CN111144629A - 一种水力发电站来水量预测方法及系统 - Google Patents

一种水力发电站来水量预测方法及系统 Download PDF

Info

Publication number
CN111144629A
CN111144629A CN201911299856.2A CN201911299856A CN111144629A CN 111144629 A CN111144629 A CN 111144629A CN 201911299856 A CN201911299856 A CN 201911299856A CN 111144629 A CN111144629 A CN 111144629A
Authority
CN
China
Prior art keywords
hydroelectric power
local
power station
information
value
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
Application number
CN201911299856.2A
Other languages
English (en)
Inventor
姜枫
屈中山
李铁
葛延峰
张旭
苏安龙
高凯
潘琦
陈晓东
刘淼
张艳军
崔岱
常志朋
任一丹
詹克明
蔡壮
王钟辉
张凯
胡锦景
韩秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Beijing Kedong Electric Power Control System Co Ltd
State Grid Liaoning Electric Power Co Ltd
State Grid Electric Power Research Institute
Original Assignee
State Grid Corp of China SGCC
Beijing Kedong Electric Power Control System Co Ltd
State Grid Liaoning Electric Power Co Ltd
State Grid Electric Power Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Beijing Kedong Electric Power Control System Co Ltd, State Grid Liaoning Electric Power Co Ltd, State Grid Electric Power Research Institute filed Critical State Grid Corp of China SGCC
Priority to CN201911299856.2A priority Critical patent/CN111144629A/zh
Publication of CN111144629A publication Critical patent/CN111144629A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (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)

Abstract

本发明公开了一种水力发电站来水量预测方法，包括构建考虑本地降雨量信息、本地气象信息和上游水力发电站的出库流量的水量预测模型；采集本地降雨量历史信息、本地气象历史信息、上游水力发电站的历史出库流量以及本地水力发电站的历史入库流量，构建训练集；用训练集训练水量预测模型；采用训练好的水量预测模型，预测本地水力发电站的入库流量。同时公开了相应的系统。本发明的水量预测模型考虑本地降雨量信息、本地气象信息和上游水力发电站的出库流量，相较于传统的方法，预测更加准确。

Description

一种水力发电站来水量预测方法及系统
技术领域
本发明涉及一种水力发电站来水量预测方法及系统，属于电力系统调度自动化技术领域。
背景技术
随着经济的快速发展，人类生活和工业、商业活动对于电能的需求越来越大，火力发电等方式不仅原材料开采难度逐渐增大，而且对自然生态环境造成了极大的危害，能源形势和环境问题日益严峻。水能作为电能生产的一次能源，具有清洁、无污染、廉价、可再生等特点，在社会经济发展中有着极其重要的作用。水力发电站的主要运行的经济指标是发电量，影响发电量的因素很多，其中来水量是最重要的因素，它是制定发电计划、进行电网调度的基础，将直接影响水力发电站的蓄水、弃水以及发电量。因此，对水力发电站的来水量的预测，将对电站的经济指标产生很大的影响，也是水力发电站挖掘增效的主要入手点。
来水量的动态预测方法通常是多种多样的，如自回归分析模型、人工神经网络模型、小波分析模型、门限自回归模型、基于核密度估计的非参数模型、均生函数模型、最近邻抽样回归模型等。但是这些方法对来水量的影响因素均考虑不够完全，预测准确度不足。
发明内容
本发明提供了一种水力发电站来水量预测方法及系统，解决了现有方法预测准确度不足的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种水力发电站来水量预测方法，包括，
构建考虑本地降雨量信息、本地气象信息和上游水力发电站的出库流量的水量预测模型；
采集本地降雨量历史信息、本地气象历史信息、上游水力发电站的历史出库流量以及本地水力发电站的历史入库流量，构建训练集；
用训练集训练水量预测模型；
采用训练好的水量预测模型，预测本地水力发电站的入库流量。
本地气象信息包括温度信息和湿度信息。
对采集的历史数据进行无用数据剔除，根据预设的比例构建训练集。
水量预测模型采用SVM回归模型，具体如下，
Figure BDA0002321587070000021
Figure BDA0002321587070000022
其中，ε表示预测值与真实值的最大差距；xi为四维向量，代表本地降雨量值、温度值、湿度值、上有水力发电站出库流量值；yi表示本地水力发电站的入库流量值；松弛因子li是预测值到缓冲区域上边界的距离，松弛因子li *是预测值到缓冲区域下边界的距离，ω和b为参数，m为样本数量，C表示对大于ε的样本点的惩罚程度。
一种水力发电站来水量预测系统，包括，
模型构建模块：构建考虑本地降雨量信息、本地气象信息和上游水力发电站的出库流量的水量预测模型；
训练集构建模块：采集本地降雨量历史信息、本地气象历史信息、上游水力发电站的历史出库流量以及本地水力发电站的历史入库流量，构建训练集；
训练模块：用训练集训练水量预测模型；
预测模块：采用训练好的水量预测模型，预测本地水力发电站的入库流量。
本地气象信息包括温度信息和湿度信息。
训练集构建模块还包括剔除模块；剔除模块：对采集的历史数据进行无用数据剔除，根据预设的比例构建训练集。
水量预测模型采用SVM回归模型，具体如下，
Figure BDA0002321587070000031
Figure BDA0002321587070000032
其中，ε表示预测值与真实值的最大差距；xi为四维向量，代表本地降雨量值、温度值、湿度值、上有水力发电站出库流量值；yi表示本地水力发电站的入库流量值；松弛因子li是预测值到缓冲区域上边界的距离，松弛因子li *是预测值到缓冲区域下边界的距离，ω和b为参数，m为样本数量，C表示对大于ε的样本点的惩罚程度。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行水力发电站来水量预测方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行水力发电站来水量预测方法的指令。
本发明所达到的有益效果：本发明的水量预测模型考虑本地降雨量信息、本地气象信息和上游水力发电站的出库流量，相较于传统的方法，预测更加准确。
附图说明
图1为本发明的流程图；
图2为水库1月份对比图；
图3为水库2月份对比图；
图4为水库3月份对比图；
图5为水库4月份对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种水力发电站来水量预测方法，包括以下步骤：
步骤1，构建考虑本地降雨量信息、本地气象信息和上游水力发电站的出库流量的水量预测模型。
水量预测模型采用SVM回归模型，具体如下：
Figure BDA0002321587070000041
s.t.||yi-(ω·xi+b)||≤ε
其中ε≥0表示预测值与真实值的最大差距；xi为四维向量，代表本地降雨量值、温度值、湿度值、上有水力发电站出库流量值；yi表示本地水力发电站的入库流量值，ω和b为参数。
实际上，必定有极少数的样本点不满足ε(即不满足s.t.||yi-(ω·xi+b)||≤ε)，为了处理这些大于ε的样本点，引入松弛因子li和
Figure BDA0002321587070000053
松弛因子li是预测值到缓冲区域上边界的距离，松弛因子
Figure BDA0002321587070000054
是预测值到缓冲区域下边界的距离，则优化问题变为：
Figure BDA0002321587070000051
Figure BDA0002321587070000052
其中C>0表示对大于ε的样本点的惩罚程度，m为样本数量。
步骤2，采集本地降雨量历史信息、本地气象历史信息、上游水力发电站的历史出库流量以及本地水力发电站的历史入库流量，构建训练集。
从本地气象部门的系统/或者自身的监测系统中可采集降雨量历史信息和气象历史信息，其中气象信息中影响水量的主要是温度信息和湿度信息，因此仅采集温度信息和湿度信息即可。
上游水力发电站的历史出库流量和本地水力发电站的历史入库流量可从发电站业务系统中采集。
上述采集的数据会存在一些无用数据，如异常数据或缺失数据，需要手动/自动剔除这些数据，主要有上游水力发电站的出库流量为负值、降雨量为负值、湿度值为负值等。
由于上游水力发电站的出库流量对本地水力发电站的影响不具备实时性，先根据采集的数据建立上游水力发电站和本地水力发电站的流量波形，对上游水库的出库流量与下游水库的入库流量进行波动区域划分，然后使用动态规划的方法找到上下游波动区域的映射关系，即一条降雨量历史信息、一条气象历史信息、一条上游水力发电站的历史出库流量和一条本地水力发电站的历史入库流量构成一组映射，其中降雨量历史信息、气象历史信息和上游水力发电站的历史出库流量为水量预测模型的输入，对应的本地水力发电站的历史入库流量为输出。将这些映射组根据预设的比例(如8:2)分成训练集和测试集，其中训练集用于训练水量预测模型，测试集用于对水量预测模型进行测试分析，分析其准确率和效率。
步骤3，用训练集训练水量预测模型。
步骤4，采用训练好的水量预测模型，预测本地水力发电站的入库流量。
根据上述方法对一水库2015年4个季度的入库流量进行预测，预测结果与实际入库流量对比如图2～5所示。通过上述对比可以看出，上述方法预测的结果与实际测量值相差无几，预测准确。
一种水力发电站来水量预测系统，包括，
模型构建模块：构建考虑本地降雨量信息、本地气象信息和上游水力发电站的出库流量的水量预测模型；本地气象信息包括温度信息和湿度信息。
水量预测模型采用SVM回归模型，具体如下：
Figure BDA0002321587070000061
s.t.||yi-(ω·xi+b)||≤ε
其中ε≥0表示预测值与真实值的最大差距；xi为四维向量，代表本地降雨量值、温度值、湿度值、上有水力发电站出库流量值；yi表示本地水力发电站的入库流量值，ω和b为参数。
实际上，必定有极少数的样本点不满足ε(即不满足s.t.||yi-(ω·xi+b)||≤ε)，为了处理这些大于ε的样本点，引入松弛因子li和
Figure BDA0002321587070000073
松弛因子li是预测值到缓冲区域上边界的距离，松弛因子
Figure BDA0002321587070000074
是预测值到缓冲区域下边界的距离，则优化问题变为：
Figure BDA0002321587070000071
Figure BDA0002321587070000072
其中C>0表示对大于ε的样本点的惩罚程度，m为样本数量。
训练集构建模块：采集本地降雨量历史信息、本地气象历史信息、上游水力发电站的历史出库流量以及本地水力发电站的历史入库流量，构建训练集。
训练集构建模块还包括剔除模块；剔除模块：对采集的历史数据进行无用数据剔除，根据预设的比例划分成训练集和测试集。
训练模块：用训练集训练水量预测模型。
预测模块：采用训练好的水量预测模型，预测本地水力发电站的入库流量。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备水力发电站来水量预测方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行水力发电站来水量预测方法的指令。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (10)

1.一种水力发电站来水量预测方法，其特征在于：包括，
构建考虑本地降雨量信息、本地气象信息和上游水力发电站的出库流量的水量预测模型；
采集本地降雨量历史信息、本地气象历史信息、上游水力发电站的历史出库流量以及本地水力发电站的历史入库流量，构建训练集；
用训练集训练水量预测模型；
采用训练好的水量预测模型，预测本地水力发电站的入库流量。
2.根据权利要求1所述的一种水力发电站来水量预测方法，其特征在于：本地气象信息包括温度信息和湿度信息。
3.根据权利要求1所述的一种水力发电站来水量预测方法，其特征在于：对采集的历史数据进行无用数据剔除，根据预设的比例构建训练集。
4.根据权利要求1所述的一种水力发电站来水量预测方法，其特征在于：水量预测模型采用SVM回归模型，具体如下，
Figure FDA0002321587060000011
Figure FDA0002321587060000012
其中，ε表示预测值与真实值的最大差距；xi为四维向量，代表本地降雨量值、温度值、湿度值、上有水力发电站出库流量值；yi表示本地水力发电站的入库流量值；松弛因子li是预测值到缓冲区域上边界的距离，松弛因子
Figure FDA0002321587060000013
是预测值到缓冲区域下边界的距离，ω和b为参数，m为样本数量，C表示对大于ε的样本点的惩罚程度。
5.一种水力发电站来水量预测系统，其特征在于：包括，
模型构建模块：构建考虑本地降雨量信息、本地气象信息和上游水力发电站的出库流量的水量预测模型；
训练集构建模块：采集本地降雨量历史信息、本地气象历史信息、上游水力发电站的历史出库流量以及本地水力发电站的历史入库流量，构建训练集；
训练模块：用训练集训练水量预测模型；
预测模块：采用训练好的水量预测模型，预测本地水力发电站的入库流量。
6.根据权利要求5所述的一种水力发电站来水量预测系统，其特征在于：本地气象信息包括温度信息和湿度信息。
7.根据权利要求5所述的一种水力发电站来水量预测系统，其特征在于：训练集构建模块还包括剔除模块；剔除模块：对采集的历史数据进行无用数据剔除，根据预设的比例构建训练集。
8.根据权利要求5所述的一种水力发电站来水量预测系统，其特征在于：水量预测模型采用SVM回归模型，具体如下，
Figure FDA0002321587060000021
Figure FDA0002321587060000022
其中，ε表示预测值与真实值的最大差距；xi为四维向量，代表本地降雨量值、温度值、湿度值、上有水力发电站出库流量值；yi表示本地水力发电站的入库流量值；松弛因子li是预测值到缓冲区域上边界的距离，松弛因子
Figure FDA0002321587060000023
是预测值到缓冲区域下边界的距离，ω和b为参数，m为样本数量，C表示对大于ε的样本点的惩罚程度。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。
10.一种计算设备，其特征在于：包括，
一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。
CN201911299856.2A 2019-12-17 2019-12-17 一种水力发电站来水量预测方法及系统 Pending CN111144629A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911299856.2A CN111144629A (zh) 2019-12-17 2019-12-17 一种水力发电站来水量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911299856.2A CN111144629A (zh) 2019-12-17 2019-12-17 一种水力发电站来水量预测方法及系统

Publications (1)

Publication Number Publication Date
CN111144629A true CN111144629A (zh) 2020-05-12

Family

ID=70518552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911299856.2A Pending CN111144629A (zh) 2019-12-17 2019-12-17 一种水力发电站来水量预测方法及系统

Country Status (1)

Country Link
CN (1) CN111144629A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548511A (zh) * 2022-01-18 2022-05-27 广西电网有限责任公司 一种低水头水电站群下游水库日平均入库流量的预测方法
CN115018165A (zh) * 2022-06-10 2022-09-06 江西武大扬帆科技有限公司 基于大数据的洪水预报分析系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005336937A (ja) * 2004-05-31 2005-12-08 Hitachi Ltd 水力発電所の運転管理方法及びその運転管理システム
JP2014037677A (ja) * 2012-08-10 2014-02-27 Japan River Front Research Center ４次元水循環再現・解析・予測・可視化シミュレーションシステム
CN104376214A (zh) * 2014-11-18 2015-02-25 上海大学 基于数据驱动的脉动风速模拟方法
CN104463358A (zh) * 2014-11-28 2015-03-25 大连理工大学 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法
JP2017224268A (ja) * 2016-06-09 2017-12-21 株式会社日立製作所 データ予測システムおよびデータ予測方法
CN108537366A (zh) * 2018-03-16 2018-09-14 浙江工业大学 基于最优卷积二维化的水库调度方法
CN108875161A (zh) * 2018-05-31 2018-11-23 长江勘测规划设计研究有限责任公司 基于卷积神经网络深度学习的流量等级预测方法
CN108921279A (zh) * 2018-03-26 2018-11-30 西安电子科技大学 水库日入水量预测方法
CN110417607A (zh) * 2018-04-26 2019-11-05 中移(苏州)软件技术有限公司 一种流量预测方法、装置及设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005336937A (ja) * 2004-05-31 2005-12-08 Hitachi Ltd 水力発電所の運転管理方法及びその運転管理システム
JP2014037677A (ja) * 2012-08-10 2014-02-27 Japan River Front Research Center ４次元水循環再現・解析・予測・可視化シミュレーションシステム
CN104376214A (zh) * 2014-11-18 2015-02-25 上海大学 基于数据驱动的脉动风速模拟方法
CN104463358A (zh) * 2014-11-28 2015-03-25 大连理工大学 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法
JP2017224268A (ja) * 2016-06-09 2017-12-21 株式会社日立製作所 データ予測システムおよびデータ予測方法
CN108537366A (zh) * 2018-03-16 2018-09-14 浙江工业大学 基于最优卷积二维化的水库调度方法
CN108921279A (zh) * 2018-03-26 2018-11-30 西安电子科技大学 水库日入水量预测方法
CN110417607A (zh) * 2018-04-26 2019-11-05 中移(苏州)软件技术有限公司 一种流量预测方法、装置及设备
CN108875161A (zh) * 2018-05-31 2018-11-23 长江勘测规划设计研究有限责任公司 基于卷积神经网络深度学习的流量等级预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548511A (zh) * 2022-01-18 2022-05-27 广西电网有限责任公司 一种低水头水电站群下游水库日平均入库流量的预测方法
CN115018165A (zh) * 2022-06-10 2022-09-06 江西武大扬帆科技有限公司 基于大数据的洪水预报分析系统及方法

Similar Documents

Publication Publication Date Title
Bekun Mitigating emissions in India: accounting for the role of real income, renewable energy consumption and investment in energy
CN104657791B (zh) 一种基于相关性分析的风电场群风速分布预测方法
CN108876019A (zh) 一种基于大数据的用电负荷预测方法及系统
CN109800898A (zh) 一种智能短期负荷预测方法及系统
CN111178587B (zh) 一种基于spark框架的短期电力负荷快速预测方法
CN113496311A (zh) 光伏电站发电功率预测方法及系统
CN102426674A (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN102147839A (zh) 一种光伏发电量预测方法
WO2024046137A1 (zh) 一种多能源联合发电系统的功率预测模型构建及预测方法
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
CN111144629A (zh) 一种水力发电站来水量预测方法及系统
CN103345585A (zh) 基于支持向量机的风功率预测校正方法及系统
CN114511181A (zh) 基于电网及税收数据融合的水污染环保校验方法和装置
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN114792166A (zh) 一种基于多重约束的能源碳排放的优化预测方法及装置
Kalli Integrating Renewable Energy into Healthcare IT: A Cyber-Secure Approach
CN114925905A (zh) 一种基于标识解析的工业能耗调配方法、设备及介质
CN107590747A (zh) 基于综合能源大数据分析的电网资产周转率计算方法
CN114676931B (zh) 一种基于数据中台技术的电量预测系统
CN110705802A (zh) 一种基于多因素分段的配电网柔性负荷预测方法
Zhang et al. Analysis of influencing factors of transmission line loss based on GBDT algorithm
CN114330923A (zh) 一种基于公共气象数据的光伏发电功率预测方法
CN109871998B (zh) 一种基于专家样本库的配电网线损率预测方法及装置
CN113537770A (zh) 一种基于云计算的决策树配置寿命预测的方法及系统
CN111178593A (zh) 一种光伏系统输出功率预测方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200512