CN109726365B - 一种电力负荷预测的方法和装置 - Google Patents
一种电力负荷预测的方法和装置 Download PDFInfo
- Publication number
- CN109726365B CN109726365B CN201811478827.8A CN201811478827A CN109726365B CN 109726365 B CN109726365 B CN 109726365B CN 201811478827 A CN201811478827 A CN 201811478827A CN 109726365 B CN109726365 B CN 109726365B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- power load
- power
- historical
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力负荷预测的方法,该预测方法包括S1:提取待预测用电单位的历史负荷数据;S2:根据所述历史负荷数据对电力负荷进行线性拟合,得到电力负荷预测模型;S3:根据所述电力负荷预测模型,对电力负荷进行预测。本发明还公开了一种电力负荷预测的装置,该预测装置包括:数据提取模块、模型获取模块和负荷预测模块。本发明以用电单位的实际用电数据为基础,采用线性外推法对电力数据进行短期的负荷预测,有效地提高了预测结果的准确性;对待预测用电单位的历史负荷数据进行清洗,纠正和去除数据的错误,获得更为完整的信息,提高数据的质量、正确性,从而减小异常数据对预测结果的影响,进一步提高最终预测结果的准确性。
Description
技术领域
本发明涉及数据挖掘技术领域,特别涉及一种电力负荷预测的方法和装置。
背景技术
电力系统负荷预测是电力系统的调度运行和生产计划的基础工作,负荷预测关系到电力系统的安全和稳定运行,对于实际生产生活有着不可估量的作用。负荷预测按时间期限分为长期、中期、短期和超短期。短期电力负荷在线预测是电力负荷预测的重要组成之一,是电网实现智能控制的基础。负荷在线预测能力的提高,不仅有利于提高电网的安全,指导电网的检修,还可以有效地降低发电成本,提高电力系统的经济效益,让人民的生产生活水平再上新的台阶。
随着电力体制的改革不断推进,供电企业中存在的问题逐渐暴露出来。对于供电企业而言,经营过程中存在的问题不仅会使得企业的效益大大降低,还会使得不必要的成本大大增加。因此,对于供电企业来说,发现经营过程中的问题并尽快将其解决是非常有必要的。而在供电企业经营过程中,最为主要的问题之一就是成本控制问题,成本控制问题最重要的问题之一就是能够有效的对用户侧的用电量进行精准的预测,进而降低发电机的发电成本。目前已经有基于线性负荷预测、曲线拟合等短期负荷预测方式,但是均是基于理想化的数据进行预测,造成预测结果与实际用电情况之间产生存在相对较高的偏差。
发明内容
本发明实施例提供了电力负荷预测的方法和装置,以用电单位的实际用电数据为基础,采用线性外推法对电力数据进行短期的负荷预测,有效地提高了预测结果的准确性。
第一方面,本发明实施例提供了一种电力负荷预测的方法,该预测方法包括:
S1:提取待预测用电单位的历史负荷数据;
S2:根据所述历史负荷数据对电力负荷进行线性拟合,得到电力负荷预测模型;
S3:根据所述电力负荷预测模型,对电力负荷进行预测。
本发明实施例提供的电力负荷预测的方法,以用电单位的实际用电数据为基础,采用线性外推法对电力数据进行短期的负荷预测,有效地提高了预测结果的准确性。
优选地,在步骤S2之前进一步包括:
对待预测用电单位的历史负荷数据进行清洗,去除所有历史负荷数据中的异常历史负荷数据;
步骤S2的具体过程包括:
根据去除异常历史负荷数据之后的历史负荷数据对电力负荷进行线性拟合。
本发明实施例对待预测用电单位的历史负荷数据进行清洗,纠正和去除数据的错误,获得更为完整的信息,提高数据的质量、正确性,从而减小异常数据对预测结果的影响,进一步提高最终预测结果的准确性。
除此之外,在该实施例中可以基于聚类算法对待预测用电单位的历史负荷数据进行清洗。而采用的聚类技术可以是Canopy技术,该技术大致可以分为两个阶段,第一阶段是粗糙地、快速地把数据分成一些重叠的、称为罩盖(Canopy)的子集;第二阶段对Canopy内的点用更精确的度量方法再进行聚类。再两个阶段使用两种不同的距离度量方法,形成重叠的Canopy。第一阶段可以使用那些开销极小的方法找到以数据点为中心的区域。第一阶段创建好Canopy后,第二阶段针对Canopy内的点使用更严格、也更精确、开销也更大的距离计算方法进行聚类。因为只需要对子集内的点进行精确的计算,从而减少了传统聚类算法中对所有数据点进行精确的计算量,另外允许有重叠的子集也增加了算法的容错性。在该实施例中采用聚类算法对待预测用电单位的历史负荷数据进行清洗,不仅能够保证清洗的高准确度,并且提高了清洗效率。
优选地,步骤S2的具体过程包括:
根据所述历史负荷数据,利用拟合方程对电力负荷进行线性拟合,所述拟合方程为:
优选地,步骤S2的具体过程包括:
利用所述拟合方程,通过最小二乘法进行线性拟合,得到拟合方程的系数,其中,
其中,t1为当前时间;t0为t1的前一时刻;t2为t1的后一时刻;y(ti)为ti时刻对应的电力负荷。
优选地,步骤S2得到电力负荷预测模型为:
y(t2)=y(t1)+b*Δt
其中,Δι为电力负荷预测时间差,t0=t1-Δι,t2=t1+Δι。
第二方面,本发明实施例提供了一种电力负荷预测的装置,该预测装置包括:数据提取模块、模型获取模块和负荷预测模块,其中,
所述数据提取模块,用于提取待预测用电单位的历史负荷数据;
所述模型获取模块,用于根据所述数据提取模块提取的历史负荷数据对电力负荷进行线性拟合,得到电力负荷预测模型;
所述负荷预测模块,用于根据所述模型获取模块得到的电力负荷预测模型,对电力负荷进行预测。
本发明实施例提供的电力负荷预测的装置,以用电单位的实际用电数据为基础,采用线性外推法对电力数据进行短期的负荷预测,有效地提高了预测结果的准确性。
除此之外,在该实施例中可以基于聚类算法对待预测用电单位的历史负荷数据进行清洗。而采用的聚类技术可以是Canopy技术,该技术大致可以分为两个阶段,第一阶段是粗糙地、快速地把数据分成一些重叠的、称为罩盖(Canopy)的子集;第二阶段对Canopy内的点用更精确的度量方法再进行聚类。再两个阶段使用两种不同的距离度量方法,形成重叠的Canopy。第一阶段可以使用那些开销极小的方法找到以数据点为中心的区域。第一阶段创建好Canopy后,第二阶段针对Canopy内的点使用更严格、也更精确、开销也更大的距离计算方法进行聚类。因为只需要对子集内的点进行精确的计算,从而减少了传统聚类算法中对所有数据点进行精确的计算量,另外允许有重叠的子集也增加了算法的容错性。在该实施例中采用聚类算法对待预测用电单位的历史负荷数据进行清洗,不仅能够保证清洗的高准确度,并且提高了清洗效率。
优选地,该预测装置还包括:数据清洗模块;
所述数据清洗模块,用于对所述数据提取模块提取的历史负荷数据进行清洗,去除所有历史负荷数据中的异常历史负荷数据;
所述模型获取模块,具体用于根据所述数据清洗模块去除异常历史负荷数据之后的历史负荷数据对电力负荷进行线性拟合。
本发明实施例对待预测用电单位的历史负荷数据进行清洗,纠正和去除数据的错误,获得更为完整的信息,提高数据的质量、正确性,从而减小异常数据对预测结果的影响,进一步提高最终预测结果的准确性。
优选地,所述模型获取模块,具体用于根据所述历史负荷数据,利用拟合方程对电力负荷进行线性拟合,所述拟合方程为:
优选地,所述模型获取模块,具体用于利用所述拟合方程,通过最小二乘法进行线性拟合,得到拟合方程的系数,其中,
其中,t1为当前时间;t0为t1的前一时刻;t2为t1的后一时刻;y(ti)为ti时刻对应的电力负荷。
优选地,所述模型获取模块得到的电力负荷预测模型为:
y(t2)=y(t1)+b*Δt
其中,Δt为电力负荷预测时间差,t0=t1-Δt,t2=t1+Δt。
与现有技术相比,本发明至少具有以下有益效果:
本发明以用电单位的实际用电数据为基础,采用线性外推法对电力数据进行短期的负荷预测,有效地提高了预测结果的准确性;
本发明对待预测用电单位的历史负荷数据进行清洗,纠正和去除数据的错误,获得更为完整的信息,提高数据的质量、正确性,从而减小异常数据对预测结果的影响,进一步提高最终预测结果的准确性。
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是本发明一个实施例提供的一种电力负荷预测的方法进行预测的流程图;
图2是本发明一个实施例提供的另一种电力负荷预测的方法进行预测的流程图;
图3是本发明一个实施例提供的一种电力负荷预测的装置的结构框图;
图4是本发明一个实施例提供的另一种电力负荷预测的装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种电力负荷预测的方法,该方法可以包括以下步骤:
S1:提取待预测用电单位的历史负荷数据;
S2:根据所述历史负荷数据对电力负荷进行线性拟合,得到电力负荷预测模型;
S3:根据所述电力负荷预测模型,对电力负荷进行预测。
值得说明是,待预测用电单位可以一个企业或多个企业,也可以是某一区域或多个区域。历史负荷数据是以当前时间为基准过去的某一段时间产生的数据,可以是间断的某些时刻的用电数据,也可以是连续不间断的一段时间的用电数据。
在实施例中提供的电力负荷预测的方法,以用电单位的实际用电数据为基础,采用线性外推法对电力数据进行短期的负荷预测,有效地提高了预测结果的准确性。
在本发明一个实施例中,在步骤S2之前进一步包括:
对待预测用电单位的历史负荷数据进行清洗,去除所有历史负荷数据中的异常历史负荷数据;
步骤S2的具体过程包括:
根据去除异常历史负荷数据之后的历史负荷数据对电力负荷进行线性拟合。
该实施例对待预测用电单位的历史负荷数据进行清洗,纠正和去除数据的错误,获得更为完整的信息,提高数据的质量、正确性,从而减小异常数据对预测结果的影响,进一步提高最终预测结果的准确性。
除此之外,在该实施例中可以基于聚类算法对待预测用电单位的历史负荷数据进行清洗。而采用的聚类技术可以是Canopy技术,该技术大致可以分为两个阶段,第一阶段是粗糙地、快速地把数据分成一些重叠的、称为罩盖(Canopy)的子集;第二阶段对Canopy内的点用更精确的度量方法再进行聚类。再两个阶段使用两种不同的距离度量方法,形成重叠的Canopy。第一阶段可以使用那些开销极小的方法找到以数据点为中心的区域。第一阶段创建好Canopy后,第二阶段针对Canopy内的点使用更严格、也更精确、开销也更大的距离计算方法进行聚类。因为只需要对子集内的点进行精确的计算,从而减少了传统聚类算法中对所有数据点进行精确的计算量,另外允许有重叠的子集也增加了算法的容错性。在该实施例中采用聚类算法对待预测用电单位的历史负荷数据进行清洗,不仅能够保证清洗的高准确度,并且提高了清洗效率。
在本发明一个实施例中,步骤S2的具体过程包括:
根据所述历史负荷数据,利用拟合方程对电力负荷进行线性拟合,所述拟合方程为:
在本发明一个实施例中,步骤S2的具体过程包括:
利用所述拟合方程,通过最小二乘法进行线性拟合,得到拟合方程的系数,其中,
其中,t1为当前时间;t0为t1的前一时刻;t2为t1的后一时刻;y(ti)为ti时刻对应的电力负荷。
值得说明的是,在该实施例中通过最小二乘法进行线性拟合,而在不同的实际情况中可以采用不同拟合方法。
在本发明一个实施例中,步骤S2得到电力负荷预测模型为:
y(t2)=y(t1)+b*Δt
其中,Δt为电力负荷预测时间差,t0=t1-Δt,t2=t1+Δt。
为了更加清晰阐述本发明提供的方法,下面将结合实际对本发明提供的方法进行详细陈述。
如图2所示,本发明实施例提供了一种电力负荷预测的方法,该方法可以包括以下步骤:
S1:提取待预测用电单位的历史负荷数据。
在该步骤中,待预测用电单位为某一区域,历史负荷数据是以当前时间为基准近两年的用电数据。
N1:对待预测用电单位的历史负荷数据进行清洗,去除所有历史负荷数据中的异常历史负荷数据。
在该步骤中,基于聚类算法对待预测用电单位的历史负荷数据进行清洗。而采用的聚类技术可以是Canopy技术,该技术大致可以分为两个阶段,第一阶段是粗糙地、快速地把数据分成一些重叠的、称为罩盖(Canopy)的子集;第二阶段对Canopy内的点用更精确的度量方法再进行聚类。再两个阶段使用两种不同的距离度量方法,形成重叠的Canopy。第一阶段可以使用那些开销极小的方法找到以数据点为中心的区域。第一阶段创建好Canopy后,第二阶段针对Canopy内的点使用更严格、也更精确、开销也更大的距离计算方法进行聚类。因为只需要对子集内的点进行精确的计算,从而减少了传统聚类算法中对所有数据点进行精确的计算量,另外允许有重叠的子集也增加了算法的容错性。对待预测用电单位的历史负荷数据进行清洗,纠正和去除数据的错误,获得更为完整的信息,提高数据的质量、正确性,从而减小异常数据对预测结果的影响,进一步提高最终预测结果的准确性。除此之外,采用聚类算法对待预测用电单位的历史负荷数据进行清洗,不仅能够保证清洗的高准确度,并且提高了清洗效率。
S2:根据所述历史负荷数据,利用拟合方程通过最小二乘法对电力负荷进行线性拟合,得到电力负荷预测模型。
在该步骤中,假设当前时间为t1,预测步长(电力负荷预测时间差)为
Δt,则t1前一时刻为t0(t0=t1-Δt),t1后一时刻为t2(t2=t1+Δt);记第i天t时刻的负荷值为y(i,t),历史负荷数据共k个数值,那么t0时刻的电力负荷为:t1时刻的电力负荷为:t2时刻的电力负荷为:然后对y(t0)、y(t1)、y(t2)进行曲线拟合,假设拟合方程为:通过最小二乘法拟合可得: Δy=y(t2)-y(t1)=b*Δt,从而得到电力负荷预测模型为:y(t2)=y(t1)+Δy=y(t1)+h*Δt。
S3:根据所述电力负荷预测模型,对电力负荷进行预测。
该实施例以用电单位的实际用电数据为基础,采用线性外推法对电力数据进行短期的负荷预测,有效地提高了预测结果的准确性。
如图3所示,本发明实施例提供了一种电力负荷预测的装置,该预测装置包括:数据提取模块、模型获取模块和负荷预测模块,其中,
所述数据提取模块,用于提取待预测用电单位的历史负荷数据;
所述模型获取模块,用于根据所述数据提取模块提取的历史负荷数据对电力负荷进行线性拟合,得到电力负荷预测模型;
所述负荷预测模块,用于根据所述模型获取模块得到的电力负荷预测模型,对电力负荷进行预测。
本发明实施例提供的电力负荷预测的装置,以用电单位的实际用电数据为基础,采用线性外推法对电力数据进行短期的负荷预测,有效地提高了预测结果的准确性。
如图4所示,在本发明一个实施例中,该预测装置还包括:数据清洗模块:
所述数据清洗模块,用于对所述数据提取模块提取的历史负荷数据进行清洗,去除所有历史负荷数据中的异常历史负荷数据;
所述模型获取模块,具体用于根据所述数据清洗模块去除异常历史负荷数据之后的历史负荷数据对电力负荷进行线性拟合。
本发明实施例对待预测用电单位的历史负荷数据进行清洗,纠正和去除数据的错误,获得更为完整的信息,提高数据的质量、正确性,从而减小异常数据对预测结果的影响,进一步提高最终预测结果的准确性。
除此之外,在该实施例中可以基于聚类算法对待预测用电单位的历史负荷数据进行清洗。而采用的聚类技术可以是Canopy技术,该技术大致可以分为两个阶段,第一阶段是粗糙地、快速地把数据分成一些重叠的、称为罩盖(Canopy)的子集;第二阶段对Canopy内的点用更精确的度量方法再进行聚类。再两个阶段使用两种不同的距离度量方法,形成重叠的Canopy。第一阶段可以使用那些开销极小的方法找到以数据点为中心的区域。第一阶段创建好Canopy后,第二阶段针对Canopy内的点使用更严格、也更精确、开销也更大的距离计算方法进行聚类。因为只需要对子集内的点进行精确的计算,从而减少了传统聚类算法中对所有数据点进行精确的计算量,另外允许有重叠的子集也增加了算法的容错性。在该实施例中采用聚类算法对待预测用电单位的历史负荷数据进行清洗,不仅能够保证清洗的高准确度,并且提高了清洗效率。
在本发明一个实施例中,所述模型获取模块,具体用于根据所述历史负荷数据,利用拟合方程对电力负荷进行线性拟合,所述拟合方程为:
优选地,所述模型获取模块,具体用于利用所述拟合方程,通过最小二乘法进行线性拟合,得到拟合方程的系数,其中,
其中,t1为当前时间;t0为t1的前一时刻;t2为t1的后一时刻;y(ti)为ti时刻对应的电力负荷。
在本发明一个实施例中,所述模型获取模块得到的电力负荷预测模型为:
y(t2)=y(t1)+b*Δt
其中,Δι为电力负荷预测时间差,t0=t1-Δι,t2=t1+Δι。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个······”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (2)
1.一种电力负荷预测的方法,其特征在于,该方法包括:
S1:提取待预测用电单位的历史负荷数据;
S2:根据所述历史负荷数据对电力负荷进行线性拟合,得到电力负荷预测模型;
S3:根据所述电力负荷预测模型,对电力负荷进行预测;
在步骤S2之前进一步包括:
对待预测用电单位的历史负荷数据进行清洗,去除所有历史负荷数据中的异常历史负荷数据;
步骤S2的具体过程包括:
根据去除异常历史负荷数据之后的历史负荷数据对电力负荷进行线性拟合;
步骤S2的具体过程包括:
根据所述历史负荷数据,利用拟合方程对电力负荷进行线性拟合,所述拟合方程为:
步骤S2的具体过程包括:
利用所述拟合方程,通过最小二乘法进行线性拟合,得到拟合方程的系数,其中,
其中,t1为当前时间;t0为t1的前一时刻;t2为t1的后一时刻;y(ti)为ti时刻对应的电力负荷;
步骤S2得到电力负荷预测模型为:
y(t2)=y(t1)+b*Δt
其中,Δt为电力负荷预测时间差,t0=t1-Δt,t2=t1+Δt。
2.一种电力负荷预测的装置,其特征在于,该装置包括:数据提取模块、模型获取模块和负荷预测模块,其中,
所述数据提取模块,用于提取待预测用电单位的历史负荷数据;
所述模型获取模块,用于根据所述数据提取模块提取的历史负荷数据对电力负荷进行线性拟合,得到电力负荷预测模型;
所述负荷预测模块,用于根据所述模型获取模块得到的电力负荷预测模型,对电力负荷进行预测;
该预测装置还包括:数据清洗模块;
所述数据清洗模块,用于对所述数据提取模块提取的历史负荷数据进行清洗,去除所有历史负荷数据中的异常历史负荷数据;
所述模型获取模块,具体用于根据所述数据清洗模块去除异常历史负荷数据之后的历史负荷数据对电力负荷进行线性拟合;
所述模型获取模块,具体用于根据所述历史负荷数据,利用拟合方程对电力负荷进行线性拟合,所述拟合方程为:
所述模型获取模块,具体用于利用所述拟合方程,通过最小二乘法进行线性拟合,得到拟合方程的系数,其中,
其中,t1为当前时间;t0为t1的前一时刻;t2为t1的后一时刻;y(ti)为ti时刻对应的电力负荷;
所述模型获取模块得到的电力负荷预测模型为:
y(t2)=y(t1)+b*Δt
其中,Δt为电力负荷预测时间差,t0=t1-Δt,t2=t1+Δt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478827.8A CN109726365B (zh) | 2018-12-05 | 2018-12-05 | 一种电力负荷预测的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478827.8A CN109726365B (zh) | 2018-12-05 | 2018-12-05 | 一种电力负荷预测的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726365A CN109726365A (zh) | 2019-05-07 |
CN109726365B true CN109726365B (zh) | 2022-11-29 |
Family
ID=66295194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811478827.8A Active CN109726365B (zh) | 2018-12-05 | 2018-12-05 | 一种电力负荷预测的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726365B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583065B (zh) * | 2020-05-12 | 2023-08-22 | 广东电网有限责任公司计量中心 | 一种电力负荷数据预测方法及装置 |
CN114298388A (zh) * | 2021-12-21 | 2022-04-08 | 青岛鼎信通讯股份有限公司 | 一种基于台区融合终端历史数据的负荷预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102624017A (zh) * | 2012-03-22 | 2012-08-01 | 清华大学 | 一种基于负荷预测的电池储能系统削峰填谷实时控制方法 |
CN103514491A (zh) * | 2013-10-18 | 2014-01-15 | 国网四川省电力公司自贡供电公司 | 一种电力负荷预测方法 |
CN104123617A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种电力负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237791A (zh) * | 2013-06-20 | 2014-12-24 | 电子科技大学 | 一种锂电池荷电状态估算方法及电池管理系统和电池系统 |
-
2018
- 2018-12-05 CN CN201811478827.8A patent/CN109726365B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102624017A (zh) * | 2012-03-22 | 2012-08-01 | 清华大学 | 一种基于负荷预测的电池储能系统削峰填谷实时控制方法 |
CN103514491A (zh) * | 2013-10-18 | 2014-01-15 | 国网四川省电力公司自贡供电公司 | 一种电力负荷预测方法 |
CN104123617A (zh) * | 2014-07-25 | 2014-10-29 | 国家电网公司 | 一种电力负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109726365A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480440B (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN103268524B (zh) | 一种提高电网短期负荷预测准确度的方法 | |
CN108846528B (zh) | 一种大工业电力用户长期负荷预测方法 | |
WO2017054537A1 (zh) | 一种长时间尺度光伏出力时间序列建模方法及装置 | |
CN109726365B (zh) | 一种电力负荷预测的方法和装置 | |
Welte | Using state diagrams for modeling maintenance of deteriorating systems | |
Mallor et al. | A method for detecting malfunctions in PV solar panels based on electricity production monitoring | |
CN108334997B (zh) | 基于支撑故障事件约束机组组合的备用优化方法和装置 | |
EP2983048A3 (en) | Wind power plant management system and method thereof | |
CN107992520B (zh) | 一种基于用电行为轨迹的异常用电识别方法 | |
JP6032486B2 (ja) | 電力管理システム、電力管理方法 | |
CN102521080A (zh) | 电力用户用电信息采集系统的计算机数据修复方法 | |
JP2017010111A (ja) | ノイズデータ除去支援装置、方法、および、プログラム | |
Chang et al. | Forecasting flicker severity by grey predictor | |
JP6582758B2 (ja) | 発電計画作成装置、発電計画作成プログラム及び発電計画作成方法 | |
CN115496278A (zh) | 一种水电机组定子线圈温度预警方法及系统 | |
CN109236589B (zh) | 一种用于评估风机叶片除冰投资方案的方法及装置 | |
JP2015156764A (ja) | 配電系統の実負荷推定に資する学習データの作成方法、プログラム並びに配電系統の実負荷推定装置および推定方法 | |
JP6398339B2 (ja) | 製造工場におけるスケジュール管理装置および製造工場の操業方法 | |
CN106529060B (zh) | 一种负荷序列建模方法及系统 | |
CN117689160A (zh) | 一种基于电力调度日计划的窗口可视方法及系统 | |
KR102413415B1 (ko) | 태양광 발전량 데이터에 대한 시계열 모델의 결측치 보간 방법 | |
CN111080487A (zh) | 一种售电市场电量预测方法及装置 | |
Nielsen et al. | Risk-based decision making for deterioration processes using POMDP | |
CN116191412A (zh) | 电力负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |