CN109697527A - 一种多维度基于时间序列趋势分解的电量预测方法 - Google Patents
一种多维度基于时间序列趋势分解的电量预测方法 Download PDFInfo
- Publication number
- CN109697527A CN109697527A CN201811558175.9A CN201811558175A CN109697527A CN 109697527 A CN109697527 A CN 109697527A CN 201811558175 A CN201811558175 A CN 201811558175A CN 109697527 A CN109697527 A CN 109697527A
- Authority
- CN
- China
- Prior art keywords
- trend
- component
- electricity
- time series
- trend component
- 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 34
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 18
- 230000005611 electricity Effects 0.000 claims description 67
- 230000000737 periodic effect Effects 0.000 claims description 11
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 10
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种多维度基于时间序列趋势分解的电量预测方法,该方法先建立原始电量时间序列,提取平稳化趋势分量、周期性季节趋势分量和偏差性随机趋势分量,构建趋势分量乘法模型;预测上述的各趋势分量,并将各趋势分量的预测值代入乘法模型,得出最终电量预测结果。该方法综合考虑了多种变化趋势各异的序列在时间上的耦合交互关系对系统电量带来的影响,能够更准确地对系统电量进行评估。
Description
技术领域
本发明属于电力系统技术领域,涉及一种多维度基于时间序列趋势分解的电量预测方法。
背景技术
电量预测是指导电力系统规划与调度、促进电网平稳高效运行的重要一环。提高电量预测技术水平,有利于提高安排系统运行方式、降低发电成本,提高电力系统的社会效益和经济效益。随着电力市场改革进程的推进,电力企业对于用户侧电量预测精度也提出了更高的要求,建设稳健的电力市场大程度地依赖于电量预测工作的准确开展。由于电力市场的建设,对分电压等级、分用户类别的用电量预测精度提出了更高的要求,亟需一种多维度基于时间序列趋势分解的电量预测方法。
发明内容
本发明的目的是针对现有技术的不足,提供一种多维度基于时间序列趋势分解的电量预测方法,其考虑了多种变化趋势各异的序列在时间上的耦合交互关系对系统电量带来的影响,能够更准确地对系统电量进行评估。
为此,本发明采用如下的技术方案:
一种多维度基于时间序列趋势分解的电量预测方法,其步骤包括:
步骤1、建立原始电量时间序列,提取平稳化趋势分量、周期性周期性季节趋势分量和偏差性偏差性随机趋势分量,构建趋势分量乘法模型;
步骤2、针对平稳化趋势分量,利用时间序列外推法进行逐点预测;
步骤3、针对周期性季节趋势分量,按“近大远小”的原则,利用过去同期数据的加权平均公式,进行逐点预测;
步骤4、针对偏差性随机趋势分量,利用过去同期数据的平均值公式,进行逐点预测;
步骤5、将各趋势分量的预测值代入乘法模型,得出最终电量预测结果。
在上述多维度基于时间序列趋势分解的电量预测方法中,步骤1所述原始电量时间序列可取月度或日度电量;以月度电量数据为例,步骤1的实现包括:
所述趋势分量的选取,应充分考虑到多种变化趋势的各异性及在时间上的交互关系。各趋势分量的耦合采用趋势分量乘法模型,该模型的具体描述为:
Lt=Tt×St×Rt (1)
公式(1)中:Lt为月度电量序列;Tt、St、Rt分别为Lt的平稳化趋势分量、周期性季节趋势分量和偏差性随机趋势分量。其中t=1,2,…,n,n为时间序列中元素数目。
所述的提取平稳化趋势分量、周期性季节趋势分量和偏差性随机趋势分量具体为:
1)根据用电量的周期特性人为提取电量数据的周期特征值m;
2)若周期特征值m为偶数,建立2×m-MA模型计算平稳化趋势分量,即Tt序列;若周期特征数m为奇数,则建立m-MA模型计算平稳化趋势分量序列Tt;
3)按下列公式计算除去平稳化趋势分量后的电量调整序列deTt=Lt/Tt;
4)以周期特征值m为间隔,将电量调整序列deTt中各周期的历史同期数据作平均,得到一个周期内的季节趋势序列,并将该周期性扩展至整个历史数据时间段,即得到周期性季节趋势分量St;例如,以deTt序列中每年3月电量平均值,作为St序列每年3月的电量值;
5)在电量调整序列deTt中,按下式提取偏差性随机趋势分量序列Rt=deTt/St。
当原始电量时间序列采用月度电量数据时,则m取12;当原始电量时间序列采用日度电量数据时,则m取7。
周期性季节趋势分量的预测:针对此类分量,由于其周期规律性较强,且一般情况下,月度电量的周期性季节趋势分量每年同月值都波动较小或发展趋势平稳,故可利用历史同期电量值进行处理,以得到当期月度电量的周期性季节趋势分量。
此外,由于电量未来的变化趋势主要与历史时段中近期的发展规律有关,远期的历史数据与未来发展趋势的相关性较弱,故应该区别对待各时段的电量数据,加大近期数据的权重,降低远期数据的权重。
由此,当取月度电量时间序列时,步骤3中,按“近大远小”的原则对历史季节周期分量同期值赋予一定的权值并求和,其计算值作为当期周期电量的季节周期分量,公式如下:
Si,j=αSi-1,j+α(1-α)Si-2,j+…+α(1-α)n-1Si-n,j (2)
式中:Si,j为第i年第j月的月度电量周期性季节趋势分量;α为加权系数;其取值可依据周期性季节趋势分量的相对波动来进行选择,相对波动定义如下:
其中,fi,j表示第i年第j月的月度周期性季节趋势分量的相对波动,nY是选用的第j月的月度电量数据的总个数;
若某月度电量周期性季节趋势分量的相对波动小于10%时,α在0.1~0.5之间选取;若月度电量周期性季节趋势分量的相对波动大于或等于10%时,则α在0.6~0.8之间选取;在周期性季节趋势分量的预测过程中,逐点利用上述加权平均值公式(2)进行外推。
步骤4中所述,偏差性随机趋势分量的预测方法如下:
针对偏差性随机趋势分量,由于其随机性较强,发展趋势未表现出明显变化特征,故不考虑对其采用特定的预测方法,可直接利用垂直处理法,即对历史偏差性随机趋势分量同期值取平均,以得到当期月度电量的偏差性随机趋势分量的预测值,公式如下:
公式(3)中,Ri,j为第i年第j月的电量偏差性随机趋势分量;
在偏差性随机趋势分量的预测过程中,逐点利用上述平均值公式(3)进行外推。
本发明具有的有益效果如下:
本发明的方法为一种计及经济水平发展、发用电计划放开等因素,考虑到不同电压等级用户电量增长趋势不同等情况下,电量曲线中含有多种趋势的耦合交互关系背景下,充分考虑各种趋势分量自身特质的分解预测方法;本发明的电量预测方法在不过分增加系统复杂度的情况下,能够更准确地对电量进行外推预测,便于更顺利地开展电力系统规划、调度等工作。
具体实施方式
下面对本发明做进一步说明。
多维度基于时间序列趋势分解的电量预测方法,其步骤包括:
步骤1、建立原始电量时间序列,提取平稳化趋势分量、周期性周期性季节趋势分量和偏差性偏差性随机趋势分量,构建趋势分量乘法模型;
步骤2、针对平稳化趋势分量,利用时间序列外推法进行逐点预测;
步骤3、针对周期性季节趋势分量,按“近大远小”的原则,利用过去同期数据的加权平均公式,进行逐点预测;
步骤4、针对偏差性随机趋势分量,利用过去同期数据的平均值公式,进行逐点预测;
步骤5、将各趋势分量的预测值代入乘法模型,得出最终电量预测结果。
在上述多维度基于时间序列趋势分解的电量预测方法中,步骤1所述原始电量时间序列可取月度或日度电量;以月度电量数据为例,步骤1的实现包括:
所述趋势分量的选取,应充分考虑到多种变化趋势的各异性及在时间上的交互关系。各趋势分量的耦合采用趋势分量乘法模型,该模型的具体描述为:
Lt=Tt×St×Rt (1)
公式(1)中:Lt为月度电量序列;Tt、St、Rt分别为Lt的平稳化趋势分量、周期性季节趋势分量和偏差性随机趋势分量。其中t=1,2,…,n,n为时间序列中元素数目。
所述的提取平稳化趋势分量、周期性季节趋势分量和偏差性随机趋势分量具体为:
1)根据用电量的周期特性人为提取电量数据的周期特征值m;
2)若周期特征值m为偶数,建立2×m-MA模型计算平稳化趋势分量,即Tt序列;若周期特征数m为奇数,则建立m-MA模型计算平稳化趋势分量序列Tt;
4)按下列公式计算除去平稳化趋势分量后的电量调整序列deTt=Lt/Tt;
4)以周期特征值m为间隔,将电量调整序列deTt中各周期的历史同期数据作平均,得到一个周期内的季节趋势序列,并将该周期性扩展至整个历史数据时间段,即得到周期性季节趋势分量St;例如,以deTt序列中每年3月电量平均值,作为St序列每年3月的电量值;
5)在电量调整序列deTt中,按下式提取偏差性随机趋势分量序列Rt=deTt/St。
当原始电量时间序列采用月度电量数据时,则m取12;当原始电量时间序列采用日度电量数据时,则m取7。
周期性季节趋势分量的预测:针对此类分量,由于其周期规律性较强,且一般情况下,月度电量的周期性季节趋势分量每年同月值都波动较小或发展趋势平稳,故可利用历史同期电量值进行处理,以得到当期月度电量的周期性季节趋势分量。
此外,由于电量未来的变化趋势主要与历史时段中近期的发展规律有关,远期的历史数据与未来发展趋势的相关性较弱,故应该区别对待各时段的电量数据,加大近期数据的权重,降低远期数据的权重。
由此,当取月度电量时间序列时,步骤3中,按“近大远小”的原则对历史季节周期分量同期值赋予一定的权值并求和,其计算值作为当期周期电量的季节周期分量,公式如下:
Si,j=αSi-1,j+α(1-α)Si-2,j+…+α(1-α)n-1Si-n,j (2)
式中:Si,j为第i年第j月的月度电量周期性季节趋势分量;α为加权系数;其取值可依据周期性季节趋势分量的相对波动来进行选择,相对波动定义如下:
其中,fi,j表示第i年第j月的月度周期性季节趋势分量的相对波动,nY是选用的第j月的月度电量数据的总个数;
若某月度电量周期性季节趋势分量的相对波动小于10%时,α在0.1~0.5之间选取;若月度电量周期性季节趋势分量的相对波动大于或等于10%时,则α在0.6~0.8之间选取;在周期性季节趋势分量的预测过程中,逐点利用上述加权平均值公式(2)进行外推。
步骤4中所述,偏差性随机趋势分量的预测方法如下:
针对偏差性随机趋势分量,由于其随机性较强,发展趋势未表现出明显变化特征,故不考虑对其采用特定的预测方法,可直接利用垂直处理法,即对历史偏差性随机趋势分量同期值取平均,以得到当期月度电量的偏差性随机趋势分量的预测值,公式如下:
公式(3)中,Ri,j为第i年第j月的电量偏差性随机趋势分量;
在偏差性随机趋势分量的预测过程中,逐点利用上述平均值公式(3)进行外推。
本发明的电量预测方法在不过分增加系统复杂度的情况下,能够更准确地对电量进行外推预测,便于更顺利地开展电力系统规划、调度等工作。
Claims (7)
1.一种多维度基于时间序列趋势分解的电量预测方法,其特征在于,步骤包括:
步骤1、建立原始电量时间序列,提取平稳化趋势分量、周期性季节趋势分量和偏差性随机趋势分量,构建趋势分量乘法模型;
步骤2、针对平稳化趋势分量,利用时间序列外推法进行逐点预测;
步骤3、针对周期性季节趋势分量,按“近大远小”的原则,利用过去同期数据的加权平均公式,进行逐点预测;
步骤4、针对偏差性随机趋势分量,利用过去同期数据的平均值公式,进行逐点预测;
步骤5、将各趋势分量的预测值代入乘法模型,得出最终电量预测结果。
2.根据权利要求1所述的多维度基于时间序列趋势分解的电量预测方法,其特征在于,步骤1中所述的原始电量时间序列取月度或日度电量时间序列。
3.根据权利要求1所述的多维度基于时间序列趋势分解的电量预测方法,其特征在于,构建的趋势分量乘法模型具体为:
Lt=Tt×St×Rt (1)
公式(1)中:Lt为原始电量时间序列;Tt、St、Rt分别为Lt的平稳化趋势分量、周期性季节趋势分量和偏差性随机趋势分量,其中t=1,2,…,n,n为时间序列中元素数目。
4.根据权利要求3所述的多维度基于时间序列趋势分解的电量预测方法,其特征在于,所述的提取平稳化趋势分量、周期性季节趋势分量和偏差性随机趋势分量具体为:
1)根据用电量的周期特性人为提取电量数据的周期特征值m;
2)若周期特征值m为偶数,建立2×m-MA模型计算平稳化趋势分量,即Tt序列;若周期特征数m为奇数,则建立m-MA模型计算平稳化趋势分量序列Tt;
3)按下列公式计算除去平稳化趋势分量后的电量调整序列deTt=Lt/Tt;
4)以周期特征值m为间隔,将电量调整序列deTt中各周期的历史同期数据作平均,得到一个周期内的季节趋势序列,并将该周期性扩展至整个历史数据时间段,即得到周期性季节趋势分量St;
5)在电量调整序列deTt中,按下式提取偏差性随机趋势分量序列Rt=deTt/St。
5.根据权利要求4所述的多维度基于时间序列趋势分解的电量预测方法,其特征在于,当原始电量时间序列采用月度电量数据时,则m取12;当原始电量时间序列采用日度电量数据时,则m取7。
6.根据权利要求4所述的多维度基于时间序列趋势分解的电量预测方法,其特征在于,当取月度电量时间序列时,步骤3中,按“近大远小”的原则对历史季节周期分量同期值赋予一定的权值并求和,其计算值作为当期周期电量的季节周期分量,公式如下:
Si,j=αSi-1,j+α(1-α)Si-2,j+…+α(1-α)n-1Si-n,j (2)
式中:Si,j为第i年第j月的月度电量周期性季节趋势分量;α为加权系数;其取值可依据周期性季节趋势分量的相对波动来进行选择,相对波动定义如下:
其中,fi,j表示第i年第j月的月度周期性季节趋势分量的相对波动,nY是选用的第j月的月度电量数据的总个数;
若某月度电量周期性季节趋势分量的相对波动小于10%时,α在0.1~0.5之间选取;若月度电量周期性季节趋势分量的相对波动大于或等于10%时,则α在0.6~0.8之间选取;在周期性季节趋势分量的预测过程中,逐点利用上述加权平均值公式(2)进行外推。
7.根据权利要求4所述的多维度基于时间序列趋势分解的电量预测方法,其特征在于,步骤4中所述,偏差性随机趋势分量的预测方法如下:
直接利用垂直处理法,即对历史偏差性随机趋势分量同期值取平均,以得到当期月度电量的偏差性随机趋势分量的预测值,公式如下:
公式(3)中,Ri,j为第i年第j月的电量偏差性随机趋势分量;
在偏差性随机趋势分量的预测过程中,逐点利用上述平均值公式(3)进行外推。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811558175.9A CN109697527A (zh) | 2018-12-19 | 2018-12-19 | 一种多维度基于时间序列趋势分解的电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811558175.9A CN109697527A (zh) | 2018-12-19 | 2018-12-19 | 一种多维度基于时间序列趋势分解的电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109697527A true CN109697527A (zh) | 2019-04-30 |
Family
ID=66231834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811558175.9A Pending CN109697527A (zh) | 2018-12-19 | 2018-12-19 | 一种多维度基于时间序列趋势分解的电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697527A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727919A (zh) * | 2019-09-17 | 2020-01-24 | 珠海格力电器股份有限公司 | 一种光伏发电量预测方法、装置及系统 |
CN111008749A (zh) * | 2019-12-19 | 2020-04-14 | 北京顺丰同城科技有限公司 | 一种需求预测的方法及装置 |
CN111126696A (zh) * | 2019-12-24 | 2020-05-08 | 东南大学 | 一种计及多影响因素的电量预测方法 |
CN112330024A (zh) * | 2020-11-06 | 2021-02-05 | 国网辽宁省电力有限公司 | 一种基于非电量及多维度场景的电量预测方法 |
CN113298308A (zh) * | 2021-05-31 | 2021-08-24 | 石家庄科林电气股份有限公司 | 一种参数自适应的用电量预测方法及其系统 |
CN113361832A (zh) * | 2021-08-10 | 2021-09-07 | 睿至科技集团有限公司 | 一种电力数据中台以及工作方法 |
CN115186895A (zh) * | 2022-07-11 | 2022-10-14 | 国网江苏省电力有限公司南通供电分公司 | 一种基于业扩报装的行业用电量预测方法 |
CN117310348A (zh) * | 2023-11-23 | 2023-12-29 | 东莞市时实电子有限公司 | 一种电源适配器故障实时监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400230A (zh) * | 2013-08-08 | 2013-11-20 | 上海电机学院 | 一种风电功率预测系统及方法 |
US20170371308A1 (en) * | 2016-06-22 | 2017-12-28 | International Business Machines Corporation | Real-Time Forecasting of Electricity Demand in a Streams-Based Architecture with Applications |
CN108022004A (zh) * | 2017-11-16 | 2018-05-11 | 广东电网有限责任公司信息中心 | 一种多模型加权组合电力负荷预报的自适应权重训练方法 |
CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
CN108989124A (zh) * | 2018-08-10 | 2018-12-11 | 中国移动通信集团海南有限公司 | 网络故障发现方法、电子装置及计算机可读存储介质 |
-
2018
- 2018-12-19 CN CN201811558175.9A patent/CN109697527A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400230A (zh) * | 2013-08-08 | 2013-11-20 | 上海电机学院 | 一种风电功率预测系统及方法 |
US20170371308A1 (en) * | 2016-06-22 | 2017-12-28 | International Business Machines Corporation | Real-Time Forecasting of Electricity Demand in a Streams-Based Architecture with Applications |
CN108022004A (zh) * | 2017-11-16 | 2018-05-11 | 广东电网有限责任公司信息中心 | 一种多模型加权组合电力负荷预报的自适应权重训练方法 |
CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
CN108989124A (zh) * | 2018-08-10 | 2018-12-11 | 中国移动通信集团海南有限公司 | 网络故障发现方法、电子装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
颜伟等: "《结合X12 乘法模型和ARIMA 模型的月售电量预测方法》", 《电力系统及其自动化学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727919A (zh) * | 2019-09-17 | 2020-01-24 | 珠海格力电器股份有限公司 | 一种光伏发电量预测方法、装置及系统 |
CN111008749A (zh) * | 2019-12-19 | 2020-04-14 | 北京顺丰同城科技有限公司 | 一种需求预测的方法及装置 |
CN111126696A (zh) * | 2019-12-24 | 2020-05-08 | 东南大学 | 一种计及多影响因素的电量预测方法 |
CN112330024A (zh) * | 2020-11-06 | 2021-02-05 | 国网辽宁省电力有限公司 | 一种基于非电量及多维度场景的电量预测方法 |
CN112330024B (zh) * | 2020-11-06 | 2023-09-12 | 国网辽宁省电力有限公司 | 一种基于非电量及多维度场景的电量预测方法 |
CN113298308A (zh) * | 2021-05-31 | 2021-08-24 | 石家庄科林电气股份有限公司 | 一种参数自适应的用电量预测方法及其系统 |
CN113298308B (zh) * | 2021-05-31 | 2022-03-11 | 石家庄科林电气股份有限公司 | 一种参数自适应的用电量预测方法及其系统 |
CN113361832A (zh) * | 2021-08-10 | 2021-09-07 | 睿至科技集团有限公司 | 一种电力数据中台以及工作方法 |
CN113361832B (zh) * | 2021-08-10 | 2021-11-30 | 睿至科技集团有限公司 | 一种电力数据中台以及工作方法 |
CN115186895A (zh) * | 2022-07-11 | 2022-10-14 | 国网江苏省电力有限公司南通供电分公司 | 一种基于业扩报装的行业用电量预测方法 |
CN117310348A (zh) * | 2023-11-23 | 2023-12-29 | 东莞市时实电子有限公司 | 一种电源适配器故障实时监测方法及系统 |
CN117310348B (zh) * | 2023-11-23 | 2024-03-12 | 东莞市时实电子有限公司 | 一种电源适配器故障实时监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697527A (zh) | 一种多维度基于时间序列趋势分解的电量预测方法 | |
Correa-Florez et al. | Stochastic operation of home energy management systems including battery cycling | |
US11376981B2 (en) | Systems and methods for adaptive EV charging | |
Luňáčková et al. | The merit order effect of Czech photovoltaic plants | |
Methaprayoon et al. | Multistage artificial neural network short-term load forecasting engine with front-end weather forecast | |
Darghouth et al. | Customer-economics of residential photovoltaic systems (Part 1): The impact of high renewable energy penetrations on electricity bill savings with net metering | |
Shcherbakova et al. | The value of energy storage in South Korea’s electricity market: A Hotelling approach | |
Dalla Valle et al. | Forecasting accuracy of wind power technology diffusion models across countries | |
Phuangpornpitak et al. | A study of load demand forecasting models in electric power system operation and planning | |
CN104008432A (zh) | 基于emd-kelm-ekf的微网短期负荷预测方法 | |
CN107194502B (zh) | 一种居民用户电力负荷预测方法 | |
Auer | How does Germany's green energy policy affect electricity market volatility? An application of conditional autoregressive range models | |
JP2016181060A (ja) | 電力需要予測システム | |
Zhou et al. | An ARIMA approach to forecasting electricity price with accuracy improvement by predicted errors | |
Bandyopadhyay et al. | Individual and aggregate electrical load forecasting: One for all and all for one | |
US9607343B2 (en) | Generating a demand response for an energy-consuming facility | |
Chicco et al. | Load profiling revisited: prosumer profiling for local energy markets | |
Jeong | Assessment of government support for the household adoption of micro-generation systems in Korea | |
CN106682934A (zh) | 一种购电竞价策略 | |
Vašak et al. | Dynamic day-ahead water pricing based on smart metering and demand prediction | |
CN108629625A (zh) | 一种月度售电量预测方法、装置及服务器 | |
CN110705738B (zh) | 基于人工智能的智能用电激励需求响应方法和系统 | |
Lim et al. | Short-term load forecasting for educational buildings with temperature correlation | |
Jasevics et al. | Demand load control with smart meters | |
Herman et al. | Probabilistic interpretation of customer interruption cost (CIC) applied to South African systems |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190430 |