CN109063924A - 基于气象数据的配电网抢修工单数量预测方法 - Google Patents
基于气象数据的配电网抢修工单数量预测方法 Download PDFInfo
- Publication number
- CN109063924A CN109063924A CN201810960839.8A CN201810960839A CN109063924A CN 109063924 A CN109063924 A CN 109063924A CN 201810960839 A CN201810960839 A CN 201810960839A CN 109063924 A CN109063924 A CN 109063924A
- Authority
- CN
- China
- Prior art keywords
- work order
- power distribution
- distribution network
- data
- meteorological data
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000008439 repair process Effects 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000011002 quantification Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 241001123248 Arma Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (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
本发明公开了一种基于气象数据的配电网抢修工单数量预测方法,包括获取历史气象数据并量化处理;获取预测区域内与气象因素相关的配电网抢修工单数据及对应的地理位置数据;选取若干类历史气象数据作为预测模型的输入数据;根据获取的数据建立抢修工单数量神经网络预测模型、抢修工单数量时间序列预测模型和抢修工单数量平滑指数预测模型;得到最终的配电网抢修工单数量预测模型;对预测区域内的抢修工单数据进行预测。本发明利用基于气象敏感的预测模型对故障数量进行预测,同时采用最大信息熵原理对预测结果动态加权,使用多模型加权的方式提高了模型的预测精度,而且也实现了对配电网的抢修工单进行科学可靠的预测。
Description
技术领域
本发明具体涉及一种基于气象数据的配电网抢修工单数量预测方法。
背景技术
随着经济技术的发展和人们生活水平的提高,电能已经成为了人们生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。
配电网是指从输电网或地区发电厂接受电能,并通过配电设施就地分配或按电压逐级分配给各类用户的电力网。因此,配电网的可靠运行对于用户的可靠用电具有重要意义。
但是,配网供电可靠性受天气影响大,降雨、雷电、温度等都影响配网设备运行的可靠性。而且,配电网设备点多面广,设备质量参差不齐,受资金与配网规模限制无法将所有设备均纳入监测和监控范围。目前,对于配电网的抢修人员有限,“以抢代修”的配电网运维策略已难以满足要求。同时,由于无法对配电网的抢修工单进行预测,从而导致配电网运行时无法事先进行抢修人员的预备,从使得配电网抢修时人手不足,严重影响了配电网的安全可靠运行。
发明内容
本发明的目的在于提供一种能够对配电网的抢修工单进行科学可靠的预测的基于气象数据的配电网抢修工单数量预测方法。
本发明提供的这种基于气象数据的配电网抢修工单数量预测方法,包括如下步骤:
S1.获取预测区域内的历史气象数据,并对历史气象数据进行量化处理;
S2.获取预测区域内与气象因素相关的配电网抢修工单数据;
S3.获取预测区域内配电网抢修工单所对应的地理位置数据;
S4.在步骤S1获取的历史气象数据中,选取若干类历史气象数据作为预测模型的输入数据;
S5.根据步骤S2~S4获取的数据,建立抢修工单数量神经网络预测模型;
S6.根据步骤S2~S4获取的数据,建立抢修工单数量时间序列预测模型;
S7.根据步骤S2~S4获取的数据,建立抢修工单数量平滑指数预测模型;
S8.综合步骤S5~S7所建立的预测模型得到最终的配电网抢修工单数量预测模型;
S9.采用步骤S8得到的配电网抢修工单数量预测模型对预测区域内的抢修工单数据进行预测。
步骤S1所述的历史气象数据,具体包括最高温度、最低温度、白天天气、夜间天气、风速、风向和湿度等。
步骤S1所述的对历史气象数据进行量化处理,具体为将历史气象数据均进行归一化。
步骤S4所述的选取若干类历史气象数据作为预测模型的输入数据,具体为计算各类历史气象数据与配电网抢修工单数据之间的最大相关矩阵,并根据相关系数的大小,选取相关系数最大的若干类历史气象数据作为预测模型的输入数据。
步骤S5所述的抢修工单数量神经网络预测模型,具体为采用Elman神经网络作为抢修工单数量神经网络预测模型。
步骤S6所述的抢修工单数量时间序列预测模型,具体为采用自回归综合滑动平均模型作为抢修工单数量时间序列预测模型。
步骤S8所述的综合步骤S5~S7所建立的预测模型得到最终的配电网抢修工单数量预测模型,具体为采用最大信息熵原理对每种预测模型的结果进行加权计算,从而得到最终的配电网抢修工单数量预测模型。
本发明提供的这种基于气象数据的配电网抢修工单数量预测方法,利用基于气象敏感的预测模型对故障数量进行预测,同时采用最大信息熵原理对预测结果动态加权,使用多模型加权的方式提高了模型的预测精度,而且也实现了对配电网的抢修工单进行科学可靠的预测。
附图说明
图1为本发明方法的方法流程图。
具体实施方式
如图1所示为本发明方法的方法流程图:本发明提供的这种基于气象数据的配电网抢修工单数量预测方法,包括如下步骤:
S1.获取预测区域内的历史气象数据(具体包括最高温度、最低温度、白天天气、夜间天气、风速、风向和湿度等),并对历史气象数据进行归一化量化处理;
S2.获取预测区域内与气象因素相关的配电网抢修工单数据;
S3.获取预测区域内配电网抢修工单所对应的地理位置数据;
S4.在步骤S1获取的历史气象数据中,选取若干类历史气象数据作为预测模型的输入数据;在选择时,计算各类历史气象数据与配电网抢修工单数据之间的最大相关矩阵,并根据相关系数的大小,选取相关系数最大的若干类历史气象数据作为预测模型的输入数据;
S5.根据步骤S2~S4获取的数据,建立抢修工单数量神经网络预测模型(优选为Elman神经网络);
S6.根据步骤S2~S4获取的数据,建立抢修工单数量时间序列预测模型(优选为自回归综合滑动平均模型,ARMA);
S7.根据步骤S2~S4获取的数据,建立抢修工单数量平滑指数预测模型;
S8.综合步骤S5~S7所建立的预测模型得到最终的配电网抢修工单数量预测模型;具体为采用最大信息熵原理对每种预测模型的结果进行加权计算,从而得到最终的配电网抢修工单数量预测模型;
S9.采用步骤S8得到的配电网抢修工单数量预测模型对预测区域内的抢修工单数据进行预测。
以下,以实际数据说明本发明方法的效果:
采用H省的2017年4月1日至2017年4月6日的实际数据,对故障报修数进行预测,平滑指数模型、时间序列模型以及神经网络模型的预测结果见表1,表2为最大信息熵原理的权重值,表3为各预测模型的相对误差。
表1多模型预测值对比
日期 | 平滑指数法 | ARMA | 神经网络 | 加权值 | 实际值 |
4月1日 | 62 | 111 | 121 | 112 | 116 |
4月2日 | 89 | 102 | 110 | 100 | 98 |
4月3日 | 90 | 90 | 97 | 83 | 86 |
4月4日 | 91 | 112 | 120 | 122 | 126 |
4月5日 | 110 | 106 | 100 | 109 | 107 |
4月6日 | 111 | 100 | 134 | 108 | 107 |
表2权重值示意表
日期 | 平滑指数法权重 | ARMA权重 | 神经网络权重 |
4月1日 | 0.4215 | 0.4683 | 0.2862 |
4月2日 | 0.3495 | 0.3633 | 0.2928 |
4月3日 | 0.3435 | 0.3771 | 0.1875 |
4月4日 | 0.4956 | 0.4785 | 0.1953 |
4月5日 | 0.3867 | 0.4506 | 0.1911 |
4月6日 | 0.4755 | 0.4764 | 0.0573 |
表3各预测模型相对误差
日期 | 平滑指数法 | ARMA | 神经网络 | 本发明 |
4月1日 | 46.55% | 4.31% | 4.31% | 3.45% |
4月2日 | 9.18% | 4.08% | 12.24% | 2.04% |
4月3日 | 4.65% | 4.65% | 12.79% | 3.49% |
4月4日 | 27.78% | 11.11% | 4.76% | 3.17% |
4月5日 | 2.80% | 0.93% | 6.54% | 1.87% |
4月6日 | 3.74% | 6.54% | 25.23% | 0.93% |
从上述的表格可以看到,本发明方法可以提高预测精度,获得合理的预测期望值,具有较强的鲁棒性,预测相对误差3%左右。
Claims (7)
1.一种基于气象数据的配电网抢修工单数量预测方法,包括如下步骤:
S1.获取预测区域内的历史气象数据,并对历史气象数据进行量化处理;
S2.获取预测区域内与气象因素相关的配电网抢修工单数据;
S3.获取预测区域内配电网抢修工单所对应的地理位置数据;
S4.在步骤S1获取的历史气象数据中,选取若干类历史气象数据作为预测模型的输入数据;
S5.根据步骤S2~S4获取的数据,建立抢修工单数量神经网络预测模型;
S6.根据步骤S2~S4获取的数据,建立抢修工单数量时间序列预测模型;
S7.根据步骤S2~S4获取的数据,建立抢修工单数量平滑指数预测模型;
S8.综合步骤S5~S7所建立的预测模型得到最终的配电网抢修工单数量预测模型;
S9.采用步骤S8得到的配电网抢修工单数量预测模型对预测区域内的抢修工单数据进行预测。
2.根据权利要求1所述的基于气象数据的配电网抢修工单数量预测方法,其特征在于步骤S1所述的历史气象数据,具体包括最高温度、最低温度、白天天气、夜间天气、风速、风向和湿度。
3.根据权利要求1所述的基于气象数据的配电网抢修工单数量预测方法,其特征在于步骤S1所述的对历史气象数据进行量化处理,具体为将历史气象数据均进行归一化。
4.根据权利要求1~3之一所述的基于气象数据的配电网抢修工单数量预测方法,其特征在于步骤S4所述的选取若干类历史气象数据作为预测模型的输入数据,具体为计算各类历史气象数据与配电网抢修工单数据之间的最大相关矩阵,并根据相关系数的大小,选取相关系数最大的若干类历史气象数据作为预测模型的输入数据。
5.根据权利要求1~3之一所述的基于气象数据的配电网抢修工单数量预测方法,其特征在于步骤S5所述的抢修工单数量神经网络预测模型,具体为采用Elman神经网络作为抢修工单数量神经网络预测模型。
6.根据权利要求1~3之一所述的基于气象数据的配电网抢修工单数量预测方法,其特征在于步骤S6所述的抢修工单数量时间序列预测模型,具体为采用自回归综合滑动平均模型作为抢修工单数量时间序列预测模型。
7.根据权利要求1~3之一所述的基于气象数据的配电网抢修工单数量预测方法,其特征在于步骤S8所述的综合步骤S5~S7所建立的预测模型得到最终的配电网抢修工单数量预测模型,具体为采用最大信息熵原理对每种预测模型的结果进行加权计算,从而得到最终的配电网抢修工单数量预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810960839.8A CN109063924A (zh) | 2018-08-22 | 2018-08-22 | 基于气象数据的配电网抢修工单数量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810960839.8A CN109063924A (zh) | 2018-08-22 | 2018-08-22 | 基于气象数据的配电网抢修工单数量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063924A true CN109063924A (zh) | 2018-12-21 |
Family
ID=64686703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810960839.8A Pending CN109063924A (zh) | 2018-08-22 | 2018-08-22 | 基于气象数据的配电网抢修工单数量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063924A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767081A (zh) * | 2018-12-25 | 2019-05-17 | 云南电网有限责任公司信息中心 | 电力工单表生成方法及装置 |
CN110648009A (zh) * | 2019-07-24 | 2020-01-03 | 国网浙江省电力有限公司湖州供电公司 | 一种基于数据挖掘的抢修服务预测分析方法 |
CN110738349A (zh) * | 2019-09-05 | 2020-01-31 | 国网浙江省电力有限公司杭州供电公司 | 基于多模型融合的电网故障抢修时长预测方法 |
CN113947247A (zh) * | 2021-10-21 | 2022-01-18 | 广东电网有限责任公司广州供电局 | 一种低压抢修工单数量预测方法、装置、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630840A (zh) * | 2009-08-12 | 2010-01-20 | 电子科技大学 | 微电网能量智能控制系统 |
CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
CN104866926A (zh) * | 2015-05-30 | 2015-08-26 | 国网上海市电力公司 | 基于气象因素和时间序列分析的配电网故障数量预测方法 |
CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
CN108375715A (zh) * | 2018-03-08 | 2018-08-07 | 中国电力科学研究院有限公司 | 一种配电网线路故障风险日预测方法及系统 |
-
2018
- 2018-08-22 CN CN201810960839.8A patent/CN109063924A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630840A (zh) * | 2009-08-12 | 2010-01-20 | 电子科技大学 | 微电网能量智能控制系统 |
CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
CN104866926A (zh) * | 2015-05-30 | 2015-08-26 | 国网上海市电力公司 | 基于气象因素和时间序列分析的配电网故障数量预测方法 |
CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
CN108375715A (zh) * | 2018-03-08 | 2018-08-07 | 中国电力科学研究院有限公司 | 一种配电网线路故障风险日预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
刘双顺: ""风电场短期输出功率预测方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
蔡冬阳 等: ""基于多元线性回归的故障报修受理数量预测研究"", 《江苏科技信息》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767081A (zh) * | 2018-12-25 | 2019-05-17 | 云南电网有限责任公司信息中心 | 电力工单表生成方法及装置 |
CN109767081B (zh) * | 2018-12-25 | 2023-08-25 | 云南电网有限责任公司信息中心 | 电力工单表生成方法及装置 |
CN110648009A (zh) * | 2019-07-24 | 2020-01-03 | 国网浙江省电力有限公司湖州供电公司 | 一种基于数据挖掘的抢修服务预测分析方法 |
CN110738349A (zh) * | 2019-09-05 | 2020-01-31 | 国网浙江省电力有限公司杭州供电公司 | 基于多模型融合的电网故障抢修时长预测方法 |
CN110738349B (zh) * | 2019-09-05 | 2023-07-11 | 国网浙江省电力有限公司杭州供电公司 | 基于多模型融合的电网故障抢修时长预测方法 |
CN113947247A (zh) * | 2021-10-21 | 2022-01-18 | 广东电网有限责任公司广州供电局 | 一种低压抢修工单数量预测方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063924A (zh) | 基于气象数据的配电网抢修工单数量预测方法 | |
CN113379110B (zh) | 一种中长期径流预报结果趋势检验方法 | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
CN102184337B (zh) | 一种受气象信息影响的新能源发电能力动态组合分析方法 | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
CN105528660A (zh) | 一种基于日负荷曲线的变电站负荷模型参数预测方法 | |
CN103150635B (zh) | 电力设备运维方法 | |
CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN107403015B (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
CN104732296A (zh) | 一种分布式光伏输出功率短期预测模型建模方法 | |
CN102509027B (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
CN105389634A (zh) | 一种组合式短期风电功率预测系统及方法 | |
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
CN102867221A (zh) | 一种中长期电量预测动态横向修正方法 | |
CN110135649A (zh) | 短期建筑能耗区间预测方法、系统、介质及设备 | |
CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
CN101794996A (zh) | 风电场出力实时预测方法 | |
Sigrin et al. | Representation of the solar capacity value in the ReEDS capacity expansion model | |
CN104462718A (zh) | 一种变电站经济运行年限区间评估方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN110380444A (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN110298494A (zh) | 一种基于分段聚类及组合优化的风电功率预测方法 | |
CN108717579A (zh) | 一种短期风电功率区间预测方法 | |
CN106503848A (zh) | 多小水电趸售地区电网的负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |