CN111539844B - 一种基于k-l信息量和arima误差修正的月度电量预测方法 - Google Patents
一种基于k-l信息量和arima误差修正的月度电量预测方法 Download PDFInfo
- Publication number
- CN111539844B CN111539844B CN202010309544.1A CN202010309544A CN111539844B CN 111539844 B CN111539844 B CN 111539844B CN 202010309544 A CN202010309544 A CN 202010309544A CN 111539844 B CN111539844 B CN 111539844B
- Authority
- CN
- China
- Prior art keywords
- electricity consumption
- arima
- regression equation
- model
- monthly electricity
- 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
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提供一种基于K‑L信息量和ARIMA误差修正的月度电量预测方法,包括下列步骤:S1、建立历史月度用电量集合,选取一个与月度用电量相关的影响指标,通过K‑L信息量计算法分别计算单个影响指标与月度用电量的K‑L信息量,选择符合所述K‑L信息量的影响指标与所述月度用电量建立回归方程;S2、由所述回归方程获得回归方程所对应的拟合曲线模型,并计算拟合曲线模型与历史月度用电量曲线之间的误差值,并通过误差值构建拟合误差序列;S3、采用ARIMA模型对Dt进行误差修正预测;S4、通过回归方程获得月度用电量的预测值,由预测值以及修正后的误差值获得修正后的月度电量预测值。
Description
技术领域
本发明涉及电量规划技术领域,尤其涉及一种基于K-L信息量和ARIMA误差修正的月度电量预测方法。
背景技术
预测是正确决策的基础、前提和依据,正确预测地区负荷水平是各级电力公司指导电力系统安全稳定运行的重要基础。电力负荷预测是保证良好的电能质量,提高系统运行的经济性的重要手段之一,也是电力系统经济运行的基础。近年来,影响电力系统负荷特性的多方面因素发生了较大变化。在全面梳理传统中长期负荷预测的基础上,研究影响负荷的相关因素,对传统中长期负荷预测方法进行优化研究,提高电力公司对负荷成分的分析能力与预测能力发挥重要作用。
发明内容
本发明的目的在于提供一种基于K-L信息量和ARIMA误差修正的月度电量预测方法,以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的:一种基于K-L信息量和ARIMA误差修正的月度电量预测方法,包括下列步骤:
S1、建立历史月度用电量集合yt,yt={y1,y2,…,yn},至少选取一个与月度用电量相关的影响指标,通过K-L信息量计算法分别计算单个影响指标与月度用电量的K-L信息量,选择符合所述K-L信息量的影响指标与所述月度用电量建立回归方程;
S2、由所述回归方程获得回归方程所对应的拟合曲线模型,并计算拟合曲线模型与历史月度用电量曲线之间的误差值,并通过误差值构建拟合误差序列Dt,Dt={D1,D2,…,Dn};
S3、采用ARIMA模型对Dt进行误差修正预测;
S4、通过回归方程获得月度用电量的预测值,由预测值以及修正后的误差值获得修正后的月度电量预测值。
优选的,至少选取一个与月度用电量相关的影响指标后,分别建立影响指标集合xt,xt={x1,x2,…,xn},同时还建立xt的概率分布q,q={q1,q2,…,qn},通过下式计算概率分布q的分布列qt,其中t=1,2,…,n。
优选的,通过下式计算K-L信息量:
式中,t=1,2,…,n,即t可取任一正整数,kl为K-L信息量。
优选的,所述回归方程包括线性回归方程、指数回归方程、对数回归方程、幂函数回归方程、抛物线回归方程、多元回归方程。
优选的,采用ARIMA模型对Dt进行建模,并实现所述误差值的预测修正包括:
通过时序图法对Dt进行检验,判断Dt是否属于非平稳时间序列,若所述Dt属于非平稳时间序列,采用差分法对Dt进行d次差分,并得到新的平稳序列D′t;
通过计算D′t的自相关函数以及偏自相关函数进行模型识别,若自相关函数检测不截尾,则采用MA(q)模型;
若偏自相关函数不截尾,则采用AR(p)模型;
若自相关函数以及偏自相关函数检测均不截尾,则采用ARIMA(q,p)模型;
采用样本矩估计法、最小二乘估计法、极大似然估计法之一对ARIMA(q,p)模型的自回归系数、滑动平均系数进行计算,进而实现ARIMA(q,d,p)模型的定阶;
检验ARIMA(q,d,p)模型的残差序列是否,若为白噪声序列,则所述ARIMA(q,d,p)模型满足要求,若不是白噪声序列,需要重新进行模式识别;
将平稳序列D′t代入ARIMA(q,d,p)模型中进行预测,从而实现对误差序列Dt的修正预测。
优选的,通过回归方程获得月度用电量的预测值,由ARIMA(q,d,p)模型获得预测用电量的误差值,将二者相加得到最终的月度用电量预测值。
与现有技术相比,本发明达到的有益效果如下:
本发明提供的一种基于K-L信息量和ARIMA误差修正的月度电量预测方法,将回归方程的拟合误差构建成新的非平稳时间序列,利用ARIMA对非平稳时间序列的预测优势,修正预测误差,为提高预测精度提供思路;
基于K-L信息量和ARIMA误差修正的月度电量预测方法既考虑了对城乡居民用电量影响较大的相关因素,又修正了相关因素分析法的预测误差,提高了预测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于K-L信息量和ARIMA误差修正的月度电量预测方法的流程图。
具体实施方式
为了更好理解本发明技术内容,下面提供具体实施例,并结合附图对本发明做进一步的说明。
参见图1,一种基于K-L信息量和ARIMA误差修正的月度电量预测方法,包括下列步骤:
S1、建立历史月度用电量集合yt,yt={y1,y2,…,yn},至少选取一个与月度用电量相关的影响指标,通过K-L信息量计算法分别计算单个影响指标与月度用电量的K-L信息量,设定K-L信息量阈值,选择符合所述阈值的影响指标与所述月度用电量建立回归方程;
至少选取一个与月度用电量相关的影响指标后,分别建立影响指标集合xt,xt={x1,x2,…,xn},同时还建立xt的概率分布q,q={q1,q2,…,qn},通过下式计算概率分布q的分布列qt,其中t=1,2,…,n;
通过下式计算K-L信息量:
式中,t=1,2,…,n,即t可取任一正整数,kl为K-L信息量,在本实施例中,kl的阈值为小于等于50。
S2、由所述回归方程获得回归方程所对应的拟合曲线模型,具体的,回归方程包括目前常用的线性回归方程、指数回归方程、对数回归方程、幂函数回归方程、抛物线回归方程、多元回归方程;
计算拟合曲线模型与历史月度用电量曲线之间的误差值,并通过误差值构建拟合误差序列Dt,Dt={D1,D2,…,Dn};
S3、采用ARIMA模型对Dt进行误差修正预测,其具体包括:
通过时序图法对Dt进行检验,判断Dt是否属于非平稳时间序列,若所述Dt属于非平稳时间序列,采用差分法对Dt进行d次差分,并得到新的平稳序列D′t;
通过计算D′t的自相关函数以及偏自相关函数进行模型识别,若自相关函数检测不截尾,则采用MA(q)模型;
若偏自相关函数不截尾,则采用AR(p)模型;
若自相关函数以及偏自相关函数检测均不截尾,则采用ARIMA(q,p)模型;
采用样本矩估计法、最小二乘估计法、极大似然估计法之一对ARIMA(q,p)模型的自回归系数、滑动平均系数进行计算,进而实现ARIMA(q,d,p)模型的定阶;
检验ARIMA(q,d,p)模型的残差序列是否,若为白噪声序列,则所述ARIMA(q,d,p)模型满足要求,若不是白噪声序列,需要重新进行模式识别;
将平稳序列D′t代入ARIMA(q,d,p)模型中进行预测,从而实现对误差序列Dt的修正预测;
S4、通过回归方程获得月度用电量的预测值,由预测值以及修正后的误差值获得修正后的月度电量预测值。
具体的,通过回归方程获得月度用电量的预测值,由ARIMA(q,d,p)模型获得预测用电量的误差值,将二者相加得到最终的月度用电量预测值。
为了验证本方法的可行性,选取某地2016.1-2019.6的城乡居民月度电量作为历史数据序列,以2019年7、8、9月作为预测目标,选取包括城市居民消费价格总指数、商品零售价格总指数等在内的外部影响指标,应用步骤S1中的方式,通过K-L信息量法计算出的各个指标的K-L信息量,具体如表1所示,选取K-L信息量在50以内的一个或多个影响指标作为月度电量的相关因素建立回归方程,则从表1可以看出,与城乡居民月度电量最相关的影响因素为最高气温平均值。
表1
外部影响指标 | K-L信息量 | 外部影响指标 | K-L信息量 |
城市居民消费价格总指数 | 419 | 降雨量 | 77 |
商品零售价格总指数 | 85 | 家用电冰箱产量 | 613 |
商品进出口总值 | 181 | 房间空气调节器产量 | 63 |
商品进口总值 | 69 | 电子计算机产量 | 111 |
商品出口总值 | 90 | 彩色电视机产量 | 85 |
第三产业固定资产投资额 | 552 | 房地产开发施工面积 | 77 |
最高气温 | 162 | 房地产开发竣工面积 | 97 |
最低气温 | 98 | 社会消费品零售总额 | 346 |
最高气温平均值 | 48 |
选择抛物线模型作为回归方程,建立月度电量与最高气温平均值的回归模型如下:
y=651.9x2-28583x+416774
利用回归模型获取误差时间序列,得到修正前的预测误差精度如表2所示
表2
2019年 | 7月 | 8月 | 9月 |
拟合误差 | 8.21% | 6.78% | 5.74% |
选取历史误差值为历史值构建训练样本集,2019.7-2019.9为预测月,通过ARIMA(q,d,p)模型误差修正值。修正后的预测误差如表3所示
表3
