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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2019
- 2019-05-23 CN CN201910434945.7A patent/CN110148026A/zh active Pending
Patent Citations (5)
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)
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)
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 |