CN111553516A - 一种短期电量负荷精准预测方法 - Google Patents
一种短期电量负荷精准预测方法 Download PDFInfo
- Publication number
- CN111553516A CN111553516A CN202010306390.0A CN202010306390A CN111553516A CN 111553516 A CN111553516 A CN 111553516A CN 202010306390 A CN202010306390 A CN 202010306390A CN 111553516 A CN111553516 A CN 111553516A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- electric quantity
- temperature
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000004140 cleaning Methods 0.000 claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013277 forecasting method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012896 Statistical algorithm Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力工程领域,具体涉及一种短期电量负荷精准预测方法,包括收集电量、负荷数据,历史气象信息和节假日数据。对数据异常或数据缺失采用替换法和差值法进行清洗,对数据不同步采用平均值法、强制同步法进行清洗。获取清洗好的温度、电量负荷数据,计算得到各温度档位下的平均电量负荷,绘制温度电量负荷影响曲线,将电量负荷走势较为平缓的温度区间作为基准电量负荷温度区间。将各温度区间下的电量负荷进行归类并计算平均值,对于负荷模型还要考虑分时特性,得到电量温度影响模型和负荷温度影响模型。根据负荷占比模型得到的分行业、地区负荷数据,汇总得到网供负荷预测结果,本发明提供了一种能够精准预测短期电量负荷的预测方法。
Description
技术领域
本发明涉及电力工程领域,具体涉及一种短期电量负荷精准预测方法。
背景技术
随着配电网信息化建设的推进,配电网在日常运行中产生了大量的配用电数据,但一直以来这些数据并未得到充分的挖掘和有效的利用。如今电改政策试点、售电侧放开对电力客户服务提出了更高的要求,电力行业市场化进程的深入也对电力负荷预测提出了更高的要求,如何充分利用这些数据资源,挖掘负荷、电量、业扩、气象等因素的关系,建立更加精准的负荷和电量影响模型,提高短期负荷预测的精确度成为一个急待解决的问题,受限于数据信息的不完整和粗粒度,短期网供负荷预测的准确率一直难以进一步提升,而配用电信息系统数据的积累和大数据技术的快速发展为开展基于配用大数据的短期负荷预测提供了数据基础和技术支撑,传统负荷预测方法大致可以分为统计算法和智能算法,统计算法包括时间序列模型、决策树、回归算法、随机森林等,智能算法包括人工神经网络、支持向量机、贝叶斯理论等基本算法及其改进算法,目前组合预测算法也受到了业界的青睐和关注。但上述方法由于建模时选取的样本较小,历史数据的选取直接影响负荷预测的效果。
针对上述问题,需要设计出一种用于短期电量负荷精准预测的方法。
发明内容
针对现有技术的不足,第一方面,本发明提供了一种短期电量负荷精准预测方法。能够解决背景技术中存在问题,实现对短期电量负荷的精准预测。
本发明的第一方面的目的是通过以下技术方案予以实现:
该种短期电量负荷精准预测方法,包括以下步骤:
步骤S1:收集电量、负荷数据,历史气象信息和节假日数据;
步骤S2:对数据异常或数据缺失采用替换法和差值法进行清洗,对数据不同步采用平均值法、强制同步法进行清洗;
步骤S3:获取清洗好的温度、电量负荷数据,计算得到各温度档位下的平均电量负荷,绘制温度电量负荷影响曲线,将电量负荷走势较为平缓的温度区间作为基准电量负荷温度区间;
步骤S4:将各温度区间下的电量负荷进行归类并计算平均值,得到电量温度影响模型和负荷温度影响模型;
步骤S5:根据负荷占比模型得到的分行业、地区负荷数据,汇总得到网供负荷预测结果。
特别地,所述步骤S1中,对电量、负荷数据,历史气象信息和节假日数据的收集,是通过对营配集成、用电信息采集系统、调度省地县一体化电量系统以及外部的气象数据构成的大数据中心中的各项数据进行采集得到。
特别地,所述步骤S2中,基于负荷数据缺失或数据异常较少时,采用差值法对数据异常或数据缺失进行清洗;基于当日负荷曲线,采用插值法实现负荷曲线的补全;电量数据缺失或数据异常较少时,基于当月电量曲线,采用插值法实现电量数据补全。
特别地,所述步骤S2中,采用替代法对数据异常或数据缺失进行清洗是基于负荷数据异常或数据缺失较多,无法采用插值法时,可以用工作日选取上一周工作日,周末选取上一周周末的相似日同一时段负荷数据替代,电量数据异常或数据缺失较多时,可以用工作日选取上一月工作日,周末选取上一月周末的相似日电量数据替代;温度数据为空时,可以用工作日选取上一周工作日,周末选取上一周周末的相似日同一时段负荷数据替代
特别地,所述步骤S2中,采用平均值法对数据不同步情况的清洗是由于极少部分终端采集频率为48点/日,因此需要将48点负荷数据扩展为96点负荷数据,可以采用平均值法进行数据扩展。
特别地,所述步骤S2中,采用强制同步法对数据不同步情况的清洗是指温度数据为10min/点,而负荷数据15min/点,强制将00:10的温度数据与00:15的负荷数据匹配,00:30的温度数据与00:30的负荷数据匹配,00:40的温度数据与00:45的负荷数据集匹配,以此类推。
特别地,所述步骤S4中,电量温度影响模型和负荷温度影响模型的构建,根据相似日分行业、地区负荷和全省网供负荷,按比例得到全网负荷的占比模型。
特别地,所述步骤S4中,对于负荷模型加入分时特性的考量,得到电量温度影响模型和负荷温度影响模型。
第二方面,本发明还提供了一种计算机装置,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前所述的方法。
第三方面,本发明还提供了一种计算机可读存储介质,其上储存有计算机程序,所述计算机程序被处理器执行时实现如前所述的方法。
本发明的有益效果为:
1、短期电量负荷精准预测方法掌握着全面的用电行为数据和外部气象数据,可以通过聚类分析挖掘用户用电行为模式,对不同类型的用户用电行为特征进行详细的分析,可以通过相关性分析挖掘负荷走势受气象因素影响程度。
2、短期电量负荷精准预测方法选取了时间跨度更长的历史数据,用于发现负荷数据随月、季、年周期发生的变化规律,与选取相似日负荷数据进行预测的一些传统方法相比,不存在相似日选取不当而造成预测误差较大的问题。
短期电量负荷精准预测方法所采用的负荷数据粒度可以细化到地区、行业、变压器、线路、台区、用户等各个级别,而由于江苏地域广阔存在温度差异,行业负荷特征明显,因此本文的大数据负荷预测方法采用分地区、行业预测再按比例叠加的思路。这种方法能够考虑不同行业的负荷特性、不同地区的温度差异,而且也便于对预测结果进行成分分析和误差追踪。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1是本发明的流程图;
图2是本发明的简易流程图。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
如图1或图2所示,本发明的一种短期电量负荷精准预测方法,包括以下步骤:
步骤S1:收集电量、负荷数据,历史气象信息和节假日数据;
步骤S2:对数据异常或数据缺失采用替换法和差值法进行清洗,对数据不同步采用平均值法、强制同步法进行清洗;
步骤S3:获取清洗好的温度、电量负荷数据,计算得到各温度档位下的平均电量负荷,绘制温度电量负荷影响曲线,将电量负荷走势较为平缓的温度区间作为基准电量负荷温度区间;
步骤S4:将各温度区间下的电量负荷进行归类并计算平均值,对于负荷模型加入分时特性的考量,得到电量温度影响模型和负荷温度影响模型;
步骤S5:根据负荷占比模型得到的分行业、地区负荷数据,汇总得到网供负荷预测结果。
具体的,S1中对电量、负荷数据,历史气象信息和节假日数据的收集是采集由营配集成、用电信息采集系统、调度省地县一体化电量系统以及外部的气象数据构成的大数据中心中的各项数据,S2中采用差值法对数据异常或数据缺失进行清洗是基于负荷数据缺失或数据异常较少时,可以基于当日负荷曲线,采用插值法实现负荷曲线的补全;电量数据缺失或数据异常较少时,可以基于当月电量曲线,采用插值法实现电量数据补全,S2中采用替代法对数据异常或数据缺失进行清洗是基于负荷数据异常或数据缺失较多,无法采用插值法时,可以用工作日选取上一周工作日,周末选取上一周周末的相似日同一时段负荷数据替代,电量数据异常或数据缺失较多时,可以用工作日选取上一月工作日,周末选取上一月周末的相似日电量数据替代;温度数据为空时,可以用工作日选取上一周工作日,周末选取上一周周末的相似日同一时段负荷数据替代,S2中采用平均值法对数据不同步情况的清洗是由于极少部分终端采集频率为48点/日,因此需要将48点负荷数据扩展为96点负荷数据,可以采用平均值法(如8:45的数据取为8:30和9:00的平均值)进行数据扩展,S2中采用强制同步法对数据不同步情况的清洗是指温度数据为10min/点,而负荷数据15min/点,强制将00:10的温度数据与00:15的负荷数据匹配,00:30的温度数据与00:30的负荷数据匹配,00:40的温度数据与00:45的负荷数据集匹配,以此类推,S4中电量温度影响模型和负荷温度影响模型的构建由于统计口径的差异和统计误差的存在,分行业、地区负荷汇总到网供负荷时会与调度口径数据存在一定的差异,因此根据相似日分行业、地区负荷和全省网供负荷,按比例得到全网负荷的占比模型。本发明中所述的插值法、差值法、平均值法以及替换法、强制同步法等方法均为本领域惯常认知中的方法含义。
本发明中,先通过网路大数据对电量、负荷数据,历史气象信息和节假日数据进行收集,接着基于配用电大数据的特点以及实际业务的需要,分析了配用电大数据中数据缺失、数据异常和数据不同步的三种“脏数据”的来源和类型,针对性地提出了数据清洗方法,基于配用电大数据,构建了行业负荷温度影响模型和行业电量节假日影响模型,为后期开展短期负荷预测打下基础,提出了基于大数据的短期负荷预测方法,基于多维用电影响因素模型,开展了分地区、行业的短期网供负荷预测,计算结果表明基于配用电大数据的网供负荷预测有着较高的准确性,可以为电网运行和规划提供数据支撑,通过基于大数据的负荷预测方法提高了负荷预测的准确率。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种短期电量负荷精准预测方法,其特征在于:所述方法包括以下步骤:
步骤S1:收集电量、负荷数据,历史气象信息和节假日数据;
步骤S2:对数据异常或数据缺失采用替换法和/或差值法进行清洗,对数据不同步采用平均值法和/或强制同步法进行清洗;
步骤S3:获取清洗好的温度、电量负荷数据,计算得到各温度档位下的平均电量负荷,绘制温度电量负荷影响曲线,将电量负荷走势较为平缓的温度区间作为基准电量负荷温度区间;
步骤S4:将各温度区间下的电量负荷进行归类并计算平均值,得到电量温度影响模型和负荷温度影响模型;
步骤S5:根据负荷占比模型得到的分行业、地区负荷数据,汇总得到网供负荷预测结果。
2.如权利要求1所述的一种短期电量负荷精准预测方法,其特征在于:所述步骤S1中,对电量、负荷数据,历史气象信息和节假日数据的收集,是通过对营配集成、用电信息采集系统、调度省地县一体化电量系统以及外部的气象数据构成的大数据中心中的各项数据进行采集得到。
3.如权利要求1所述的一种短期电量负荷精准预测方法,其特征在于:所述步骤S2中,基于负荷数据缺失或数据异常较少时,采用差值法对数据异常或数据缺失进行清洗;基于当日负荷曲线,采用插值法实现负荷曲线的补全;电量数据缺失或数据异常较少时,基于当月电量曲线,采用插值法实现电量数据补全。
4.如权利要求2所述的一种短期电量负荷精准预测方法,其特征在于:所述步骤S2中,采用替代法对数据异常或数据缺失进行清洗是基于负荷数据异常或数据缺失较多,无法采用插值法时,可以用工作日选取上一周工作日,周末选取上一周周末的相似日同一时段负荷数据替代,电量数据异常或数据缺失较多时,可以用工作日选取上一月工作日,周末选取上一月周末的相似日电量数据替代;温度数据为空时,可以用工作日选取上一周工作日,周末选取上一周周末的相似日同一时段负荷数据替代。
5.如权利要求1所述的一种短期电量负荷精准预测方法,其特征在于:所述步骤S2中,采用平均值法对数据不同步情况的清洗是由于极少部分终端采集频率为48点/日,因此需要将48点负荷数据扩展为96点负荷数据,可以采用平均值法进行数据扩展。
6.如权利要求1所述的一种短期电量负荷精准预测方法,其特征在于:所述步骤S2中,采用强制同步法对数据不同步情况的清洗是指温度数据为10min/点,而负荷数据15min/点,强制将00:10的温度数据与00:15的负荷数据匹配,00:30的温度数据与00:30的负荷数据匹配,00:40的温度数据与00:45的负荷数据集匹配,以此类推。
7.如权利要求1所述的一种短期电量负荷精准预测方法,其特征在于:所述步骤S4中,电量温度影响模型和负荷温度影响模型的构建,根据相似日分行业、地区负荷和全省网供负荷,按比例得到全网负荷的占比模型。
8.如权利要求1或7所述的一种短期电量负荷精准预测方法,其特征在于:所述步骤S4中,对于负荷模型加入分时特性的考量,得到电量温度影响模型和负荷温度影响模型。
9.一种计算机装置,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其上储存有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306390.0A CN111553516A (zh) | 2020-04-17 | 2020-04-17 | 一种短期电量负荷精准预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306390.0A CN111553516A (zh) | 2020-04-17 | 2020-04-17 | 一种短期电量负荷精准预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111553516A true CN111553516A (zh) | 2020-08-18 |
Family
ID=72003869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010306390.0A Pending CN111553516A (zh) | 2020-04-17 | 2020-04-17 | 一种短期电量负荷精准预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553516A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085285A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
CN112907062A (zh) * | 2021-02-08 | 2021-06-04 | 国网安徽省电力有限公司蚌埠供电公司 | 融合温度特征的电网电量预测方法、装置、介质及终端 |
CN113077105A (zh) * | 2021-04-16 | 2021-07-06 | 国网安徽省电力有限公司 | 一种长假日负荷预测方法及装置 |
CN113191574A (zh) * | 2021-05-28 | 2021-07-30 | 上海申瑞继保电气有限公司 | 单一产品生产线的日用电预测方法 |
CN113450141A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种基于电力大客户群体售电量特征的智能预测方法及装置 |
CN113449933A (zh) * | 2021-08-30 | 2021-09-28 | 国网江西省电力有限公司经济技术研究院 | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 |
CN116011685A (zh) * | 2023-03-22 | 2023-04-25 | 国网陕西省电力有限公司西咸新区供电公司 | 电量预测方法、装置、计算机设备及存储介质 |
CN116683452A (zh) * | 2023-08-03 | 2023-09-01 | 国网山东省电力公司营销服务中心(计量中心) | 一种日清缺失电量的修复方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096766A (zh) * | 2016-06-06 | 2016-11-09 | 国网江苏省电力公司 | 一种基于大数据思维模式的短期负荷预测方法 |
CN108846528A (zh) * | 2018-09-19 | 2018-11-20 | 云南电网有限责任公司信息中心 | 一种大工业电力用户长期负荷预测方法 |
-
2020
- 2020-04-17 CN CN202010306390.0A patent/CN111553516A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096766A (zh) * | 2016-06-06 | 2016-11-09 | 国网江苏省电力公司 | 一种基于大数据思维模式的短期负荷预测方法 |
CN108846528A (zh) * | 2018-09-19 | 2018-11-20 | 云南电网有限责任公司信息中心 | 一种大工业电力用户长期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
丁晓: "基于配用电大数据的短期负荷预测", 《电力工程技术》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085285A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
CN112085285B (zh) * | 2020-09-14 | 2023-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
CN112907062A (zh) * | 2021-02-08 | 2021-06-04 | 国网安徽省电力有限公司蚌埠供电公司 | 融合温度特征的电网电量预测方法、装置、介质及终端 |
CN112907062B (zh) * | 2021-02-08 | 2024-04-02 | 国网安徽省电力有限公司蚌埠供电公司 | 融合温度特征的电网电量预测方法、装置、介质及终端 |
CN113077105B (zh) * | 2021-04-16 | 2023-11-24 | 国网安徽省电力有限公司 | 一种长假日负荷预测方法及装置 |
CN113077105A (zh) * | 2021-04-16 | 2021-07-06 | 国网安徽省电力有限公司 | 一种长假日负荷预测方法及装置 |
CN113191574A (zh) * | 2021-05-28 | 2021-07-30 | 上海申瑞继保电气有限公司 | 单一产品生产线的日用电预测方法 |
CN113450141A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种基于电力大客户群体售电量特征的智能预测方法及装置 |
CN113450141B (zh) * | 2021-06-09 | 2023-09-01 | 重庆锦禹云能源科技有限公司 | 一种基于电力大客户群体售电量特征的智能预测方法及装置 |
CN113449933B (zh) * | 2021-08-30 | 2021-12-10 | 国网江西省电力有限公司经济技术研究院 | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 |
CN113449933A (zh) * | 2021-08-30 | 2021-09-28 | 国网江西省电力有限公司经济技术研究院 | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 |
CN116011685A (zh) * | 2023-03-22 | 2023-04-25 | 国网陕西省电力有限公司西咸新区供电公司 | 电量预测方法、装置、计算机设备及存储介质 |
CN116683452B (zh) * | 2023-08-03 | 2023-11-10 | 国网山东省电力公司营销服务中心(计量中心) | 一种日清缺失电量的修复方法及系统 |
CN116683452A (zh) * | 2023-08-03 | 2023-09-01 | 国网山东省电力公司营销服务中心(计量中心) | 一种日清缺失电量的修复方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553516A (zh) | 一种短期电量负荷精准预测方法 | |
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
Zhang et al. | Forecasting residential energy consumption: Single household perspective | |
US9569804B2 (en) | Systems and methods for energy consumption and energy demand management | |
US7409303B2 (en) | Identifying energy drivers in an energy management system | |
CN109726872B (zh) | 一种能耗预测方法、装置、存储介质及电子设备 | |
Deng et al. | Short-term load forecasting using time series analysis: A case study for Singapore | |
Chicco et al. | Emergent electricity customer classification | |
JP6079215B2 (ja) | 電力需要予測装置、プログラム | |
WO2013102932A2 (en) | System and method facilitating forecasting, optimization and visualization of energy data for an industry | |
Fidalgo et al. | Load forecasting performance enhancement when facing anomalous events | |
CN116579590B (zh) | 一种虚拟电厂中的需求响应评估方法和系统 | |
Khan et al. | Segmentation of factories on electricity consumption behaviors using load profile data | |
JP6782606B2 (ja) | トレンド予測装置および負荷予測装置 | |
JP2006011715A (ja) | 資源消費量の推定方法及び装置 | |
Alquthami et al. | Analytics framework for optimal smart meters data processing | |
CN112288172A (zh) | 台区线损率的预测方法、装置 | |
Hartmann et al. | Suspicious electric consumption detection based on multi-profiling using live machine learning | |
Jeon et al. | Measuring variability on electrical power demands in manufacturing operations | |
CN111512326A (zh) | 基于负载形状分析的能量计划通信控制系统及方法 | |
Matos et al. | Operating reserve adequacy evaluation using uncertainties of wind power forecast | |
CN115828134A (zh) | 用电数据样本构建、模型训练、账户类别确定方法和装置 | |
CN116226293A (zh) | 一种电力客户画像生成管理的方法及系统 | |
CN114897394A (zh) | 用电量监管系统及方法 | |
Chen et al. | Reconsidering the smart metering data collection frequency for distribution state estimation |
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: 20200818 |
|
RJ01 | Rejection of invention patent application after publication |