CN109103881A - 适用于多场景的电力负荷预测方法 - Google Patents
适用于多场景的电力负荷预测方法 Download PDFInfo
- Publication number
- CN109103881A CN109103881A CN201811242485.XA CN201811242485A CN109103881A CN 109103881 A CN109103881 A CN 109103881A CN 201811242485 A CN201811242485 A CN 201811242485A CN 109103881 A CN109103881 A CN 109103881A
- Authority
- CN
- China
- Prior art keywords
- load
- predicted
- prediction
- influence
- influence factor
- 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 38
- 230000000694 effects Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种适用于多场景的电力负荷预测方法,包括选定待预测区域;获取待预测区域内的负荷预测影响因素并排序;获取待预测区域内的负荷预测影响因素的历史数据;选取待预测区域的负荷预测模型;建立待预测区域的负荷预测模型;对待预测区域的电力负荷进行预测。本发明方法通过考虑影响电力负荷预测的各个影响因素,以及多类型场景下的负荷预测模型,实现了多影响因素条件下的负荷预测,同时采用不同的负荷预测模型对多类型场景进行预测和结合,从而使得本发明方法能够更加精确和可靠的对未来的负荷进行预测,而且本发明方法简单可靠,科学实用。
Description
技术领域
本发明具体涉及一种适用于多场景的电力负荷预测方法。
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。
目前,电力负荷增长具有较大的不确定性,从而影响电网公司合理编制电网运行方案和中长期电网规划方案,对未来可靠经济供电产生重大影响。此外,目前我国的售电公司众多,而我国也在积极的推进技术和市场革新。届时,负荷预测水平的高低,将影响各大售电公司报价策略和经营效益。在现货市场来临的背景下,签约策略、报价策略、交易策略、单个用户经济测算等等都是以负荷预测的结果作为基础。没有准确的负荷预测结果,售电公司甚至无法在现货市场进行报价,这样的后果便是高额的偏差费用,这是售电公司无法承担的。因此,负荷预测的准确度对售电公司和电网来说,都是至关重要的。
提高负荷预测技术水平,对于电力公司来说,有利于合理安排电网运行方式和机组检修计划,促进节煤和降低发电成本;有利于制定合理的电源建设规划,提高电力系统整体经济效益和社会效益。对于售电公司来说,有利于售电公司准确预测市场规模,编制中长期合约签约策略、现货市场报价、交易策略。
目前的电网负荷预测方法,存在着影响因素多的问题,从而使得电网负荷预测的准确性不高,影响了电网和售电公司的经营效益。
发明内容
本发明的目的在于提供一种考虑多种影响因素且预测准确度较高的适用于多场景的电力负荷预测方法。
本发明提供的这种适用于多场景的电力负荷预测方法,包括如下步骤:
S1.选定待预测区域;
S2.获取待预测区域内的负荷预测影响因素并排序;
S3.根据步骤S2获取的负荷预测影响因素和排序结果,获取待预测区域内的负荷预测影响因素的历史数据;
S4.根据步骤S3获取的待预测区域内的负荷预测影响因素的历史数据,选取待预测区域的负荷预测模型;
S5.根据步骤S4选取的待预测区域的负荷预测模型,建立待预测区域的负荷预测模型;
S6.采用步骤S5建立的待预测区域的负荷预测模型对待预测区域的电力负荷进行预测。
步骤S2所述的获取待预测与区内的负荷预测影响因素,具体为采用天气、环境、节假日和剩余影响因素作为负荷预测影响因素。
步骤S2所述的对负荷预测影响因素排序,具体为根据负荷预测影响因素对待预测区域的历史负荷数值的影响程度,采用最小二乘法计算各个负荷预测影响因素的大小并进行排序。
所述的采用最小二乘法计算各个负荷预测影响因素的大小并进行排序,具体为采用如下步骤计算大小和排序:
A.采用如下算式作为多因素影响下的负荷预测公式:
X=x0+(1+a1)x1+(1+a2)x2+(1+a3)x3+(1+a4)x4
式中X为多因素影响下的负荷预测;x0为基础负荷;x1、x2、x3和x4为天气、环境、节假日和剩余影响因素的负荷分量;a1、a2、a3和a4为天气、环境、节假日和剩余影响因素的影响幅度;
B.对各个影响因素的影响幅度赋初始值;
C.根据基础负荷和各个影响因素的分量负荷,采用最小二乘法求得各个因素的影响幅度;
D.重复步骤B~C,直至得到各个因素的稳定的影响幅度。稳定的定义为:当前的值与上一次的值相比,其相对差值在5%以内,视为计算得到的数值稳定;
E.根据步骤D得到的各个因素的影响幅度,对各个影响因素进行排序,并忽略影响幅度小于设定阈值的影响因素。
步骤S4所述的根据获取的待预测区域内的负荷预测影响因素的历史数据,选取待预测区域的负荷预测模型,具体为采用如下规则进行选取:
若查找得到的历史负荷数据较多,历史负荷数据关系复杂,且应用场景和预测精度要求严格,则采用神经网络算法作为负荷预测模型;
若查找得到的历史负荷数据较少,且应用场景和预测精度要求不高,则采用时间序列法作为负荷预测模型。
步骤S5所述的建立待预测区域的负荷预测模型,具体为采用如下步骤建立模型:
(1)根据影响因素的统计规律,得到待预测区域在预测时间上的各个影响因素的预测值、变化范围和影响占比;
(2)根据步骤S4选定的负荷预测模型,在不同的影响因素组合下,计算负荷预测模型的最优数值及其误差范围;
(3)根据各个影响因素的影响占比和不同影响因素组合下的负荷预测模型的最优数值及其误差范围,计算得到最终的负荷预测数值及变化范围。
步骤(2)所述的计算负荷预测模型的最优数值及其误差范围,具体为采用如下步骤计算最优数值及其误差范围:
1)采用获得的历史数据对选定的负荷预测模型进行训练,得到确定的负荷预测模型及相应的误差范围;
2)根据负荷预测影响因素及其排序结果,计算各个负荷影响因素的负荷预测结果;
3)根据步骤2)得到的负荷预测结果与步骤1)得到的误差范围,计算最终的负荷预测数值及变化范围。
本发明提供的这种适用于多场景的电力负荷预测方法,通过考虑影响电力负荷预测的各个影响因素,以及多类型场景下的负荷预测模型,实现了多影响因素条件下的负荷预测,同时采用不同的负荷预测模型对多类型场景进行预测和结合,从而使得本发明方法能够更加精确和可靠的对未来的负荷进行预测,而且本发明方法简单可靠,科学实用。
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:本发明提供的这种适用于多场景的电力负荷预测方法,包括如下步骤:
S1.选定待预测区域;可以按照省、市、县、区级别进行地域划分,明确测算的边界和范围;
S2.获取待预测区域内的负荷预测影响因素并排序;
在具体实施时,可以采用天气、环境、节假日和剩余影响因素作为负荷预测影响因素,采用最小二乘法计算各个负荷预测影响因素的大小并进行排序;
采用最小二乘法计算各个负荷预测影响因素的大小并进行排序,具体为采用如下步骤计算大小和排序:
A.采用如下算式作为多因素影响下的负荷预测公式:
X=x0+(1+a1)x1+(1+a2)x2+(1+a3)x3+(1+a4)x4
式中X为多因素影响下的负荷预测;x0为基础负荷;x1、x2、x3和x4为天气、环境、节假日和剩余影响因素的负荷分量;a1、a2、a3和a4为天气、环境、节假日和剩余影响因素的影响幅度;
B.对各个影响因素的影响幅度赋初始值;
C.根据基础负荷和各个影响因素的分量负荷,采用最小二乘法求得各个因素的影响幅度;
D.重复步骤B~C,直至得到各个因素的稳定的影响幅度。稳定的定义为:当前的值与上一次的值相比,其相对差值在5%以内,视为计算得到的数值稳定;
E.根据步骤D得到的各个因素的影响幅度,对各个影响因素进行排序,并忽略影响幅度小于设定阈值的影响因素;
S3.根据步骤S2获取的负荷预测影响因素和排序结果,获取待预测区域内的负荷预测影响因素的历史数据;
S4.根据步骤S3获取的待预测区域内的负荷预测影响因素的历史数据,选取待预测区域的负荷预测模型;具体为采用如下规则进行选取:
若查找得到的历史负荷数据较多,历史负荷数据关系复杂,且应用场景和预测精度要求严格,则采用神经网络算法作为负荷预测模型;
若查找得到的历史负荷数据较少,且应用场景和预测精度要求不高,则采用时间序列法作为负荷预测模型;
其中,神经网络模型通过对以往历史数据的学习,找出数据的变化趋势之间的非线性关系,并将其存储在网络具体的权值和阀值中,从而预测未来负荷数据的走势;
设有时间序列{Xi},其中历史数据Xn,Xn+1,...,Xn+m对未来n+m+k(k>=1)时刻的取值进行预测,即预测Xn+m+k的某种非线性关系
Xn+m+k=f(Xn,Xn+1,...,Xn+m)
用神经网络进行预测,即用神经网络通过一组数据点Xn,Xn+1,...,Xn+m来拟合函数f,得出未来n+m+k(k>1)时刻数据的预测值
同时,预测时又包括单步预测和多步预测:
单步预测:
当k=1时,且网络的所有输入数据都是时间序列的实际观测值时所做的预测就是单步预测。在进行预测时,把实际的时序观测值Xn,Xn+1,...,Xn+m,这m+1个数据输入网络,输出是下一时刻的预测值,输出的即为Xn+m+1;若要继续对Xn+m+2的值进行预测,则用实际观测值Xn,Xn+1,...,Xn+m+1作为输入数据,得到预测值Xn+m+2;
多步预测:
当k>l时,网络输入m+1个历史数据,输出Xn+m+1,Xn+m+2,...,Xn+m+k的预测数值;多步预测用于考虑影响因素的负荷预测误差较大(比如天气因素)。这是因为在网络运行调整权值和阀值时,每次迭代都要累加前一次k个预测值的误差,而如天气变化等因素具有一定的随机性,从而造成网络难以收敛的情况,甚至导致网络发生振荡。
时间序列模型:
