CN111178613B - 一种用户用电行为综合预测方法及系统 - Google Patents
一种用户用电行为综合预测方法及系统 Download PDFInfo
- Publication number
- CN111178613B CN111178613B CN201911348838.9A CN201911348838A CN111178613B CN 111178613 B CN111178613 B CN 111178613B CN 201911348838 A CN201911348838 A CN 201911348838A CN 111178613 B CN111178613 B CN 111178613B
- Authority
- CN
- China
- Prior art keywords
- psychological
- electricity
- psychological field
- field
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 361
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000694 effects Effects 0.000 claims abstract description 26
- 238000012937 correction Methods 0.000 claims description 46
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000003340 mental effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000012935 Averaging Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 239000011541 reaction mixture Substances 0.000 claims description 5
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 4
- 230000002650 habitual effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims 5
- 238000013277 forecasting method Methods 0.000 claims 2
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 76
- 230000009471 action Effects 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 29
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 238000012549 training 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户用电行为综合预测方法及系统，本发明通过考虑用户开展用电活动中的各类主要外部因素影响，分别构建完善的用户用电心理场模型，从而合理量化分时电价、用户电费、气温等用电活动中关键的心理因素，并且能够结合已有的电力负荷预测方法，最终求得计及多种心理因素影响条件下的电力用户用电行为综合预测值。本发明综合考虑多心理场场强作用下的用电行为预测，使得用电行为预测终值更加贴近用户的心理预期，避免了只从数据分析的角度出发进行预测带来的缺陷，使得最终的预测结果更为地准确、有效，从而能够有效地保证电力网络的正常运行以及减少电力公司的经济损失。
Description
技术领域
本发明涉及电力技术领域，具体涉及一种用户用电行为综合预测方法及系统。
背景技术
智能电网用电行为是指智能电网中用户(如住宅用户、商业用户等)的电力使用行为。通过对用户用电行为的有效掌握，能够向用户提供更优质的电力服务，减轻供电单位的供电负荷压力，避免异常用电行为导致对未来电力需求的错误判断，给电力公司造成严重的经济损失、影响电力网络的正常运行。因此，如何有效地预测用户的用电行为对于保证电力网络的正常运行至关重要。然而，现有技术中针对电力系统中电力用户的用电行为预测，即负荷预测问题并没有提供一个有效、准确的用户用电行为预测方法及系统
发明内容
本发明的目的在于克服上述现有技术的不足，提供一种用户用电行为综合预测方法及系统，以有效、准确地预测出用户用电行为，从而能够有效地保证电力网络的正常运行以及减少电力公司的经济损失。
为实现上述目的，本发明的技术方案是：
第一方面，本发明实施例提供了一种用户用电行为综合预测方法，包括：
获取所需用户历史用电量、电价、电费、气温以及收益数据；
根据所获取到的用户历史用电量、电价、电费、气温以及收益数据来分别构建电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型；
将所获取到用户历史用电量、电价、电费、气温以及收益数据作为BP人工神经网络模型的输入向量，以利用BP人工神经网络模型来计算预测出当前用户的预测用电初值
确定预测用电初值在电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型中所各自对应的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强；
对所确定的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强分别就行标准化处理获取对应的修正系数，并根据预测用电初值
和对应的修正系数来分别计算获得基于电价心理场模型修正的预测值
基于电费心理场模型修正的预测值
基于气温心理场模型修正的预测值
和基于收益心理场模型修正的预测值
采用平均化的方法充分考虑四类心理场模型的影响，得出用户用电行为的最终预测值
第二方面，本发明实施例提供了一种用户用电行为综合预测分析系统，包括：
数据获取器，用于获取所需用户历史用电量、电价、电费、气温以及收益数据；
第一数据处理器，用于根据数据获取器所传输来的用户历史用电量、电价、电费、气温以及收益数据来分别构建电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型；并用于将该用户历史用电量、电价、电费、气温以及收益数据作为BP人工神经网络模型的输入向量，以利用BP人工神经网络模型来计算预测出当前用户的预测用电初值
并用于确定预测用电初值在电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型中所各自对应的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强；
第二数据处理器，对第一数据处理器传输来的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强分别就行标准化处理获取对应的修正系数，并根据预测用电初值
和对应的修正系数来分别计算获得基于电价心理场模型修正的预测值
基于电费心理场模型修正的预测值
基于气温心理场模型修正的预测值
和基于收益心理场模型修正的预测值
最后采用平均化的方法充分考虑四类心理场模型的影响，运算得出用户用电行为的最终预测值
本发明与现有技术相比，其有益效果在于：
本实施例提供的用户用电行为综合预测分析方法考虑构建完善的各类用户用电心理场模型，从而合理量化用户开展用电活动中关键的心理因素，如电价、电费、气温和收益等，满足实际用电行为预测的需要。同时，提出将各类用户用电心理场模型与多输入向量的BP人工神经网络预测技术相结合的方法，保持了负荷预测实时性的优点，有利于在实际应用中的推广。此外在计算实际预测情景下的用户用电行为预测值时，首先分别计算对应于预测用电初值的各类用电心理场场强，并进行标准化处理。其次通过将标准化处理后的各类心理场场强作为修正系数，从而对实时负荷预测初值进行修正，并通过平均化的方式，综合考虑多心理场场强作用下的用电行为预测，使得用电行为预测终值更加贴近用户的心理预期，避免了只从数据分析的角度出发进行预测带来的缺陷，使得最终的预测结果更为地准确、有效，从而能够有效地保证电力网络的正常运行以及减少电力公司的经济损失。
本实施例提供的用户用电行为综合预测分析系统首先通过数据获取器来获取用户历史用电量、电价、电费、气温以及收益数据，然后将所获取到的数据传输至第一数据处理器，第一数据处理器根据预先设定的数据处理程序构建了电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型，完善的各类用户用电心理场模型，从而合理量化用户开展用电活动中关键的心理因素，同时将将各类用户用电心理场模型与多输入向量的BP人工神经网络预测技术相结合的方法，保持了负荷预测实时性的优点，有利于在实际应用中的推广；此外在计算实际预测情景下的用户用电行为预测值时，首先分别计算对应于预测用电初值的各类用电心理场场强，然后由第二数据处理器根据预先设定的数据处理程序来进行标准化处理，通过将标准化处理后的各类心理场场强作为修正系数，从而对实时负荷预测初值进行修正，并通过平均化的方式，综合考虑多心理场场强作用下的用电行为预测，使得用电行为预测终值更加贴近用户的心理预期，避免了只从数据分析的角度出发进行预测带来的缺陷，使得最终的预测结果更为地准确、有效，从而能够有效地保证电力网络的正常运行以及减少电力公司的经济损失。
附图说明
图1为本发明实施例1提供的用户用电行为综合预测分析方法的流程图；
图2为电价心理场等势线分布示意图；
图3为电费心理场等势线分布示意图；
图4为气温心理场等势线分布示意图；
图5为收益心理场等势线分布示意图；
图6为本发明实施例2提供的用户用电行为综合预测分析系统的组成示意图；
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
电力用户的用电行为指用户作为用电主体，在外部环境因素影响下所产生的用电活动，其主要体现于用户用电负荷的变化情况中。目前已有的负荷预测技术包括回归分析法、灰色系统理论法、小波分析法、人工神经网络法等，均从数据分析的单纯角度出发进行预测。由于电力用户的行为主体是具有思维和情感认知的人，对其用电行为的预测必须考虑用户心理因素的影响。但是，心理因素的影响较难以准确的数据形式来表述，因此可通过借鉴物理学中的场论，引入心理场概念模型而进行量化。心理场的基本公式为B＝f(P·E) (1)
式(1)中f是个人特性与环境的函数；B表示个人行为；P表示个人属性；E表示外部环境。心理场基本公式体现出个人行为受个人属性和环境属性的共同影响。在心理场中，人是场的发生源，但是场中的物体不会受到发生源的影响，人会在自身特性的约束下，针对心理场中的环境做出反应。即心理场并非会改变场中物体的运动状态，而是通过场的形式，判别场中的客体对人的作用强弱，进而改变自身的行为状态。
实施例1：
参阅图1所示，本实施提供的用户用电行为综合预测分析方法包括如下步骤：
101、获取所需用户历史用电量、电价、电费、气温以及收益数据；
102、根据所获取到的用户历史用电量、电价、电费、气温以及收益数据来分别构建电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型；
103、将所获取到用户历史用电量、电价、电费、气温以及收益数据作为BP人工神经网络模型的输入向量，以利用BP人工神经网络模型来计算预测出当前用户的预测用电初值
104、确定预测用电初值在电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型中所各自对应的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强；
105、对所确定的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强分别就行标准化处理获取对应的修正系数，并根据预测用电初值
和对应的修正系数来分别计算获得基于电价心理场模型修正的预测值
基于电费心理场模型修正的预测值
基于气温心理场模型修正的预测值
和基于收益心理场模型修正的预测值
106、采用平均化的方法充分考虑四类心理场模型的影响，得出用户用电行为的最终预测值
由此可见，本方法考虑构建完善的各类用户用电心理场模型，从而合理量化用户开展用电活动中关键的心理因素，如电价、电费、气温和收益等，满足实际用电行为预测的需要。同时，提出将各类用户用电心理场模型与多输入向量的BP人工神经网络预测技术相结合的方法，保持了负荷预测实时性的优点，有利于在实际应用中的推广。此外在计算实际预测情景下的用户用电行为预测值时，首先分别计算对应于预测用电初值的各类用电心理场场强，并进行标准化处理。其次通过将标准化处理后的各类心理场场强作为修正系数，从而对实时负荷预测初值进行修正，并通过平均化的方式，综合考虑多心理场场强作用下的用电行为预测，使得用电行为预测终值更加贴近用户的心理预期，避免了只从数据分析的角度出发进行预测带来的缺陷，使得最终的预测结果更为地准确、有效，从而能够有效地保证电力网络的正常运行以及减少电力公司的经济损失。
具体地，步骤102中，该电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型上述的电价心理场数学模型的构建如下：
考虑建立符合实际的电价心理场数学模型
(1)电价心理场基本场强建模
电力用户在开展用电活动的过程中会因其周围环境的影响而产生心理压力，这种心理压力与用户当前的用电量以及电价的相对变化密切相关。同时，电力用户的用电活动具有一定的目的性，从而在用户的心理上产生一种心理驱动。电力用户的实际用电行为是心理驱动与心理压力二者共同作用时表现出来的。
在用户用电行为的电价心理场模型中，设电价心理场为标量场，场强大小的变化体现出电力用户对电价相对变化的感知度。场强的场源是动态的，场强的大小仅受用户用电量和电价变化状态的影响。用户会调整自身的用电行为来反映电价变化在心理场中产生的作用力，这种作用力与当前电价在心理场中所处位置的场强大小，以及用户当前的用电量密切相关。由此可得，在用户电价的相对变化方向上，用户电价心理场的基本场强表现为如下形式：
式(2)中：Ec为由上述所形成的用户电价心理场基本场强值；C为心理场中当前的电价值；Cε为修正值，其大小与用户用电的心理特性相关；Lc为电价心理场中用户心理预期原点与电价心理场强等势线上各点间的距离。
(2)确定电价心理场的等势线分布
电力用户开展用电活动时的电价心理场模型，可以通过构建电价心理场等势线的分布来对其中的用电行为进行描述。显然，若电价相对越低，用户的用电量越小，则用户所感受到的心理压力会越小，电价心理场的场强也就越小；反之则相反。据此，可得出如图2所示的电价心理场等势线基本形式示意图。在图2中，横轴X为假定的电价连续变化量，而纵轴Y为用户的用电连续变化量，坐标原点即看作用户的心理预期原点。在同一等势线上，无论电价与用户用电量的变化情况如何，均看作其对用户具有相同的电价心理场场强作用。
电价心理场的等势线形式可用式(3)进行描述：
式(3)中，α为电价心理场场强等势线的决定系数，与用户具体的用电行为相互联系，若用户的习惯性用电量比较大，则α取值也较大。因此，电价心理场中用户心理预期点与某一电价心理场强等势线间的距离为：
由式(2)及式(4)可得电价心理场场强计算公式为：
因此，通过分析确定的电价心理场等势线分布，从而可将用户基于电价的用电心理因素进行量化，并融入到用户的用电行为预测技术中。
考虑建立符合实际的电费心理场数学模型
(1)电费心理场基本场强建模
与用户电价心理场的形成过程类似，在用户用电行为的电费心理场模型中，设电费心理场为标量场，场强大小的变化体现出电力用户对电费相对变化的感知度。场强的场源是动态的，场强的大小仅受用户用电量和电费变化状态的影响。用户会调整自身的用电行为来反映电费变化在心理场中产生的作用力，这种作用力与当前电费在心理场中所处位置的场强大小，以及用户当前的用电量密切相关。由此可得，在用户电费的相对变化方向上，用户电费心理场的基本场强表现为如下形式：
式(6)中：Ef为由上述所形成的用户电费心理场基本场强值；F为心理场中当前的电费值；Fε为修正值，其大小与用户用电的心理特性相关；Lf为电费心理场中用户心理预期原点与电费心理场强等势线上各点间的距离。
(2)确定电费心理场的等势线分布
电力用户开展用电活动时的电费心理场模型，可以通过构建电费心理场等势线的分布来对其中的用电行为进行描述。显然，若电费相对越低，用户的用电量越小，则用户所感受到的心理压力会越小，电费心理场的场强也就越小；反之则相反。据此，可得出如图2所示的电费心理场等势线基本形式示意图。
在图3中，横轴X为假定的电费连续变化量，而纵轴Y为用户的用电连续变化量，坐标原点即看作用户的心理预期原点。在同一等势线上，无论电费与用户用电量的变化情况如何，均看作其对用户具有相同的电费心理场场强作用。
电费心理场的等势线形式可用式(7)进行描述：
式(7)中，Pm,f为理想的用户用电功率极限，即当电费为最理想的零值时用户能够达到的最大用电功率；Fm,f为用户承受电费极限，即当用户电费达到Fm,f时，用户将不倾向于开展任何用电活动。因此，电费心理场中用户心理预期点与某一电费心理场强等势线间的距离为
由式(6)及式(8)可得电费心理场场强计算公式为
因此，通过分析确定的电费心理场等势线分布，从而可将用户基于电费的用电心理因素进行量化，并融入到用户的用电行为预测技术中。
考虑建立符合实际的气温心理场数学模型
(1)气温心理场基本场强建模
同样地，在用户用电行为的气温心理场模型中，设气温心理场为标量场，场强大小的变化体现出电力用户对气温相对变化的感知度。场强的场源是动态的，场强的大小仅受用户用电量和气温变化状态的影响。用户会调整自身的用电行为来反映气温变化在心理场中产生的作用力，这种作用力与当前气温在心理场中所处位置的场强大小，以及用户当前的用电量密切相关。由此可得，在用户气温的相对变化方向上，用户气温心理场的基本场强表现为如下形式：
式(10)中，：Et为由上述所形成的用户气温心理场基本场强值；T为心理场中当前的气温值；Tε为修正值，其大小与用户用电的心理特性相关；Lt为气温心理场中用户心理预期原点与气温心理场强等势线上各点间的距离。
(2)确定气温心理场的等势线分布
电力用户开展用电活动时的气温心理场模型，可以通过构建气温心理场等势线的分布来对其中的用电行为进行描述。显然，若气温越接近于用户的体感舒适范围，用户的用电量越小，则用户所感受到的心理压力会越小，气温心理场的场强也就越小；反之则相反。据此，可得出如图4所示的气温心理场等势线基本形式示意图。
在图4中，横轴X为假定的气温连续变化量，而纵轴Y为用户的用电连续变化量，坐标原点即看作用户的心理预期原点。在同一等势线上，无论气温与用户用电量的变化情况如何，均看作其对用户具有相同的气温心理场场强作用。如图3所示，Tmin、TQ、Tmax分别代表用户开展用电活动中所承受的最低温度、最适宜温度与最高温度。Pmax,t为气温心理场场强等势线上最大的用电量，而Pmin,t为气温心理场场强等势线上最小的用电量。
气温心理场的等势线形式可用式(11)进行描述：
P＝aT2+bT+c (11)
式(11)中a、b、c为相关系数，且a＜0。a、b、c的取值可通过Tmin、TQ、Tmax以及Pmax,t、Pmin,t进行计算得出。
因此，气温心理场中用户心理预期点与某一气温心理场强等势线间的距离为
由式(10)及式(12)可得气温心理场场强计算公式为
因此，通过分析确定的气温心理场等势线分布，从而可将用户基于气温的用电心理因素进行量化，并融入到用户的用电行为预测技术中。
考虑建立符合实际的收益心理场数学模型
(1)收益心理场基本场强建模
而在用户用电行为的收益心理场模型中，设收益心理场为标量场，场强大小的变化体现出电力用户对收益相对变化的感知度。场强的场源是动态的，场强的大小仅受用户用电量和收益变化状态的影响。用户会调整自身的用电行为来反映收益变化在心理场中产生的作用力，这种作用力与当前收益在心理场中所处位置的场强大小，以及用户当前的用电量密切相关。由此可得，在用户收益的相对变化方向上，用户收益心理场的基本场强表现为如下形式：
式(14)中：Ek为由上述所形成的用户收益心理场基本场强值；K为心理场中当前的收益值；Kε为修正值，其大小与用户用电的心理特性相关；Lk为收益心理场中用户心理预期原点与收益心理场强等势线上各点间的距离。
(2)确定收益心理场的等势线分布
电力用户开展用电活动时的收益心理场模型，可以通过构建收益心理场等势线的分布来对其中的用电行为进行描述。显然，若收益越大，用户的用电量越小，则用户所感受到的心理压力会越小，收益心理场的场强也就越小；反之则相反。据此，可得出如图5所示的收益心理场等势线基本形式示意图。
在图5中，横轴X为假定的收益连续变化量，而纵轴Y为用户的用电连续变化量，坐标原点即看作用户的心理预期原点。在同一等势线上，无论收益与用户用电量的变化情况如何，均看作其对用户具有相同的收益心理场场强作用。如图4所示，Pkmin为用户在收益心理场中开展用电活动的固有最小用电量，Pkmax为用户在收益心理场中的最大用电量，而Kmax为用户在收益心理场中的最大收益。
收益心理场的等势线形式可用式(15)进行描述：
P＝β1K2+β2 (15)
式(15)中，β1、β2为相关系数，可由Pkmin、Pkmax以及Kmax计算得出。因此，收益心理场中用户心理预期点与某一收益心理场强等势线间的距离为
由式(14)及式(16)可得收益心理场场强计算公式为
因此，通过分析确定的收益心理场等势线分布，从而可将用户基于收益的用电心理因素进行量化，并融入到用户的用电行为预测技术中。
在步骤103中，利用BP人工神经网络模型计算预测用电初值的方式为：
BP人工神经网络算法是一种有导师的学习算法，其基本思维来源于梯度下降的搜索方法。通过大量已知的输入－输出训练样本组成的集合，对BP算法学习系统进行多次训练，使其根据误差信号来调节系统参数。BP网络的学习算法包含正向传播和反向传播两个阶段，这两个阶段在学习过程中将反复交替进行，直到输出误差小于设定的值为止。以收集的历史电价、电费、气温和收益数据作为输入变量，可由建立好的BP人工神经网络计算得到基于上述多输入变量与用户历史用电量数据的预测用电初值
利用BP人工神经网络模型计算预测用电初值
后，需分别由上述所建立的各类心理场等势线模型确定预测用电初值
在各类心理场中所对应的场强。以电价心理场为例，假设
所处的电价心理场场强所对应的电价为
则可由前述式(5)的形式计算预测电价心理场强：
同理，可分别由式(9)、式(13)、式(17)计算得出对应预测用电初值
的预测电费心理场强、预测气温心理场强和预测收益心理场强，如式(19)至式(21)所示：
至此，结合多类别心理场计算对应的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强的过程结束。
基于标准化的各类别心理场场强修正预测用电初值
由上述计算得出预测时段内tn个时刻的各类别心理场强，即
按下式对各类别心理场强进行标准化处理：
式(22)中，
即为进行标准化处理后的各类别预测心理场场强，即标准化后的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强，将其分别看作基于各类别用电心理场模型修正预测用电初值的修正系数。因此，由标准化的各类别心理场场强修正预测用电初值的过程即按下式进行
式(23)中，
即为基于各类别心理场模型修正的用户用电行为最终预测值，包括基于电价心理场模型修正的预测值
基于电费心理场模型修正的预测值
基于气温心理场模型修正的预测值
和基于收益心理场模型修正的预测值
本发明中采用平均化的方法充分考虑四类心理场模型的影响，即由下式得出用户用电行为的最终预测值：
至此，基于标准化的各类别心理场场强修正预测用电初值的过程结束，从而得出基于前述所建立的多类别用电心理场模型的用户用电行为最终预测值
综上，本实施例提供的用户用电行为综合预测分析方法与现有技术相比具有如下技术优势：
(1)考虑构建完善的各类用户用电心理场模型，从而合理量化用户开展用电活动中关键的心理因素，如电价、电费、气温和收益等，满足实际用电行为预测的需要。
(2)提出将各类用户用电心理场模型与多输入向量的BP人工神经网络预测技术相结合的方法，保持了负荷预测实时性的优点，有利于在实际应用中的推广。
(3)在计算实际预测情景下的用户用电行为预测值时，首先分别计算对应于预测用电初值的各类用电心理场场强，并进行标准化处理。其次通过将标准化处理后的各类心理场场强作为修正系数，从而对实时负荷预测初值进行修正，并通过平均化的方式，综合考虑多心理场场强作用下的用电行为预测，使得用电行为预测终值更加贴近用户的心理预期，避免了只从数据分析的角度出发进行预测带来的缺陷。
实施例2：
参阅图4所示，本实施例所提供的用户用电行为综合预测分析系统，包括：
数据获取器601，用于获取所需用户历史用电量、电价、电费、气温以及收益数据；在本实施例中，该数据采集器可以采用现有的数据抓取工具，比如硅谷数据工具GrowingIO，然后从用户所在的电网系统、气象局系统以及自身的收益统计系统中抓取历史用电量、电价、电费数据以及该用户所在地的历史气温数据；抓取到相关数据后则将相关数据传输至第一数据处理器602中；
第一数据处理器602，用于根据数据获取器601所传输来的用户历史用电量、电价、电费、气温以及收益数据来分别构建电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型；并用于将该用户历史用电量、电价、电费、气温以及收益数据作为BP人工神经网络模型的输入向量，以利用BP人工神经网络模型来计算预测出当前用户的预测用电初值
并用于确定预测用电初值在电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型中所各自对应的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强；
第二数据处理器603，对第一数据处理器602传输来的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强分别就行标准化处理获取对应的修正系数，并根据预测用电初值
和对应的修正系数来分别计算获得基于电价心理场模型修正的预测值
基于电费心理场模型修正的预测值
基于气温心理场模型修正的预测值
和基于收益心理场模型修正的预测值
最后采用平均化的方法充分考虑四类心理场模型的影响，运算得出用户用电行为的最终预测值
由此可见，本实施例提供的用户用电行为综合预测分析系统首先通过数据获取器来获取用户历史用电量、电价、电费、气温以及收益数据，然后将所获取到的数据传输至第一数据处理器，第一数据处理器根据预先设定的数据处理程序构建了电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型，完善的各类用户用电心理场模型，从而合理量化用户开展用电活动中关键的心理因素，同时将将各类用户用电心理场模型与多输入向量的BP人工神经网络预测技术相结合的方法，保持了负荷预测实时性的优点，有利于在实际应用中的推广；此外在计算实际预测情景下的用户用电行为预测值时，首先分别计算对应于预测用电初值的各类用电心理场场强，然后由第二数据处理器根据预先设定的数据处理程序来进行标准化处理，通过将标准化处理后的各类心理场场强作为修正系数，从而对实时负荷预测初值进行修正，并通过平均化的方式，综合考虑多心理场场强作用下的用电行为预测，使得用电行为预测终值更加贴近用户的心理预期，避免了只从数据分析的角度出发进行预测带来的缺陷，使得最终的预测结果更为地准确、有效，从而能够有效地保证电力网络的正常运行以及减少电力公司的经济损失。
本实施中的数据采集器601的具体工作原理和实施例1中的步骤101相对应，第一数据处理器602的运算处理过程和实施例1中的步骤102-104相对应，第二数据处理器603的运算处理过程和实施例1中的步骤105-106相对应，因此在本实施例中就不再详细赘述数据采集器601、第一数据处理器602以及第二数据处理器603的工作原理和运算处理过程。
作为本实施例用户用电行为预测系统的一种优选，该系统还包括客户端，该客户端用于接第二收数据处理器603所计算出来的最终预测值
该客户端可以为手机、电脑或平板电脑，如此，工作人员可以远程、实时地得知运算的最终结果。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。
Claims (10)
1.一种用户用电行为综合预测方法，其特征在于，包括：
获取所需用户历史用电量、电价、电费、气温以及收益数据；
根据所获取到的用户历史用电量、电价、电费、气温以及收益数据来分别构建电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型；
将所获取到用户历史用电量、电价、电费、气温以及收益数据作为BP人工神经网络模型的输入向量，以利用BP人工神经网络模型来计算预测出当前用户的预测用电初值
确定预测用电初值在电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型中所各自对应的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强；
对所确定的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强分别就行标准化处理获取对应的修正系数，并根据预测用电初值
和对应的修正系数来分别计算获得基于电价心理场模型修正的预测值
基于电费心理场模型修正的预测值
基于气温心理场模型修正的预测值
和基于收益心理场模型修正的预测值
采用平均化的方法充分考虑四类心理场模型的影响，得出用户用电行为的最终预测值
2.如权利要求1所述的用户用电行为综合预测方法，其特征在于，所述电价心理场模型包括：电价心理场的基本场强模型：
式(2)中：Ec为由上述所形成的用户电价心理场基本场强值；C为心理场中当前的电价值；Cε为修正值；Lc为电价心理场中用户心理预期原点与电价心理场强等势线上各点间的距离；
确定电价心理场的等势线分布：
电价心理场的等势线形式的描述公式为：
式(3)中，α为电价心理场场强等势线的决定系数，与用户具体的用电行为相互联系，若用户的习惯性用电量比较大，则α取值也较大，因此，电价心理场中用户心理预期点与某一电价心理场强等势线间的距离为：
由式(2)及式(4)得电价心理场场强计算公式为；
所述电费心理场模型包括：
用户电费心理场的基本场强模型：
式(6)中：Ef为由上述所形成的用户电费心理场基本场强值；F为心理场中当前的电费值；Fε为修正值；Lf为电费心理场中用户心理预期原点与电费心理场强等势线上各点间的距离；
确定电费心理场的等势线分布：
电费心理场的等势线形式用式(7)进行描述：
式(7)中，Pm,f为理想的用户用电功率极限，即当电费为最理想的零值时用户能够达到的最大用电功率；Fm,f为用户承受电费极限，即当用户电费达到Fm,f时，用户将不倾向于开展任何用电活动；因此，电费心理场中用户心理预期点与某一电费心理场强等势线间的距离为：
由式(6)及式(8)可得电费心理场场强计算公式为：
3.如权利要求2所述的用户用电行为综合预测方法，其特征在于，所述气温心理场模型包括：
气温心理场基本场强模型：
式(10)中，：Et为由上述所形成的用户气温心理场基本场强值；T为心理场中当前的气温值；Tε为修正值；Lt为气温心理场中用户心理预期原点与气温心理场强等势线上各点间的距离；
确定气温心理场的等势线分布:
气温心理场的等势线形式用式(11)进行描述：
P＝aT2+bT+c (11)
式(11)中a、b、c为相关系数，且a＜0,a、b、c的取值通过Tmin、TQ、Tmax以及Pmax,t、Pmin,t进行计算得出；Tmin、TQ、Tmax分别代表用户开展用电活动中所承受的最低温度、最适宜温度与最高温度；Pmax,t为气温心理场场强等势线上最大的用电量，而Pmin,t为气温心理场场强等势线上最小的用电量；
气温心理场中用户心理预期点与某一气温心理场强等势线间的距离为
由式(10)及式(12)可得气温心理场场强计算公式为
所述收益心理场模型包括：
收益心理场基本场强模型：
式(14)中：Ek为由上述所形成的用户收益心理场基本场强值；K为心理场中当前的收益值；Kε为修正值；Lk为收益心理场中用户心理预期原点与收益心理场强等势线上各点间的距离；
确定收益心理场的等势线分布：收益心理场的等势线形式可用式(15)进行描述：
P＝β1K2+β2 (15)
式(15)中，β1、β2为相关系数，可由Pkmin、Pkmax以及Kmax计算得出；因此，收益心理场中用户心理预期点与某一收益心理场强等势线间的距离为：
由式(14)及式(16)可得收益心理场场强计算公式为：
4.如权利要求3所述的用户用电行为综合预测方法，其特征在于，所述预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强的计算方式为：
预测电价心理场强：
预测电费心理场强、预测气温心理场强和预测收益心理场强，如式(19)至式(21)所示：
5.如权利要求4所述的用户用电行为综合预测方法，其特征在于，所述计算获得基于电价心理场模型修正的预测值
基于电费心理场模型修正的预测值
基于气温心理场模型修正的预测值
和基于收益心理场模型修正的预测值
的方式为：
由计算得出预测时段内tn个时刻的各类别心理场强，即
按下式对各类别心理场强进行标准化处理：
式(22)中，
即为进行标准化处理后的各类别预测心理场场强，即标准化后的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强，将其分别看作基于各类别用电心理场模型修正预测用电初值的修正系数。因此，由标准化的各类别心理场场强修正预测用电初值的过程即按下式进行
式(23)中，
即为基于各类别心理场模型修正的用户用电行为最终预测值，包括基于电价心理场模型修正的预测值
基于电费心理场模型修正的预测值
基于气温心理场模型修正的预测值
和基于收益心理场模型修正的预测值
6.一种用户用电行为综合预测分析系统，其特征在于，包括：
数据获取器，用于获取所需用户历史用电量、电价、电费、气温以及收益数据；
第一数据处理器，用于根据数据获取器所传输来的用户历史用电量、电价、电费、气温以及收益数据来分别构建电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型；并用于将该用户历史用电量、电价、电费、气温以及收益数据作为BP人工神经网络模型的输入向量，以利用BP人工神经网络模型来计算预测出当前用户的预测用电初值
并用于确定预测用电初值在电价心理场模型、电费心理场模型、气温心理场模型以及收益心理场模型中所各自对应的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强；
第二数据处理器，对第一数据处理器传输来的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强分别就行标准化处理获取对应的修正系数，并根据预测用电初值
和对应的修正系数来分别计算获得基于电价心理场模型修正的预测值
基于电费心理场模型修正的预测值
基于气温心理场模型修正的预测值
和基于收益心理场模型修正的预测值
最后采用平均化的方法充分考虑四类心理场模型的影响，运算得出用户用电行为的最终预测值
7.如权利要求6所述的用户用电行为综合预测系统，其特征在于，所述电价心理场模型包括：电价心理场的基本场强模型：
式(2)中：Ec为由上述所形成的用户电价心理场基本场强值；C为心理场中当前的电价值；Cε为修正值；Lc为电价心理场中用户心理预期原点与电价心理场强等势线上各点间的距离；
确定电价心理场的等势线分布：
电价心理场的等势线形式的描述公式为：
式(3)中，α为电价心理场场强等势线的决定系数，与用户具体的用电行为相互联系，若用户的习惯性用电量比较大，则α取值也较大，因此，电价心理场中用户心理预期点与某一电价心理场强等势线间的距离为：
由式(2)及式(4)得电价心理场场强计算公式为；
所述电费心理场模型包括：
用户电费心理场的基本场强模型：
式(6)中：Ef为由上述所形成的用户电费心理场基本场强值；F为心理场中当前的电费值；Fε为修正值；Lf为电费心理场中用户心理预期原点与电费心理场强等势线上各点间的距离；
确定电费心理场的等势线分布：
电费心理场的等势线形式用式(7)进行描述：
式(7)中，Pm,f为理想的用户用电功率极限，即当电费为最理想的零值时用户能够达到的最大用电功率；Fm,f为用户承受电费极限，即当用户电费达到Fm,f时，用户将不倾向于开展任何用电活动；因此，电费心理场中用户心理预期点与某一电费心理场强等势线间的距离为
由式(6)及式(8)可得电费心理场场强计算公式为
8.如权利要求7所述的用户用电行为综合预测系统，其特征在于，所述气温心理场模型包括：
气温心理场基本场强模型：
式(10)中，：Et为由上述所形成的用户气温心理场基本场强值；T为心理场中当前的气温值；Tε为修正值；Lt为气温心理场中用户心理预期原点与气温心理场强等势线上各点间的距离；
确定气温心理场的等势线分布:
气温心理场的等势线形式用式(11)进行描述：
P＝aT2+bT+c (11)
式(11)中a、b、c为相关系数，且a＜0,a、b、c的取值通过Tmin、TQ、Tmax以及Pmax,t、Pmin,t进行计算得出；Tmin、TQ、Tmax分别代表用户开展用电活动中所承受的最低温度、最适宜温度与最高温度；Pmax,t为气温心理场场强等势线上最大的用电量，而Pmin,t为气温心理场场强等势线上最小的用电量；
气温心理场中用户心理预期点与某一气温心理场强等势线间的距离为
由式(10)及式(12)可得气温心理场场强计算公式为
所述收益心理场模型包括：
收益心理场基本场强模型：
式(14)中：Ek为由上述所形成的用户收益心理场基本场强值；K为心理场中当前的收益值；Kε为修正值；Lk为收益心理场中用户心理预期原点与收益心理场强等势线上各点间的距离；
确定收益心理场的等势线分布：收益心理场的等势线形式可用式(15)进行描述：
P＝β1K2+β2 (15)
式(15)中，β1、β2为相关系数，可由Pkmin、Pkmax以及Kmax计算得出；因此，收益心理场中用户心理预期点与某一收益心理场强等势线间的距离为：
由式(14)及式(16)可得收益心理场场强计算公式为：
9.如权利要求8所述的用户用电行为综合预测系统，其特征在于，所述预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强的计算方式为：
预测电价心理场强：
预测电费心理场强、预测气温心理场强和预测收益心理场强，如式(19)至式(21)所示：
10.如权利要求9所述的用户用电行为综合预测系统，其特征在于，所述计算获得基于电价心理场模型修正的预测值
基于电费心理场模型修正的预测值
基于气温心理场模型修正的预测值
和基于收益心理场模型修正的预测值
的方式为：
由计算得出预测时段内tn个时刻的各类别心理场强，即
按下式对各类别心理场强进行标准化处理：
式(22)中，
即为进行标准化处理后的各类别预测心理场场强，即标准化后的预测电价心理场强、预测电费心理场强、预测气温心理场强和预测收益心理场强，将其分别看作基于各类别用电心理场模型修正预测用电初值的修正系数。因此，由标准化的各类别心理场场强修正预测用电初值的过程即按下式进行：
式(23)中，
即为基于各类别心理场模型修正的用户用电行为最终预测值，包括基于电价心理场模型修正的预测值
基于电费心理场模型修正的预测值
基于气温心理场模型修正的预测值
和基于收益心理场模型修正的预测值
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911348838.9A CN111178613B (zh) | 2019-12-24 | 2019-12-24 | 一种用户用电行为综合预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911348838.9A CN111178613B (zh) | 2019-12-24 | 2019-12-24 | 一种用户用电行为综合预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111178613A CN111178613A (zh) | 2020-05-19 |
| CN111178613B true CN111178613B (zh) | 2022-12-27 |
Family
ID=70655552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911348838.9A Active CN111178613B (zh) | 2019-12-24 | 2019-12-24 | 一种用户用电行为综合预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111178613B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111210051B (zh) * | 2019-12-13 | 2023-09-22 | 贵州电网有限责任公司 | 一种用户用电行为预测方法及系统 |
| CN111210055B (zh) * | 2019-12-24 | 2023-09-29 | 贵州电网有限责任公司 | 一种电力用户用电行为预测方法和预测系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682349A (zh) * | 2012-05-14 | 2012-09-19 | 云南电力试验研究院（集团）有限公司电力研究院 | 一种用电量智能预测系统及方法 |
| CN105678404B (zh) * | 2015-12-30 | 2019-07-23 | 东北大学 | 基于网购电和动态关联因子的微电网负荷预测系统及方法 |
| CN109636465A (zh) * | 2018-12-12 | 2019-04-16 | 国网内蒙古东部电力有限公司通辽供电公司 | 一种基于电量等效价值波动的微电网售电套餐设计方法 |
-
2019
- 2019-12-24 CN CN201911348838.9A patent/CN111178613B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111178613A (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3458981B1 (en) | System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid | |
| CN111552923B (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
| CN110648026A (zh) | 预测模型构建方法、预测方法、装置、设备及介质 | |
| CN111178613B (zh) | 一种用户用电行为综合预测方法及系统 | |
| Sulaiman et al. | A novel hybrid short-term electricity forecasting technique for residential loads using Empirical Mode Decomposition and Extreme Learning Machines | |
| CN110675275B (zh) | 一种虚拟电厂的需求侧响应用电负荷调控方法及系统 | |
| CN104820876A (zh) | 一种短期负荷预测方法和系统 | |
| CN109344895B (zh) | 一种激励型需求响应下的用户响应可靠性评估方法 | |
| CN113902183B (zh) | 基于bert的非侵入式台区充电桩状态监测与电价调整方法 | |
| CN114722873A (zh) | 一种基于残差卷积和注意力机制的非侵入式负荷分解方法 | |
| CN111832790A (zh) | 一种供水管网预测中长期需水量的方法及系统 | |
| CN114201924A (zh) | 基于迁移学习的太阳辐照度预测方法及预测系统 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN116937569A (zh) | 光伏发电智能储能方法、装置及电子设备 | |
| CN111210051B (zh) | 一种用户用电行为预测方法及系统 | |
| CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
| Chen et al. | Toward future information market: An information valuation paradigm | |
| CN108802845B (zh) | 一种基于红外阵列传感器的室内人员占有率估计方法 | |
| Zhang et al. | Digital twin empowered PV power prediction | |
| CN109767037A (zh) | 一种夏季日最大负荷的预测方法 | |
| CN115511230A (zh) | 一种电能替代潜力分析预测方法 | |
| US20210065088A1 (en) | Resource management system, information processing device, and resource management method | |
| CN114139829A (zh) | 一种基于人工智能的电网负荷预测方法 | |
| CN111210055B (zh) | 一种电力用户用电行为预测方法和预测系统 | |
| CN112381266A (zh) | 基于历史供电及天气数据预测未来供电量的系统及其方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210315 Address after: No.17 Binhe Road, Nanming District, Guiyang City, Guizhou Province Applicant after: Guizhou Power Grid Co.,Ltd. Address before: 550025 in the south of high end equipment manufacturing industrial park, Gui'an New District, Guiyang City, Guizhou Province Applicant before: GUIAN POWER SUPPLY BUREAU, GUIZHOU POWER GRID Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |