CN112113316A - 一种空调负荷提取的方法 - Google Patents
一种空调负荷提取的方法 Download PDFInfo
- Publication number
- CN112113316A CN112113316A CN202010983412.7A CN202010983412A CN112113316A CN 112113316 A CN112113316 A CN 112113316A CN 202010983412 A CN202010983412 A CN 202010983412A CN 112113316 A CN112113316 A CN 112113316A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- comparison
- row
- air conditioner
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/60—Energy consumption
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
一种空调负荷提取的方法属于负荷提取技术领域,尤其涉及一种空调负荷提取的方法。本发明的主要目的是在进行电网系统中的用电用户负荷数据抽取时,能够制定一定的衡量标准,依照模型的定义,从总体的负荷数据中,提取出由空调类设备产生的负荷数据;进而确定空调类负荷对总体负荷的影响程度,再制定实际方法来控制这类负荷的变化(调整空调温度、电费控制等),最终对总体负荷产生一定的影响,达到“削峰”的作用。
Description
技术领域
本发明属于负荷提取技术领域,尤其涉及一种空调负荷提取的方法。
背景技术
在电网系统中,对于负荷数据记录产生的曲线,进行一个“削峰填谷”的操作是具有极大的实际意义的。如某一个地市需要2亿一千万度的用电量,而每台发电机能够产生的电量为五千万度,则为了满足这样的电量需求,就需要启动5台发电机来满足需求,而总发电量为2亿五千万度,远大于2亿一千万度的电量需求,产生了四千万的电量浪费。因此如果可以将多出来的一千万“峰值”电量削减下去,就可以仅启动4台发电机便能够满足电量需求,减少发电成本。
空调设备产生的负荷属于易控制的负荷,且空调制冷在总体负荷中占有较大比重。如果能够发现其占总体负荷曲线的比值,通过实际手段来控制空调负荷从而达到对整体负荷的控制与调整,就可以达到“削峰”的作用,实现电网发配电的资源合理化应用。因此,本方案主要解决的技术问题是通过一定的方法,将空调设备产生的负荷从整体负荷中提取出来。
目前国网公司已经完成对各大业务系统的数据化集成,各大系统的采集监测类数据均可以在统一的数据访问接口下进行数据查询与使用。电网系统中,采集监测类数据占较大比重,是国网公司重要的财产与资料来源。随着大数据分析技术在电网系统中的应用日益加深,数据的重要性也不断凸显出来。根据国网省公司要求,现将其下发用电客户的数据信息进行提取,发现在日常生产、工作中的规律,依据规律设定符合需求的发用电策略,从而达到电力资源合理使用、减少损耗、节约资源等目的,对国网电力系统的发展有着深远的意义。
目前暂时没有关于空调设备产生的负荷数据的有效划分方法。
现有的电网系统下的数据分析方法,大多数为简单的逻辑下单一角度的数据分析,如:只进行指定权重的数据筛选,无法灵活多元地结合其他外在因素进行数据筛选;此外,定向地从数据库中抽取出空调类设备产生的负荷,需要对设备进行详细地规划统计,这将耗费巨大的工作量。
发明内容
本发明的主要目的是在进行电网系统中的用电用户负荷数据抽取时,能够制定一定的衡量标准,依照模型的定义,从总体的负荷数据中,提取出由空调类设备产生的负荷数据;进而确定空调类负荷对总体负荷的影响程度,再制定实际方法来控制这类负荷的变化(调整空调温度、电费控制等),最终对总体负荷产生一定的影响,达到“削峰”的作用。
本方案首先对空调设备进行定义,从而训练出这类特定负荷的数据模型;再从整体负荷中依照依据灰色关联分析法从大批量的数据中进行特定数据抽取,实现对空调负荷的较为准确的筛选。
其具体运行流程如下:
细节化流程说明:
1)数据抽取与存储的方式:数据通过一套自开发的Java接口,接口中整合了指定的抽取逻辑,可以从大批量的电网系统数据中抽取出特定数据,即空调类负荷数据,再将数据进行转化,形成可读性较高的的表格文件(.xls),对文件中的每行的规定为:测点名、数据时间、数据值(共96个)、关联度。
测点名:“数据采集设备的编号.数据来源地市.数据类型”组合而成的一个字串,如“12345.SY.P”,代表沈阳地市12345号设备产生的有功功率数据;
数据时间:数据的采集时间,如2017-08-13;
数据值:数据的实际值,如956.7。
2)数据抽取的逻辑:程序中整合了调整后的灰色关联度分析法,将符合要求的空调负荷数据从整体的数据中抽取出来,其具体操作内容如下:选定确定的某一天的空调设备产生的负荷数据作为参考数据行。本方案中选定的数据为:8月19日省电力公司中央空调的当天负荷曲线数据作为制冷负荷参照,11月22日作为制热参照,由于这两天的气温较为稳定且能够体现符合季节的温度特点,因此当天空调产生的负荷数据就较有特征性,故选取这两天作为参照。
(1)对比较数列进行初始化处理;在电网系统中的某个时段的负荷数据可能不存在,即无数据,但对于比较数据列而言,需要保证每行数据的个数是相等的,因此将数据进行填充,本方案中将不存在的数据均填充为0;同时由于本方案中提取的数据均为同样单位的负荷数据,其量纲一致,因此不需要对比较数列进行无量纲化处理。
(2)计算关联系数,对于一个参考数列X0有若干个比较数列X1,X2,…,Xn,各比较数列与参考数列在各个时刻(即曲线中的各点)的关联系数ξ(Xi)可由下列过程算出:其中Δoi(k)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值,即用初始化后的比较数列与参考数列中的每个时刻的对应值相减,并对差值取绝对值;Δmin是每行Δoi(k)的最小值,同理,Δmax为每行Δoi(k)的最大值,将最大值大于1000千瓦,最小值小于0的数据行去掉(与空调产生的实际负荷不相符)。进而计算每行的关联系数ξ(Xi),其计算方法如下列公式:
此公式体现的是每行比较数列中的每个数据相对于参考数列的变化情况。依据此公式,将原来的比较数列转化为由关联系数组成的数据行。
(3)计算比较数列的关联度,将新生成的数据行求出每行平均值作为该比较数列的关联值;关联度的最大值为1,即越接近1,比较数与参考数的数值大小越接近;再对每行的关联数取平均值,就可以得出该比较行与参照行的数据变化上的相似程度。本方案中由于需要较大基数的负荷数据,因此拟定关联度大于0.7均可认为是空调负荷数据。
(4)对抽取出的数据进行求和计算,将每一个时刻的数据进行相加,最终得到符合方案制定的空调负荷的总量曲线数据,再将这批数据除以负荷数据总量进行比较,确定空调负荷占总体负荷的权重。
(5)确定了空调负荷的影响范围,便可对产生空调负荷的电表的用电价格进行调整,提高空调制冷电器的单位电价,反向控制用电量,来对空调负荷进行降低,总体的负荷因而随之降低,总用电能的需求也便缩减。总用电量削减后,所需的发电量也就随之减少,便可减少发电所需的成本,实现电能资源的合理分配使用。
本发明有益效果。
本发明相较现有的数据抽取方法,优点在于能够通过使用灰色关联度分析法将所需要的特定数据进行定向提取,有效地筛选出所需要的空调类设备产生的负荷且能够满足一定的基数要求。选取合适的数据作为参照,能够更为系统地训练出具有代表性的空调负荷数据模型,从而更为准确地在不清楚设备来源的情况下抽取出来自于空调类设备产生的负荷数据。
方案主要采取灰色关联分析法进行数据分析,目的是为了找出类似于空调负荷变化曲线的数据,其强调的是数值上的变化情况类似;可以通过其他的数据分析方法,找出同种变化情况的曲线,如傅立叶分析法。
此外,如果可以对负荷数据采集设备进行分类,则无需进行曲线变化度分析,直接定向抽取设备上产生的数据进行操作,但工作量要求较大。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
图1是本发明流程图。
具体实施方式
如图所示,
1、空调负荷数据参考值的选取方法
选定确定的某一天的空调设备产生的负荷数据作为参考数据行。本方案中选定的数据为:2016年8月19日省电力公司中央空调的当天负荷曲线数据作为制冷负荷参照,2016年11月22日作为制热参照,由于这两天的气温较为稳定且能够体现符合季节的温度特点。省电力公司的中央空调均为全天正常运行,因此产生的功率数据较为稳定,且由于其属于独立供电,不会因为其他用电设备的变化而对其工作功率产生影响。综上,选取该设备当天产生的负荷数据就较有特征性。
2、数据抽取的方法
程序中整合了调整后的灰色关联度分析法,使方法更适用于电网系统下负荷数据的提取,能够将符合要求的空调负荷数据从整体的数据中抽取出来,其具体操作内容如下:
1)选定确定的某一天的空调设备产生的负荷数据作为参考数据行。本方案中选定的数据为:8月19日省电力公司中央空调的当天负荷曲线数据作为制冷负荷参照,11月22日作为制热参照,由于这两天的气温较为稳定且能够体现符合季节的温度特点,因此当天空调产生的负荷数据就较有特征性,故选取这两天作为参照。
2)对比较数列进行初始化处理;在电网系统中的某个时段的负荷数据可能不存在,即无数据,但对于比较数据列而言,需要保证每行数据的个数是相等的,因此将数据进行填充,本方案中将不存在的数据均填充为0;同时由于本方案中提取的数据均为同样单位的负荷数据,其量纲一致,因此不需要对比较数列进行无量纲化处理。
3)计算关联系数,对于一个参考数列X0有若干个比较数列X1,X2,…,Xn,各比较数列与参考数列在各个时刻(即曲线中的各点)的关联系数ξ(Xi)可由下列过程算出:
其中Δoi(k)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值,即用初始化后的比较数列与参考数列中的每个时刻的对应值相减,并对差值取绝对值;Δmin是每行Δoi(k)的最小值,同理,Δmax为每行Δoi(k)的最大值,将最大值大于1000千瓦,最小值小于0的数据行去掉(与空调产生的实际负荷不相符)。进而计算每行的关联系数ξ(Xi),其计算方法如下列公式:
