CN110148026A - 一种企业月最大需量预测方法 - Google Patents

一种企业月最大需量预测方法 Download PDF

Info

Publication number
CN110148026A
CN110148026A CN201910434945.7A CN201910434945A CN110148026A CN 110148026 A CN110148026 A CN 110148026A CN 201910434945 A CN201910434945 A CN 201910434945A CN 110148026 A CN110148026 A CN 110148026A
Authority
CN
China
Prior art keywords
value
load
peak
monthly
max
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
Application number
CN201910434945.7A
Other languages
English (en)
Inventor
李沛楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingke Youneng (shenzhen) Technology Co Ltd
Original Assignee
Qingke Youneng (shenzhen) Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingke Youneng (shenzhen) Technology Co Ltd filed Critical Qingke Youneng (shenzhen) Technology Co Ltd
Priority to CN201910434945.7A priority Critical patent/CN110148026A/zh
Publication of CN110148026A publication Critical patent/CN110148026A/zh
Pending legal-status Critical Current

Links

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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开一种企业月最大需量预测方法，用于减小最大需量预测误差问题。包括以下步骤，步骤一，获取企业相关历史数据，得出参考月的月最大负荷值和平均温度值；步骤二，采用最大负荷特性区间分析法，求出每月峰平谷各部分最大负荷值，以及每月峰平谷出现最大负荷天数分别占总天数概率值，根据每月峰平谷各自最大负荷值和对应概率值，得出每月最大负荷特征值，根据“近大远小”设置加权序列，得出历史数据预测值；步骤三，采用负荷特性系数分类法，对影响企业负荷波动因素进行分类，获取预测月平均温度及最大负荷预估值，根据不同工况，得出不同特征函数；步骤四，通过对特征函数和历史数据预测值相乘，得出需量预测值，进一步给出申报建议。

Description

一种企业月最大需量预测方法
技术领域
本发明涉及一种电力预测技术领域，具体涉及一种企业月最大需量预测方法。
背景技术
根据《销售电价管理暂行办法》规定，大用电用户采用的两部制电价中，基本电费有两种计费方式，按变压器容量计费和按最大需量计费。根据最大需量政策要求，超过合同需量设定值的105％后会受到双倍惩罚，申请最大需量核定值低于变压器容量和高压电动机容量总和的40％时，按容量总和的40％核定合同最大需量。用电用户的变压器容量一般是固定的，其容量电费也是固定的，根据企业每月生产的不规定，企业需量值也是不固定，即需量电费也不是固定的，因此，准确进行企业需量预测，合理的申报最大需量，能达到满足生产需求，合理利用电力资源，降低用电成本。
经过对现有技术文献的检索发现，一种企业用电月最大需量的预测方法，专利号201410074421.9，该方法是把企业用电出线负荷设置为4个特性敏感系数，然后获取预测月的月气象预测平均温度值、月气象预测日照光强值、以及参考月平均温度值、月参考值等，但是该方法未考虑实际需量与历史需量值的差异性和变化性，且负荷特征函数未进行分类处理，因此该方法预测存在一定误差。一种企业月最大需量确定方法和装置，专利号201610796775.3，该专利采用月最大需量变化权值计算未来n个月中每个月的预测需量值，确定了n个月中连续a个月的预测最大需量中的最大值和最小值，并设定步长取值，计算各取值对应的a个电费，得出最小需量值作为预测值，但是该方法最少需要两年的历史数据，并且将历史数据的权重等同处理，未考虑不同月数据权重的“近大远小”因素，存在一定误差。
因此，现有技术还有待于改进和发展。
发明内容
本发明的目的，为了解决现有技术不足之处，提供一种企业月需量预测方法，该方法采用最大负荷特性区间分析法，并结合“近大远小”原则，得出根据历史计算的预测值；采用负荷特性系数分类法，得出在不同工况下客观因素影响需量预测系数，最后根据历史数据预测值和特征系数，得出月预测需量值及申报建议，具体方案如下：
步骤一，获取企业相关历史数据，得出参考月的月最大负荷值和平均温度值；
步骤二，采用最大负荷特性区间分析法，求出每月峰平谷各部分最大负荷值，以及每月峰平谷出现最大负荷天数分别占总天数概率值，根据每月峰平谷各自最大负荷值和对应概率值，得出每月最大负荷特征值，根据“近大远小”设置加权序列，得出历史数据预测值；
步骤三，采用负荷特性系数分类法，对影响企业负荷波动因素进行分类，获取预测月平均温度及最大负荷预估值，根据不同工况，得出不同特征函数；
步骤四，通过对特征函数和历史数据预测值相乘，得出需量预测值，进一步给出申报建议。
所述的采用最大负荷特性区间分析法，求出每月峰平谷各部分最大负荷值，以及每月峰平谷出现最大负荷天数分别占总天数概率值，根据每月峰平谷各自最大负荷值和对应概率值，得出每月最大负荷特征值，根据“近大远小”设置加权序列，得出历史数据预测值，分别如下所示：
第t月峰平谷区间各自出现最大负荷概率值的计算公式如下：
其中1≤t≤n≤12，npt、nft、nvt分别为第t月峰期、平期和谷期出现最大负荷天数，mt为第t月天数，ppt、ppt和pvt分别为峰平谷区间各自出现最大负荷的概率。
因此，可以得出历史每月峰平谷区间出现最大负荷的概率序列，如下所示：
Ppn＝[pp1，pp2，…，ppn]T
Pfn＝[pf1，pf2，…，pfn]T
Pvn＝[pv1，pv2，…，pvn]T
其中1≤n≤12，表示1到12个月，Ppn为最大负荷出现在峰期的概率序列、Pfn为最大负荷出现在平期的概率序列和Pvn为最大负荷出现在谷期的概率序列。
根据历史数据，划分为峰平谷三段数据，得出每月峰平谷最大负荷序列如下所示：
Max_Mpn＝[Max-mp1，Max_mp2，…，Max_mpn]T
Max_Mfn＝[Max_mf1，Max_mf2，…，Max_mfn]T
Max_Mvn＝[Max_mv1，Max_mv2，…，Max_mvn]T
Max_Mpn为峰期每月最大负荷值序列，Max_Mfn为平期每月最大负荷值序列，Max_Mvn为谷期每月最大负荷值序列。
根据峰平谷每月最大负荷出现的概率值和对应的最大负荷值，得出每月最大负荷特征值，具体如下：
其中，1≤t≤n≤12，为月最大负荷特征值序列，为第t月最大负荷特征值，的计算公式如下：
ppt、pft和pvt分别为t月峰、平和谷期区间出现的最大负荷概率值，Max_mp1、Max_mft和Max_mvt分别为t月峰、平和谷期出现的最大负荷值。
基于“近大远小”原则，设置历史每月需量加权序列，根据加权序列，得出预测需量值，设权重为：
U＝[u1，u2，ut，…，un]T
一般有0≤ut,1≤t≤n，和u1≤u2≤…≤un，且所有权重之和为1，得出历史数据预测需量值为：
其中Dem_0为历史数据预测值，为最大负荷特性区间分析法得出的月最大负荷特征值序列，U为“近大远小”加权序列。
所述的根据负荷特性系数分类法，得出不同工况下的负荷系数如下所示：
根据负荷特性系数分类法，把影响企业负荷波动因素分为两大类，分别为第一类为受环境温度影响的因素，如空调和风扇等基本负荷，第二类为产量变更等工作负荷，其敏感系数分别为K1，K2，若预测企业存在这两大类负荷波动，其有：
K1＝K2＝l
若只有其中一类存在，则不存在的类敏感系数为0。
根据前面可知，和预测月相同的参考月的月平均温度值T0和最大负荷值P0，并预估预测月平均温度为T，预测月最大负荷值为P，其特征函数系数存在如下几种类型：
当预测月基本负荷和工作负荷对负荷波动都是正相关时候，其特征函数系数为：
当预测月基本负荷和工作负荷对负荷波动都是负相关时候，其特征函数系数为：
当预测月基本负荷波动正相关值大于工作负荷波动负相关值时，其特征函数系数为：
当预测月基本负荷波动负相关值大于工作负荷波动的正相关值时，其特征函数系数为：
当预测月工作负荷波动正相关值大于基本负荷波动负相关值时，其特征函数系数为：
当预测月工作负荷波动负相关值大于基本负荷波动正相关值时，其特征函数系数为：
所述的根据企业特征函数和历史数据预测需量值，最终得出需量预测值，给出申报建议，具体如下：
Dem_1＝Dem_O*FUN
diff_val＝md_price*Dem_1-cap_price*CAP
其中Dem_1为最终预测需量值，Dem_0为最大负荷特性区间分析法得出历史数据预测值，FUN为负荷特性系数分类法在不同情况下得出的分类系数；
diff_val为需量费用和容量费用之差，md_price为需量单价，Dem_1为最终预测需量值，cap_price为容量单价，CAP为变压器总容量，若diff_val>0，则采用需量申报方式，需量申报值为Dem_1；若diff_val<0，则保持原来容量申报方式。
与现有技术相比，本发明专利的优点在于：
采用了最大负荷特性区间分析法，结合了“近大远小”的权值方法，提高了历史数据预测的准确性；采用了负荷特性系数分类法，进行了不同工况的系数分类，精细化了客观因素影响负荷预测的指标；最后，通过历史数据预测需量值和负荷特性系数，得出最终需量预测值，并给出了详细申报建议，该方法具有详细、精准的预测优点。
附图说明
图1是本发明的企业最大需量预测流程示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方法，下面结合附图和具体实施例对本发明作进一步详细的描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。如图1所示，本发明公开了一种企业月需量预测方法，其包括以下步骤：
步骤一，获取企业相关历史数据，得出参考月的月最大负荷值和平均温度值；
步骤二，采用最大负荷特性区间分析法，求出每月峰平谷各部分最大负荷值，以及每月峰平谷出现最大负荷天数分别占总天数概率值，根据每月峰平谷各自最大负荷值和对应概率值，得出每月最大负荷特征值，根据“近大远小”设置加权序列，得出历史数据预测值；
步骤三，采用负荷特性系数分类法，对影响企业负荷波动因素进行分类，获取预测月平均温度及最大负荷预估值，根据不同工况，得出不同特征函数；
步骤四，通过对特征函数和历史数据预测值相乘，得出需量预测值，进一步给出申报建议。
所述的一种企业月最大需量预测方法，获取企业相关历史数据，得出和预测月相同的参考月的月平均温度值T0和最大负荷值P0。
所述的一种企业月最大需量预测方法，采用最大负荷特性区间分析法，求出每月峰平谷出现最大负荷概率值、最大负荷值和历史每月负荷特性需量值，并基于“近大远小”加权原则，得出月需量预测值，具体如下：
第t月峰平谷区间各自出现最大负荷概率值的计算公式如下：
其中1≤t≤n≤12，npt、nft、nvt分别为第t月峰期、平期和谷期出现最大负荷天数，mt为第t月天数，ppt、ppt和pvt分别为峰平谷区间各自出现最大负荷的概率。
因此，可以得出历史每月峰平谷区间出现最大负荷的概率序列，如下所示：
Ppn＝[pp1，pp2，…，ppn]T
Pfn＝[pf1，pf2，…，pfn]T
Pvn＝[pv1，pv2，…，pvn]T
其中1≤n≤12，表示1到12个月，Ppn为最大负荷出现在峰期的概率序列、Pfn为最大负荷出现在平期的概率序列和Pvn为最大负荷出现在谷期的概率序列。
根据历史数据，划分为峰平谷三段数据，得出每月峰平谷最大负荷序列如下所示：
Max_Mpn＝[Max_mp1，Max_mp2，…，Max_mpn]T
Max_Mfn＝[Max_mf1，Max_mf2，…，Max-mfn]T
Max_Mvn＝[Max_mv1，Max_mv2，…，Max_mvn]T
Max_Mpn为峰期每月最大负荷值序列，Max_Mfn为平期每月最大负荷值序列，Max_Mvn为谷期每月最大负荷值序列。
根据峰平谷每月最大负荷出现的概率值和对应的最大负荷值，得出每月最大负荷特征值，具体如下：
其中，1≤t≤n≤12，为月最大负荷特征值序列，为第t月最大负荷特征值，的计算公式如下：
ppt、pft和pvt分别为t月峰、平和谷期区间出现的最大负荷概率值，Max_mpt、Max_mft和Max_mvt分别为t月峰、平和谷期出现的最大负荷值。
基于“近大远小”原则，设置历史每月需量加权序列，根据加权序列，得出预测需量值，设权重为：
U＝[u1，u2，ut，…，un]T
一般有0≤ut,1≤t≤n，和u1≤u2≤…≤un，且所有权重之和为1，得出历史数据预测需量值为：
其中Dem_0为历史数据预测值，为最大负荷特性区间分析法得出的月最大负荷特征值序列，U为“近大远小”加权序列。
所述的一种企业月最大需量预测方法，于采用负荷特性系数分类法，对影响企业负荷波动因素进行分类，获取预估预测月平均温度及最大负荷值，根据不同工况，得出不同特征函数。
根据负荷特性系数分类法，把影响企业负荷波动因素分为两大类，分别为第一类为受环境温度影响的因素，如空调和风扇等基本负荷，第二类为产量变更等工作负荷，其敏感系数分别为K1，K2，若预测企业存在这两大类负荷波动，其有：
K1＝K2＝l
若只有其中一类存在，则不存在的类敏感系数为0。
根据前面可知，和预测月相同的参考月的月平均温度值T0和最大负荷值P0，并预估预测月平均温度为T，预测月最大负荷值为P，其特征函数系数存在如下几种类型：
当预测月基本负荷和工作负荷对负荷波动都是正相关时候，其特征函数系数为：
当预测月基本负荷和工作负荷对负荷波动都是负相关时候，其特征函数系数为：
当预测月基本负荷波动正相关值大于工作负荷波动负相关值时，其特征函数系数为：
当预测月基本负荷波动负相关值大于工作负荷波动的正相关值时，其特征函数系数为：
当预测月工作负荷波动正相关值大于基本负荷波动负相关值时，其特征函数系数为：
当预测月工作负荷波动负相关值大于基本负荷波动正相关值时，其特征函数系数为：
所述的一种企业月最大需量预测方法，根据企业特征函数和历史数据预测需量值，得出最终需量预测值，并给出申报建议：
最终预测值公式如下：
Dem_1＝Dem_O*FUN
其中Dem_1为最终预测需量值，Dem_0为最大负荷特性区间分析法得出历史数据预测值，FUN为负荷特性系数分类法得出的系数，其根据不同情况有不同的系数。
根据最终预测需量值，得出申报建议，具体公式如下：
diff_val＝md_price*Dem_1-cap_price*CAP
其中diff_val为需量费用和容量费用之差，md_price为需量单价，Dem_1为最终预测需量值，cap_price为容量单价，CAP为变压器总容量，若diff_val>0，则采用需量申报方式，需量申报值为Dem_1；若diff_val<0，则保持原来容量申报方式。
以上是对本发明所提供的一种企业月需量预测方法的详细介绍，本文中对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
总之，本发明虽然列举了上述优选实施方式，但是应该说明，虽然本领域的技术人员可以进行各种变化和改型，除非这样的变化和改型偏离了本发明的范围，否则都应该包括在本发明的保护范围内。

Claims (5)

1.一种企业月最大需量预测方法，其特征在于，包括以下步骤：
步骤一，获取企业相关历史数据，得出参考月的月最大负荷值和平均温度值；
步骤二，采用最大负荷特性区间分析法，求出每月峰平谷各部分最大负荷值，以及每月峰平谷出现最大负荷天数分别占总天数概率值，根据每月峰平谷各自最大负荷值和对应概率值，得出每月最大负荷特征值，根据“近大远小”设置加权序列，得出历史数据预测值；
步骤三，采用负荷特性系数分类法，对影响企业负荷波动因素进行分类，获取预测月平均温度及最大负荷预估值，根据不同工况，得出不同特征函数；
步骤四，通过对特征函数和历史数据预测值相乘，得出需量预测值，进一步给出申报建议。
2.根据权利要求1所述的一种企业月最大需量预测方法，其特征在于，获取企业相关历史数据，得出和预测月相同的参考月的月平均温度值T0和最大负荷值P0。
3.根据权利要求1所述的一种企业月最大需量预测方法，其特征在于，采用最大负荷特性区间分析法，求出每月峰平谷出现最大负荷概率值、最大负荷值和历史每月负荷特性需量值，并基于“近大远小”加权原则，得出历史数据预测值，具体如下：
第t月峰平谷区间各自出现最大负荷概率值的计算公式如下：
其中1≤t≤n≤12，npt、nft、nvt分别为第t月峰期、平期和谷期出现最大负荷天数，mt为第t月天数，ppt、ppt和pvt分别为峰平谷区间各自出现最大负荷的概率。
因此，可以得出历史每月峰平谷区间出现最大负荷的概率序列，如下所示：
Ppn＝[pp1，pp2，…，ppn]T
Pfn＝[pf1，pf2，…，pfn]T
Pvn＝[pv1，pv2，…，pvn]T
其中1≤n≤12，表示1到12个月，Ppn为最大负荷出现在峰期的概率序列、Pfn为最大负荷出现在平期的概率序列和Pvn为最大负荷出现在谷期的概率序列。
根据历史数据，划分为峰平谷三段数据，得出每月峰平谷最大负荷序列如下所示：
Max_Mpn＝[Max_mp1，Max_mp2，…，Max_mpn]T
Max_Mfn＝[Max_mf1，Max_mf2，…，Max_mfn]T
Max_Mvn＝[Max_mv1，Max_mv2，...，Max_mvn]T
Max_Mpn为峰期每月最大负荷值序列，Max_Mfn为平期每月最大负荷值序列，Max_Mvn为谷期每月最大负荷值序列。
根据峰平谷每月最大负荷出现的概率值和对应的最大负荷值，得出每月最大负荷特征值，具体如下：
其中，1≤t≤n≤12，为月最大负荷特征值序列，为第t月最大负荷特征值，的计算公式如下：
ppt、pft和pvt分别为t月峰、平和谷期区间出现的最大负荷概率值，Max_mpt、Max_mft和Max_mvt分别为t月峰、平和谷期出现的最大负荷值。
基于“近大远小”原则，设置历史每月需量加权序列，根据加权序列，得出预测需量值，设权重为：
U＝[u1，u2，ut，...，un]T
一般有0≤ut，1≤t≤n，和u1≤u2≤…≤un，且所有权重之和为1，得出历史数据预测需量值为：
其中Dem_0为历史数据预测值，为最大负荷特性区间分析法得出的月最大负荷特征值序列，U为“近大远小”加权序列。
4.根据权利要求1所述的一种企业月最大需量预测方法，其特征在于，采用负荷特性系数分类法，对影响企业负荷波动因素进行分类，获取预估预测月平均温度及最大负荷值，根据不同工况，得出不同特征函数。
根据负荷特性系数分类法，把影响企业负荷波动因素分为两大类，分别为第一类为受环境温度影响的因素，如空调和风扇等基本负荷，第二类为产量变更等工作负荷，其敏感系数分别为K1，K2，若预测企业存在这两大类负荷波动，其有：
K1＝K2＝1
若只有其中一类存在，则不存在的类敏感系数为0；
根据前面可知，和预测月相同的参考月的月平均温度值T0和最大负荷值P0，并预估预测月平均温度为T，预测月最大负荷值为P，其特征函数系数存在如下几种类型：
当预测月基本负荷和工作负荷对负荷波动都是正相关时候，其特征函数系数为：
当预测月基本负荷和工作负荷对负荷波动都是负相关时候，其特征函数系数为：
当预测月基本负荷波动正相关值大于工作负荷波动负相关值时，其特征函数系数为：
当预测月基本负荷波动负相关值大于工作负荷波动的正相关值时，其特征函数系数为：
当预测月工作负荷波动正相关值大于基本负荷波动负相关值时，其特征函数系数为：
当预测月工作负荷波动负相关值大于基本负荷波动正相关值时，其特征函数系数为：
5.根据权利要求1所述的一种企业月最大需量预测方法，其特征在于，根据企业特征函数和历史数据预测需量值，得出最终需量预测值，并给出申报建议：
最终预测值公式如下：
Dem_1＝Dem_0*FUN
其中Dem_1为最终预测需量值，Dem_0为最大负荷特性区间分析法得出历史数据预测值，FUN为负荷特性系数分类法得出的系数，其根据不同情况有不同的系数。
根据最终预测需量值，得出申报建议，具体公式如下：
diff_val＝md_price*Dem_1-cap_price*CAP
其中diff_val为需量费用和容量费用之差，md_price为需量单价，Dem_1为最终预测需量值，cap_price为容量单价，CAP为变压器总容量，若diff_val＞0，则采用需量申报方式，需量申报值为Dem_1；若diff_val＜0，则保持原来容量申报方式。
CN201910434945.7A 2019-05-23 2019-05-23 一种企业月最大需量预测方法 Pending CN110148026A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910434945.7A CN110148026A (zh) 2019-05-23 2019-05-23 一种企业月最大需量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910434945.7A CN110148026A (zh) 2019-05-23 2019-05-23 一种企业月最大需量预测方法

Publications (1)

Publication Number Publication Date
CN110148026A true CN110148026A (zh) 2019-08-20

Family

ID=67592878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910434945.7A Pending CN110148026A (zh) 2019-05-23 2019-05-23 一种企业月最大需量预测方法

Country Status (1)

Country Link
CN (1) CN110148026A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686463A (zh) * 2021-01-07 2021-04-20 合肥阳光新能源科技有限公司 一种需量数据处理方法、装置及电子设备
CN113762225A (zh) * 2021-11-09 2021-12-07 博兴兴业精细化工产业发展有限公司 一种化工车间用自动监控报警系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870886A (zh) * 2014-03-03 2014-06-18 上海申瑞继保电气有限公司 企业用电月最大需量的预测方法
US20160314481A1 (en) * 2015-04-22 2016-10-27 Electronics And Telecommunications Research Institute Method and apparatus for automated electricity demand response based on online trading of demand side resources
CN107784384A (zh) * 2016-08-31 2018-03-09 中国石油天然气股份有限公司 一种企业月最大需量确定方法和装置
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
CN109146205A (zh) * 2018-09-30 2019-01-04 国网河北省电力有限公司经济技术研究院 分布式光伏并网地区的中长期负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870886A (zh) * 2014-03-03 2014-06-18 上海申瑞继保电气有限公司 企业用电月最大需量的预测方法
US20160314481A1 (en) * 2015-04-22 2016-10-27 Electronics And Telecommunications Research Institute Method and apparatus for automated electricity demand response based on online trading of demand side resources
CN107784384A (zh) * 2016-08-31 2018-03-09 中国石油天然气股份有限公司 一种企业月最大需量确定方法和装置
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
CN109146205A (zh) * 2018-09-30 2019-01-04 国网河北省电力有限公司经济技术研究院 分布式光伏并网地区的中长期负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
范丽彬: "大工业用户用电最大需量影响因素分析与预测模型研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686463A (zh) * 2021-01-07 2021-04-20 合肥阳光新能源科技有限公司 一种需量数据处理方法、装置及电子设备
CN113762225A (zh) * 2021-11-09 2021-12-07 博兴兴业精细化工产业发展有限公司 一种化工车间用自动监控报警系统
CN113762225B (zh) * 2021-11-09 2022-02-11 博兴兴业精细化工产业发展有限公司 一种化工车间用自动监控报警系统

Similar Documents

Publication Publication Date Title
Lusis et al. Short-term residential load forecasting: Impact of calendar effects and forecast granularity
Yan et al. Mid-term electricity market clearing price forecasting: A multiple SVM approach
DiOrio et al. A model for evaluating the configuration and dispatch of PV plus battery power plants
Schiffer et al. Model prediction for ranking lead-acid batteries according to expected lifetime in renewable energy systems and autonomous power-supply systems
Lee et al. Forecasting electricity consumption using time series model
US20190312457A1 (en) System and method for dynamic energy storage system control
WO2016106373A1 (en) Method for adaptive demand charge reduction
CN106066423A (zh) 一种基于损耗分配嫌疑分析的反窃电分析方法
CN109636146A (zh) 一种用户需求响应潜力画像方法
CN110544123B (zh) 电力用户分类方法、装置、计算机设备和存储介质
US10333307B2 (en) Machine learning based demand charge
CN110148026A (zh) 一种企业月最大需量预测方法
Wu et al. Modeling and optimization methods for controlling and sizing grid-connected energy storage: A review
CN106600146A (zh) 一种电费回收风险评价方法和装置
CN110111001B (zh) 一种电动汽车充电站的选址规划方法、装置以及设备
CN107451694A (zh) 一种用于移动系统中上下文感知与自适应的应用预测方法
Zheng et al. Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit
CN111337833A (zh) 一种基于动态时变权重的锂电池容量集成预测方法
CN104240144B (zh) 一种基于需求响应的电力负荷聚类方法
CN104252647A (zh) 基于反距离权重插值法的用电负荷预测方法
Wang et al. Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises
Wu et al. Design of A battery energy management system for capacity charge reduction
CN106327074A (zh) 一种省、地市、区域多级电力需求响应潜力评估方法
US20230216303A1 (en) Method, device, and system for managing charge and discharge of ess group for voltage stabilization of system having distributed power supply connected thereto
JP2016021084A (ja) 電気料金メニュー選択装置、電気料金メニュー選択方法、及び、電気料金メニュー選択プログラム

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20220208