时间序列预测法是指将预测目标的历史数据按照时间顺序排列成时间序列,然后分析它随时间的变化趋势,并建立数学模型进行外推的定量预测方法。具体采用预测误差较小的二次移动平均法。
二次移动平均法的线性模型为:
其中Xt为t期的实际值,为t+T期的预测值,t为当前的时期数,T为由t至预测期的时期数。
S5.根据步骤S4选取的待预测区域的负荷预测模型,建立待预测区域的负荷预测模型;具体为采用如下步骤建立模型:
首先,根据天气、环境等数据的统计规律得到不同影响因素的变化范围和占比。其次,计算出不同因素组合下的负荷预测最优数值,形成多个负荷预测敏感方案。第三,根据每次测算得到的负荷预测最优数值的标准差和不同影响因素变化范围的标准差,二者相乘,得到该组影响因素下的负荷预测误差。第四,根据不同影响因素组合下的负荷预测最优数值,乘以相应因素所占的比例,再进行累加,得到负荷预测推荐方案。
具体的,包括如下步骤:
(1)根据影响因素的统计规律,得到待预测区域在预测时间上的各个影响因素的预测值、变化范围和影响占比;
(2)根据步骤S4选定的负荷预测模型,在不同的影响因素组合下,计算负荷预测模型的最优数值及其误差范围;
首先,根据选定的预测场景和前述的神经网络法(或时间序列法),采用历史负荷数据预测历史负荷数据,得出预测模型的准确度,包括误差均值、标准差等,按照标准差最小的原则,自动选择预测模型和相应的预测步骤。其次,对于影响幅度较大的因素,需要分别预测各分量负荷,再累加得到汇总的负荷预测值。第三,当预测不同场景未知年份的负荷数值时,考虑获得的影响因素大小和排序,通过前述自动选择的预测模型计算出负荷预测数值,包括负荷总量预测和各影响幅度较大的分量负荷预测。第四,根据前述历史数据的预测标准差和未知年份的负荷预测数值,二者相乘,得出负荷预测的最优数值及其误差范围;
具体的,采用如下步骤计算最优数值及其误差范围:
1)采用获得的历史数据对选定的负荷预测模型进行训练,得到确定的负荷预测模型及相应的误差范围;
2)根据负荷预测影响因素及其排序结果,计算各个负荷影响因素的负荷预测结果;
3)根据步骤2)得到的负荷预测结果与步骤1)得到的误差范围,计算最终的负荷预测数值及变化范围;
(3)根据各个影响因素的影响占比和不同影响因素组合下的负荷预测模型的最优数值及其误差范围,计算得到最终的负荷预测数值及变化范围;
S6.采用步骤S5建立的待预测区域的负荷预测模型对待预测区域的电力负荷进行预测。
Claims (7)
1.一种适用于多场景的电力负荷预测方法,包括如下步骤:
S1.选定待预测区域;
S2.获取待预测区域内的负荷预测影响因素并排序;
S3.根据步骤S2获取的负荷预测影响因素和排序结果,获取待预测区域内的负荷预测影响因素的历史数据;
S4.根据步骤S3获取的待预测区域内的负荷预测影响因素的历史数据,选取待预测区域的负荷预测模型;
S5.根据步骤S4选取的待预测区域的负荷预测模型,建立待预测区域的负荷预测模型;
S6.采用步骤S5建立的待预测区域的负荷预测模型对待预测区域的电力负荷进行预测。
2.根据权利要求1所述的适用于多场景的电力负荷预测方法,其特征在于步骤S2所述的获取待预测与区内的负荷预测影响因素,具体为采用天气、环境、节假日和剩余影响因素作为负荷预测影响因素。
3.根据权利要求2所述的适用于多场景的电力负荷预测方法,其特征在于步骤S2所述的对负荷预测影响因素排序,具体为根据负荷预测影响因素对待预测区域的历史负荷数值的影响程度,采用最小二乘法计算各个负荷预测影响因素的大小并进行排序。
4.根据权利要求3所述的适用于多场景的电力负荷预测方法,其特征在于所述的采用最小二乘法计算各个负荷预测影响因素的大小并进行排序,具体为采用如下步骤计算大小和排序:
A.采用如下算式作为多因素影响下的负荷预测公式:
X=x0+(1+a1)x1+(1+a2)x2+(1+a3)x3+(1+a4)x4
式中X为多因素影响下的负荷预测;x0为基础负荷;x1、x2、x3和x4为天气、环境、节假日和剩余影响因素的负荷分量;a1、a2、a3和a4为天气、环境、节假日和剩余影响因素的影响幅度;
B.对各个影响因素的影响幅度赋初始值;
C.根据基础负荷和各个影响因素的分量负荷,采用最小二乘法求得各个因素的影响幅度;
D.重复步骤B~C,直至得到各个因素的稳定的影响幅度;稳定的定义为:当前的值与上一次的值相比,其相对差值在5%以内,视为计算得到的数值稳定;
E.根据步骤D得到的各个因素的影响幅度,对各个影响因素进行排序,并忽略影响幅度小于设定阈值的影响因素。
5.根据权利要求1~4之一所述的适用于多场景的电力负荷预测方法,其特征在于步骤S4所述的根据获取的待预测区域内的负荷预测影响因素的历史数据,选取待预测区域的负荷预测模型,具体为采用如下规则进行选取:
若查找得到的历史负荷数据较多,历史负荷数据关系复杂,且应用场景和预测精度要求严格,则采用神经网络算法作为负荷预测模型;
若查找得到的历史负荷数据较少,且应用场景和预测精度要求不高,则采用时间序列法作为负荷预测模型。
6.根据权利要求1~4之一所述的适用于多场景的电力负荷预测方法,其特征在于步骤S5所述的建立待预测区域的负荷预测模型,具体为采用如下步骤建立模型:
(1)根据影响因素的统计规律,得到待预测区域在预测时间上的各个影响因素的预测值、变化范围和影响占比;
(2)根据步骤S4选定的负荷预测模型,在不同的影响因素组合下,计算负荷预测模型的最优数值及其误差范围;
(3)根据各个影响因素的影响占比和不同影响因素组合下的负荷预测模型的最优数值及其误差范围,计算得到最终的负荷预测数值及变化范围。
7.根据权利要求6所述的适用于多场景的电力负荷预测方法,其特征在于步骤(2)所述的计算负荷预测模型的最优数值及其误差范围,具体为采用如下步骤计算最优数值及其误差范围:
1)采用获得的历史数据对选定的负荷预测模型进行训练,得到确定的负荷预测模型及相应的误差范围;
2)根据负荷预测影响因素及其排序结果,计算各个负荷影响因素的负荷预测结果;
3)根据步骤2)得到的负荷预测结果与步骤1)得到的误差范围,计算最终的负荷预测数值及变化范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811242485.XA CN109103881A (zh) | 2018-10-24 | 2018-10-24 | 适用于多场景的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811242485.XA CN109103881A (zh) | 2018-10-24 | 2018-10-24 | 适用于多场景的电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109103881A true CN109103881A (zh) | 2018-12-28 |
Family
ID=64869303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811242485.XA Pending CN109103881A (zh) | 2018-10-24 | 2018-10-24 | 适用于多场景的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109103881A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110707816A (zh) * | 2019-10-16 | 2020-01-17 | 佳源科技有限公司 | 一种分布式配网终端 |
CN111008727A (zh) * | 2019-10-28 | 2020-04-14 | 许昌许继软件技术有限公司 | 一种配电台区负荷预测方法及装置 |
CN111754024A (zh) * | 2020-05-22 | 2020-10-09 | 国电南瑞科技股份有限公司 | 一种基于回归分析的电力行业时间序列预测方法和装置 |
CN116979531A (zh) * | 2023-09-25 | 2023-10-31 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416466A (zh) * | 2018-02-02 | 2018-08-17 | 西安电子科技大学 | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 |
CN108596369A (zh) * | 2018-04-06 | 2018-09-28 | 东北电力大学 | 一种基于多变量模型与盲数理论的空间负荷预测方法 |
-
2018
- 2018-10-24 CN CN201811242485.XA patent/CN109103881A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416466A (zh) * | 2018-02-02 | 2018-08-17 | 西安电子科技大学 | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 |
CN108596369A (zh) * | 2018-04-06 | 2018-09-28 | 东北电力大学 | 一种基于多变量模型与盲数理论的空间负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
丁恰等: "考虑气象信息的节假日负荷预测", 《电力系统自动化》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110707816A (zh) * | 2019-10-16 | 2020-01-17 | 佳源科技有限公司 | 一种分布式配网终端 |
CN110707816B (zh) * | 2019-10-16 | 2020-08-14 | 佳源科技有限公司 | 一种分布式配网终端 |
CN111008727A (zh) * | 2019-10-28 | 2020-04-14 | 许昌许继软件技术有限公司 | 一种配电台区负荷预测方法及装置 |
CN111754024A (zh) * | 2020-05-22 | 2020-10-09 | 国电南瑞科技股份有限公司 | 一种基于回归分析的电力行业时间序列预测方法和装置 |
CN111754024B (zh) * | 2020-05-22 | 2022-09-13 | 国电南瑞科技股份有限公司 | 一种基于回归分析的电力行业时间序列的预测方法和系统 |
CN116979531A (zh) * | 2023-09-25 | 2023-10-31 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
CN116979531B (zh) * | 2023-09-25 | 2023-12-12 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN109103881A (zh) | 适用于多场景的电力负荷预测方法 | |
Farhat et al. | Optimization methods applied for solving the short-term hydrothermal coordination problem | |
WO2021196552A1 (zh) | 一种基于互馈关系解析的梯级水库风险评估方法及系统 | |
Hakimi-Asiabar et al. | Deriving operating policies for multi-objective reservoir systems: application of self-learning genetic algorithm | |
Tang et al. | Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting | |
Cinar et al. | Development of future energy scenarios with intelligent algorithms: case of hydro in Turkey | |
CN104699890B (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN109815995A (zh) | 一种缺失观测值条件下锂电池剩余寿命预测方法 | |
Dong et al. | Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
Li et al. | A k-nearest neighbor locally weighted regression method for short-term traffic flow forecasting | |
Tapia et al. | Optimized micro-hydro power plants layout design using messy genetic algorithms | |
Khan et al. | Very short term load forecasting using Cartesian genetic programming evolved recurrent neural networks (CGPRNN) | |
Majidpour et al. | Fast demand forecast of electric vehicle charging stations for cell phone application | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
Akpinar et al. | Forecasting natural gas consumption with hybrid neural networks—Artificial bee colony | |
Heydari et al. | Mid-term load power forecasting considering environment emission using a hybrid intelligent approach | |
CN106570594A (zh) | 一种基于tmbp的相似日光伏发电短期预测方法 | |
CN111062539A (zh) | 基于次级用电量特性聚类分析的总电量预测方法 | |
CN111476437A (zh) | 一种光伏发电功率超短期区间预测的方法及设备 | |
CN105373865A (zh) | 一种基于产业结构的用电需求预测方法 | |
Fışkın et al. | Forecasting domestic shipping demand of cement: comparison of SARIMAX, ANN and hybrid SARIMAX-ANN |
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: 20181228 |
|
RJ01 | Rejection of invention patent application after publication |