CN110598899A - 一种基于数据预测的地方电能表申校服务规划方法及系统 - Google Patents
一种基于数据预测的地方电能表申校服务规划方法及系统 Download PDFInfo
- Publication number
- CN110598899A CN110598899A CN201910697798.2A CN201910697798A CN110598899A CN 110598899 A CN110598899 A CN 110598899A CN 201910697798 A CN201910697798 A CN 201910697798A CN 110598899 A CN110598899 A CN 110598899A
- Authority
- CN
- China
- Prior art keywords
- local
- energy meter
- electric energy
- future
- historical
- 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.)
- Granted
Links
- 238000012937 correction Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000000737 periodic effect Effects 0.000 claims description 18
- 230000005611 electricity Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000013479 data entry Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明涉及一种基于数据预测的地方电能表申校服务规划方法及系统,该方法包括:S1:获取地方电能表申校历史数据,该历史数据包括地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量、地方历史气象数据和地方历史用电量;S2:利用预测算法对地方电能表申校历史数据进行计算,获得未来电能表申校预测数据,该预测数据包括地方内各个划分区域的未来年度电能表申校量、地方每月未来电能表申校量和地方未来用电量;S3:综合所述未来电能表申校预测数据,规划对每个划分区域内每个时间段的电能表申校服务投入。与现有技术相比,本发明具有效率高、可信度好等优点。
Description
技术领域
本发明涉及智能电表统计数据分析领域,尤其是涉及一种基于数据预测的地方电能表申校服务规划方法及系统。
背景技术
智能电表包括测量、数据处理和通信单元,是具有电能量计量、电能数据信息处理、实时监测、自动控制以及信息交互等功能的电能表,目前成为主要的用户电能计量电表设备。随着近几年智能电网的迅猛发展、智能技术的飞速进步以及我国建设智能电网目标的提出,客户服务开始成为国家电网的研究重点,电力客户是电网企业的服务主体,对电能的依赖性使得客户对智能电表的需求也大幅度地增长。智能技术的发展以及用电的需求加大使得电力客户对电力服务观念逐渐改变,尤其在用电计量方面。
近年来,用户的维权意识、法律意识不断提高,越来越多的用电客户对担负着计量任务、涉及到供用电双方利益的电能表的准确度提出了异议,同时由于传统式电表向智能电能计量表的转换,更精准的计量方式导致用电数据明显高于传统式电表,计量电量的提升使得用户对电表产生怀疑及不满,严重影响客户满意度。另一方面,智能电表的普及与更新以有多年,部分电表已经接近寿命终期,容易出现故障,影响用户用电体验且未来申校数量也会有所上升。目前国网公司电能表申校量急剧上升,城市各个区域、不同时间段的申校量变化差异大,电能表服务的投入力度难以做到及时调整,从而导致申校流程缓慢,效率低下,随着大数据时代的发展和优质计量服务的提升,电能表服务迫切需要优化。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于数据预测的地方电能表申校服务规划方法及系统。
本发明的目的可以通过以下技术方案来实现:
一种基于数据预测的地方电能表申校服务规划方法,包括:
S1:获取地方电能表申校历史数据,该历史数据包括地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量、地方历史气象数据和地方历史用电量;
S2:利用预测算法对地方电能表申校历史数据进行计算,获得未来电能表申校预测数据,该预测数据包括地方内各个划分区域的未来年度电能表申校量、地方每月未来电能表申校量和地方未来用电量;
S3:综合所述未来电能表申校预测数据,规划对每个划分区域内每个时间段的电能表申校服务投入。
进一步地,所述地方内各个划分区域的未来年度电能表申校量和地方每月未来电能表申校量分别基于地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量求得。
进一步地,步骤S2中获得地方内各个划分区域的未来年度电能表申校量和地方每月未来电能表申校量所采用的预测算法采用时间序列趋势分解法,具体为:
将申校量与时间组成的时间序列分解为趋势分量、周期分量和随机分量,所述趋势分量通过ARIMA模型进行预测,对周期分量按近大远小的原则采用基于历史同期同类分量的加权法进行预测,对随机分量采用历史同期同类的平均值进行预测,最后采用乘法模型将趋势分量、周期分量和随机分量的预测结果还原为预测申校量。
进一步地,所述地方未来用电量与地方未来电能表故障率呈正比。
进一步地,所述地方未来用电量是根据地方历史气象数据和地方历史用电量获得,具体为:
使用时序卷积网络计算地方历史气象数据,预测出地方未来气象数据,基于地方未来气象数据和地方历史用电量,利用循环神经网络预测出地方未来用电量。
本发明还提供一种基于数据预测的地方电能表申校服务规划系统,包括:
申校数据录入模块,用于录入地方电能表申校历史数据;
申校服务规划模块,用于根据地方电能表申校历史数据并利用预测算法预测出未来电能表申校预测数据;
申校平台展示模块,用于根据未来电能表申校预测数据规划并展示对地方内每个划分区域内每个时间段的电能表申校服务投入;
其中,所述地方电能表申校历史数据包括地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量、地方历史气象数据和地方历史用电量,所述未来电能表申校预测数据包括地方内各个划分区域的未来年度电能表申校量、地方每月未来电能表申校量和地方未来用电量。
进一步地,所述地方内各个划分区域的未来年度电能表申校量和地方每月未来电能表申校量分别基于地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量求得。
进一步地,获得所述地方内各个划分区域的未来年度电能表申校量和地方每月未来电能表申校量所采用的预测算法采用时间序列趋势分解法,具体为:
将申校量与时间组成的时间序列分解为趋势分量、周期分量和随机分量,所述趋势分量通过ARIMA模型进行预测,对周期分量按近大远小的原则采用基于历史同期同类分量的加权法进行预测,对随机分量采用历史同期同类的平均值进行预测,最后采用乘法模型将趋势分量、周期分量和随机分量的预测结果还原为预测申校量。
进一步地,所述地方未来用电量是根据地方历史气象数据和地方历史用电量获得,具体为:
使用时序卷积网络计算地方历史气象数据,预测出地方未来气象数据,基于地方未来气象数据和地方历史用电量,利用循环神经网络预测出地方未来用电量。
与现有技术相比,本发明具有以如下有益效果:
(1)本发明利用预测算法,通过地方电能表申校历史数据预测出各类未来电能表申校预测数据,综合各类预测数据,精确和及时地作出相应的申校服务投入调整,大大提高了申校服务效率,实现了资源有效分配;
(2)本发明通过针对不同类型的地方电能表申校历史数据采用适用的预测算法,对于申校量的预测采用时间序列趋势分解法,对于用电量的预测采用循环神经网络,预测结果准确性高;
(3)本发明将地方划分为若干区域,以区域为单位进行申校量预测和调整投入,大大提高了预测的效果,实现了申校服务的精准调整;
(4)本发明在预测地方未来用电量时将气象数据对用户用电量的影响考虑在内,预测的结果准确性高。
附图说明
图1为本发明的方法流程图;
图2为本发明的数据处理流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例一
一种基于数据预测的地方电能表申校服务规划方法,如图1,包括:
S1:获取地方电能表申校历史数据,该历史数据包括地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量、地方历史气象数据和地方历史用电量;
S2:利用预测算法对地方电能表申校历史数据进行计算,获得未来电能表申校预测数据,该预测数据包括地方内各个划分区域的未来年度电能表申校量、地方每月未来电能表申校量和地方未来用电量;
S3:综合所述未来电能表申校预测数据,规划对每个划分区域内每个时间段的电能表申校服务投入。
本实施例的数据处理流程图如图2。
考虑到仅根据地方整体申校量年变化情况无法准确预测整体趋势,所以地方划分为若干区域,将预测分解到每一个划分的区域,通过各个划分区域每年申校量情况预测每个区域未来申校量变化。
根据地方内各个划分区域历史年度电能表申校量和地方每月历史电能表申校量预测出地方内各个划分区域的未来年度电能表申校量和地方每月未来电能表申校量,该预测过程所采用的预测算法为时间序列趋势分解法,具体为:
将申校量与时间组成的时间序列分解为趋势分量、周期分量和随机分量,所述趋势分量通过ARIMA模型进行预测,对周期分量按近大远小的原则采用基于历史同期同类分量的加权法进行预测,对随机分量采用历史同期同类的平均值进行预测,最后采用乘法模型将趋势分量、周期分量和随机分量的预测结果还原为预测申校量。
时间序列预测法其实是一种回归预测方法,属于定量预测,该方法承认事物发展的延续性,运用过去时间序列的数据进行统计分析,推测出事物的发展趋势同时也考虑到偶然因素影响而产生的随机性。
ARIMA模型即自回归移动平均模型,该模型将预测对象随时间推移而形成的数据序列视为一个随机序列,用数学模型从时间序列的过去值及现在值预测未来值。
通过地方内各个划分区域的未来年度电能表申校量可以预测出地方内各个区域中申校量增长幅度突出的区域,提前做好针对性的区域申校服务投入调整;
地方每月电能表申校量的变化情况具有一定的周期性和季节性,在夏季和冬季时用户对空调使用率高,电能表工作负荷加大,使得电能表的故障发生率提高,同时用户对电能表的示数增长幅度过大会产生怀疑,从而电能表的申校量会呈现季节性和周期性增长,通过地方每月历史电能表申校量可预测出地方每月未来电能表申校量,以便提前做好时间上针对性的申校服务投入调整。
地方总的用电量越高表明电能表的运行负荷越大,高负荷运行状态会降低电能表的使用寿命,故地方用电量与电能表的故障发生率呈正比,通过预测地方未来用电量可以辅助预测地方未来电能表申校量;由于地方气候的因素,气象条件也是影响用电量的重要因素之一,故需要将气候因素考虑在内,根据气象数据和用电量,结合用电特征,预测出地方未来用电量,进一步地辅助预测地方未来电能表申校量,从而做出整体的申校服务投入调整。
所述地方未来用电量是根据地方历史气象数据和地方历史用电量获得,具体为:使用时序卷积网络计算地方历史气象数据,预测出地方未来气象数据,基于地方未来气象数据和地方历史用电量,利用循环神经网络预测出地方未来用电量。
实施例二
本部实施例与实施例一相对应,提供一种基于数据预测的地方电能表申校服务规划系统,包括:
申校数据录入模块,用于录入地方电能表申校历史数据;
申校服务规划模块,用于根据地方电能表申校历史数据并利用预测算法预测出未来电能表申校预测数据;
申校平台展示模块,用于根据未来电能表申校预测数据规划并展示对地方内每个划分区域内每个时间段的电能表申校服务投入;
其中,所述地方电能表申校历史数据包括地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量、地方历史气象数据和地方历史用电量,所述未来电能表申校预测数据包括地方内各个划分区域的未来年度电能表申校量、地方每月未来电能表申校量和地方未来用电量。
所述地方内各个划分区域的未来年度电能表申校量和地方每月未来电能表申校量分别基于地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量求得。
获得所述地方内各个划分区域的未来年度电能表申校量和地方每月未来电能表申校量所采用的预测算法采用时间序列趋势分解法,具体为:将申校量与时间组成的时间序列分解为趋势分量、周期分量和随机分量,所述趋势分量通过ARIMA模型进行预测,对周期分量按近大远小的原则采用基于历史同期同类分量的加权法进行预测,对随机分量采用历史同期同类的平均值进行预测,最后采用乘法模型将趋势分量、周期分量和随机分量的预测结果还原为预测申校量。
所述地方未来用电量是根据地方历史气象数据和地方历史用电量获得,具体为:使用时序卷积网络计算地方历史气象数据,预测出地方未来气象数据,基于地方未来气象数据和地方历史用电量,利用循环神经网络预测出地方未来用电量。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种基于数据预测的地方电能表申校服务规划方法,其特征在于,包括:
S1:获取地方电能表申校历史数据,该历史数据包括地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量、地方历史气象数据和地方历史用电量;
S2:利用预测算法对地方电能表申校历史数据进行计算,获得未来电能表申校预测数据,该预测数据包括地方内各个划分区域的未来年度电能表申校量、地方每月未来电能表申校量和地方未来用电量;
S3:综合所述未来电能表申校预测数据,规划对每个划分区域内每个时间段的电能表申校服务投入。
2.根据权利要求1所述的一种基于数据预测的地方电能表申校服务规划方法,其特征在于,所述地方内各个划分区域的未来年度电能表申校量和地方每月未来电能表申校量分别基于地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量求得。
3.根据权利要求1所述的一种基于数据预测的地方电能表申校服务规划方法,其特征在于,步骤S2中获得地方内各个划分区域的未来年度电能表申校量和地方每月未来电能表申校量所采用的预测算法采用时间序列趋势分解法,具体为:
将申校量与时间组成的时间序列分解为趋势分量、周期分量和随机分量,所述趋势分量通过ARIMA模型进行预测,对周期分量按近大远小的原则采用基于历史同期同类分量的加权法进行预测,对随机分量采用历史同期同类的平均值进行预测,最后采用乘法模型将趋势分量、周期分量和随机分量的预测结果还原为预测申校量。
4.根据权利要求1所述的一种基于数据预测的地方电能表申校服务规划方法,其特征在于,所述地方未来用电量与地方未来电能表故障率呈正比。
5.根据权利要求1所述的一种基于数据预测的地方电能表申校服务规划方法,其特征在于,所述地方未来用电量是根据地方历史气象数据和地方历史用电量获得,具体为:
使用时序卷积网络计算地方历史气象数据,预测出地方未来气象数据,基于地方未来气象数据和地方历史用电量,利用循环神经网络预测出地方未来用电量。
6.一种基于数据预测的地方电能表申校服务规划系统,其特征在于,包括:
申校数据录入模块,用于录入地方电能表申校历史数据;
申校服务规划模块,用于根据地方电能表申校历史数据并利用预测算法预测出未来电能表申校预测数据;
申校平台展示模块,用于根据未来电能表申校预测数据规划并展示对地方内每个划分区域内每个时间段的电能表申校服务投入;
其中,所述地方电能表申校历史数据包括地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量、地方历史气象数据和地方历史用电量,所述未来电能表申校预测数据包括地方内各个划分区域的未来年度电能表申校量、地方每月未来电能表申校量和地方未来用电量。
7.根据权利要求6所述的一种基于数据预测的地方电能表申校服务规划系统,其特征在于,所述地方内各个划分区域的未来年度电能表申校量和地方每月未来电能表申校量分别基于地方内各个划分区域历史年度电能表申校量、地方每月历史电能表申校量求得。
8.根据权利要求6所述的一种基于数据预测的地方电能表申校服务规划系统,其特征在于,获得所述地方内各个划分区域的未来年度电能表申校量和地方每月未来电能表申校量所采用的预测算法采用时间序列趋势分解法,具体为:
将申校量与时间组成的时间序列分解为趋势分量、周期分量和随机分量,所述趋势分量通过ARIMA模型进行预测,对周期分量按近大远小的原则采用基于历史同期同类分量的加权法进行预测,对随机分量采用历史同期同类的平均值进行预测,最后采用乘法模型将趋势分量、周期分量和随机分量的预测结果还原为预测申校量。
9.根据权利要求6所述的一种基于数据预测的地方电能表申校服务规划系统,其特征在于,所述地方未来用电量是根据地方历史气象数据和地方历史用电量获得,具体为:
使用时序卷积网络计算地方历史气象数据,预测出地方未来气象数据,基于地方未来气象数据和地方历史用电量,利用循环神经网络预测出地方未来用电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910697798.2A CN110598899B (zh) | 2019-07-31 | 2019-07-31 | 一种基于数据预测的地方电能表申校服务规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910697798.2A CN110598899B (zh) | 2019-07-31 | 2019-07-31 | 一种基于数据预测的地方电能表申校服务规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598899A true CN110598899A (zh) | 2019-12-20 |
CN110598899B CN110598899B (zh) | 2023-09-15 |
Family
ID=68853147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910697798.2A Active CN110598899B (zh) | 2019-07-31 | 2019-07-31 | 一种基于数据预测的地方电能表申校服务规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598899B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110302301A1 (en) * | 2008-10-31 | 2011-12-08 | Hsbc Holdings Plc | Capacity control |
CN104951988A (zh) * | 2014-03-24 | 2015-09-30 | 国网上海市电力公司 | 一种电力潜在市场的预测方法 |
CN105023066A (zh) * | 2015-07-31 | 2015-11-04 | 山东大学 | 一种基于季节调整的业扩报装分析预测系统及方法 |
WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
WO2017028632A1 (zh) * | 2015-08-19 | 2017-02-23 | 中国电力科学研究院 | 一种配电网运行可靠性的预测方法 |
CN106886851A (zh) * | 2017-02-03 | 2017-06-23 | 国网安徽省电力公司 | 基于电能表状态检修的电能表备品备件预测方法 |
CN107590568A (zh) * | 2017-09-20 | 2018-01-16 | 上海合泽电力工程设计咨询有限公司 | 一种基于空间细分的精细化负荷预测方法 |
CN107590561A (zh) * | 2017-09-05 | 2018-01-16 | 天津市电力科技发展有限公司 | 一种基于电网线路运行误差远程校准的电能表有序换装方法 |
CN109034505A (zh) * | 2018-09-14 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 计量用表需求量在线预测方法及终端设备 |
-
2019
- 2019-07-31 CN CN201910697798.2A patent/CN110598899B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110302301A1 (en) * | 2008-10-31 | 2011-12-08 | Hsbc Holdings Plc | Capacity control |
CN104951988A (zh) * | 2014-03-24 | 2015-09-30 | 国网上海市电力公司 | 一种电力潜在市场的预测方法 |
WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
CN105023066A (zh) * | 2015-07-31 | 2015-11-04 | 山东大学 | 一种基于季节调整的业扩报装分析预测系统及方法 |
WO2017028632A1 (zh) * | 2015-08-19 | 2017-02-23 | 中国电力科学研究院 | 一种配电网运行可靠性的预测方法 |
CN106886851A (zh) * | 2017-02-03 | 2017-06-23 | 国网安徽省电力公司 | 基于电能表状态检修的电能表备品备件预测方法 |
CN107590561A (zh) * | 2017-09-05 | 2018-01-16 | 天津市电力科技发展有限公司 | 一种基于电网线路运行误差远程校准的电能表有序换装方法 |
CN107590568A (zh) * | 2017-09-20 | 2018-01-16 | 上海合泽电力工程设计咨询有限公司 | 一种基于空间细分的精细化负荷预测方法 |
CN109034505A (zh) * | 2018-09-14 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 计量用表需求量在线预测方法及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110598899B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
CN106532764A (zh) | 一种就地消纳光伏发电的电动汽车充电负荷调控方法 | |
CN106203769A (zh) | 一种基于时差系数的节假日天级需水量在线预测方法 | |
CN107748972A (zh) | 一种基于双能源指标预测全社会用电量的方法 | |
CN105243502A (zh) | 一种基于径流区间预测的水电站调度风险评估方法及系统 | |
CN113780660A (zh) | 一种居民用电量预测方法、系统及存储介质 | |
CN111738854A (zh) | 一种基于云计算的新能源现货交易决策的数据服务系统 | |
CN117010946A (zh) | 一种火电厂生产经营成本核算系统及其使用方法 | |
Dong et al. | Improving the accuracy of wind speed statistical analysis and wind energy utilization in the Ningxia Autonomous Region, China | |
CN109636033B (zh) | 一种分布式光伏项目自发自用综合电价预测方法 | |
Zhang et al. | Optimal operation of energy storage system in photovoltaic-storage charging station based on intelligent reinforcement learning | |
CN117559422A (zh) | 基于画像的工业园区可调节功率区间估计方法、系统与计算机可读存储介质 | |
CN110598899A (zh) | 一种基于数据预测的地方电能表申校服务规划方法及系统 | |
CN117728378A (zh) | 分散式虚拟电厂整合智能净零的混合系统及其方法 | |
CN115713160A (zh) | 新能源发电的电能调配方法、装置、电子设备及存储介质 | |
CN109492868A (zh) | 一种电动汽车充电设施性能的评估方法及系统 | |
Zhang et al. | The research on smart power consumption technology based on big data | |
CN113765156A (zh) | 用于碳电一体化虚拟电厂的源网荷储综合调度系统 | |
CN110598901A (zh) | 一种电能表申校管理系统 | |
Chai et al. | Construction of a new levelled cost model for energy storage based on LCOE and learning curve | |
CN113469835B (zh) | 基于用户用电情况的光伏发电站资产评估方法及装置 | |
Razak et al. | Forecasting cost saving through solar system installation | |
CN118137500B (zh) | 光伏发电预测方法及装置 | |
CN118279088B (zh) | 基于区块链的微电网分布式交易管理系统及其方法 | |
CN118367583A (zh) | 一种基于跟踪用户负荷曲线的储能充放电量的计算方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |