CN111784083B - 基于电力大数据的预测模型建立方法及电网负荷调度方法 - Google Patents
基于电力大数据的预测模型建立方法及电网负荷调度方法 Download PDFInfo
- Publication number
- CN111784083B CN111784083B CN202010784353.0A CN202010784353A CN111784083B CN 111784083 B CN111784083 B CN 111784083B CN 202010784353 A CN202010784353 A CN 202010784353A CN 111784083 B CN111784083 B CN 111784083B
- Authority
- CN
- China
- Prior art keywords
- annual
- prediction score
- electricity
- industry
- utilization
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005611 electricity Effects 0.000 claims abstract description 142
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06314—Calendaring for a resource
-
- 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)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于电力大数据的预测模型建立方法,包括获取各个行业的用电数据;计算各个行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率;建立各个行业的预测模型。本发明还公开了一种包括所述基于电力大数据的预测模型建立方法的电网负荷调度方法。本发明方法基于预测模型,准确预测售电量,再根据行业售电市场变化趋势,分析最大负荷利用小时数变化,从而准确预测电网负荷,合理安排发电计划,有序调度电网负荷,提高电力系统稳定性及供电可靠率。因此,本发明方法的可靠性高、时效性好且准确性较好。
Description
技术领域
本发明属于电力系统领域,具体涉及一种基于电力大数据的预测模型建立方法及电网负荷调度方法。
背景技术
随着经济技术的发展和人们生活水平的提高,电能已经成为了人们生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。
售电预测是电力系统的重要研究领域之一。通过对售电的预测,电网能够判断当前的用电趋势,从而为后续的负荷预测、电网调度等技术环节提供数据支持和支撑。
目前,售电预测,一般根据各行业产能利用率进行分析判断。但目前产能利用率的计算,基础数据统计难度较大,且数据严重滞后(一般滞后1个季度左右),导致产能利用率及售电市场预测时滞性严重、预测准确性较低。另外,不利于预判电网负荷趋势,不利于科学安排发电计划及电网负荷调度,影响电网供电可靠性及稳定性。
发明内容
本发明的目的之一在于提供可靠性高、时效性好且准确性较好的基于电力大数据的预测模型建立方法。
本发明的目的之二在于提供一种包括了所述基于电力大数据的预测模型建立方法的电网负荷调度方法。
本发明提供的这种基于电力大数据的预测模型建立方法,包括如下步骤:
S1.获取各个行业的用电数据;
S2.采用步骤S1获取的用电数据,计算各个行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率;
S3.根据步骤S2得到的各个行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率,建立各个行业的预测模型。
步骤S1所述的获取各个行业的用电数据,具体包括各个行业在各个时段的用户数、报装容量和用电量。
步骤S2所述的月度产能利用率,具体为采用如下算式计算月度产能利用率ηm:
式中Mm为对应行业的月度用电量,单位为万千瓦时;Z为对应行业的装机容量,单位为千万;Dm为每月天数。
步骤S2所述的年度产能利用率,具体为采用如下算式计算年度产能利用率ηy:
式中My为对应行业的年度用电量,单位为万千瓦时;Z为对应行业的装机容量,单位为千万;Dy为每年天数。
步骤S3所述的建立各个行业的预测模型,具体为采用如下步骤建立各个行业的预测模型:
A.获取对应行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率指标;
B.根据行业的月度产能利用率和年度产能利用率,分别计算得到当前行业的月度产能预测得分和年度产能预测得分;
C.根据行业的月度用电增长率和年度用电增长率,分别计算得到当前行业的月度用电预测得分和年度用电预测得分;
D.根据得到的当前行业的月度产能预测得分和年度产能预测得分,以及当前行业的月度用电预测得分和年度用电预测得分,计算得到当前行业的月度综合预测得分和年度综合预测得分;
E.重复上述步骤,直至所有行业的月度综合预测得分和年度综合预测得分均计算完成,从而得到完整的各个行业的预测模型。
步骤B所述的计算得到当前行业的月度产能预测得分和年度产能预测得分,具体为采用如下规则进行计算:
若月度产能利用率≤10%,则月度产能预测得分为20分;
若10%<月度产能利用率≤20%,则月度产能预测得分为40分;
若20%<月度产能利用率≤30%,则月度产能预测得分为60分;
若30%<月度产能利用率≤40%,则月度产能预测得分为80分;
若月度产能利用率>40%,则月度产能预测得分为100分;
若年度产能利用率≤10%,则年度产能预测得分为20分;
若10%<年度产能利用率≤20%,则年度产能预测得分为40分;
若20%<年度产能利用率≤30%,则年度产能预测得分为60分;
若30%<年度产能利用率≤40%,则年度产能预测得分为80分;
若年度产能利用率>40%,则年度产能预测得分为100分。
步骤C所述的计算得到当前行业的月度用电预测得分和年度用电预测得分,具体为采用如下规则进行计算:
月度用电预测得分=(月度用电增长率-1)×100,且若月度用电预测得分小于0,则月度用电预测得分直接修正为0分;若月度用电预测得分大于100分,则月度用电预测得分直接修正为100;
年度用电预测得分=(年度用电增长率-1)×100,且若年度用电预测得分小于0,则年度用电预测得分直接修正为0分;若年度用电预测得分大于100分,则年度用电预测得分直接修正为100。
步骤D所述的计算得到当前行业的月度综合预测得分和年度综合预测得分,具体为采用如下算式计算得到月度综合预测得分和年度综合预测得分:
月度综合预测得分=月度用电预测得分×a1+月度产能预测得分×a2
年度综合预测得分=年度用电预测得分×b1+年度产能预测得分×b2式中a1、a2、b1和b2均为加权系数,且a1+a2=1,b1+b2=1。
本发明还公开了一种包括了所述基于电力大数据的预测模型建立方法的调度方法,具体还包括如下步骤:
S4.根据步骤S3建立各个行业的预测模型,对电网负荷进行月度调度,或者对电网负荷进行年度调度。
采用如下步骤进行电网调度:
(1)根据步骤S3的预测模型得到的预测结果,预判总售电量;
(2)根据各个行业的变化趋势,判断最大负荷利用小时数变化情况;
(3)根据步骤(1)得到的总售电量,以及步骤(2)得到的最大负荷利用小时数变化情况,预测电网负荷;
(4)根据步骤(3)得到的电网负荷,进行电网调度。
本发明提供的这种基于电力大数据的预测模型建立方法及电网负荷调度方法,通过获取各个行业的用电数据,计算各个行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率,实时掌握行业的用电变化趋势,建立行业预测模型,使得预测模型更为准确和可靠。同时,基于预测模型,准确预测售电量,再根据行业变化趋势,分析最大负荷利用小时数变化,从而准确预测电网负荷,合理安排发电计划,有序调度电网负荷,提高电力系统稳定性及供电可靠率。因此,本发明方法的可靠性高、时效性好且准确性较好。
附图说明
图1为本发明的模型建立方法的方法流程示意图。
图2为本发明的调度方法的方法流程示意图。
具体实施方式
如图1所示为本发明的模型建立方法的方法流程示意图:本发明提供的这种基于电力大数据的预测模型建立方法,包括如下步骤:
S1.获取各个行业的用电数据;具体包括各个行业在各个时段的用户数、报装容量和用电量等;
S2.采用步骤S1获取的用电数据,计算各个行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率;
在具体实施时,采用如下算式计算月度产能利用率ηm:
式中Mm为对应行业的月度用电量,单位为万千瓦时;Z为对应行业的装机容量,单位为千万;Dm为每月天数;
采用如下算式计算年度产能利用率ηy:
式中My为对应行业的年度用电量,单位为万千瓦时;Z为对应行业的装机容量,单位为千万;Dy为每年天数;
S3.根据步骤S2得到的各个行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率,建立各个行业的预测模型;具体为采用如下步骤建立各个行业的预测模型:
A.获取对应行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率指标;
B.根据行业的月度产能利用率和年度产能利用率,分别计算得到当前行业的月度产能预测得分和年度产能预测得分;具体为采用如下规则进行计算:
若月度产能利用率≤10%,则月度产能预测得分为20分;
若10%<月度产能利用率≤20%,则月度产能预测得分为40分;
若20%<月度产能利用率≤30%,则月度产能预测得分为60分;
若30%<月度产能利用率≤40%,则月度产能预测得分为80分;
若月度产能利用率>40%,则月度产能预测得分为100分;
若年度产能利用率≤10%,则年度产能预测得分为20分;
若10%<年度产能利用率≤20%,则年度产能预测得分为40分;
若20%<年度产能利用率≤30%,则年度产能预测得分为60分;
若30%<年度产能利用率≤40%,则年度产能预测得分为80分;
若年度产能利用率>40%,则年度产能预测得分为100分;
C.根据行业的月度用电增长率和年度用电增长率,分别计算得到当前行业的月度用电预测得分和年度用电预测得分;具体为采用如下规则进行计算:
月度用电预测得分=(月度用电增长率-1)×100,且若月度用电预测得分小于0,则月度用电预测得分直接修正为0分;若月度用电预测得分大于100分,则月度用电预测得分直接修正为100;
年度用电预测得分=(年度用电增长率-1)×100,且若年度用电预测得分小于0,则年度用电预测得分直接修正为0分;若年度用电预测得分大于100分,则年度用电预测得分直接修正为100;
D.根据得到的当前行业的月度产能预测得分和年度产能预测得分,以及当前行业的月度用电预测得分和年度用电预测得分,计算得到当前行业的月度综合预测得分和年度综合预测得分;具体为采用如下算式计算得到月度综合预测得分和年度综合预测得分:
月度综合预测得分=月度用电预测得分×a1+月度产能预测得分×a2
年度综合预测得分=年度用电预测得分×b1+年度产能预测得分×b2式中a1、a2、b1和b2均为加权系数,且a1+a2=1,b1+b2=1;在具体实施时,a1、a2、b1和b2可以均取值为0.5;
E.重复上述步骤,直至所有行业的月度综合预测得分和年度综合预测得分均计算完成,从而得到完整的各个行业的预测模型;该预测模型的得分,可以用于对各个行业的用电趋势进行预测和分析;同时,用电趋势的预测和分析,也可以直接作用于的预测和分析。
同时,本发明方法所获得数据,可以进行可视化展示,通过折线图,柱状图,表格等形式进行更为深度彻底的数据展示。
如图2所示为本发明的调度方法的方法流程示意图:
S1.获取各个行业的用电数据;具体包括各个行业在各个时段的用户数、报装容量和用电量等;
S2.采用步骤S1获取的用电数据,计算各个行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率;
在具体实施时,采用如下算式计算月度产能利用率ηm:
式中Mm为对应行业的月度用电量,单位为万千瓦时;Z为对应行业的装机容量,单位为千万;Dm为每月天数;
采用如下算式计算年度产能利用率ηy:
式中My为对应行业的年度用电量,单位为万千瓦时;Z为对应行业的装机容量,单位为千万;Dy为每年天数;
S3.根据步骤S2得到的各个行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率,建立各个行业的预测模型;具体为采用如下步骤建立各个行业的预测模型:
A.获取对应行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率指标;
B.根据行业的月度产能利用率和年度产能利用率,分别计算得到当前行业的月度产能预测得分和年度产能预测得分;具体为采用如下规则进行计算:
若月度产能利用率≤10%,则月度产能预测得分为20分;
若10%<月度产能利用率≤20%,则月度产能预测得分为40分;
若20%<月度产能利用率≤30%,则月度产能预测得分为60分;
若30%<月度产能利用率≤40%,则月度产能预测得分为80分;
若月度产能利用率>40%,则月度产能预测得分为100分;
若年度产能利用率≤10%,则年度产能预测得分为20分;
若10%<年度产能利用率≤20%,则年度产能预测得分为40分;
若20%<年度产能利用率≤30%,则年度产能预测得分为60分;
若30%<年度产能利用率≤40%,则年度产能预测得分为80分;
若年度产能利用率>40%,则年度产能预测得分为100分;
C.根据行业的月度用电增长率和年度用电增长率,分别计算得到当前行业的月度用电预测得分和年度用电预测得分;具体为采用如下规则进行计算:
月度用电预测得分=(月度用电增长率-1)×100,且若月度用电预测得分小于0,则月度用电预测得分直接修正为0分;若月度用电预测得分大于100分,则月度用电预测得分直接修正为100;
年度用电预测得分=(年度用电增长率-1)×100,且若年度用电预测得分小于0,则年度用电预测得分直接修正为0分;若年度用电预测得分大于100分,则年度用电预测得分直接修正为100;
D.根据得到的当前行业的月度产能预测得分和年度产能预测得分,以及当前行业的月度用电预测得分和年度用电预测得分,计算得到当前行业的月度综合预测得分和年度综合预测得分;具体为采用如下算式计算得到月度综合预测得分和年度综合预测得分:
月度综合预测得分=月度用电预测得分×a1+月度产能预测得分×a2
年度综合预测得分=年度用电预测得分×b1+年度产能预测得分×b2式中a1、a2、b1和b2均为加权系数,且a1+a2=1,b1+b2=1;在具体实施时,a1、a2、b1和b2可以均取值为0.5;
E.重复上述步骤,直至所有行业的月度综合预测得分和年度综合预测得分均计算完成,从而得到完整的各个行业的预测模型;该预测模型的得分,可以用于对各个行业的用电趋势进行预测和分析;同时,用电趋势的预测和分析,也可以直接作用于的预测和分析;
S4.根据步骤S3建立各个行业的预测模型,对电网负荷进行月度调度,或者对电网负荷进行年度调度;
采用如下步骤进行电网调度:
(1)根据步骤S3的预测模型得到的预测结果,预判总售电量;
(2)根据各个行业的变化趋势,判断最大负荷利用小时数变化情况;
(3)根据步骤(1)得到的总售电量,以及步骤(2)得到的最大负荷利用小时数变化情况,预测电网负荷;
(4)根据步骤(3)得到的电网负荷,进行电网调度。
具体实施时,根据各行业预测结果,合理预判总售电量;同时,基于各行业变化趋势,判断最大负荷利用小时数变化情况(如商业负荷利用小时数较低、工业负荷尤其是高耗能行业负荷利用小时数较高,而居民负荷利用小时数趋于平稳),再利用负荷=同一时段内电量/负荷利用小时数,预测电网负荷。即:
式中:W为售电量预测结果;T为最大负荷利用小时数。
根据电网负荷预测结果,能够合理安排发电计划,有序调度电网负荷,提高电力系统供电稳定性及供电可靠性。
Claims (4)
1.一种基于电力大数据的预测模型建立方法,包括如下步骤:
S1.获取各个行业的用电数据;
S2.采用步骤S1获取的用电数据,计算各个行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率;所述的月度产能利用率,具体为采用如下算式计算月度产能利用率ηm:
式中Mm为对应行业的月度用电量,单位为万千瓦时;Z为对应行业的装机容量,单位为千万;Dm为每月天数;
所述的年度产能利用率,具体为采用如下算式计算年度产能利用率ηy:
式中My为对应行业的年度用电量,单位为万千瓦时;Z为对应行业的装机容量,单位为千万;Dy为每年天数;
S3.根据步骤S2得到的各个行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率,建立各个行业的预测模型;具体为采用如下步骤建立各个行业的预测模型:
A.获取对应行业的月度产能利用率、月度用电增长率、年度产能利用率和年度用电增长率指标;
B.根据行业的月度产能利用率和年度产能利用率,分别计算得到当前行业的月度产能预测得分和年度产能预测得分;具体为采用如下规则进行计算:
若月度产能利用率≤10%,则月度产能预测得分为20分;
若10%<月度产能利用率≤20%,则月度产能预测得分为40分;
若20%<月度产能利用率≤30%,则月度产能预测得分为60分;
若30%<月度产能利用率≤40%,则月度产能预测得分为80分;
若月度产能利用率>40%,则月度产能预测得分为100分;
若年度产能利用率≤10%,则年度产能预测得分为20分;
若10%<年度产能利用率≤20%,则年度产能预测得分为40分;
若20%<年度产能利用率≤30%,则年度产能预测得分为60分;
若30%<年度产能利用率≤40%,则年度产能预测得分为80分;
若年度产能利用率>40%,则年度产能预测得分为100分;
C.根据行业的月度用电增长率和年度用电增长率,分别计算得到当前行业的月度用电预测得分和年度用电预测得分;具体为采用如下规则进行计算:
月度用电预测得分=(月度用电增长率-1)×100,且若月度用电预测得分小于0,则月度用电预测得分直接修正为0分;若月度用电预测得分大于100分,则月度用电预测得分直接修正为100;
年度用电预测得分=(年度用电增长率-1)×100,且若年度用电预测得分小于0,则年度用电预测得分直接修正为0分;若年度用电预测得分大于100分,则年度用电预测得分直接修正为100;
D.根据得到的当前行业的月度产能预测得分和年度产能预测得分,以及当前行业的月度用电预测得分和年度用电预测得分,计算得到当前行业的月度综合预测得分和年度综合预测得分;具体为采用如下算式计算得到月度综合预测得分和年度综合预测得分:
月度综合预测得分=月度用电预测得分×a1+月度产能预测得分×a2
年度综合预测得分=年度用电预测得分×b1+年度产能预测得分×b2式中a1、a2、b1和b2均为加权系数,且a1+a2=1,b1+b2=1;
E.重复上述步骤,直至所有行业的月度综合预测得分和年度综合预测得分均计算完成,从而得到完整的各个行业的预测模型。
2.根据权利要求1所述的基于电力大数据的预测模型建立方法,其特征在于步骤S1所述的获取各个行业的用电数据,具体包括各个行业在各个时段的用户数、报装容量和用电量。
3.一种包括了权利要求1或2所述的基于电力大数据的预测模型建立方法的电网负荷调度方法,其特征在于还包括如下步骤:
S4.根据步骤S3建立各个行业的预测模型,对电网负荷进行月度调度,或者对电网负荷进行年度调度。
4.根据权利要求3所述的电网负荷调度方法,其特征在于采用如下步骤进行电网调度:
(1)根据步骤S3的预测模型得到的预测结果,预判总售电量;
(2)根据各个行业的变化趋势,判断最大负荷利用小时数变化情况;
(3)根据步骤(1)得到的总售电量,以及步骤(2)得到的最大负荷利用小时数变化情况,预测电网负荷;
(4)根据步骤(3)得到的电网负荷,进行电网调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010784353.0A CN111784083B (zh) | 2020-08-06 | 2020-08-06 | 基于电力大数据的预测模型建立方法及电网负荷调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010784353.0A CN111784083B (zh) | 2020-08-06 | 2020-08-06 | 基于电力大数据的预测模型建立方法及电网负荷调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784083A CN111784083A (zh) | 2020-10-16 |
CN111784083B true CN111784083B (zh) | 2023-11-21 |
Family
ID=72765433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010784353.0A Active CN111784083B (zh) | 2020-08-06 | 2020-08-06 | 基于电力大数据的预测模型建立方法及电网负荷调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784083B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389637A (zh) * | 2015-12-10 | 2016-03-09 | 四川省电力公司供电服务中心 | 用于月度用电预测模型的有效工作日构建方法 |
CN106056477A (zh) * | 2016-06-06 | 2016-10-26 | 国网江苏省电力公司 | 一种基于用电大数据的行业产能利用率的计算方法 |
CN106355285A (zh) * | 2016-09-06 | 2017-01-25 | 北京华电天仁电力控制技术有限公司 | 一种基于参数修正的用电负荷预测方法 |
CN106355265A (zh) * | 2016-08-19 | 2017-01-25 | 国家电网公司 | 一种基于业扩报装大数据和计量经济模型的用电量预测方法 |
CN106485356A (zh) * | 2016-10-12 | 2017-03-08 | 国家电网公司 | 一种基于业扩报装大数据的电量预测方法 |
CN110705806A (zh) * | 2019-10-16 | 2020-01-17 | 国家电网有限公司 | 一种基于容量利用小时数的电量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111221872A (zh) * | 2019-12-30 | 2020-06-02 | 国网上海市电力公司 | 一种电力系统用负荷管理中心大数据平台及负荷管理方法 |
-
2020
- 2020-08-06 CN CN202010784353.0A patent/CN111784083B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389637A (zh) * | 2015-12-10 | 2016-03-09 | 四川省电力公司供电服务中心 | 用于月度用电预测模型的有效工作日构建方法 |
CN106056477A (zh) * | 2016-06-06 | 2016-10-26 | 国网江苏省电力公司 | 一种基于用电大数据的行业产能利用率的计算方法 |
CN106355265A (zh) * | 2016-08-19 | 2017-01-25 | 国家电网公司 | 一种基于业扩报装大数据和计量经济模型的用电量预测方法 |
CN106355285A (zh) * | 2016-09-06 | 2017-01-25 | 北京华电天仁电力控制技术有限公司 | 一种基于参数修正的用电负荷预测方法 |
CN106485356A (zh) * | 2016-10-12 | 2017-03-08 | 国家电网公司 | 一种基于业扩报装大数据的电量预测方法 |
CN110705806A (zh) * | 2019-10-16 | 2020-01-17 | 国家电网有限公司 | 一种基于容量利用小时数的电量预测方法 |
Non-Patent Citations (2)
Title |
---|
New Short Term Load Forecasting models based on growth rate scaling and simple averaging;Sreenu Sreekumar等;《2016 IEEE 6th International Conference on Power Systems (ICPS)》;1-6 * |
大数据环境下基于K-means聚类算法的分组负荷预测研究;史静等;《电力大数据》;第23卷(第6期);9-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN111784083A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985701B (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN107944765B (zh) | 智能制造生产调度协同管控能力的评估系统和评估方法 | |
CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及系统 | |
CN115882456B (zh) | 一种基于大规模电网潮流的电力控制方法及系统 | |
CN111582568A (zh) | 基于电力数据的春节期间企业复工预测方法 | |
CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN113344449A (zh) | 一种预测月尺度工业需水量的方法 | |
CN114565293B (zh) | 一种工业负荷提供长周期需求响应能力的评估方法 | |
Lan et al. | An investigation of the innovation efficacy of Chinese photovoltaic enterprises employing three-stage data envelopment analysis (DEA) | |
CN114169802B (zh) | 电网用户需求响应潜力分析方法、系统及存储介质 | |
CN107423862A (zh) | 基于经济数据的电力负荷预测方法 | |
CN111784083B (zh) | 基于电力大数据的预测模型建立方法及电网负荷调度方法 | |
CN111784146B (zh) | 基于电力投产率的企业评估方法及装置 | |
CN107679659A (zh) | 新型工业用电量预测方法 | |
CN116862213A (zh) | 一种冷轧厂产线能耗指标分解方法、装置、介质及设备 | |
CN113780861B (zh) | 一种基于用户日电量调整值的成分指数评估方法及系统 | |
CN107730046A (zh) | 一种电力短期负荷预测系统及方法 | |
CN114529071A (zh) | 一种台区用电量预测方法 | |
Li et al. | Research on investment demand forecast of power grid based on grey system theory | |
Hou | Short Term Load Forecasting Based on Bayesian Forecasting Model | |
CN116523273B (zh) | 一种面向工业用户的需求响应特性分析方法 | |
CN114077930B (zh) | 一种基于电力消费的经济结构变化的分析方法 | |
CN112465196A (zh) | 一种系统负荷预测方法、装置、设备和存储介质 | |
CN115545569B (zh) | 基于量费分析的尖峰电价机制实施效果评估方法 |
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 |