CN111583059A - 基于k-means聚类的分布式能源站典型日负荷获取方法 - Google Patents
基于k-means聚类的分布式能源站典型日负荷获取方法 Download PDFInfo
- Publication number
- CN111583059A CN111583059A CN202010314029.2A CN202010314029A CN111583059A CN 111583059 A CN111583059 A CN 111583059A CN 202010314029 A CN202010314029 A CN 202010314029A CN 111583059 A CN111583059 A CN 111583059A
- Authority
- CN
- China
- Prior art keywords
- load
- typical daily
- cold
- curve
- means clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003064 k means clustering Methods 0.000 title claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000001816 cooling Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000010438 heat treatment Methods 0.000 claims description 15
- 239000006185 dispersion Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013486 operation strategy Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000002354 daily effect Effects 0.000 description 25
- 238000005457 optimization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种基于k‑means聚类的分布式能源站典型日负荷获取方法,包括以下步骤:1)对获得的历史冷热负荷数据进行标准化预处理得到冷热负荷率数据;2)将温度参数与冷热负荷率数据共同加入k‑means聚类中进行聚类;3)采用平均值法对聚类后的每一类负荷提取平均负荷作为该类负荷的负荷曲线,并计算各类负荷曲线与其平均负荷曲线的皮尔森相关系数;4)根据皮尔森相关系数进行负荷数据的剔除,并将剩余的负荷数据再次进行k‑means聚类;5)重复步骤2)‑步骤4),直至不再剔除负荷数据,采用平均值法提取每一类负荷的平均负荷曲线作为该类负荷的典型日负荷曲线。与现有技术相比,本发明具有数据要求不高、易于实现、能源站优化运行等优点。
Description
技术领域
本发明涉及分布式能源领域,尤其是涉及一种基于k-means聚类的分布式能源站典型日负荷获取方法。
背景技术
随着我国经济发展,能源供给问题日益突出,目前现有的能源供给模式仍以火电为主,而以煤炭为主的高污染的化石能源的大量使用,给环境带来了严重破坏,而区域分布式能源系统的优势就在于较高的能源利用效率和清洁的能源消费结构,且随着各类开发区的飞快建设,因此在可预见的未来,区域分布式能源系统的应用场景和普遍程度将会越来越高,因此如何合理进行区域供能的问题日益突出。
要解决区域合理供能问题,需要先对分布式能源站供能区域的负荷进行研究,根据研究结果对分布式能源站的运行策略做出调整,从而减少分布式能源站的能源浪费,规范分布式能源站运行流程,提高分布式能源站的收益。
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k-means聚类的分布式能源站典型日负荷获取方法。
本发明的目的可以通过以下技术方案来实现:
一种基于k-means聚类的分布式能源站典型日负荷获取方法,包括以下步骤:
1)对获得的历史冷热负荷数据进行标准化预处理得到冷热负荷率数据;
2)将温度参数与冷热负荷率数据共同加入k-means聚类中进行聚类;
3)采用平均值法对聚类后的每一类负荷提取平均负荷作为该类负荷的负荷曲线,并计算各类负荷曲线与其平均负荷曲线的皮尔森相关系数;
4)根据皮尔森相关系数进行负荷数据的剔除,并将剩余的负荷数据再次进行k-means聚类;
5)重复步骤2)-步骤4),直至不再剔除负荷数据,采用平均值法提取每一类负荷的平均负荷曲线作为该类负荷的典型日负荷曲线,并以此制定该能源站的优化运行策略。
所述的步骤1)中,采用冷热负荷最大值作为设计总容量,则冷热负荷率的定义如下:
其中,Ci,j、Hi,j分别为第i天第j小时的冷负荷率和热负荷率,ci,j、hi,j分别为第i天第j小时的冷负荷和热负荷,CMAX、HMAX分别为全年小时最大冷负荷和热负荷。
所述的步骤2)具体包括以下步骤:
21)确定最佳聚类数kopt;
22)将温度参数与冷热负荷率数据构建成一个365×50的矩阵L,其中,矩阵L的1-24列为每天逐时冷负荷率数据,即Ci,j,25-49列为每天逐时热负荷率数据,即Hi,j,第50列为当天的环境最高温度,即温度参数;
23)将矩阵L作为k-means聚类的输入进行聚类处理。
所述的步骤21)中,采用Calinski-Haeabasz指标进行最佳聚类数kopt的评估。
所述的Calinski-Haeabasz指标的表达式为:
其中,CH(k)为Calinski-Haeabasz指标,trB(k)为类之内离差矩阵的迹,trW(k)为类与类之间离差矩阵的迹,k为聚类类别,n为样本总数。
