CN110533216A - 基于调控云的超短期负荷预测修正技术 - Google Patents
基于调控云的超短期负荷预测修正技术 Download PDFInfo
- Publication number
- CN110533216A CN110533216A CN201910653998.8A CN201910653998A CN110533216A CN 110533216 A CN110533216 A CN 110533216A CN 201910653998 A CN201910653998 A CN 201910653998A CN 110533216 A CN110533216 A CN 110533216A
- Authority
- CN
- China
- Prior art keywords
- industry
- load
- curve
- ultra
- short term
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000033228 biological regulation Effects 0.000 title claims abstract description 15
- 238000012937 correction Methods 0.000 title claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000005611 electricity Effects 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000003973 irrigation Methods 0.000 description 4
- 230000002262 irrigation Effects 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于调控云的超短期负荷预测修正技术。其中，所述超短期负荷预测包括第一产业负荷预测、第二产业负荷预测、第三产业负荷预测、第四产业负荷预测。其技术要点是：将选取的样本数据曲线拆分为第一产业负荷曲线、第二产业负荷曲线、第三产业负荷曲线、第四产业负荷曲线，基于调度云平台进行分析对比，由预测前一时刻的各产业超短期负荷预测值与各产业实际用电量之间的偏差值，和各产业日前负荷曲线与预测曲线多元化的变化趋势，确定下一预测点的各产业变化量，并得到要预测时刻的各产业的比例系数。通过各产业的变化量来完善各产业的超短期负荷预测曲线，最后获得更加准确的预测值。本发明是在现有的超短期负荷预测的技术上，进行多产业，多元化的分析，完善先有的负荷预测技术，使其更加准确可靠。
Description
技术领域
本发明涉及电网超短期负荷预测领域，尤其涉及一种基于调控云的超短期负荷预测修正方法。
背景技术
负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据。负荷预测分为超短期负荷预测、短期负荷预测、中期负荷预测和长期负荷预测。超短期负荷预测是指未来1h以内的负荷预测，在安全监视状态下，需要5～10s或1～5min的预测值；短期负荷预测是指日负荷预测和周负荷预测，分别用于安排日调度计划和周调度计划，包括确定机组起停等；中期负荷预测是指月至年的负荷预测，主要是确定机组运行方式和设备大修计划等；长期负荷预测是指未来3～5年甚至更长时间段内的负荷预测，主要是电网规划部门根据国民经济的发展所作的电网改造和扩建工作的远景规划等。
目前，负荷预测技术已经成为国内外学者的研究热点，提出了很多的研究方向，有根据负荷的变化趋势对未来负荷情况作出预测的趋势外推法、有利用电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律的时间序列法、还有对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则，按照一定的推理进行负荷预测的专家系统方法和在控制方法上应用模糊数学理论，使其进行确定性的工作，对一些无法构造数学模型的被控过程进行有效控制模糊负荷预测等方法。
发明内容
本发明针对上述问题，本发明提供了一种基于负荷预测与超短期负荷预测之间的关系，利用调度云平台，提高超短期负荷预测精度的方法，其解决不同产业、不同影响因素对超短期负荷预测带来的一系列难题；具体步骤包括：
S1：从调度云平台中选取n天样本的总产业负荷曲线拆分为第一产业负荷曲线、第二产业负荷曲线、第三产业负荷曲线、第四产业负荷曲线，n≥1；
S2：基于调度云平台通过分析前一时刻t-1时刻的各产业超短期负荷预测值与各产业实际用电量之间的偏差ΔPi(t-1)，i＝1、2、3、4，以及各产业日前负荷曲线与预测曲线多元化的变化趋势，确定预测时刻t时刻的各产业的比例系数k1，k2，k3，k4；
S3：由变化趋势和实际偏差，求得预测时刻t时刻各产业负荷变化量的公式为：
式中，ΔPi(t)/n，i＝1、2、3、4，分别为n天样本中第一产业、第二产业、第三产业、第四产业的预测时刻t时刻各产业的负荷变化量，ΔPi(t-1)为n天样本中第一产业、第二产业、第三产业、第四产业的t-1时刻各产业超短期负荷预测值与各产业实际用电量之间的偏差；
S4：计算t时刻总产业的负荷变化量，计算公式为：
式中，ΔP(t)/n为预测时刻t时刻各产业的负荷变化量之和；
S5：将t时刻各产业的负荷变化量带入超短期负荷预测的预测公式中，对预测时刻t时刻的负荷预测值进行修正，通过各产业的变化量来完善各产业的超短期负荷预测曲线，无限地接近实际值，使超短期负荷预测曲线的准确度越来越高，减少不必要的浪费，预测公式为：
式中，P(t)为对预测时刻t时刻修正后的负荷预测值；p(t)为预测时刻t时刻修正前的负荷预测值。
优选方式下，所述各产业日前负荷曲线与预测曲线多元化的变化趋势中影响因素包括温度、湿度、节假日、降水量等；将总负荷曲线分为第一产业负荷曲线、第二产业负荷曲线、第三产业负荷曲线和第四产业负荷曲线，并针对每一种影响因素独立的分析和计算。
优选方式下，保持其余影响因素不变，分别分析当单一影响因素变化时，包括温度条件变化、湿度条件变化、工作日变为节假日、降水量变化时各产业负荷曲线的影响以及变化趋势的特点。
优选方式下，基于调度云平台，根据分析得到的所述各产业负荷曲线的影响以及变化趋势的特点，找出t-1时刻的各产业超短期负荷预测值与各产业实际用电量之间的偏差主要是受第几产业的影响，然后通过调整预测时刻t时刻的各产业的比例系数k1，k2，k3，k4来改变各产业的预测值，使得超短期负荷预测更加准确、稳定。
本发明的有益效果是：在基于调度云平台和现有的超短期负荷预测算法基础上，通过利用实际的负荷曲线与预测的负荷曲线之间的差值，进行多产业，多元化的分析，找到这个差值到底的第几产业形成的以及接下来的变化趋势，通过调整各产业的变化系数来减少误差，提高超短期负荷预测的准确度。
附图说明
图1为第一产业日负荷曲线说明图；
图2为第二产业日负荷曲线说明图；
图3为第三产业日负荷曲线说明图；
图4为第四产业日负荷曲线说明图；
图5为总日负荷曲线说明图；
图6为各产业所占比例说明图；
图7为第一产业负荷实际值和修正后负荷预测值的变化曲线说明图；
图8为第二产业负荷实际值和修正后负荷预测值的变化曲线说明图；
图9为第三产业负荷实际值和修正后负荷预测值的变化曲线说明图；
图10为第四产业负荷实际值和修正后负荷预测值的变化曲线说明图；
图11为总负荷实际值和修正后总负荷预测值的变化曲线说明图。
具体实施方式
本发明一种基于调控云的超短期负荷预测修正技术包括第一产业负荷预测，第二产业负荷预测，第三产业负荷预测，第四产业负荷预测；其特征在于：基于日前负荷预测和基于调控云的的超短期负荷预测法，将负荷预测分为第一产业负荷预测、第二产业负荷预测、第三产业负荷预测、第四产业负荷预测，通过分析四个产业的特性及其变化趋势和天气情况、节假日情况或任何突发情况对各个产业的影响，来确定超短期负荷预测下一点的采样值及其原因。通过调控云分析找出产生偏差主要是受第几产业的影响，然后通过计算公式调整其他产业的预测值，使得超短期负荷预测更加准确、稳定。
首先对四种产业负荷曲线进行分析，第一产业负荷与气候，环境，季节等自然因素息息相关，也与农作物的种类和人们的种植习惯密不可分，具有极强的季节特性。第一产业负荷主要包括农作物的生产和排灌负荷。如果突然间降雨量非常大，则导致排灌负荷增加。如果天气干燥，空气中温度较高而湿度较低，则也会导致排灌负荷增加，但节假日对第一产业的用电负荷影响不大。因此，第一产业负荷的预测难度较大。如图1所示，通过调控云上选取的第一产业日负荷曲线说明图可以看出，6点和14点出现负荷峰值，而6点至14点负荷曲线呈不断上涨的趋势，说明生产和排灌活动不断增加，而晚上用电负荷较小，符合传统的日出而作日落而息的生活习惯。
第二产业负荷与自然因素例如温度，湿度和降雨量等无较大的关联，但与国家政策和国名经济息息相关。第二产业是消耗电能最大的产业，因此是决定某一地区电力系统建设的重大依据。还与节假日有一定的关系，在节假日期间有些工业会减产甚至停产，对负荷预测影响较大。但总体上日负荷曲线变动不多，相对来说比较稳定，容易预测。如图2所示，通过调控云上选取的第二产业日负荷曲线说明图可知，7点到16点之间负荷呈稳定的趋势，而从20点开始，受夜间电价的影响，急剧上升，在24点到达最大值。由于该地区的第二产业多数属于非连续型，因此峰谷差较大，依赖于电网的高稳定性。
第三产业负荷与人们的生活习惯，工作时间和行业特点等人为因素关联密切，也与环境温度和湿度等自然因素有关。当温度升高或降低时，空调等负荷的增加使用对负荷预测有一定的影响，由于辽宁地区是集中供暖，容易对供暖负荷进行预测。如图3所示，通过调控云上选取的第三产业日负荷曲线说明图可知，峰值出现在8点，13点和20点，充分的体现了该产业在人们日常生活的时间段负荷高和在夜晚，凌晨负荷低的趋势。由于温度和湿度升高，空调和除湿器等设备的使用，导致了用电负荷的增加，因此这一类产业的日负荷曲线峰谷差较大，负荷率较低。并且，第三产业的负荷波动受我国节假日情况的影响，在放假期间，第三产业的用电负荷与非的放假期间的差异很大，很难预测。
第四产业负荷用电负荷小，无明显变化。温度、湿度和节假日对第四产业负荷预测影响较小，甚至可以忽略不计。如图4所示，通过调控云上选取的第四产业日负荷曲线说明图可知，峰值出现在12点，并且在正常的工作期间负荷变化趋势总体不变，比较平衡。并且峰谷差小，负荷率较高。由于一天之内负荷平稳，因此容易预测。
如图5所示，对总负荷曲线进行产业化分析，第一产业是指农、林、牧、渔业。第二产业是指采矿业，制造业，电力、燃气及水的生产和供应业。第三是服务业，包括：交通运输，信息传输，住宿和餐饮业，教育等。第四产业是以金融业为核心的产业。如图6所示，从各产业所占比例说明图可知第一产业用电负荷占比约5％，第二产业用电负荷占比约70％，第三产业用电负荷占比约21％，第四产业用电负荷占比约4％，体现了该地区以大型工业用电负荷和居民日常生活及市政用电负荷为主，对负荷曲线的影响很大。也体现了第四产业发展的缓慢，导致高新技术人才和资金的大量流失。由多产业化，多元化分析可知温度，湿度和降雨量等自然因素对该地区用电负荷影响不大，而节假日等非自然因素对该地区的负荷预测影响很大。
取第一产业日负荷曲线图上12点处对应点为A1，第二产业日负荷曲线图上12点处对应点为A2，第三产业日负荷曲线图上12点处对应点为A3，第四产业日负荷曲线图上12点处对应点为A4，则总的日负荷曲线在12点处对应的点为A，则A＝A1+A2+A3+A4。以A1，A2，A3，A4点为例说明。
由第一产业和第三产业日负荷曲线图可知，在A1和A3点附近曲线呈上升趋势。由第二产业和第四产业日负荷曲线图可知，在A2点A4和点曲线左侧呈上升趋势，曲线右侧呈下降趋势。因此可以得出总的日负荷曲线在A点附近呈上升趋势。A点与得到的超短期负荷预测的A′点之间存在固定的偏差值ΔA，ΔA＝A-A′。通过求导可知，在12点处产生的误差主要是由第三产业造成的，导致其不准的主要原因是因为此时温度较高，电风扇、空调等设备的大量使用，使其用电负荷突然增加。如果此时偏差值较大，发电量与用电量不平衡，不仅会导致其它产业用电负荷的下降，并且不能保证其他产业正常工作和国民经济的正常发展，还会破坏这一地区电网的稳定运行。
对11点至13点之间的负荷进行预测，通过调控云平台调取负荷数据并根据上述基于基于调控云的超短期负荷预测修正技术，进行多产业，多元化的不断分析改正后各产业的预测值和实际值之间的关系如图7、图8、图9、图10、图11所示；可以看出，在对11点至13点之间的负荷进行预测时，第一产业、第二产业、第三产业、第四产业和总产业的预测值接近于实际值，说明了本发明的方法对超短期负荷预测有明显的改进。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于调控云的超短期负荷预测修正技术，其特征在于，包括：
S1：从调度云平台中选取n天样本的总产业负荷曲线拆分为第一产业负荷曲线、第二产业负荷曲线、第三产业负荷曲线、第四产业负荷曲线，n≥1；
S2：基于调度云平台通过分析前一时刻t-1时刻的各产业超短期负荷预测值与各产业实际用电量之间的偏差ΔPi(t-1)，i＝1、2、3、4，以及各产业日前负荷曲线与预测曲线多元化的变化趋势，确定预测时刻t时刻的各产业的比例系数k1，k2，k3，k4；
S3：由变化趋势和实际偏差，求得预测时刻t时刻各产业负荷变化量的公式为：
式中，ΔPi(t)/n，i＝1、2、3、4，分别为n天样本中第一产业、第二产业、第三产业、第四产业的预测时刻t时刻各产业的负荷变化量，ΔPi(t-1)为n天样本中第一产业、第二产业、第三产业、第四产业的t-1时刻各产业超短期负荷预测值与各产业实际用电量之间的偏差；
S4：计算t时刻总产业的负荷变化量，计算公式为：
式中，ΔP(t)/n为预测时刻t时刻各产业的负荷变化量之和；
S5：将t时刻各产业的负荷变化量带入超短期负荷预测的预测公式中，对预测时刻t时刻的负荷预测值进行修正，通过各产业的变化量来完善各产业的超短期负荷预测曲线，无限地接近实际值，使超短期负荷预测曲线的准确度越来越高，减少不必要的浪费，预测公式为：
式中，P(t)为对预测时刻t时刻修正后的负荷预测值；p(t)为预测时刻t时刻修正前的负荷预测值。
2.根据权利要求1所述基于调控云的超短期负荷预测修正技术，其特征在于，所述各产业日前负荷曲线与预测曲线多元化的变化趋势中影响因素包括温度、湿度、节假日、降水量等；将总负荷曲线分为第一产业负荷曲线、第二产业负荷曲线、第三产业负荷曲线和第四产业负荷曲线，并针对每一种影响因素独立的分析和计算。
3.根据权利要求2所述基于调控云的超短期负荷预测修正技术，其特征在于，保持其余影响因素不变，分别分析当单一影响因素变化时，包括温度条件变化、湿度条件变化、工作日变为节假日、降水量变化时各产业负荷曲线的影响以及变化趋势的特点。
4.根据权利要求3所述基于调控云的超短期负荷预测修正技术，其特征在于，基于调度云平台，根据分析得到的所述各产业负荷曲线的影响以及变化趋势的特点，找出t-1时刻的各产业超短期负荷预测值与各产业实际用电量之间的偏差主要是受第几产业的影响，然后通过调整预测时刻t时刻的各产业的比例系数k1，k2，k3，k4来改变各产业的预测值，使得超短期负荷预测更加准确、稳定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910653998.8A CN110533216A (zh) | 2019-07-19 | 2019-07-19 | 基于调控云的超短期负荷预测修正技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910653998.8A CN110533216A (zh) | 2019-07-19 | 2019-07-19 | 基于调控云的超短期负荷预测修正技术 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110533216A true CN110533216A (zh) | 2019-12-03 |
Family
ID=68660423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910653998.8A Withdrawn CN110533216A (zh) | 2019-07-19 | 2019-07-19 | 基于调控云的超短期负荷预测修正技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533216A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114491168A (zh) * | 2022-01-27 | 2022-05-13 | 中国电力科学研究院有限公司 | 调控云样本数据共享方法、系统、计算机设备及存储介质 |
| CN115275976A (zh) * | 2022-06-24 | 2022-11-01 | 河北邯峰发电有限责任公司 | 一种基于既有负荷完成率偏差的煤耗修正算法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295075A (zh) * | 2013-04-01 | 2013-09-11 | 沈阳航空航天大学 | 一种超短期电力负荷预测与预警方法 |
| KR101409025B1 (ko) * | 2013-05-20 | 2014-06-19 | 엘에스산전 주식회사 | 전기부하 예측 장치 및 보정 방법 |
| CN105389625A (zh) * | 2015-10-27 | 2016-03-09 | 福建奥通迈胜电力科技有限公司 | 一种主动配电网超短期负荷预测方法 |
| CN105678403A (zh) * | 2015-12-30 | 2016-06-15 | 国网浙江省电力公司经济技术研究院 | 一种基于模型族分解与集成技术的区域饱和负荷预测方法 |
| CN106934505A (zh) * | 2017-03-31 | 2017-07-07 | 北京清能互联科技有限公司 | 一种基于偏差补偿的两阶段短期电网负荷的预测方法 |
| CN107563560A (zh) * | 2017-09-07 | 2018-01-09 | 顺丰速运有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
| CN109272205A (zh) * | 2018-08-24 | 2019-01-25 | 国网河南省电力公司电力科学研究院 | 广义负荷特性分析方法及装置 |
| CN109638812A (zh) * | 2018-11-15 | 2019-04-16 | 珠海许继芝电网自动化有限公司 | 一种自适应的配电线路超短期负荷预测方法及系统 |
-
2019
- 2019-07-19 CN CN201910653998.8A patent/CN110533216A/zh not_active Withdrawn
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295075A (zh) * | 2013-04-01 | 2013-09-11 | 沈阳航空航天大学 | 一种超短期电力负荷预测与预警方法 |
| KR101409025B1 (ko) * | 2013-05-20 | 2014-06-19 | 엘에스산전 주식회사 | 전기부하 예측 장치 및 보정 방법 |
| CN105389625A (zh) * | 2015-10-27 | 2016-03-09 | 福建奥通迈胜电力科技有限公司 | 一种主动配电网超短期负荷预测方法 |
| CN105678403A (zh) * | 2015-12-30 | 2016-06-15 | 国网浙江省电力公司经济技术研究院 | 一种基于模型族分解与集成技术的区域饱和负荷预测方法 |
| CN106934505A (zh) * | 2017-03-31 | 2017-07-07 | 北京清能互联科技有限公司 | 一种基于偏差补偿的两阶段短期电网负荷的预测方法 |
| CN107563560A (zh) * | 2017-09-07 | 2018-01-09 | 顺丰速运有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
| CN109272205A (zh) * | 2018-08-24 | 2019-01-25 | 国网河南省电力公司电力科学研究院 | 广义负荷特性分析方法及装置 |
| CN109638812A (zh) * | 2018-11-15 | 2019-04-16 | 珠海许继芝电网自动化有限公司 | 一种自适应的配电线路超短期负荷预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| SHUNJIANG WANG ETC.: ""An Ultra-Short Term Load Forecasting and Correction Method Based on Scheduling and Controlling Cloud Platform"", 《2018 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION》 * |
| 徐娟等: "基于负荷分类的短期负荷预测方法分析及应用", 《河北电力技术》 * |
| 杨方圆等: "考虑产业结构调整的用电量指标关联分析及负荷预测", 《电气技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114491168A (zh) * | 2022-01-27 | 2022-05-13 | 中国电力科学研究院有限公司 | 调控云样本数据共享方法、系统、计算机设备及存储介质 |
| CN114491168B (zh) * | 2022-01-27 | 2022-12-13 | 中国电力科学研究院有限公司 | 调控云样本数据共享方法、系统、计算机设备及存储介质 |
| CN115275976A (zh) * | 2022-06-24 | 2022-11-01 | 河北邯峰发电有限责任公司 | 一种基于既有负荷完成率偏差的煤耗修正算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
| Talebmorad et al. | Evaluation of the impact of climate change on reference crop evapotranspiration in Hamedan-Bahar plain | |
| Gneiting et al. | Calibrated probabilistic forecasting at the stateline wind energy center: The regime-switching space–time method | |
| CN111932402B (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
| Wang et al. | Interruptible load scheduling model based on an improved chicken swarm optimization algorithm | |
| Lin et al. | Hierarchical model predictive control of Venlo-type greenhouse climate for improving energy efficiency and reducing operating cost | |
| Phuangpornpitak et al. | A study of load demand forecasting models in electric power system operation and planning | |
| CN109886567B (zh) | 一种考虑体感温度和辐射强度的短期负荷预测方法 | |
| CN107527116B (zh) | 基于支持向量回归的短期负荷预测方法 | |
| CN102999791A (zh) | 一种电力行业中基于客户分群的电力负荷预测方法 | |
| CN102736596A (zh) | 基于作物信息融合的多尺度温室环境控制系统 | |
| CN107609716B (zh) | 一种水电站负荷区间预测方法 | |
| CN105701570A (zh) | 一种基于全过程技术提升的短期电力需求分析方法 | |
| CN110533216A (zh) | 基于调控云的超短期负荷预测修正技术 | |
| CN113902582A (zh) | 一种楼宇综合能源负荷预测方法及系统 | |
| CN106548285B (zh) | 计及小水电出力的趸售电量预测方法 | |
| CN112561207A (zh) | 一种考虑气象因素的电网负荷预测方法、装置和电力系统 | |
| CN110147908A (zh) | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 | |
| CN117252038B (zh) | 一种新能源建筑一体化节能设计分析方法 | |
| Ajagekar et al. | Energy management for demand response in networked greenhouses with multi-agent deep reinforcement learning | |
| CN113313312A (zh) | 基于短中长时间尺度的春节负荷滚动预测方法 | |
| Seginer et al. | Day-to-night heat storage in greenhouses: 2 Sub-optimal solution for realistic weather | |
| Rodríguez et al. | A hierarchical control system for maximizing profit in greenhouse crop production | |
| Li et al. | Agricultural load modeling based on crop evapotranspiration and light integration for economic operation of greenhouse power systems | |
| CN114936674A (zh) | 一种基于气候影响对区域水能供需优化方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191203 |
|
| WW01 | Invention patent application withdrawn after publication |