CN110503471A - 一种用户最大需量估计方法 - Google Patents
一种用户最大需量估计方法 Download PDFInfo
- Publication number
- CN110503471A CN110503471A CN201910776285.0A CN201910776285A CN110503471A CN 110503471 A CN110503471 A CN 110503471A CN 201910776285 A CN201910776285 A CN 201910776285A CN 110503471 A CN110503471 A CN 110503471A
- Authority
- CN
- China
- Prior art keywords
- year
- electricity consumption
- model
- prediction
- user
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Abstract
本发说属于电力系统售电市场领域,特别涉及一种基于综合预测模型的用户最大需量估计方法,包括获取历史负荷用电数据,建立基于GDP综合电耗法、人均用电法、线性回归法的模型来预测模本年用电量;通过综合各预测模型预测用户的用电量年增长率;基于历史数据和月间相关法预测当月的最大负荷利用小时数;根据去年当月用户用电量、预测的用电量增长率和当月的最大负荷利用小时数估计本年当月用户最大需量。本方法用于在用户申报当月的最大需量时提供一个基于历史数据的估计值,可以提高用户申报最大需量的准确度,减少总体电费成本,并且为电网企业的调度和运维检修提供有效的参考。
Description
技术领域
本发明属于电力系统售电市场领域,特别涉及一种基于综合预测模型的用户最大需量估计方法。
背景技术
最大需量(maximum demand-MD)是指计量在一定结算期内(一般为一个月)某一段时间(我国现执行15min)客户用电的平均功率,保留实际负荷的最大值作为这一结算期的最大需量。
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2种计费方式,按变压器容量计费和按最大需量计费。用电用户的变压器容量一般是固定的,因此按变压器容量计费操作简单,便于计算。按最大需量计费,由用户按需申请,按需用电。用户选择按变压器容量计费还是按最大需量计费,应从满足生产需权、节能、降低用电成本、可操作性等方面考虑。
在两部制电价中,用户的电费构成可以表示为:
电度电费=电度电价×用电量;
基本电费=基本电价×计费容量;
其中,对于采用最大需量计费的用户,计费容量为供电部门安装的最大需量表记录的最大需量。
对采用最大需量计算基本电费的用户和供电企业来说,最大需量的准确性至关重要。对大用户来说,最大需量的管理直接反映出企业用电管理水平,实际用电负荷与最大需量的差距越大,用电的成本就越高:实际负荷低于最大需量越多就要付更多的基本电费,而高于最大需量,高出部分就要加倍付费。对于供电企业来说,合理的最大需量估计可以为电网的运行调度和维护检修计划提供有效的参考。因此,发展基于历史数据的最大需量预测估计算法,是提高用户和供电企业效益的重要措施。
发明内容
本发明提供了一种基于综合预测模型的用户最大需量估计方法,用于在用户申报当月的最大需量时提供一个基于历史数据的估计值,可以提高用户申报最大需量的准确度,减少总体电费成本,并且为电网企业的调度和运维检修提供有效的参考。
本发明的技术方案为:
一种用户最大需量估计方法,包含以下步骤:
步骤1:根据保存的历史用电负荷曲线得到用户数据,包括用户去年同期的最大负荷、最大负荷利用小时数,以及获取所在地区过去五到十年的GDP总量、人口、总用电量;
步骤2:分别通过GDP综合电耗法、人均用电法、线性回归法的模型来预测本年的用电量;
步骤3:计算每种模型的用电量预测误差,并进行归一化处理,得到每种模型的权重,再将不同模型的结果权加权和,得到综合各预测模型的预测结果,进而得出本年总用电量增长率预测结果;
步骤4:通过月间相关法预测当月的最大负荷利用小时数;
步骤5:根据去年当月用电量、预测的用电量增长率和当月的最大负荷利用小时数估计本年当月用户最大需量。
进一步,步骤1中参量的获取如下:
本发明的主要使用范围是估计以月度为单位申报的最大需量,但该方法同样适用于其他时间跨度的最大需量估计;
根据用户去年同月的全部15min负荷数据序列T=96×30,得到去年同月的最大负荷
其中,Kn表示前一年,因此本年表示为Kn+1,L0表示当前月份;
计算去年同月的最大负荷利用小时数
同理可以计算得到其他月份的最大负荷利用小时数其中K表示年份,L表示月份;
GDP、人口、总用电量可以通过当地统计部门公开渠道获得,分别如下:
GDP数据序列人口数据序列用电量数据序列其中K0代表数据起始年份。
进一步,步骤2中通过GDP综合电耗法、人均用电法、线性回归法的模型预测本年用电量的过程如下:
GDP综合电耗法模型:
GDP综合电耗法是通过分析每年的单位GDP需要消耗电量的变化趋势来外推年负荷变化;一般而言,在一定的时期内,GDP综合电耗的变化有一定的规律性,反映的是经济发展过程中能耗逐步降低的过程,因此,可以根据若干年的历史数据得到比较准确的估计;
首先计算历史上各年的GDP综合电耗
然后用时间序列线性回归拟合得到预测值的线性表达式:
其中a1和b1为线性拟合系数,a1和b1通过权得到;
同样通过时间序列线性回归拟合得到的预测值表达式
则本年的GDP预测值为
因此GDP综合电耗法权得的本年用电量预测值为:
人均用电法模型:
与GDP综合电耗相似,人均用电量也是一个综合的能耗指标,首先根据历史上各年的人均用电量,运用序列预测技术,预测未来年份的人均用电量,然后以总人口的预测值为基础,预测未来的全社会用电量;
首先计算历史上各年的人均用电量
同理得到的预测值的线性表达式:
其中a2和b2为线性拟合系数,a2和b2通过权得到;
得到的预测值表达式
则本年的人口预测值为
因此人均用电法权得的本年用电量预测值为:
线性回归法模型:
直接对用电量序列做线性回归,得到用电量的预测值的线性表达式:
其中a3和b3为线性拟合系数,a3和b3通过权得到;
因此线性回归法权得的本年用电量预测值为:
进一步,步骤3得出本年总用电量增长率预测结果的过程如下:
先采用虚拟预测法对所选模型进行评估:
虚拟预测法的主要特点是通过对过去的历史数据进行虚拟预测,并与实际值比较,得到误差范围;
分别计算各个模型的虚拟预测误差:
其中表示第m种模型的预测值,模型一共包括3种,分别为上述的
GDP综合电耗法模型、人均用电法模型、线性回归法模型;
然后进行归一化,得到每种预测模型的权重:
因此,得到综合预测模型的预测值:
最后,得出本年的总用电量增长率预测值为:
进一步,最大负荷利用小时数的变化一般很有规律,以下采用月间相关法估计最大负荷利用小时数;月间相关法是一种专门的适用于月度负荷预测的方法,月度负荷预测的特点是数据需量随机性强,受季节因素影响大,另外,在环比和年度同比两个维度上均表现出比较强的相关系统,因此,采用月度环比和年度同比两个方法预测本月的最大负荷利用小时数。
步骤4通过月间相关法得到最大负荷利用小时数的预测模型:
其中,γl为第L0-l个月与本月L0的月间同比变化相关系数,可通过拟合权得。
进一步,步骤5中通过权得的去年同月用电量总用电量增长率和最大负荷利用小时数可得到本月的最大需量预测值为:
本发明具有如下优点和技术效果:
(1)本发明提供了一种基于综合预测模型的用户最大需量估计方法,解决了用户申报最大需量缺乏足够准确的估计方法和依据的问题,同时向电网企业提供了调度和运维检修的参考。
(2)本发明提供了一种基于综合预测模型的用户最大需量估计方法,即能够综合考虑GDP单位电耗、人均用电量、总用电量等宏观数据,又能考虑用户微观数据的月间相关性,是一种综合性的预测方法,相对单一预测模型,在预测结果的偏差上更小。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步详细的说明。应当理解,此处所描述的具体实施方式可用以解释本发明,但并不限定本发明使用的范围。
实施例1:
如图1所示,一种用户最大需量估计方法,包含以下步骤:
步骤1:根据保存的历史用电负荷曲线得到用户数据,包括用户去年同期的最大负荷、最大负荷利用小时数,以及获取所在地区过去五到十年的GDP总量、人口、总用电量;
步骤2:分别通过GDP综合电耗法、人均用电法、线性回归法的模型来预测本年的用电量;
步骤3:计算每种模型的用电量预测误差,并进行归一化处理,得到每种模型的权重,再将不同模型的结果权加权和,得到综合各预测模型的预测结果,进而得出本年总用电量增长率预测结果;
步骤4:通过月间相关法预测当月的最大负荷利用小时数;
步骤5:根据去年当月用电量、预测的用电量增长率和当月的最大负荷利用小时数估计本年当月用户最大需量。
步骤1中参量的获取如下:
本发明的主要使用范围是估计以月度为单位申报的最大需量,但该方法同样适用于其他时间跨度的最大需量估计;
根据用户去年同月的全部15min负荷数据序列T=96×30,得到去年同月的最大负荷
其中,Kn表示前一年,因此本年表示为Kn+1,L0表示当前月份;
计算去年同月的最大负荷利用小时数
同理可以计算得到其他月份的最大负荷利用小时数其中K表示年份,L表示月份;
GDP、人口、总用电量可以通过当地统计部门公开渠道获得,分别如下:
GDP数据序列人口数据序列用电量数据序列其中K0代表数据起始年份。
步骤2中通过GDP综合电耗法、人均用电法、线性回归法的模型预测本年用电量的过程如下:
GDP综合电耗法模型:
GDP综合电耗法是通过分析每年的单位GDP需要消耗电量的变化趋势来外推年负荷变化;一般而言,在一定的时期内,GDP综合电耗的变化有一定的规律性,反映的是经济发展过程中能耗逐步降低的过程,因此,可以根据若干年的历史数据得到比较准确的估计;
首先计算历史上各年的GDP综合电耗
然后用时间序列线性回归拟合得到预测值的线性表达式:
其中a1和b1为线性拟合系数,a1和b1通过权得到;
同样通过时间序列线性回归拟合得到的预测值表达式
则本年的GDP预测值为
因此GDP综合电耗法权得的本年用电量预测值为:
人均用电法模型:
与GDP综合电耗相似,人均用电量也是一个综合的能耗指标,首先根据历史上各年的人均用电量,运用序列预测技术,预测未来年份的人均用电量,然后以总人口的预测值为基础,预测未来的全社会用电量;
首先计算历史上各年的人均用电量
同理得到的预测值的线性表达式:
其中a2和b2为线性拟合系数,a2和b2通过权得到;
得到的预测值表达式
则本年的人口预测值为
因此人均用电法权得的本年用电量预测值为:
线性回归法模型:
直接对用电量序列做线性回归,得到用电量的预测值的线性表达式:
其中a3和b3为线性拟合系数,a3和b3通过权得到;
因此线性回归法权得的本年用电量预测值为:
步骤3得出本年总用电量增长率预测结果的过程如下:
先采用虚拟预测法对所选模型进行评估:
虚拟预测法的主要特点是通过对过去的历史数据进行虚拟预测,并与实际值比较,得到误差范围;
分别计算各个模型的虚拟预测误差:
其中表示第m种模型的预测值,模型一共包括3种,分别为上述的
GDP综合电耗法模型、人均用电法模型、线性回归法模型;
然后进行归一化,得到每种预测模型的权重:
因此,得到综合预测模型的预测值:
最后,得出本年的总用电量增长率预测值为:
最大负荷利用小时数的变化一般很有规律,以下采用月间相关法估计最大负荷利用小时数;月间相关法是一种专门的适用于月度负荷预测的方法,月度负荷预测的特点是数据需量随机性强,受季节因素影响大,另外,在环比和年度同比两个维度上均表现出比较强的相关系统,因此,采用月度环比和年度同比两个方法预测本月的最大负荷利用小时数。
步骤4通过月间相关法得到最大负荷利用小时数的预测模型:
其中,γl为第L0-l个月与本月L0的月间同比变化相关系数,可通过拟合权得。
步骤5中通过权得的去年同月用电量总用电量增长率和最大负荷利用小时数可得到本月的最大需量预测值为:
实施例2:
本实施例介绍以广东某单位的负荷最大需量估计的实施过程。需要预测的是2018年7月的最大需量。
在步骤1中,首先读取该单位的历史负荷数据,得到2017年7月的总用电量为1.29万kWh,最大需量为45kW。得到过去5年每月的最大负荷利用小时数如表1所示:
表1历史最大负荷利用小时数(h)
2015 | 2016 | 2017 | 2018 | |
一月 | 189.23 | 187.78 | 187.79 | 187.18 |
二月 | 171.87 | 174.49 | 172.63 | 173.94 |
三月 | 236.38 | 236.37 | 241.70 | 238.44 |
四月 | 239.62 | 228.38 | 224.54 | 228.45 |
五月 | 244.07 | 238.66 | 246.82 | 247.07 |
六月 | 249.06 | 253.45 | 258.26 | 251.87 |
七月 | 264.31 | 267.21 | 267.23 | / |
八月 | 249.39 | 253.13 | 249.31 | / |
九月 | 217.24 | 214.38 | 216.05 | / |
十月 | 212.72 | 211.19 | 210.41 | / |
十一月 | 201.01 | 197.50 | 197.95 | / |
十二月 | 185.36 | 187.27 | 185.21 | / |
然后选取本地的基础社会经济数据,选取的“本地”范围越小,预测结果与实际结果的相关性越大,准确度也越高。以下选择广东省的基础数据作为预测依据,如表2所示:
表2广东省基础社会经济数据
年份 | GDP总量(亿元) | 人口(万人) | 用电量(亿kWh) |
2012年 | 57067.92 | 10594 | 4619.4 |
2013年 | 62474.79 | 10644 | 4830.1 |
2014年 | 67809.85 | 10724 | 5235.23 |
2015年 | 72812.55 | 10849 | 5310.69 |
2016年 | 80854.91 | 10999 | 5610.13 |
2017年 | 89879.23 | 11169 | 5959 |
步骤2中,首先计算综合电耗法,得到2012年至2017年的综合电耗数据为[0.08090.0773 0.0772 0.0729 0.0694 0.0663](kWh/元),得到的线性拟合方程为:
GDP的线性拟合方程为:
通过GDP综合电耗法预测的2018年用电量为:
然后计算人均用电法,得到2012年至2017年的人均用电数据为[0.4360 0.45380.4882 0.4895 0.5101 0.5335](万kWh/人),得到的线性拟合方程为:
人口的线性拟合方式为:
通过人均用电法预测的2018年用电量为:
对用电量采用线性回归得到线性拟合方程:
通过线性回归预测的2018年用电量为:
步骤3中,首先分别计算三种模型的虚拟预测误差,分别为430950、224320和230280,通过归一化处理得到三种模型的权重系数分别为0.2087、0.4009、0.3905。
综合次优拟合模型预测的2018年用电量为:
2018年的用电量增长率为:
步骤4中,首先根据表1计算月间相关的最大负荷利用小时数预测模型,实际上只需要两阶的动平均模型就能得到比较准确的预测:
得到2018年7月的最大负荷利用小时数预测数据为:
步骤5中,根据以上数据,得到2018年7月的最大需量估计值为
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要权的保护范围之内。
Claims (6)
1.一种用户最大需量估计方法,其特征在于,包含以下步骤:
步骤1:根据保存的历史用电负荷曲线得到用户数据,包括用户去年同期的最大负荷、最大负荷利用小时数,以及获取所在地区过去五到十年的GDP总量、人口、总用电量;
步骤2:分别通过GDP综合电耗法、人均用电法、线性回归法的模型来预测本年的用电量;
步骤3:计算每种模型的用电量预测误差,并进行归一化处理,得到每种模型的权重,再将不同模型的结果权加权和,得到综合各预测模型的预测结果,进而得出本年总用电量增长率预测结果;
步骤4:通过月间相关法预测当月的最大负荷利用小时数;
步骤5:根据去年当月用电量、预测的用电量增长率和当月的最大负荷利用小时数估计本年当月用户最大需量。
2.根据权利说权1所述的一种用户最大需量估计方法,其特征在于,所述步骤1中参量的获取如下:
根据用户去年同月的全部15min负荷数据序列T=96×30,得到去年同月的最大负荷
其中,Kn表示前一年,因此本年表示为Kn+1,L0表示当前月份;
计算去年同月的最大负荷利用小时数
同理可以计算得到其他月份的最大负荷利用小时数其中K表示年份,L表示月份;
GDP、人口、总用电量可以通过当地统计部门公开渠道获得,分别如下:
GDP数据序列人口数据序列用电量数据序列其中K0代表数据起始年份。
3.根据权利说权2所述的一种用户最大需量估计方法,其特征在于,步骤2中通过GDP综合电耗法、人均用电法、线性回归法的模型预测本年用电量的过程如下:
GDP综合电耗法模型:
GDP综合电耗法是通过分析每年的单位GDP需说消耗电量的变化趋势来外推年负荷变化;
首先计算历史上各年的GDP综合电耗
然后用时间序列线性回归拟合得到预测值的线性表达式:
其中a1和b1为线性拟合系数,a1和b1通过权得到;
同样通过时间序列线性回归拟合得到的预测值表达式
则本年的GDP预测值为
因此GDP综合电耗法权得的本年用电量预测值为:
人均用电法模型:
与GDP综合电耗相似,人均用电量也是一个综合的能耗指标,首先根据历史上各年的人均用电量,运用序列预测技术,预测未来年份的人均用电量,然后以总人口的预测值为基础,预测未来的全社会用电量;
首先计算历史上各年的人均用电量
同理得到的预测值的线性表达式:
其中a2和b2为线性拟合系数,a2和b2通过权得到;
得到的预测值表达式
则本年的人口预测值为因此人均用电法权得的本年用电量预测值为:
线性回归法模型:
直接对用电量序列做线性回归,得到用电量的预测值的线性表达式:
其中a3和b3为线性拟合系数,a3和b3通过权得到;
因此线性回归法权得的本年用电量预测值为:
4.根据权利说权3所述的一种用户最大需量估计方法,其特征在于,步骤3得出本年总用电量增长率预测结果的过程如下:
先采用虚拟预测法对所选模型进行评估:
虚拟预测法的主说特点是通过对过去的历史数据进行虚拟预测,并与实际值比较,得到误差范围;
分别计算各个模型的虚拟预测误差:
其中表示第m种模型的预测值,模型一共包括3种,分别为上述的GDP综合电耗法模型、人均用电法模型、线性回归法模型;
然后进行归一化,得到每种预测模型的权重:
因此,得到综合预测模型的预测值:
最后,得出本年的总用电量增长率预测值为:
5.根据权利说权4所述的一种用户最大需量估计方法,其特征在于,步骤4通过月间相关法得到最大负荷利用小时数的预测模型:
其中,γl为第L0-l个月与本月L0的月间同比变化相关系数,通过拟合权得。
6.根据权利说权5所述的一种用户最大需量估计方法,其特征在于,步骤5中通过权得的去年同月用电量总用电量增长率和最大负荷利用小时数可得到本月的最大需量预测值为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910776285.0A CN110503471A (zh) | 2019-08-21 | 2019-08-21 | 一种用户最大需量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910776285.0A CN110503471A (zh) | 2019-08-21 | 2019-08-21 | 一种用户最大需量估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110503471A true CN110503471A (zh) | 2019-11-26 |
Family
ID=68589095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910776285.0A Pending CN110503471A (zh) | 2019-08-21 | 2019-08-21 | 一种用户最大需量估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503471A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080017A (zh) * | 2019-12-20 | 2020-04-28 | 河南中睿和能源科技有限公司 | 一种具有电量预测功能的售电业务综合服务系统 |
CN112232559A (zh) * | 2020-10-12 | 2021-01-15 | 国网江西省电力有限公司信息通信分公司 | 一种电力区域负荷的短期预测方法及装置 |
CN113516276A (zh) * | 2021-04-09 | 2021-10-19 | 国网安徽省电力有限公司铜陵供电公司 | 一种基于数据挖掘处理框架的中短期负荷预测方法 |
CN116029480A (zh) * | 2023-03-28 | 2023-04-28 | 广东电网有限责任公司 | 代理购电测算方法及其系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103853939A (zh) * | 2014-03-24 | 2014-06-11 | 昆明理工大学 | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 |
CN107292416A (zh) * | 2017-05-03 | 2017-10-24 | 国网浙江省电力公司 | 基于回归预测需量的电力用户基本电费决策方法 |
-
2019
- 2019-08-21 CN CN201910776285.0A patent/CN110503471A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103853939A (zh) * | 2014-03-24 | 2014-06-11 | 昆明理工大学 | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 |
CN107292416A (zh) * | 2017-05-03 | 2017-10-24 | 国网浙江省电力公司 | 基于回归预测需量的电力用户基本电费决策方法 |
Non-Patent Citations (3)
Title |
---|
HOSSEIN DANESHI: "Long-term load forecasting in electricity market", 《 2008 IEEE INTERNATIONAL CONFERENCE ON ELECTRO/INFORMATION TECHNOLOGY》 * |
史鹏飞: "面向对象的电力系统综合负荷预测软件开发及应用", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
陈建福: "基于优化分区的配电网规划研究及实践", 《广西电力》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080017A (zh) * | 2019-12-20 | 2020-04-28 | 河南中睿和能源科技有限公司 | 一种具有电量预测功能的售电业务综合服务系统 |
CN112232559A (zh) * | 2020-10-12 | 2021-01-15 | 国网江西省电力有限公司信息通信分公司 | 一种电力区域负荷的短期预测方法及装置 |
CN112232559B (zh) * | 2020-10-12 | 2023-06-13 | 国网江西省电力有限公司信息通信分公司 | 一种电力区域负荷的短期预测方法及装置 |
CN113516276A (zh) * | 2021-04-09 | 2021-10-19 | 国网安徽省电力有限公司铜陵供电公司 | 一种基于数据挖掘处理框架的中短期负荷预测方法 |
CN116029480A (zh) * | 2023-03-28 | 2023-04-28 | 广东电网有限责任公司 | 代理购电测算方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503471A (zh) | 一种用户最大需量估计方法 | |
Faruqui et al. | The power of dynamic pricing | |
Hausmann et al. | A two-level electricity demand model: Evaluation of the Connecticut time-of-day pricing test | |
Harris et al. | Dynamic structural analysis and forecasting of residential electricity consumption | |
US20160196623A1 (en) | System And Method For Determining Centralized Power Generation Loss Savings For Energy Generation With The Aid Of A Digital Computer | |
CN109165763A (zh) | 一种95598客服工单的潜在被投诉的评估方法及装置 | |
Matsukawa | Household response to optional peak-load pricing of electricity | |
CN107565585A (zh) | 储能装置调峰回报时间预测方法及其模型创建方法 | |
Woo | Managing water supply shortage: Interruption vs. pricing | |
CN111724210A (zh) | 一种基于价格弹性系数矩阵的电力需求响应调控方法 | |
Yu et al. | Good consumer or bad consumer: Economic information revealed from demand profiles | |
Tanverakul et al. | Decadal review of residential water demand analysis from a practical perspective | |
Billinton et al. | Evaluation of the marginal outage costs of generating systems for the purposes of spot pricing | |
Bristow et al. | Potential of building-scale alternative energy to alleviate risk from the future price of energy | |
Chicco et al. | Load profiling revisited: prosumer profiling for local energy markets | |
Thanos et al. | Evaluating demand response programs by means of key performance indicators | |
CN101324939A (zh) | 基于数据挖掘的新业务市场预测系统及其方法 | |
CN112541616A (zh) | 一种基于需求侧响应的用电调节方法及系统 | |
Priolkar et al. | Analysis of consumer baseline for demand response implementation: A case study | |
CN114169802B (zh) | 电网用户需求响应潜力分析方法、系统及存储介质 | |
Kirsch et al. | Developing marginal costs for real-time pricing | |
JP2016213987A (ja) | 電力小売料金メニュー策定装置 | |
Granderson et al. | Accuracy of hourly energy predictions for demand flexibility applications | |
CN104680400A (zh) | 基于灰色关联的企业售电量变化的短期和长期预测方法 | |
CN115375091A (zh) | 一种基于价格弹性系数的负荷可调节能力量化方法 |
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 |