通过抛物线模型获得的预测值与ARIMA修正后的预测误差值进行加减运算,得到修正后的预测值见表4。
表4
同时本实施例还单独采用相关分析法及ARIMA预测法两种预测方法进行计算,与基于K-L信息量与ARIMA误差修正预测法进行对比,并进一步计算三种结果预测误差,结果见表5,误差越小,预测精度越高。由此可见,本文所提的基于K-L信息量和ARIMA误差修正的月度电量预测方法对于城乡居民用电具有较好的预测效果。
表5
预测方案 | 7月 | 8月 | 9月 | 平均误差 |
实际值 | 203069 | 237183 | 231468 | ---- |
相关分析法 | 186398 | 221102 | 218182 | 6.91% |
ARIMA预测法 | 192693 | 222193.2 | 221469 | 5.25% |
本实施例 | 193911 | 229546 | 221746 | 3.98% |
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明保护的范围之内。
Claims (2)
1.一种基于K-L信息量和ARIMA误差修正的月度电量预测方法,其特征在于,包括下列步骤:
S1、建立历史月度用电量集合yt,yt={y1,y2,...,yn},至少选取一个与月度用电量相关的影响指标,通过K-L信息量计算法分别计算单个影响指标与月度用电量的K-L信息量,选择符合所述K-L信息量的影响指标与所述月度用电量建立回归方程,所述影响指标包括:最高气温平均值、城市居民消费价格总指数、商品零售价格总指数中的一种或多种;
S2、由所述回归方程获得回归方程所对应的拟合曲线模型,并计算拟合曲线模型与历史月度用电量曲线之间的误差值,并通过误差值构建拟合误差序列Dt,Dt={D1,D2,...,Dn};
S3、采用ARIMA模型对Dt进行误差修正预测;
S4、通过回归方程获得月度用电量的预测值,由预测值以及修正后的误差值获得修正后的月度电量预测值;
至少选取一个与月度用电量相关的影响指标后,分别建立影响指标集合xt,xt={x1,x2,...,xn},同时还建立xt的概率分布q,q={q1,q2,...,qn},通过下式计算概率分布q的分布列qt,其中t=1,2,...,n;
通过下式计算K-L信息量:
式中,t=1,2,...,n,即t可取任一正整数,kl为K-L信息量;
采用ARIMA模型对Dt进行误差修正预测包括:
通过时序图法对Dt进行检验,判断Dt是否属于非平稳时间序列,若所述Dt属于非平稳时间序列,采用差分法对Dt进行d次差分,并得到新的平稳序列D′t;
通过计算D′t的自相关函数以及偏自相关函数进行模型识别,若自相关函数检测不截尾,则采用MA(q)模型;
若偏自相关函数不截尾,则采用AR(p)模型;
若自相关函数以及偏自相关函数检测均不截尾,则采用ARIMA(q,p)模型;
采用样本矩估计法、最小二乘估计法、极大似然估计法之一对ARIMA(q,p)模型的自回归系数、滑动平均系数进行计算,进而实现ARIMA(q,d,p)模型的定阶;
检验ARIMA(q,d,p)模型的残差序列是否为白噪声序列,若为白噪声序列,则所述ARIMA(q,d,p)模型满足要求,若不是白噪声序列,需要重新进行模式识别;
将平稳序列D′t代入ARIMA(q,d,p)模型中进行预测,从而实现对误差序列Dt的修正预测;
通过回归方程获得月度用电量的预测值,由ARIMA(q,d,p)模型获得预测用电量的误差值,将二者相加得到最终的月度用电量预测值。
2.根据权利要求1所述的一种基于K-L信息量和ARIMA误差修正的月度电量预测方法,其特征在于,所述回归方程包括线性回归方程、指数回归方程、对数回归方程、幂函数回归方程、抛物线回归方程、多元回归方程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010309544.1A CN111539844B (zh) | 2020-04-20 | 2020-04-20 | 一种基于k-l信息量和arima误差修正的月度电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010309544.1A CN111539844B (zh) | 2020-04-20 | 2020-04-20 | 一种基于k-l信息量和arima误差修正的月度电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539844A CN111539844A (zh) | 2020-08-14 |
CN111539844B true CN111539844B (zh) | 2023-06-16 |
Family
ID=71978720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010309544.1A Active CN111539844B (zh) | 2020-04-20 | 2020-04-20 | 一种基于k-l信息量和arima误差修正的月度电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539844B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489418B (zh) * | 2020-10-22 | 2022-10-14 | 浙江交通职业技术学院 | 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法 |
CN112561186A (zh) * | 2020-12-22 | 2021-03-26 | 上海电机学院 | 一种短期电力负荷的预测方法 |
CN113570402A (zh) * | 2021-06-25 | 2021-10-29 | 广西电网有限责任公司南宁供电局 | 一种供电台区用电需求预测的方法及相关设备 |
CN114329347B (zh) * | 2022-03-07 | 2022-06-03 | 广东电网有限责任公司 | 一种电能表计量误差预测方法、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2544125A1 (en) * | 2011-07-04 | 2013-01-09 | Sabirmedical, S.L. | Methods and systems for non-invasive measurement of blood pressure |
CN102930155A (zh) * | 2012-10-30 | 2013-02-13 | 国网能源研究院 | 获取电力需求的预警参数的方法及装置 |
CN104794112A (zh) * | 2014-01-16 | 2015-07-22 | 中国移动通信集团山西有限公司 | 时间序列处理方法及装置 |
CN105069535A (zh) * | 2015-08-19 | 2015-11-18 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
CN105404935A (zh) * | 2015-11-11 | 2016-03-16 | 国网浙江省电力公司经济技术研究院 | 一种考虑业扩增量的电力系统月度负荷预测方法 |
CN105844346A (zh) * | 2016-03-17 | 2016-08-10 | 福州大学 | 基于arima模型的航班延误预测方法 |
CN107248013A (zh) * | 2017-06-21 | 2017-10-13 | 国网安徽省电力公司芜湖供电公司 | 一种综合考虑多种经济因素的月度用电量预测方法 |
CN109670696A (zh) * | 2018-12-13 | 2019-04-23 | 海南电网有限责任公司 | 一种基于运行大数据的线路重过载预测方法 |
CN110991739A (zh) * | 2019-11-29 | 2020-04-10 | 南方电网能源发展研究院有限责任公司 | 一种行业电量需求预测模型的构建方法及预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9165254B2 (en) * | 2008-01-14 | 2015-10-20 | Aptima, Inc. | Method and system to predict the likelihood of topics |
US9336493B2 (en) * | 2011-06-06 | 2016-05-10 | Sas Institute Inc. | Systems and methods for clustering time series data based on forecast distributions |
-
2020
- 2020-04-20 CN CN202010309544.1A patent/CN111539844B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2544125A1 (en) * | 2011-07-04 | 2013-01-09 | Sabirmedical, S.L. | Methods and systems for non-invasive measurement of blood pressure |
CN102930155A (zh) * | 2012-10-30 | 2013-02-13 | 国网能源研究院 | 获取电力需求的预警参数的方法及装置 |
CN104794112A (zh) * | 2014-01-16 | 2015-07-22 | 中国移动通信集团山西有限公司 | 时间序列处理方法及装置 |
CN105069535A (zh) * | 2015-08-19 | 2015-11-18 | 中国电力科学研究院 | 一种基于arima模型的配电网运行可靠性的预测方法 |
CN105404935A (zh) * | 2015-11-11 | 2016-03-16 | 国网浙江省电力公司经济技术研究院 | 一种考虑业扩增量的电力系统月度负荷预测方法 |
CN105844346A (zh) * | 2016-03-17 | 2016-08-10 | 福州大学 | 基于arima模型的航班延误预测方法 |
CN107248013A (zh) * | 2017-06-21 | 2017-10-13 | 国网安徽省电力公司芜湖供电公司 | 一种综合考虑多种经济因素的月度用电量预测方法 |
CN109670696A (zh) * | 2018-12-13 | 2019-04-23 | 海南电网有限责任公司 | 一种基于运行大数据的线路重过载预测方法 |
CN110991739A (zh) * | 2019-11-29 | 2020-04-10 | 南方电网能源发展研究院有限责任公司 | 一种行业电量需求预测模型的构建方法及预测方法 |
Non-Patent Citations (8)
Title |
---|
Improvement to the Prediction of Fuel Cost Distributions Using ARIMA Model;Zhongyang Zhao etc.;《2018 IEEE Power & Energy Society General Meeting (PESGM)》;全文 * |
基于AIC的组合预测方法在地区GDP预测中的应用;苑慧芳等;《山东理工大学学报(自然科学版)》;全文 * |
基于K-L信息量和ARIMA误差修正的月度电量预测;陈明帆等;《电力需求侧管理》;全文 * |
基于K-L信息量法的安徽省工业用电量预测;石雪梅;葛斐;肖夕林;;电网与清洁能源(第11期);全文 * |
基于季节性ARIMA模型的全社会用电量预测研究;孙颖;;黄冈师范学院学报(第06期);全文 * |
基于进化深度学习短期负荷预测的应用研究;易灵芝;常峰铭;龙谷宗;梁湘湘;马文斌;;电力系统及其自动化学报(第03期);全文 * |
考虑经济因素时滞效应的月度负荷预测方法;郭鸿业;陈启鑫;夏清;范海虹;;电网技术(第02期);全文 * |
风力发电中风电场风速优化预测仿真;荆波;黄宏光;钟俊;;计算机仿真(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111539844A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539844B (zh) | 一种基于k-l信息量和arima误差修正的月度电量预测方法 | |
CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
CN106682763B (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
CN112712203B (zh) | 一种配电网日最高负荷预测方法和系统 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN107038502A (zh) | 考虑季节特性的改进小波包用电量预测方法 | |
CN114186713A (zh) | 一种考虑远景发展情景约束的中长期用电量预测方法 | |
CN113888202A (zh) | 一种电价预测模型的训练方法及应用方法 | |
CN111126656B (zh) | 一种电能表故障数量预测方法 | |
CN112330030A (zh) | 业扩物资需求预测系统及方法 | |
CN111507507A (zh) | 基于大数据的月用水量预测方法 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
Xu et al. | Forecasting carbon emissions with dynamic model averaging approach: time-varying evidence from China | |
CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
CN114266423B (zh) | 基于多模型的电力能源需求预测方法、装置及存储介质 | |
CN115829418A (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 | |
CN113191069B (zh) | 基于双分支深度学习模型的空调负荷估算方法与系统 | |
CN107704723A (zh) | 一种基于斜率关联度的显著变量选择方法 | |
Yu | Evaluation and Analysis of Electric Power in China Based on the ARMA Model | |
CN112651651A (zh) | 一种基于特征提取和套索回归的投资效益评估方法 | |
CN112614006A (zh) | 负荷预测方法、装置、计算机可读存储介质以及处理器 | |
JP3707589B2 (ja) | 電力需要量予測方法 |
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 |