析方法 |
| CN112465266A (zh) * | 2020-12-14 | 2021-03-09 | 中国南方电网有限责任公司 | 一种母线负荷预测准确率分析方法、装置及计算机设备 |
| 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 |
| CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
| CN113256016A (zh) * | 2021-06-04 | 2021-08-13 | 广东电网有限责任公司珠海供电局 | 基于虚拟电厂运营的负荷预测方法及系统 |
| CN113379305A (zh) * | 2021-06-30 | 2021-09-10 | 国家电网有限公司客户服务中心 | 一种基于电力系统微场景的智能信息交互方法和系统 |
| CN113484689A (zh) * | 2021-07-22 | 2021-10-08 | 云南电网有限责任公司昆明供电局 | 基于馈线电流骤减度和开关负荷占比概率密度的配网故障研判方法及系统 |
| CN113568937A (zh) * | 2021-08-03 | 2021-10-29 | 贵州电网有限责任公司 | 一种基于vee流程的电量拟合方法 |
| CN113614460A (zh) * | 2019-03-29 | 2021-11-05 | 亿可能源科技（上海）有限公司 | 空调系统的管理方法、控制方法及系统、存储介质 |
| CN114581263A (zh) * | 2022-03-03 | 2022-06-03 | 广东电网有限责任公司 | 一种电网负荷分析方法、装置、电子设备及存储介质 |
| CN114925940A (zh) * | 2022-07-20 | 2022-08-19 | 广东电网有限责任公司佛山供电局 | 一种基于负荷分解的节假日负荷预测方法及系统 |
| CN114936683A (zh) * | 2022-05-11 | 2022-08-23 | 国网宁夏电力有限公司银川供电公司 | 电网母线负荷分析与预测考核管理方法、装置及系统 |
| CN114997479A (zh) * | 2022-05-24 | 2022-09-02 | 广东电力交易中心有限责任公司 | 一种负荷预测方法、装置、移动终端及存储介质 |
| CN115994679A (zh) * | 2023-03-24 | 2023-04-21 | 国网山东省电力公司青岛供电公司 | 一种基于负荷预测修正的区域电网主动规划方法及系统 |
| CN116151129A (zh) * | 2023-04-18 | 2023-05-23 | 石家庄科林电气股份有限公司 | 一种基于极限学习机的电力调度系统故障诊断方法 |
| CN110826795B (zh) * | 2019-10-31 | 2023-06-09 | 国网辽宁省电力有限公司经济技术研究院 | 极端温度气象日母线日前负荷预测方法 |
| CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
| CN117439100A (zh) * | 2023-12-20 | 2024-01-23 | 国网山东省电力公司电力科学研究院 | 一种用于煤电机组的上网电负荷调节方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130066680A1 (en) * | 2006-10-04 | 2013-03-14 | Salesforce.Com, Inc | Method and system for selecting a synchronous or asynchronous process to determine a forecast |
| CN103325066A (zh) * | 2012-03-21 | 2013-09-25 | 辽宁省电力有限公司营口供电公司 | 一种电网负荷预测管理系统 |
-
2018
- 2018-06-19 CN CN201810628746.5A patent/CN108898246A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130066680A1 (en) * | 2006-10-04 | 2013-03-14 | Salesforce.Com, Inc | Method and system for selecting a synchronous or asynchronous process to determine a forecast |
| CN103325066A (zh) * | 2012-03-21 | 2013-09-25 | 辽宁省电力有限公司营口供电公司 | 一种电网负荷预测管理系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张健: "网负荷预测分析与管理于一体的研究和实践", 《中国优秀硕士学位论文全文数据库（电子期刊） 工程科技II辑》 * |
| 杨晓涛: "电力短期负荷预测管理系统的设计与实现", 《中国优秀硕士学位论文全文数据库（电子期刊） 信息科技辑》 * |
Cited By (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816145A (zh) * | 2018-12-21 | 2019-05-28 | 国网上海市电力公司 | 一种供电负荷管理用数据平台 |
