CN110516882B - 负荷代理商日前可用聚合响应容量预测方法 - Google Patents
负荷代理商日前可用聚合响应容量预测方法 Download PDFInfo
- Publication number
- CN110516882B CN110516882B CN201910815295.0A CN201910815295A CN110516882B CN 110516882 B CN110516882 B CN 110516882B CN 201910815295 A CN201910815295 A CN 201910815295A CN 110516882 B CN110516882 B CN 110516882B
- Authority
- CN
- China
- Prior art keywords
- response
- load
- day
- user
- capacity
- 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
- 230000004044 response Effects 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 47
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种负荷代理商日前可用聚合响应容量的预测方法，包括以下步骤：采集负荷代理商下属每个用户在历史需求响应日的负荷数据；采用基线负荷估计方法估计每个用户在历史需求响应日的基线负荷，利用基线负荷减去相应历史需求响应日负荷得到每个用户的响应容量，对所有用户的响应容量进行累加得到聚合响应容量；提取影响聚合响应容量的特征，利用主成分分析法对特征进行降维处理；将降维后的特征作为输入，聚合响应容量作为输出，通过支持向量回归模型对负荷代理商日前可用聚合响应容量进行预测。该方法能够为负荷代理商在日前电力市场交易中的优化决策提供支持，降低交易风险。
Description
技术领域
本发明涉及电力技术领域，尤其涉及一种负荷代理商日前可用聚合响应容量预测方法。
背景技术
随着电力设施逐渐完善，电力持续紧张的局面得以缓解，然而在负荷高峰时电网仍然面临较大的调峰压力。同时，随着可再生能源的渗透率日益提高，其出力高度波动性的特点给电力系统调度带来了很大的难题。传统的加大供应侧投资，如配置深度调峰机组、安装储能等在实际应用中受到投资成本以及设备灵活性等多方面因素的限制，不仅在实现快速调节上有难度，同时也增加了投资成本。随着智能电网的快速发展，大量信息通信技术开始应用，使得终端用户可作为一类与供应侧等效的可用资源，参与电力市场和电力系统运行管理。这种终端用户针对电力市场价格信号或者激励机制做出响应，并改变正常电力消费模式的市场参与行为称之为需求响应。根据用户响应方式的不同，可以将需求响应分为基于激励的需求响应和基于电价的需求响应。
针对居民用户这一群体，激励型需求侧响应作为直接采用奖励方式来激励和引导用户参与各种系统所需要的负荷削减项目的一种需求响应方式，它相较于价格型需求响应更受居民用户青睐，也更能调动居民用户的主动性和积极性。而负荷代理商作为居民用户和系统运营商的中介，在激励型需求响应中，一方面，它需要提供居民用户一定的参与响应的单位补偿金来聚合需求侧响应资源，另一方面，它将需求侧资源整合起来参与到市场中来响应系统运营商的需求侧响应信号，并获得系统运行商所给的补偿，即负荷代理商通过两侧的差价来赚取利润。在这过程中，用户响应资源的数量，即用户的聚合响应容量(单个用户在需求响应事件下相比没有需求响应时用电量调整的值为单个用户的响应容量，所有用户的响应容量累加值为聚合响应容量)，对于负荷代理商来说至关重要。对于负荷代理商来说，由于用户用电行为的不确定性，在参与激励型需求响应时，预测居民用户在需求响应事件时的聚合响应容量将有一定难度。由于不同用户对不同的激励响应敏感度的不同，准确预测聚合的居民用户在某一激励下聚合响应容量对负荷代理商在日前市场中至关重要，因为错误预测尤其是多预测了可用响应容量而实际没有响应事前约定的量将有可能受到经济惩罚，进而影响负荷代理商的盈利状况。同时，准确预测居民用户在不同需求响应信号下的可用聚合响应容量将有利于负荷代理商制定最优的参与批发市场的策略，获取最大利润。
目前，国内外针对居民用户在日前市场的激励型需求响应项目中的响应容量的预测和估计的研究还较少，寻找一种合适的预测可用聚合响应容量的方法对于负荷代理商参与日前市场的激励型需求响应项目将具有重要意义。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种日前电力市场激励型需求响应项目下负荷代理商日前可用聚合响应容量预测方法，以实现在日前市场的激励型需求响应项目下，对用户能提供给负荷代理商的可用聚合容量进行准确估计，以利于减少负荷代理商参与激励型需求响应项目的风险，寻求最大利润。
为达到上述目的，本发明提出了一种负荷代理商日前可用聚合响应容量的预测方法，包括以下步骤：采集负荷代理商下属每个用户在历史需求响应日的负荷数据；根据所述每个用户在历史需求响应日的负荷数据得到聚合响应容量；提取影响聚合响应容量的特征，利用主成分分析法对特征进行降维处理；将降维后的特征作为输入，聚合响应容量作为输出，通过支持向量回归模型对负荷代理商日前可用聚合响应容量进行预测。
本发明实施例的负荷代理商日前可用聚合响应容量的预测方法，能够在日前市场的激励型需求响应项目下，对用户能提供给负荷代理商的可用聚合容量进行准确估计，有利于减少负荷代理商参与激励型需求响应项目的风险，寻求最大利润。
具体地，所述采集负荷代理商下属每个用户在历史需求响应日的负荷数据，包括：对负荷代理商下属每个用户在需求响应事件中每隔时间间隔Δt采集一个功率数据，记为Pt,i,k，其中，t为采样时刻，i为用户序号，k为需求响应日的编号，Pt,i,k表示序号为i的用户在第k个需求响应日的t时刻的功率，t＝1,2......T，T为在时间间隔Δt下的时刻数，i＝1,2.....I,I为用户总数，k＝1,2......K,K为采集负荷数据的所有需求响应日总数。
具体地，所述根据所述每个用户在历史需求响应日的负荷数据得到聚合响应容量，包括：采用基线负荷估计方法估计每个用户在历史需求响应日的基线负荷；利用基线负荷减去相应历史需求响应日负荷得到每个用户的响应容量；对所有用户的响应容量进行累加得到聚合响应容量。
其中，通过如下公式计算每个用户在历史需求响应日的基线负荷：
其中，Y表示第k个需求响应日前Y天，X表示Y天中负荷最大的前X天，d表示在这X天中第d天，Pt,i,d表示第d天用户i在t时刻的功率，
表示用户i在历史需求响应日的基线负荷；
通过如下公式计算每个用户的响应容量：
其中，TDR为激励型需求响应事件时间段，fi,k为用户i的响应容量；
通过利用如下公式计算所述聚合响应容量：
其中，
为所述聚合响应容量。
具体地，提取的影响聚合用户响应容量的特征包括：预测的次日需求响应事件的最高温度、预测的次日需求响应事件的最低温度、季节、工作日/双休日标签、激励金额、响应起始时间、响应时长、基线负荷下的用电量。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明实施例的负荷代理商日前可用聚合响应容量预测方法的流程示意图；
图2是本发明实施例的预测模型训练过程的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的负荷代理商日前可用聚合响应容量预测方法的流程图。
实施例1
图1是本发明实施例的负荷代理商日前可用聚合响应容量预测方法的流程示意图。
如图1所示，该负荷代理商日前可用聚合响应容量预测方法，包括以下步骤：
S1，采集负荷代理商下属每个用户在历史需求响应日的负荷数据。
具体地，对负荷代理商下属每个用户在需求响应事件中每隔时间间隔Δt采集一个功率数据，记为Pt,i,k，其中t为采样时刻，i为用户序号，k为需求响应日的编号，Pt,i,k表示序号为i的用户在第k个需求响应日的t时刻的功率，t＝1,2......T,T为在时间间隔Δt下的时刻数，i＝1,2.....I，I为用户总数，k＝1,2......K，K为所有采集的所有需求响应日总数。
S2，根据所述每个用户在历史需求响应日的负荷数据得到聚合响应容量。
在一些示例中，可采用基线负荷估计方法估计每个用户在历史需求响应日的基线负荷，利用基线负荷减去相应历史需求响应日负荷得到每个用户的响应容量，对所有用户的响应容量进行累加得到聚合响应容量。
具体地，通过如下公式对每个用户在激励型需求响应事件中的基线负荷进行估计：
其中，Y表示第k个需求响应日前Y天，X表示Y天中负荷最大的前X天，d表示在这X天中第d天，Pt,i,d表示第d天用户i在t时刻的功率，
表示用户i在历史需求响应日的基线负荷。
可通过如下公式进行每个用户的响应容量的计算：
其中，TDR为激励型需求响应事件时间段，fi,k为用户的响应容量。
可通过如下公式进行聚合用户的响应容量(即聚合响应容量)的计算：
其中，
为用户的聚合响应容量。
S3，提取影响聚合响应容量的特征，利用主成分分析法对特征进行降维处理。
具体地，提取的影响聚合响应容量的特征可包括：预测的次日需求响应事件的最高温度、预测的次日需求响应事件的最低温度、季节标签、工作日/双休日标签、激励金额、响应起始时间、响应时长、需求响应事件基线负荷用电量。并采用主成分分析对提取的特征进行分析和降维处理，以删除特征之间的冗余信息，且通过主成分分析可保留累计贡献率达99％的特征。
S4，将降维后的特征作为输入，聚合响应容量作为输出，通过支持向量回归模型对负荷代理商日前可用聚合响应容量进行预测。
具体地，如图2所示，通过用户在激励型需求响应下能提供负荷代理商的响应容量，作为预测模型输出，同时提取在特定的激励型需求响应下的特征信息，并经过主成分分析处理作为预测模型(即支持向量回归模型)的输入。数据分为训练集和测试集，训练集用于训练模型参数，测试集用于测试模型的精度和可靠性。
为说明本发明方法的有效性，本发明利用采集的数据进行了验证，利用了三种评价指标对预测结果进行评价，分别为平均绝对误差(Mean Absolute Error，MAE)、均方根误差(Root Mean Square Error，RMSE)、平均绝对百分比误差(Mean absolute percentageerror，MAPE)预测结果如下表所示：
表1
| MAE | RMSE | MAPE | |
| 未经主成分分析 | 36.4368 | 45.0469 | 0.1838 |
| 经主成分分析 | 25.8484 | 34.0790 | 0.1323 |
从表1可以看出，经实际测试，本发明的负荷代理商日前可用响应容量预测方法效果理想，相比未经主成分分析处理的情况，本发明经主成分分析处理这一步骤能显著提高预测精度，同时在不同场景下预测性能比较稳定，没有较大波动。由此，说明了本发明方法的预测精度高与预测结果可靠性好。
综上所述，本发明实施例的负荷代理商日前可用聚合响应容量预测方法，能够在日前市场的激励型需求响应项目下，对用户能提供给负荷代理商的可用聚合容量进行准确估计，有利于减少负荷代理商参与激励型需求响应项目的风险，寻求最大利润。
实施例2
进一步地，本发明还提出了一种计算机可读存储介质。
在本发明的实施例中，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的负荷代理商日前可用聚合响应容量预测方法。
本发明实施例的计算机可读存储介质，在其上存储的与上述负荷代理商日前可用聚合响应容量预测方法对应的计算机程序被处理器执行时，能够在日前市场的激励型需求响应项目下，对用户能提供给负荷代理商的可用聚合容量进行准确估计，有利于减少负荷代理商参与激励型需求响应项目的风险，寻求最大利润。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (4)
1.一种负荷代理商日前可用聚合响应容量的预测方法，其特征在于，包括以下步骤：
采集负荷代理商下属每个用户在历史需求响应日的负荷数据；
根据所述每个用户在历史需求响应日的负荷数据得到聚合响应容量；
提取影响聚合响应容量的特征，利用主成分分析法对特征进行降维处理，其中，采用主成分分析对提取的特征进行分析和降维处理，以删除特征之间的冗余信息，且通过主成分分析可保留累计贡献率达99％的特征；
将降维后的特征作为输入，聚合响应容量作为输出，通过支持向量回归模型对负荷代理商日前可用聚合响应容量进行预测；
所述根据所述每个用户在历史需求响应日的负荷数据得到聚合响应容量，包括：
采用基线负荷估计方法估计每个用户在历史需求响应日的基线负荷；
利用基线负荷减去相应历史需求响应日负荷得到每个用户的响应容量；
对所有用户的响应容量进行累加得到聚合响应容量。
2.根据权利要求1所述的负荷代理商日前可用聚合响应容量的预测方法，其特征在于，所述采集负荷代理商下属每个用户在历史需求响应日的负荷数据，包括：
对负荷代理商下属每个用户在需求响应事件中每隔时间间隔Δt采集一个功率数据，记为Pt,i,k，其中，t为采样时刻，i为用户序号，k为需求响应日的编号，Pt,i,k表示序号为i的用户在第k个需求响应日的t时刻的功率，t＝1,2......T，T为在时间间隔Δt下的时刻数，i＝1,2.....I,I为用户总数，k＝1,2......K,K为采集负荷数据的所有需求响应日总数。
3.根据权利要求1所述的负荷代理商日前可用聚合响应容量的预测方法，其特征在于，
通过如下公式计算每个用户在历史需求响应日的基线负荷：
其中，Y表示第k个需求响应日前Y天，X表示Y天中负荷最大的前X天，d表示在这X天中第d天，Pt,i,d表示第d天用户i在t时刻的功率，
表示用户i在历史需求响应日的基线负荷；
通过如下公式计算每个用户的响应容量：
其中，TDR为激励型需求响应事件时间段，fi,k为用户i的响应容量；
通过利用如下公式计算所述聚合响应容量：
其中，fk agg为所述聚合响应容量。
4.根据权利要求1所述的负荷代理商日前可用聚合响应容量的预测方法，其特征在于，提取的影响聚合响应容量的特征包括：预测的次日需求响应事件的最高温度、预测的次日需求响应事件的最低温度、季节标签、工作日/双休日标签、激励金额、响应起始时间、响应时长、需求响应事件基线负荷用电量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910815295.0A CN110516882B (zh) | 2019-08-30 | 2019-08-30 | 负荷代理商日前可用聚合响应容量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910815295.0A CN110516882B (zh) | 2019-08-30 | 2019-08-30 | 负荷代理商日前可用聚合响应容量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110516882A CN110516882A (zh) | 2019-11-29 |
| CN110516882B true CN110516882B (zh) | 2023-04-07 |
Family
ID=68628572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910815295.0A Active CN110516882B (zh) | 2019-08-30 | 2019-08-30 | 负荷代理商日前可用聚合响应容量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110516882B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG10202006372SA (en) * | 2020-07-01 | 2021-10-28 | Grabtaxi Holdings Pte Ltd | Communications apparatus and method for estimating potential demand for improved forecasting and resource management |
| CN112348380A (zh) * | 2020-11-12 | 2021-02-09 | 华北电力大学（保定） | 需求响应可调度容量概率预测方法、装置及电子设备 |
| CN112801369A (zh) * | 2021-01-26 | 2021-05-14 | 国网河北省电力有限公司营销服务中心 | 基于电网负荷的聚合响应容量预测方法及终端设备 |
| CN114565293B (zh) * | 2022-03-03 | 2024-06-04 | 国网经济技术研究院有限公司 | 一种工业负荷提供长周期需求响应能力的评估方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150046221A1 (en) * | 2011-09-17 | 2015-02-12 | Autogrid Inc. | Load forecasting from individual customer to system level based on price |
| CN102722642B (zh) * | 2012-05-25 | 2014-12-10 | 重庆市电力公司长寿供电局 | 大波动电网负荷短期预测方法 |
| CN102930347A (zh) * | 2012-10-15 | 2013-02-13 | 河海大学 | 一种需求响应下的短期负荷预测方法 |
| CN106447171B (zh) * | 2016-08-31 | 2021-12-14 | 清华大学 | 电力需求侧可调度资源潜力建模方法及系统 |
| CN107370170B (zh) * | 2017-06-23 | 2020-02-07 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 |
| CN108932557A (zh) * | 2018-04-28 | 2018-12-04 | 云南电网有限责任公司临沧供电局 | 一种基于气温累积效应和灰色关联度的短期负荷预测模型 |
| CN109657884B (zh) * | 2019-02-15 | 2023-01-13 | 广东电网有限责任公司 | 电网供电优化方法、装置、设备和计算机可读存储介质 |
-
2019
- 2019-08-30 CN CN201910815295.0A patent/CN110516882B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110516882A (zh) | 2019-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516882B (zh) | 负荷代理商日前可用聚合响应容量预测方法 | |
| Chakhchoukh et al. | PMU based state estimation by integrating correlation | |
| KR101012863B1 (ko) | 고객기준부하 산출을 위한 부하 예측 비교 분석 시스템 | |
| US9356846B2 (en) | Automated upgrading method for capacity of IT system resources | |
| CN108470233A (zh) | 一种智能电网的需求响应能力评估方法和计算设备 | |
| KR101800286B1 (ko) | 대용량 에너지 사용 데이터를 이용한 에너지 관리 서비스 방법 및 이를 위한 에너지 관리 시스템 | |
| Ruan et al. | Time-varying price elasticity of demand estimation for demand-side smart dynamic pricing | |
| CN101650685A (zh) | 设备能效的确定方法和装置 | |
| US9607343B2 (en) | Generating a demand response for an energy-consuming facility | |
| CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
| Zhou et al. | Forecast load impact from demand response resources | |
| US20130317658A1 (en) | Information processing apparatus, method for processing information, and information processing system | |
| CN114140176A (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
| Bin Othman et al. | Determination of transmission reliability margin using parametric bootstrap technique | |
| KR101787538B1 (ko) | 수요 전력의 불확정성을 고려한 에너지 저장 장치의 충방전 방법 및 그 방법에 따른 장치 | |
| KR20190109773A (ko) | 지역별 특성에 기초한 전력 수요 예측 장치 및 방법 | |
| JP2016140230A (ja) | サンプル抽出装置、サンプル抽出方法、及びサンプル抽出プログラム | |
| Safdar et al. | Electricity Cost Prediction using Autoregressive Integrated Moving Average (ARIMA) in Korea | |
| Priolkar et al. | Analysis of consumer baseline for demand response implementation: A case study | |
| CN105069529A (zh) | 预安排停电时间预测方法及系统 | |
| Ajenikoko et al. | Impact of system average interruption duration index threshold on the reliability assessment of electrical power distribution systems | |
| Do Coutto Filho et al. | Generating high quality pseudo-measurements to keep state estimation capabilities | |
| Sinitsyna et al. | Identification of Electric Power Consumption Patterns in Relation to Standard Load Profiles | |
| Saini et al. | Enhanced Short-Term Load Forecasting Using Facebook Prophet and Discrete Wavelet Transform | |
| Ibrahim et al. | Evaluation methods for market models used in Smart Grids |
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 |