所述的步骤3)中的平均值法具体为:
在采用k-means聚类后,将每一类的负荷数据在每一个小时点取平均值,得到负荷平均值曲线,并将负荷平均值曲线作为该类负荷的负荷曲线。
所述的步骤3)中,皮尔森相关系数r的计算式为:
所述的步骤4)中,剔除皮尔森相关系数在[-0.2,0.2]范围内的负荷数据。
所述的步骤5)中的平均值法具体为:
在采用k-means聚类后,将每一类的负荷数据在每一个小时点取平均值,得到负荷平均值曲线,并将负荷平均值曲线作为该类负荷的典型日负荷曲线。
典型日负荷曲线的具体表达式为:
与现有技术相比,本发明具有以下优点:
一、该方法既考虑了负荷每天的变化趋势也考虑了温度对于冷热负荷的影响,该方法选取典型日负荷对数据要求不高仅需全年逐时冷热负荷和温度数据,在实际工程上易于实现,这是由于分布式能源站都会配备监测平台,根据选取得到的典型日负荷,可以制定该能源站优化运行策略,从而减少分布式能源站的能源浪费,规范分布式能源站运行流程,提高分布式能源站的收益。
二、由于在k-means聚类后的每类负荷数据中存在异常值,会影响典型日负荷选取的精确性,本发明采用皮尔森相关系数剔除在[-0.2,0.2]范围内的负荷数据,使得每一类的负荷都具有相同的走势,能够提高典型日负荷选取的精确性。
附图说明
图1为能源站全年逐时冷热负荷。
图2为最佳聚类数的确定。
图3为聚类结果日历图显示。
图4为每日冷热负荷与当天平均温度关系图。
图5为各类典型日的冷热负荷曲线。
图6为不同聚类数下的平均绝对百分误差。
图7为本发明的方法流程图。
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。
如图7所示,本发明提出了一种基于k-means聚类并考虑温度参数的分布式能源站典型日负荷获取方法。该方法先对获得的历史冷热负荷数据进行标准化预处理,数据处理之后将温度参数也参与k-means聚类对数据进行聚类,然后使用平均值法对每一类负荷提取平均负荷作为该类的负荷曲线,然后计算各类负荷曲线与其平均负荷曲线的皮尔森相关系数,根据皮尔森相关系数的性质剔除相关系数在[-0.2,0.2]的负荷样本,之后将剩余数据再次进行k-means聚类,直到皮尔森相关系数的值不落在该区间,此时采取平均值法提取每一类平均负荷曲线作为该类典型日负荷曲线。
具体如下:
1)数据预处理
由于冷热负荷随着气象变化、人员变动等因素会发生改变。由于参与聚类分析的数据有些数量级相差很大,所以在聚类分析之前,要对数据进行标准化。本专利采用冷热负荷最大值作为其设计总容量,则冷热负荷率定义公式如下:
式中:Ci,j、Hi,j分别为第i天第j小时的冷负荷率和热负荷率,ci,j、hi,j分别为第i天第j小时的冷负荷和热负荷,CMAX、HMAX分别为全年小时最大冷负荷和热负荷。
2)最佳聚类数的确定
在采用k-means算法之前需要先把最佳聚类数确定下来,即kopt。其基本思想是:
2.在搜索范围内,k-means聚类算法生成不同的聚类数下的聚类结果,针对本专利数据特点,本发明选取Calinski-Haeabasz(CH)指标进行最佳聚类数的评估,因为CH指标的物理意义是通过类之内的离差矩阵表达数据之间的紧密度,类与类之间的离差矩阵表达数据之间的分离度,CH越大,说明聚类效果越好,用数学符号定义为:
式中:k用来表达当前的聚类数,trB(k)用来表达类之内离差矩阵的迹,trW(k)用来表达类与类之间离差矩阵的迹,n为样本总数。
3)K-means聚类及平均值法
将模拟得到的冷热负荷数据以及天气数据(温度参数)构建成一个365×50的矩阵,如公式1.4所示。
矩阵L中第1-24列为每天逐时冷负荷率,即Ci,j,第25-48列为每天逐时热负荷率,即Hi,j,第49列为当天的环境最高温度,第50列为当天环境最低温度。
平均值法是指:在使用k-means聚类之后,将每一类的负荷在每一个小时点取平均值,将得到的负荷平均值曲线作为该类典型日负荷曲线。其计算公式为
4)皮尔森相关系数
本专利选择皮尔森相关系数来判断选取的每类典型日冷热负荷曲线与每类负荷曲线的相关性。皮尔森相关系数能够很好的描述两组数据的相关性,当r>0且系数越大,那么这两组数据的正相关性越强,当r<0且系数越小,那么这两组数据的负相关性越强,当r值越靠近0时,两者的相关性越差,因此剔除相关系数在[-0.2,0.2]范围内的相关数据会提高选取的典型日冷热负荷的精度。皮尔森相关系数计算公式r为:
5)制定能源站优化运行策略
根据能源站选择相应的目标函数,例如日收益最大或运行费用最低的目标函数,再建立相关的能量平衡约束条件,机组供能约束条件,就得到系统优化运行模型,然后根据得到的典型日逐时负荷,带入模型中,得到各个机组的逐时的最优供能配比,从而确定机组优化运行策略。
实施例
以某分布式能源站全年逐时冷热负荷为例,将该方法应用于其典型日负荷的选取,具体步骤如下:
(1)该能源站全年逐时冷热负荷,如图2所示;
(2)方案选取典型日负荷结果,如图3-5所示;
(3)结果分析
1、通过k-means聚类算法的Calinski-Harabasz指标评价,该能源站全年冷热负荷的最优聚类数为6。
2、能源站冷热负荷聚类的结果是:A类是将供暖季工作日分为一类,一共72天,分布在11月下半月,12月、1月和2月的工作日。B类是将过度季供暖期及供暖季非工作日分为一类,一共101天,分布在1月、2月和12月的周末以及3月,4月上半月和十一月上半月。C类是将供冷季次热期的工作日分为一类,一共54天,分布在5月、6月和9月下半月的工作日。D类是将供冷季最热期的工作日分为一类,一共57天,分布在7月,8月和9月上半月的工作日。E类是将过渡季的供冷期分为一类,一共66天,分布在4月下半月和10月。F类是将供冷季的非工作日分为一类,一共46天,分布在5月、6月、7月、8月和9月的非工作日。
3、图4为比较每天的冷负荷和热负荷数据,选取当天最高的冷负荷或热负荷,并将其与每天的平均温度一一对应,得到平均温度和负荷关系图。
4、结果评价
引入平均绝对百分误差(Mean Absolute Percentage Errors,MAPE)来衡量实验值和实际值之间的误差标尺,其定义公式如下所示:
其中:n是样本量,y是实际值,y*是预测值。计算每类聚类数下的MAPE可以得到图6。
从图6中可以看出,当聚类数从1到6时,平均绝对百分误差从接近0.8开始迅速下降,最终在6以后趋于稳定,之后聚类数的增加对平均绝对百分误差的影响不大。由此可以判断,当聚类数达到6时,全年典型负荷与实际负荷的误差较小,趋于一致。由此进一步证明,选取典型日负荷的最优聚类数为6。
Claims (10)
1.一种基于k-means聚类的分布式能源站典型日负荷获取方法,其特征在于,包括以下步骤:
1)对获得的历史冷热负荷数据进行标准化预处理得到冷热负荷率数据;
2)将温度参数与冷热负荷率数据共同加入k-means聚类中进行聚类;
3)采用平均值法对聚类后的每一类负荷提取平均负荷作为该类负荷的负荷曲线,并计算各类负荷曲线与其平均负荷曲线的皮尔森相关系数;
4)根据皮尔森相关系数进行负荷数据的剔除,并将剩余的负荷数据再次进行k-means聚类;
5)重复步骤2)-步骤4),直至不再剔除负荷数据,采用平均值法提取每一类负荷的平均负荷曲线作为该类负荷的典型日负荷曲线,并以此制定该能源站的优化运行策略。
3.根据权利要求2所述的一种基于k-means聚类的分布式能源站典型日负荷获取方法,其特征在于,所述的步骤2)具体包括以下步骤:
21)确定最佳聚类数kopt;
22)将温度参数与冷热负荷率数据构建成一个365×50的矩阵L,其中,矩阵L的1-24列为每天逐时冷负荷率数据,即Ci,j,25-49列为每天逐时热负荷率数据,即Hi,j,第50列为当天的环境最高温度,即温度参数;
23)将矩阵L作为k-means聚类的输入进行聚类处理。
4.根据权利要求3所述的一种基于k-means聚类的分布式能源站典型日负荷获取方法,其特征在于,所述的步骤21)中,采用Calinski-Haeabasz指标进行最佳聚类数kopt的评估。
6.根据权利要求1所述的一种基于k-means聚类的分布式能源站典型日负荷获取方法,其特征在于,所述的步骤3)中的平均值法具体为:
在采用k-means聚类后,将每一类的负荷数据在每一个小时点取平均值,得到负荷平均值曲线,并将负荷平均值曲线作为该类负荷的负荷曲线。
8.根据权利要求1所述的一种基于k-means聚类的分布式能源站典型日负荷获取方法,其特征在于,所述的步骤4)中,剔除皮尔森相关系数在[-0.2,0.2]范围内的负荷数据。
9.根据权利要求1所述的一种基于k-means聚类的分布式能源站典型日负荷获取方法,其特征在于,所述的步骤5)中的平均值法具体为:
在采用k-means聚类后,将每一类的负荷数据在每一个小时点取平均值,得到负荷平均值曲线,并将负荷平均值曲线作为该类负荷的典型日负荷曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010314029.2A CN111583059B (zh) | 2020-04-20 | 2020-04-20 | 基于k-means聚类的分布式能源站典型日负荷获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010314029.2A CN111583059B (zh) | 2020-04-20 | 2020-04-20 | 基于k-means聚类的分布式能源站典型日负荷获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111583059A true CN111583059A (zh) | 2020-08-25 |
CN111583059B CN111583059B (zh) | 2024-01-23 |
Family
ID=72122562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010314029.2A Active CN111583059B (zh) | 2020-04-20 | 2020-04-20 | 基于k-means聚类的分布式能源站典型日负荷获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583059B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215490A (zh) * | 2020-10-12 | 2021-01-12 | 国网重庆市电力公司电力科学研究院 | 一种基于相关性系数改进K-means的电力负荷聚类分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013039553A1 (en) * | 2011-09-17 | 2013-03-21 | Narayam Amit | Load forecasting from individual customer to system level |
CN104578120A (zh) * | 2014-12-11 | 2015-04-29 | 国网重庆市电力公司经济技术研究院 | 分布式储能系统的优化配置方法 |
US20150161233A1 (en) * | 2013-12-11 | 2015-06-11 | The Board Of Trustees Of The Leland Stanford Junior University | Customer energy consumption segmentation using time-series data |
CN110298567A (zh) * | 2019-06-18 | 2019-10-01 | 上海电力学院 | 利用综合能源系统能耗大数据确定典型日负荷曲线的方法 |
CN110458340A (zh) * | 2019-07-25 | 2019-11-15 | 天津大学 | 基于模式分类的建筑空调冷负荷自回归预测方法 |
CN110796307A (zh) * | 2019-10-29 | 2020-02-14 | 北京天易数聚科技有限公司 | 一种综合能源系统分布式负荷预测方法及系统 |
CN110991638A (zh) * | 2019-11-29 | 2020-04-10 | 国网山东省电力公司聊城供电公司 | 基于聚类及神经网络的广义负荷建模方法 |
-
2020
- 2020-04-20 CN CN202010314029.2A patent/CN111583059B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013039553A1 (en) * | 2011-09-17 | 2013-03-21 | Narayam Amit | Load forecasting from individual customer to system level |
US20150161233A1 (en) * | 2013-12-11 | 2015-06-11 | The Board Of Trustees Of The Leland Stanford Junior University | Customer energy consumption segmentation using time-series data |
CN104578120A (zh) * | 2014-12-11 | 2015-04-29 | 国网重庆市电力公司经济技术研究院 | 分布式储能系统的优化配置方法 |
CN110298567A (zh) * | 2019-06-18 | 2019-10-01 | 上海电力学院 | 利用综合能源系统能耗大数据确定典型日负荷曲线的方法 |
CN110458340A (zh) * | 2019-07-25 | 2019-11-15 | 天津大学 | 基于模式分类的建筑空调冷负荷自回归预测方法 |
CN110796307A (zh) * | 2019-10-29 | 2020-02-14 | 北京天易数聚科技有限公司 | 一种综合能源系统分布式负荷预测方法及系统 |
CN110991638A (zh) * | 2019-11-29 | 2020-04-10 | 国网山东省电力公司聊城供电公司 | 基于聚类及神经网络的广义负荷建模方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215490A (zh) * | 2020-10-12 | 2021-01-12 | 国网重庆市电力公司电力科学研究院 | 一种基于相关性系数改进K-means的电力负荷聚类分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111583059B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN105260820B (zh) | 调水工程受水区水生态系统风险评估方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN106709654A (zh) | 一种加氢裂化流程全局运行状况评估与质量追溯方法 | |
CN111210170A (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN109617048B (zh) | 基于多目标线性规划的电网规划典型场景选取方法 | |
CN113297799B (zh) | 一种基于数据驱动的空调集群负荷需求响应潜力评估方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN106875058B (zh) | 一种电力业扩可开放容量智能判断方法 | |
CN113868938A (zh) | 基于分位数回归的短期负荷概率密度预测方法、装置及系统 | |
CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
CN111583059A (zh) | 基于k-means聚类的分布式能源站典型日负荷获取方法 | |
CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
Grabner et al. | Statistical load time series analysis for the demand side management | |
CN114037272A (zh) | 一种区域综合能源系统的能效评估方法 | |
CN114004525A (zh) | 基于模糊综合评价法面向用户侧的电能替代效益评价方法 | |
Feng et al. | Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty | |
CN113033864A (zh) | 一种基于能源大数据的新建企业用能预测方法 | |
CN113095566B (zh) | 一种基于用能行为层次化分析的多源协调供能方法及系统 |
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 |