| CN109657884A (zh) * | 2019-02-15 | 2019-04-19 | 广东电网有限责任公司 | 电网供电优化方法、装置、设备和计算机可读存储介质 |
| CN113614460A (zh) * | 2019-03-29 | 2021-11-05 | 亿可能源科技（上海）有限公司 | 空调系统的管理方法、控制方法及系统、存储介质 |
| CN110210679A (zh) * | 2019-06-10 | 2019-09-06 | 国家电网有限公司 | 一种应用于县级配电网规划的负荷预测系统 |
| CN110518578A (zh) * | 2019-08-08 | 2019-11-29 | 中国南方电网有限责任公司 | 一种母线负荷预测的方法、装置、终端设备及存储介质 |
| CN110489893A (zh) * | 2019-08-23 | 2019-11-22 | 国网山东省电力公司莱芜供电公司 | 一种基于可变权值的母线负荷预测方法及系统 |
| CN110826795B (zh) * | 2019-10-31 | 2023-06-09 | 国网辽宁省电力有限公司经济技术研究院 | 极端温度气象日母线日前负荷预测方法 |
| CN110796567A (zh) * | 2019-11-08 | 2020-02-14 | 上海电力大学 | 一种基于调控云的生产早报应用框架 |
| CN110796567B (zh) * | 2019-11-08 | 2023-12-05 | 上海电力大学 | 一种基于调控云的生产早报应用框架 |
| CN111553529A (zh) * | 2020-04-27 | 2020-08-18 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
| CN111553529B (zh) * | 2020-04-27 | 2023-02-17 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
| CN111814112B (zh) * | 2020-06-03 | 2022-12-27 | 新奥数能科技有限公司 | 电力负荷预测方法、装置、可读介质及电子设备 |
| CN111814112A (zh) * | 2020-06-03 | 2020-10-23 | 新奥数能科技有限公司 | 电力负荷预测方法、装置、可读介质及电子设备 |
| CN112149965A (zh) * | 2020-09-04 | 2020-12-29 | 深圳供电局有限公司 | 一种节能发电调度支持系统 |
| CN112149882A (zh) * | 2020-09-04 | 2020-12-29 | 深圳供电局有限公司 | 一种电网中长期负荷预测管理系统 |
| CN112288159A (zh) * | 2020-10-28 | 2021-01-29 | 施耐德电气（中国）有限公司 | 一种用电场所节能潜力的预估方法和装置 |
| CN112288496A (zh) * | 2020-11-18 | 2021-01-29 | 国网湖南省电力有限公司 | 电力行业负荷分类计算方法及其跟踪分析方法 |
| 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 |
| 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 |
| CN112465266A (zh) * | 2020-12-14 | 2021-03-09 | 中国南方电网有限责任公司 | 一种母线负荷预测准确率分析方法、装置及计算机设备 |
| CN112990587B (zh) * | 2021-03-24 | 2023-10-24 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
| CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
| CN113256016A (zh) * | 2021-06-04 | 2021-08-13 | 广东电网有限责任公司珠海供电局 | 基于虚拟电厂运营的负荷预测方法及系统 |
| CN113379305A (zh) * | 2021-06-30 | 2021-09-10 | 国家电网有限公司客户服务中心 | 一种基于电力系统微场景的智能信息交互方法和系统 |
| CN113484689A (zh) * | 2021-07-22 | 2021-10-08 | 云南电网有限责任公司昆明供电局 | 基于馈线电流骤减度和开关负荷占比概率密度的配网故障研判方法及系统 |
| CN113484689B (zh) * | 2021-07-22 | 2023-08-29 | 云南电网有限责任公司昆明供电局 | 基于负荷骤减度和开关负荷占比概率密度的配网故障研判方法及系统 |
| CN113568937A (zh) * | 2021-08-03 | 2021-10-29 | 贵州电网有限责任公司 | 一种基于vee流程的电量拟合方法 |
| CN114581263A (zh) * | 2022-03-03 | 2022-06-03 | 广东电网有限责任公司 | 一种电网负荷分析方法、装置、电子设备及存储介质 |
| CN114936683A (zh) * | 2022-05-11 | 2022-08-23 | 国网宁夏电力有限公司银川供电公司 | 电网母线负荷分析与预测考核管理方法、装置及系统 |
| CN114997479A (zh) * | 2022-05-24 | 2022-09-02 | 广东电力交易中心有限责任公司 | 一种负荷预测方法、装置、移动终端及存储介质 |
| CN114925940A (zh) * | 2022-07-20 | 2022-08-19 | 广东电网有限责任公司佛山供电局 | 一种基于负荷分解的节假日负荷预测方法及系统 |
| CN115994679A (zh) * | 2023-03-24 | 2023-04-21 | 国网山东省电力公司青岛供电公司 | 一种基于负荷预测修正的区域电网主动规划方法及系统 |
| CN116151129A (zh) * | 2023-04-18 | 2023-05-23 | 石家庄科林电气股份有限公司 | 一种基于极限学习机的电力调度系统故障诊断方法 |
| CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
| CN116646933B (zh) * | 2023-07-24 | 2023-10-10 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
| CN117439100A (zh) * | 2023-12-20 | 2024-01-23 | 国网山东省电力公司电力科学研究院 | 一种用于煤电机组的上网电负荷调节方法 |
| CN117439100B (zh) * | 2023-12-20 | 2024-03-22 | 国网山东省电力公司电力科学研究院 | 一种用于煤电机组的上网电负荷调节方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898246A (zh) | 一种基于电力系统的负荷预测管理系统 | |
| US11398000B2 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
| CN107256443B (zh) | 基于业务和数据集成的线损实时计算方法 | |
| Goude et al. | Local short and middle term electricity load forecasting with semi-parametric additive models | |
| Dvorkin et al. | Assessing flexibility requirements in power systems | |
| CN106570581B (zh) | 能源互联网环境下基于属性关联的负荷预测系统及其方法 | |
| JP5985861B2 (ja) | エネルギー利用分析システムおよび方法 | |
| US8260468B2 (en) | Aggregator, monitor, and manager of distributed demand response | |
| US20120166616A1 (en) | System and method for energy performance management | |
| CN105184455A (zh) | 一种面向城市电力数据分析的高维可视化分析方法 | |
| CN102982387A (zh) | 一种短期电力负荷预测方法 | |
| WO2013102932A2 (en) | System and method facilitating forecasting, optimization and visualization of energy data for an industry | |
| CN103580284A (zh) | 低压集抄系统 | |
| Munoz et al. | Short-term forecasting in power systems: a guided tour | |
| CN108475257A (zh) | 处理远程仪表读取数据以分析消耗量模式 | |
| Perçuku et al. | Big data and time series use in short term load forecasting in power transmission system | |
| CN202838402U (zh) | 一种短期电力负荷预测系统 | |
| CN112116251A (zh) | 一种用于调水的水利信息自动化统计系统 | |
| CN115934856A (zh) | 一种构造综合能源数据资产的方法和系统 | |
| CN111159154A (zh) | 一种能源数据仓库系统 | |
| Hou et al. | Big data and artificial intelligence application in energy field: a bibliometric analysis | |
| CN108154259B (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 | |
| CN107292413A (zh) | 基于大数据和信息融合的电力负荷分析预测系统 | |
| Ismail et al. | Machine Learning and Deep Learning Data-Driven Residential Load Multi-Level Forecasting with Univariate and Multivariate Time Series Models Towards Sustainable Smart Homes | |
| TW201319833A (zh) | 智慧電網之短期負載預測方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |