CN109858728A - 基于分行业用电特性分析的负荷预测方法 - Google Patents
基于分行业用电特性分析的负荷预测方法 Download PDFInfo
- Publication number
- CN109858728A CN109858728A CN201811463678.8A CN201811463678A CN109858728A CN 109858728 A CN109858728 A CN 109858728A CN 201811463678 A CN201811463678 A CN 201811463678A CN 109858728 A CN109858728 A CN 109858728A
- Authority
- CN
- China
- Prior art keywords
- load
- user
- typical
- industry
- growth
- 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.)
- Granted
Links
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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
-
- 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)
Abstract
本发明公开了一种基于分行业用电特性分析的负荷预测方法,包括以下步骤:S1:将电力用户分成行业用电用户、居民用电用户,居民用电用户又分为住宅小区用户、小容量公变;S2:利用负荷饱和识别技术识别行业用电用户、住宅小区用户中的已饱和用户、未饱和用户;S3:对已饱和用户按照近三年的负荷均值作为未来预测值;对未饱和用户和报装用户进行典型增长模式分析;S4:对小容量公变汇总统计自然增长率;S5:分别计算行业内、行业间同时率;S6:将所有类别负荷进行汇总,得到全区负荷预测结果。本发明在海量用户负荷数据的用电增长特性分析基础上进行分类预测,再应用各层级同时率进行汇总计算区域的总体负荷预测结果。
Description
技术领域
本发明涉及电力负荷特性研究领域,特别是涉及一种基于分行业用电特性分析的负荷预测方法。
背景技术
电力电量预测工作关系到电力系统调度运行、生产经营计划制定和电网规划编制,准确的电力电量预测结果能够规避电网风险,有助于提高系统的安全性、稳定性和电网投资效益。目前,供电企业短期电力负荷预测方法主要有三大类:
1)趋势外推法。主要是以回归分析、指数平滑等模型为基础,以时间和电力电量为参数拟合模型,并按照时间发展计算模型值作为未来预测值;
2)基于电量与经济的内在关系的预测方法。主要包含产值单耗法、弹性系数法,以未来的经济发展目标为依据,以弹性系数、产值单耗等指标预判的方式,进行的预测方法;
3)基于负荷特性的研究方法,主要包含S型曲线预测法等。
第一类方法涉及变量少,数据点少,但数据存在滞后性,对预测模型本身依赖较多;第二类方法,对电力经济相关性指标的预判依赖一般经验,不能很好地满足城市特定发展实际;第三类方法,传统的负荷特性与现有用户丰富的信息量已经不匹配,精准度已经不能满足实际日益精细化工作要求。
因此亟需提供一种新型的基于分行业用电特性分析的负荷预测方法来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种基于分行业用电特性分析的负荷预测方法,在海量用户负荷数据的用电增长特性分析基础上进行分类预测,再应用各层级同时率进行汇总计算区域的总体负荷预测结果。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于分行业用电特性分析的负荷预测方法,包括以下步骤:
S1:将电力用户分成行业用电用户、居民用电用户,居民用电用户又分为住宅小区用户、小容量公变;
S2:利用负荷饱和识别技术识别行业用电用户、住宅小区用户中的已饱和用户、未饱和用户;
S3:对已饱和用户按照近三年的负荷均值作为未来预测值;对未饱和用户和报装用户进行典型增长模式分析,包括计算典型行业增长特性参数及典型居民增长特性参数、绘制典型负荷成长曲线;
S4:对小容量公变汇总统计自然增长率,并按照所述自然增长率进行预测;
S5:分别计算行业内同时率、行业间同时率,求取历年的最大值作为最终计算参数,并增加修正系数对预测结果进行修正;
S6:将所有类别负荷按照所述行业内同时率、行业间同时率、修正参数进行汇总,得到全区负荷预测结果。
在本发明一个较佳实施例中,在步骤S2中,所述负荷饱和识别技术为:
将多维度的历史负荷数据转换为增长初期滞后系数、增长中期速度系数、增长末期实用系数三个维度,对三个维度应用Logsitic模型拟合用户负荷数据,识别用户的负荷成长模式,当用户负荷成长曲线达到峰值时,则认为该用户为已饱和用户。
在本发明一个较佳实施例中,在步骤S3中,所述典型增长模式分析的方法为:
采用参数自适应的DBSCAN聚类分析算法,对典型行业增长特性参数及典型居民增长特性参数进行聚类,分不同行业、不同用电规模搜索典型组团;
统计所有行业典型组团特性参数均值,作为该行业类别的负荷增长参数典型值,根据典型参数值形成行业典型负荷成长曲线。
进一步的,判断用户是否为饱和用户以及计算典型行业增长特性参数及典型居民增长特性参数均通过如下Logsitic模型计算得出:
其中,yt表示用户负荷值,t表示年份,a、b、k为拟合参数;
令Logsitic模型三阶导为零,得到两个拐点P1(T1,Y1)和P3(T3,Y3),为Logistic曲线增速变化拐点,其中T3表示Logsitic模型进行饱和阶段的时间。
更进一步的,所述典型行业增长特性参数或典型居民增长特性参数包括增长速度系数T1、T3、增长末期实用系数1/k,采用如下公式计算得出:
其中,a为增长初期滞后系数,b为增长中期速度系数。
在本发明一个较佳实施例中,步骤S4的具体过程为:
获取630kVA以下所有公变的负荷历年累加值,求取负荷年均增长率,并按照所述自然增长率进行年度公变负荷预测。
在本发明一个较佳实施例中,在步骤S5中,所述行业内同时率、行业间同时率及修正系数的计算公式如下:
行业内同时率=用户典型日各个时刻负荷总和的最大值/该行业用户全年负荷最大值的总和 (3)
行业间同时率=所有用户典型日各个时刻负荷总和的最大值/所有行业中用户典型日各个时刻负荷总和最大值的总和; (4)
修正系数=全区用户典型日分时刻负荷总和的最大值/全区典型日最大负荷 (5)
其中,所述用户典型日为全区最高负荷日。
在本发明一个较佳实施例中,步骤S6的具体过程为:
将已饱和的行业用电用户、居民住宅用户的负荷作为基础负荷,未饱和的用户和报装用户的负荷作为快速增长负荷,小容量公变负荷作为自然增长负荷;
将基础负荷、快速增长负荷、自然增长负荷所有负荷进行叠加得到用户预测值,按如下公式(6)计算得到全区负荷预测结果。
全区负荷=(∑用户预测值×行业内同时率)×行业间同时率×修正系数 (6)
本发明的有益效果是:本发明是一种从用户负荷预测出发的自用户至区域的负荷预测方法,在海量用户负荷数据的用电增长特性分析基础上进行分类预测,再应用各层级同时率进行汇总计算区域的总体负荷预测结果,用于地区电力负荷预测,经测试,算法适用性强,不仅可以计算区域负荷预测结果,还可以用于分析负荷的构成,对电力公司业务具备重要的支撑作用。具体包括如下优点:
(1)应用海量数据进行负荷预测:相较于传统负荷预测方法,运用了海量负荷数据,不仅仅依赖区域的总负荷值,而是将所有用户分门别类的进行预测,预测方法更为科学;
(2)预测方法不受普适模型限制:不同城市的负荷增长曲线不同,传统方法采用统一模型而忽略各城市本身的发展特点,本方法是从城市自身用户的历史负荷数据出发,形成地区特定的负荷增长参数;
(3)预测结果更丰富:传统负荷预测最终结果一般为全区的负荷预测值,本方法一方面可以获取行业和居民用户的典型增长参数,另一方面可以获取所有行业和居民的负荷预测值;
(4)负荷预测结果更精准:自下而上的预测较传统预测方法相比,总体预测结果准确度有明显提高,预测精度提高5%以上;
(5)优化电网投资和调度运行:负荷预测结果可以对变电站布点起到较好的优化作用,可以进一步提高电网投资效益,同时,更好指导电网调整运行方式、合理调度运行;
(6)负荷预测结果更丰富:本方法得出的用户增长特性参数、同时率计算结果可应用于制定用户接入方案、配电网规划等工作。
附图说明
图1是本发明基于分行业用电特性分析的负荷预测方法的简易流程示意图;
图2是所述基于分行业用电特性分析的负荷预测方法的具体流程示意图;
图3是所述行业典型负荷成长曲线的示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1和图2,本发明实施例包括:
一种基于分行业用电特性分析的负荷预测方法,包括以下步骤:
S1:在获取所有10kV以上的电力用户近5—10年的全年最大负荷数据基础上,根据用电类别将电力用户分成行业用电用户、居民用电用户,居民用电用户又分为住宅小区用户、小容量公变,将已经饱和的行业用电用户、居民住宅用户作为基础负荷,未饱和的用户和报装用户作为快速增长负荷,小容量公变负荷作为自然增长负荷;
S2:利用负荷饱和识别技术识别行业用电用户、住宅小区用户中的已饱和用户、未饱和用户;所述负荷饱和识别技术为:
将多维度的历史负荷数据转换为增长初期滞后系数、增长中期速度系数、增长末期实用系数三个维度,避免维度灾难。对三个维度应用Logsitic模型拟合用户负荷数据,识别用户的负荷成长模式,当用户负荷成长曲线达到峰值时,则认为该用户为已饱和用户。
Logsitic模型表达式及拟合参数定义如下:
其中,yt表示用户负荷值,t表示年份,a、b、k为拟合参数。
1)增长初期滞后系数a
a表征用户停留在缓慢增长阶段的时间长短。不同类型电力用户的起步速度是不同的,部分用户负荷发展前期速度慢,当到达一定条件时则开始进入负荷迅速发展阶段。a值越大,表明起步越滞后。
2)增长中期速度系数b
b表征用户停留在快速增长期的时间,反应了进入饱和状态的速度。不同类型用户停留在快速增长期内的时间不同,因用户生产模式、人员入驻速度而异。b越小,曲线越陡,快速发展期时间越短。
3)增长末期实用系数1/k
1/k表征用户用电达到饱和时负荷与容量的关系,即用户最终实用系数。
将logistic模型拟合的参数作为电力用户增长特性参数,识别度高,参数易于理解,对海量数据而言,可以降低数据维度,更易于提炼行业特征。通过上述拟合参数计算电力用户增长特性参数,所述电力用户增长特性参数包括增长速度系数T1、T3、增长末期实用系数1/k,采用如下公式计算得出:
具体计算过程为:令Logsitic模型三阶导为零,可得到两个拐点P1(T1,Y1)和P3(T3,Y3),为logistic曲线增速变化拐点。如图3所示,T1表征用户完成初期增长阶段的时间,对应的Y1代表达到饱和水平的20%左右。T3表征用户进入饱和增长阶段需要的时间,对应的Y3代表达到饱和水平的80%左右。即原点O到P1点的曲线为初期增长发展阶段,P1点到P3点的曲线为中期快速发展阶段,P3点之后的曲线为饱和增长发展阶段。当T3小于0,负荷曲线拟合于曲线末端,说明用户已经达到饱和水平。
S3:对已饱和用户按照近三年的负荷均值作为未来预测值;对未饱和用户和报装用户进行典型增长模式分析,包括计算典型行业增长特性参数及典型居民增长特性参数、绘制典型负荷成长曲线。所述报装用户为申请用电的电力用户,所述典型增长模式分析的方法为:
采用参数自适应的DBSCAN聚类分析算法,对典型行业增长特性参数及典型居民增长特性参数进行聚类,分不同行业、不同用电规模搜索典型组团;具体过程为:
S3.1:获取不同层级行业、不同容量段电力用户的三个维度的增长特性参数T1、T3、1\k;
S3.2:给定密度聚类的EPS初值、循环步长、终值,根据核密度理论求取EPS对应的最小样本数minPts;其中,
所述EPS初值的取值范围为0.05—0.3,所述循环步长为0.05,所述终值为0.3。
S3.3:通过DBSCAN算法寻找典型组团,具体过程包括:
通过DBSCAN算法将用户自动分为若干类,如制造业、金融业、房地产业,判断是否存在密度集中区域且最大组团数量占比大的组团;
若存在最大组团数量占比超过60%的组团,则该组团作为该行业、容量段的典型组团,根据典型组团存在的规律自动统计组团特征,判断规律显著程度;
若不存在最大组团数量占比超过60%的组团,则增加一个循环步长继续搜索典型组团,直至循环步长等于终值时结束。
统计所有行业典型组团特性参数均值,作为该行业类别的负荷增长参数典型值,最终定量给出不同行业、不同规模用户的典型末期实用系数(1/k)以及增长速度系数(T1、T3),根据典型参数值形成行业典型负荷成长曲线。
应用自适应参数的密度聚类算法进行逐级行业的规律探寻,运算速度快,适用于分行业用户电力负荷典型特征挖掘。
S4:对小容量公变汇总统计自然增长率,并按照所述自然增长率进行预测;
小容量公变由于本身增容改造频繁的原因,采用负荷饱和识别技术效果不佳,并且随着近年来公变的布点增容,小容量公变的负荷不断在重新分配。因此将小容量公变作为一个整体来研究负荷增长。具体过程为:
获取630kVA以下所有公变的负荷历年累加值,求取负荷年均增长率,并按照所述自然增长率进行年度公变负荷预测。
S5:分别计算行业内同时率、行业间同时率,求取历年的最大值作为最终计算参数,并增加修正系数对预测结果进行修正;所述行业内同时率、行业间同时率及修正系数的计算公式如下:
行业内同时率=用户典型日各个时刻负荷总和的最大值/该行业用户全年负荷最大值的总和 (3)
行业间同时率=所有用户典型日各个时刻负荷总和的最大值/所有行业中用户典型日各个时刻负荷总和最大值的总和; (4)
修正系数=全区用户典型日分时刻负荷总和的最大值/全区典型日最大负荷 (5)
其中,所述用户典型日为全区最高负荷日。
S6:将基础负荷、快速增长负荷、自然增长负荷所有负荷进行叠加得到用户预测值,按如下公式(6)计算得到全区负荷预测结果。
全区负荷=(∑用户预测值×行业内同时率)×行业间同时率×修正系数 (6)
本发明是一种从用户负荷预测出发的自用户至区域的负荷预测方法,在海量用户负荷数据的用电增长特性分析基础上进行分类预测,再应用各层级同时率进行汇总计算区域的总体负荷预测结果,适应于现有电力采集业务,算法高效科学,负荷预测方法能够为调度运行、电网规划提供较强指导。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于分行业用电特性分析的负荷预测方法,包括以下步骤:
S1:将电力用户分成行业用电用户、居民用电用户,居民用电用户又分为住宅小区用户、小容量公变;
S2:利用负荷饱和识别技术识别行业用电用户、住宅小区用户中的已饱和用户、未饱和用户;
S3:对已饱和用户按照近三年的负荷均值作为未来预测值;对未饱和用户和报装用户进行典型增长模式分析,包括计算典型行业增长特性参数及典型居民增长特性参数、绘制典型负荷成长曲线;
S4:对小容量公变汇总统计自然增长率,并按照所述自然增长率进行预测;
S5:分别计算行业内同时率、行业间同时率,求取历年的最大值作为最终计算参数,并增加修正系数对预测结果进行修正;
S6:将所有类别负荷按照所述行业内同时率、行业间同时率、修正参数进行汇总,得到全区负荷预测结果。
2.根据权利要求1所述的基于分行业用电特性分析的负荷预测方法,其特征在于,在步骤S2中,所述负荷饱和识别技术为:
将多维度的历史负荷数据转换为增长初期滞后系数、增长中期速度系数、增长末期实用系数三个维度,对三个维度应用Logsitic模型拟合用户负荷数据,识别用户的负荷成长模式,当用户负荷成长曲线达到峰值时,则认为该用户为已饱和用户。
3.根据权利要求1所述的基于分行业用电特性分析的负荷预测方法,其特征在于,在步骤S3中,所述典型增长模式分析的方法为:
采用参数自适应的DBSCAN聚类分析算法,对典型行业增长特性参数及典型居民增长特性参数进行聚类,分不同行业、不同用电规模搜索典型组团;
统计所有行业典型组团特性参数均值,作为该行业类别的负荷增长参数典型值,根据典型参数值形成行业典型负荷成长曲线。
4.根据权利要求2或3所述的基于分行业用电特性分析的负荷预测方法,其特征在于,判断用户是否为饱和用户以及计算典型行业增长特性参数及典型居民增长特性参数均通过如下Logsitic模型计算得出:
其中,yt表示用户负荷值,t表示年份,a、b、k为拟合参数;
令Logsitic模型三阶导为零,得到两个拐点P1(T1,Y1)和P3(T3,Y3),为Logistic曲线增速变化拐点,其中T3表示Logsitic模型进行饱和阶段的时间。
5.根据权利要求4所述的基于分行业用电特性分析的负荷预测方法,其特征在于,所述典型行业增长特性参数或典型居民增长特性参数包括增长速度系数T1、T3、增长末期实用系数1/k,采用如下公式计算得出:
其中,a为增长初期滞后系数,b为增长中期速度系数。
6.根据权利要求1所述的基于分行业用电特性分析的负荷预测方法,其特征在于,步骤S4的具体过程为:
获取630kVA以下所有公变的负荷历年累加值,求取负荷年均增长率,并按照所述自然增长率进行年度公变负荷预测。
7.根据权利要求1所述的基于分行业用电特性分析的负荷预测方法,其特征在于,在步骤S5中,所述行业内同时率、行业间同时率及修正系数的计算公式如下:
行业内同时率=用户典型日各个时刻负荷总和的最大值/该行业用户全年负荷最大值的总和(3)
行业间同时率=所有用户典型日各个时刻负荷总和的最大值/所有行业中用户典型日各个时刻负荷总和最大值的总和;(4)
修正系数=全区用户典型日分时刻负荷总和的最大值/全区典型日最大负荷(5)其中,所述用户典型日为全区最高负荷日。
8.根据权利要求1所述的基于分行业用电特性分析的负荷预测方法,其特征在于,步骤S6的具体过程为:
将已饱和的行业用电用户、居民住宅用户的负荷作为基础负荷,未饱和的用户和报装用户的负荷作为快速增长负荷,小容量公变负荷作为自然增长负荷;
将基础负荷、快速增长负荷、自然增长负荷所有负荷进行叠加得到用户预测值,按如下公式(6)计算得到全区负荷预测结果。
全区负荷=(∑用户预测值×行业内同时率)×行业间同时率×修正系数 (6)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811463678.8A CN109858728B (zh) | 2018-12-03 | 2018-12-03 | 基于分行业用电特性分析的负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811463678.8A CN109858728B (zh) | 2018-12-03 | 2018-12-03 | 基于分行业用电特性分析的负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858728A true CN109858728A (zh) | 2019-06-07 |
CN109858728B CN109858728B (zh) | 2021-09-14 |
Family
ID=66890623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811463678.8A Active CN109858728B (zh) | 2018-12-03 | 2018-12-03 | 基于分行业用电特性分析的负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858728B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705806A (zh) * | 2019-10-16 | 2020-01-17 | 国家电网有限公司 | 一种基于容量利用小时数的电量预测方法 |
CN110717692A (zh) * | 2019-10-23 | 2020-01-21 | 上海浦源科技有限公司 | 一种社会工业发展不均衡的饱和电力计算方法 |
CN110751388A (zh) * | 2019-10-14 | 2020-02-04 | 国网山东省电力公司泰安供电公司 | 一种配电网居民户均配变容量指标计算的方法及系统 |
CN110991555A (zh) * | 2019-12-16 | 2020-04-10 | 国网上海市电力公司 | 一种典型行业的用户用电量异常监控方法 |
CN110991716A (zh) * | 2019-11-22 | 2020-04-10 | 国网浙江省电力有限公司杭州供电公司 | 一种用于电力大用户业扩报装的负荷预测方法 |
CN112036636A (zh) * | 2020-08-28 | 2020-12-04 | 国网福建省电力有限公司经济技术研究院 | 一种以电能终端消费为主的综合能源负荷预测方法 |
CN112258052A (zh) * | 2020-10-26 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 电力负荷的预测方法及装置 |
CN112418516A (zh) * | 2020-11-20 | 2021-02-26 | 天津海川能源科技有限公司 | 基于大数据的标幺值法电力负荷预测方法及系统 |
CN112785118A (zh) * | 2020-12-24 | 2021-05-11 | 南京华盾电力信息安全测评有限公司 | 一种小型售电公司代理用户的月度用电量预测分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101325337A (zh) * | 2008-07-25 | 2008-12-17 | 河南省电力公司 | 一种电网运行四级梯度安全预警方法 |
KR20160063892A (ko) * | 2014-11-27 | 2016-06-07 | 주식회사 케이티 | 대용량 에너지 사용 데이터를 이용한 에너지 관리 서비스 방법 및 이를 위한 에너지 관리 시스템 |
CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
-
2018
- 2018-12-03 CN CN201811463678.8A patent/CN109858728B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101325337A (zh) * | 2008-07-25 | 2008-12-17 | 河南省电力公司 | 一种电网运行四级梯度安全预警方法 |
KR20160063892A (ko) * | 2014-11-27 | 2016-06-07 | 주식회사 케이티 | 대용량 에너지 사용 데이터를 이용한 에너지 관리 서비스 방법 및 이를 위한 에너지 관리 시스템 |
CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
Non-Patent Citations (1)
Title |
---|
蒋泽浩: "基于配电网规划的负荷预测研究与应用", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751388A (zh) * | 2019-10-14 | 2020-02-04 | 国网山东省电力公司泰安供电公司 | 一种配电网居民户均配变容量指标计算的方法及系统 |
CN110705806A (zh) * | 2019-10-16 | 2020-01-17 | 国家电网有限公司 | 一种基于容量利用小时数的电量预测方法 |
CN110705806B (zh) * | 2019-10-16 | 2023-04-07 | 国家电网有限公司 | 一种基于容量利用小时数的电量预测方法 |
CN110717692A (zh) * | 2019-10-23 | 2020-01-21 | 上海浦源科技有限公司 | 一种社会工业发展不均衡的饱和电力计算方法 |
CN110991716A (zh) * | 2019-11-22 | 2020-04-10 | 国网浙江省电力有限公司杭州供电公司 | 一种用于电力大用户业扩报装的负荷预测方法 |
CN110991555A (zh) * | 2019-12-16 | 2020-04-10 | 国网上海市电力公司 | 一种典型行业的用户用电量异常监控方法 |
CN112036636A (zh) * | 2020-08-28 | 2020-12-04 | 国网福建省电力有限公司经济技术研究院 | 一种以电能终端消费为主的综合能源负荷预测方法 |
CN112258052A (zh) * | 2020-10-26 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 电力负荷的预测方法及装置 |
CN112418516A (zh) * | 2020-11-20 | 2021-02-26 | 天津海川能源科技有限公司 | 基于大数据的标幺值法电力负荷预测方法及系统 |
CN112418516B (zh) * | 2020-11-20 | 2022-03-25 | 天津海川能源科技有限公司 | 基于大数据的标幺值法电力负荷预测方法及系统 |
CN112785118A (zh) * | 2020-12-24 | 2021-05-11 | 南京华盾电力信息安全测评有限公司 | 一种小型售电公司代理用户的月度用电量预测分析方法 |
CN112785118B (zh) * | 2020-12-24 | 2024-01-26 | 南京华盾电力信息安全测评有限公司 | 一种小型售电公司代理用户的月度用电量预测分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109858728B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858728A (zh) | 基于分行业用电特性分析的负荷预测方法 | |
CN110070048B (zh) | 基于双次K-means聚类的设备类型识别方法及系统 | |
CN108009938A (zh) | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 | |
CN105069525A (zh) | 全天候96点日负荷曲线预测及优化修正系统 | |
KR102346188B1 (ko) | 전력 수요 예측 방법 및 장치 | |
CN104008432A (zh) | 基于emd-kelm-ekf的微网短期负荷预测方法 | |
CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
CN111754037B (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
CN110380444B (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 | |
CN112330077B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN105787603A (zh) | 一种考虑需求侧资源的电网负荷预测方法和装置 | |
CN113869616A (zh) | 一种自适应的居民用户负荷预测方法 | |
Justo et al. | Behavioral similarity of residential customers using a neural network based on adaptive resonance theory | |
CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
CN106875058B (zh) | 一种电力业扩可开放容量智能判断方法 | |
Wen et al. | An energy demand-side management and net metering decision framework | |
Wang et al. | A data-driven load forecasting method for incentive demand response | |
Xiong et al. | The housing demand analysis and prediction of the real estate based on the AWGM (1, N) model | |
Yang et al. | China’s rural electricity market—a quantitative analysis | |
CN113962477A (zh) | 一种产业电量关联聚集预测方法、装置、设备及存储介质 | |
CN113450031A (zh) | 居民智慧用能服务潜在台区选取方法及装置 | |
CN109583763A (zh) | 分行业用户电力负荷增长特征挖掘算法 | |
CN110717779A (zh) | 一种电力交易系统、方法及其应用 | |
Zhao et al. | Application of combination forecast model in the medium and long term power load forecast |
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 |