此公式体现的是每个比较数列中的每个数据相对于该行中的最大值与最小值的数值偏移程度。依据此公式,将原来的比较数列转化为由关联系数组成的数据行。
4)计算比较数列的关联度,将新生成的数据行求出每行平均值作为该比较数列的关联值;关联度的最大值为1,即越接近1,比较数与参考数的数值大小越接近;再对每行的关联数取平均值,就可以得出该比较行与参照行的数据变化上的相似程度。本方案中由于需要较大基数的负荷数据,因此拟定关联度大于0.5均可认为是空调负荷数据。
5)对抽取出的数据进行求和计算,将每一个时刻的数据进行相加,最终得到符合方案制定的空调负荷的总量曲线数据,再将这批数据除以负荷数据总量进行比较,确定空调负荷占总体负荷的权重。
6)确定了空调负荷的影响范围,便可对产生空调负荷的电表的用电价格进行调整,提高空调制冷电器的单位电价,反向控制用电量,来对空调负荷进行降低,总体的负荷因而随之降低,总用电能的需求也便缩减。总用电量削减后,所需的发电量也就随之减少,便可减少发电所需的成本,实现电能资源的合理分配使用。
负荷:本方案中的负荷指电力系统中所有用电设备所耗用的功率。
采集量测类数据:指电力设备运行中产生的带有时间戳的电力学数据值,如电流。
灰色关联分析法:是一种根据因素之间发展趋势的相似或相异程度,作为衡量因素间关联程度的数据分析方法。
测点:电力数据采集设备编号。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (1)
1.一种空调负荷提取的方法,其特征在于包括以下步骤:
1)数据抽取与存储的方式:数据通过一套自开发的Java接口,接口中整合了指定的抽取逻辑,可以从大批量的电网系统数据中抽取出特定数据,即空调类负荷数据,再将数据进行转化,形成可读性较高的的表格文件(.xls),对文件中的每行的规定为:测点名、数据时间、数据值(共96个)、关联度。
测点名:“数据采集设备的编号.数据来源地市.数据类型”组合而成的一个字串,如“12345.SY.P”,代表沈阳地市12345号设备产生的有功功率数据;
数据时间:数据的采集时间,如2017-08-13;
数据值:数据的实际值,如956.7。
2)数据抽取的逻辑:程序中整合了调整后的灰色关联度分析法,将符合要求的空调负荷数据从整体的数据中抽取出来,其具体操作内容如下:选定确定的某一天的空调设备产生的负荷数据作为参考数据行。本方案中选定的数据为:8月19日省电力公司中央空调的当天负荷曲线数据作为制冷负荷参照,11月22日作为制热参照,由于这两天的气温较为稳定且能够体现符合季节的温度特点,因此当天空调产生的负荷数据就较有特征性,故选取这两天作为参照。
(1)对比较数列进行初始化处理;在电网系统中的某个时段的负荷数据可能不存在,即无数据,但对于比较数据列而言,需要保证每行数据的个数是相等的,因此将数据进行填充,本方案中将不存在的数据均填充为0;同时由于本方案中提取的数据均为同样单位的负荷数据,其量纲一致,因此不需要对比较数列进行无量纲化处理。
(2)计算关联系数,对于一个参考数列X0有若干个比较数列X1,X2,…,Xn,各比较数列与参考数列在各个时刻(即曲线中的各点)的关联系数ξ(Xi)可由下列过程算出:其中Δoi(k)为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值,即用初始化后的比较数列与参考数列中的每个时刻的对应值相减,并对差值取绝对值;Δmin是每行Δoi(k)的最小值,同理,Δmax为每行Δoi(k)的最大值,将最大值大于1000千瓦,最小值小于0的数据行去掉(与空调产生的实际负荷不相符)。进而计算每行的关联系数ξ(Xi),其计算方法如下列公式:
此公式体现的是每行比较数列中的每个数据相对于参考数列的变化情况。依据此公式,将原来的比较数列转化为由关联系数组成的数据行。
(3)计算比较数列的关联度,将新生成的数据行求出每行平均值作为该比较数列的关联值;关联度的最大值为1,即越接近1,比较数与参考数的数值大小越接近;再对每行的关联数取平均值,就可以得出该比较行与参照行的数据变化上的相似程度。本方案中由于需要较大基数的负荷数据,因此拟定关联度大于0.7均可认为是空调负荷数据。
(4)对抽取出的数据进行求和计算,将每一个时刻的数据进行相加,最终得到符合方案制定的空调负荷的总量曲线数据,再将这批数据除以负荷数据总量进行比较,确定空调负荷占总体负荷的权重。
(5)确定了空调负荷的影响范围,便可对产生空调负荷的电表的用电价格进行调整,提高空调制冷电器的单位电价,反向控制用电量,来对空调负荷进行降低,总体的负荷因而随之降低,总用电能的需求也便缩减。总用电量削减后,所需的发电量也就随之减少,便可减少发电所需的成本,实现电能资源的合理分配使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010983412.7A CN112113316B (zh) | 2020-09-18 | 2020-09-18 | 一种空调负荷提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010983412.7A CN112113316B (zh) | 2020-09-18 | 2020-09-18 | 一种空调负荷提取的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112113316A true CN112113316A (zh) | 2020-12-22 |
CN112113316B CN112113316B (zh) | 2022-03-11 |
Family
ID=73800168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010983412.7A Active CN112113316B (zh) | 2020-09-18 | 2020-09-18 | 一种空调负荷提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112113316B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435665A (zh) * | 2021-07-19 | 2021-09-24 | 西安建筑科技大学 | 一种面向功能分区的商场冷负荷预测方法及系统 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10227719B3 (de) * | 2002-06-21 | 2004-01-29 | Audi Ag | Verfahren und Vorrichtung zur Beeinflussung der Betriebscharakteristik von Schaltungen eines Getriebes im ACC-Betrieb |
CN102999876A (zh) * | 2012-11-16 | 2013-03-27 | 中国电力科学研究院 | 一种典型负荷特性变电站的选取方法 |
CN104143117A (zh) * | 2014-07-24 | 2014-11-12 | 南方电网科学研究院有限责任公司 | 一种电网特殊负荷与日负荷之间的相关系数提取方法 |
CN104156783A (zh) * | 2014-07-29 | 2014-11-19 | 广西电网有限责任公司 | 计及气象累积效应的电力系统最大日负荷预测系统及方法 |
CN104636594A (zh) * | 2014-12-19 | 2015-05-20 | 国家电网公司 | 一种电力需求侧能效测评方法 |
CN105138847A (zh) * | 2015-09-01 | 2015-12-09 | 东南大学 | 变频空调负荷参与需求响应的节电潜力评估方法 |
CN106468467A (zh) * | 2015-08-17 | 2017-03-01 | 同方泰德国际科技(北京)有限公司 | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 |
CN106779291A (zh) * | 2016-11-15 | 2017-05-31 | 国网浙江省电力公司经济技术研究院 | 智能用电园区需求响应策略 |
CN107069717A (zh) * | 2017-05-11 | 2017-08-18 | 国家电网公司 | 一种配电网负荷建模方法 |
CN107578149A (zh) * | 2017-08-16 | 2018-01-12 | 国网浙江省电力公司经济技术研究院 | 一种电网企业关键数据分析方法 |
CN107657349A (zh) * | 2017-10-18 | 2018-02-02 | 河海大学 | 一种水库分期发电调度规则提取方法 |
CN108482055A (zh) * | 2017-12-28 | 2018-09-04 | 重庆广播电视大学 | 一种电动汽车空调系统 |
CN108802665A (zh) * | 2018-08-02 | 2018-11-13 | 国网江苏省电力有限公司电力科学研究院 | 用于用电负荷辨识智能电能表检测的标准功率源及检测方法 |
CN109063889A (zh) * | 2018-06-20 | 2018-12-21 | 南瑞集团有限公司 | 一种主动配电网的负荷功率预测方法 |
CN109285087A (zh) * | 2018-07-17 | 2019-01-29 | 国网四川省电力公司电力科学研究院 | 一种基于NB-IoT和GPU加速的台区拓扑识别方法 |
CN109492667A (zh) * | 2018-10-08 | 2019-03-19 | 国网天津市电力公司电力科学研究院 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
CN109754154A (zh) * | 2018-11-26 | 2019-05-14 | 南瑞集团有限公司 | 一种工商业专变用户节能改造潜力辨识方法 |
CN110033048A (zh) * | 2019-04-18 | 2019-07-19 | 西南交通大学 | 一种轨道交通关键节点及关键路段识别方法 |
CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
CN111178573A (zh) * | 2019-09-26 | 2020-05-19 | 深圳市东深电子股份有限公司 | 一种基于灰色关联分析法的洪水动态预测方法 |
CN111339155A (zh) * | 2018-12-18 | 2020-06-26 | 中国电力科学研究院有限公司 | 一种关联分析系统 |
CN111340645A (zh) * | 2018-12-18 | 2020-06-26 | 中国电力科学研究院有限公司 | 一种针对电力负荷的改进关联分析方法 |
CN111598330A (zh) * | 2020-05-13 | 2020-08-28 | 国网河北省电力有限公司电力科学研究院 | 一种基于负荷识别技术的居民用电负荷预测方法 |
CN111667135A (zh) * | 2020-03-25 | 2020-09-15 | 国网天津市电力公司 | 一种基于典型特征提取的负荷结构解析方法 |
CN112417286A (zh) * | 2020-11-24 | 2021-02-26 | 上海应用技术大学 | 区域性文化产业集聚的影响因素分析方法和系统 |
-
2020
- 2020-09-18 CN CN202010983412.7A patent/CN112113316B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10227719B3 (de) * | 2002-06-21 | 2004-01-29 | Audi Ag | Verfahren und Vorrichtung zur Beeinflussung der Betriebscharakteristik von Schaltungen eines Getriebes im ACC-Betrieb |
CN102999876A (zh) * | 2012-11-16 | 2013-03-27 | 中国电力科学研究院 | 一种典型负荷特性变电站的选取方法 |
CN104143117A (zh) * | 2014-07-24 | 2014-11-12 | 南方电网科学研究院有限责任公司 | 一种电网特殊负荷与日负荷之间的相关系数提取方法 |
CN104156783A (zh) * | 2014-07-29 | 2014-11-19 | 广西电网有限责任公司 | 计及气象累积效应的电力系统最大日负荷预测系统及方法 |
CN104636594A (zh) * | 2014-12-19 | 2015-05-20 | 国家电网公司 | 一种电力需求侧能效测评方法 |
CN106468467A (zh) * | 2015-08-17 | 2017-03-01 | 同方泰德国际科技(北京)有限公司 | 一种应用于嵌入式控制系统的空调冷负荷实时预测算法 |
CN105138847A (zh) * | 2015-09-01 | 2015-12-09 | 东南大学 | 变频空调负荷参与需求响应的节电潜力评估方法 |
CN106779291A (zh) * | 2016-11-15 | 2017-05-31 | 国网浙江省电力公司经济技术研究院 | 智能用电园区需求响应策略 |
CN107069717A (zh) * | 2017-05-11 | 2017-08-18 | 国家电网公司 | 一种配电网负荷建模方法 |
CN107578149A (zh) * | 2017-08-16 | 2018-01-12 | 国网浙江省电力公司经济技术研究院 | 一种电网企业关键数据分析方法 |
CN107657349A (zh) * | 2017-10-18 | 2018-02-02 | 河海大学 | 一种水库分期发电调度规则提取方法 |
CN108482055A (zh) * | 2017-12-28 | 2018-09-04 | 重庆广播电视大学 | 一种电动汽车空调系统 |
CN109063889A (zh) * | 2018-06-20 | 2018-12-21 | 南瑞集团有限公司 | 一种主动配电网的负荷功率预测方法 |
CN109285087A (zh) * | 2018-07-17 | 2019-01-29 | 国网四川省电力公司电力科学研究院 | 一种基于NB-IoT和GPU加速的台区拓扑识别方法 |
CN108802665A (zh) * | 2018-08-02 | 2018-11-13 | 国网江苏省电力有限公司电力科学研究院 | 用于用电负荷辨识智能电能表检测的标准功率源及检测方法 |
CN109492667A (zh) * | 2018-10-08 | 2019-03-19 | 国网天津市电力公司电力科学研究院 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
CN109754154A (zh) * | 2018-11-26 | 2019-05-14 | 南瑞集团有限公司 | 一种工商业专变用户节能改造潜力辨识方法 |
CN111339155A (zh) * | 2018-12-18 | 2020-06-26 | 中国电力科学研究院有限公司 | 一种关联分析系统 |
CN111340645A (zh) * | 2018-12-18 | 2020-06-26 | 中国电力科学研究院有限公司 | 一种针对电力负荷的改进关联分析方法 |
CN110033048A (zh) * | 2019-04-18 | 2019-07-19 | 西南交通大学 | 一种轨道交通关键节点及关键路段识别方法 |
CN111178573A (zh) * | 2019-09-26 | 2020-05-19 | 深圳市东深电子股份有限公司 | 一种基于灰色关联分析法的洪水动态预测方法 |
CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
CN111667135A (zh) * | 2020-03-25 | 2020-09-15 | 国网天津市电力公司 | 一种基于典型特征提取的负荷结构解析方法 |
CN111598330A (zh) * | 2020-05-13 | 2020-08-28 | 国网河北省电力有限公司电力科学研究院 | 一种基于负荷识别技术的居民用电负荷预测方法 |
CN112417286A (zh) * | 2020-11-24 | 2021-02-26 | 上海应用技术大学 | 区域性文化产业集聚的影响因素分析方法和系统 |
Non-Patent Citations (4)
Title |
---|
李修海等: "信号交叉口集聚车辆的跟驰行为分析与建模", 《交通运输系统工程与信息》 * |
李翔等: "运用聚类算法预测地区电网典型日负荷曲线", 《电力与能源》 * |
陆海等: "基于数据驱动理念的电力日负荷曲线预测方法研究", 《电力系统及其自动化学报》 * |
黄元生等: "灰色关联度组合权在电力负荷预测中的应用", 《华东电力》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435665A (zh) * | 2021-07-19 | 2021-09-24 | 西安建筑科技大学 | 一种面向功能分区的商场冷负荷预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112113316B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103559655B (zh) | 基于数据挖掘的微网新型馈线负荷的预测方法 | |
CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
CN112633924A (zh) | 一种基于负荷分解的小区电能替代需求分析方法 | |
CN112113316B (zh) | 一种空调负荷提取的方法 | |
Saha et al. | A model of residential energy use in New Zealand | |
CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
Lin et al. | The data mining application in the power quality monitoring data analysis | |
CN114662922B (zh) | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 | |
Zhang et al. | Time-of-use pricing model considering wind power uncertainty | |
CN116131256A (zh) | 一种基于设备同时率的配电网可开放容量计算方法和系统 | |
CN111796143B (zh) | 一种配用电系统节能设备节能量计量方法 | |
Ou et al. | Non-intrusive Load Decomposition Based Demand Responsiveness Assessment of Regional Residents | |
Zhang et al. | The research on smart power consumption technology based on big data | |
Fan et al. | Prediction and Analysis of Power User Energy Consumption Based on Demand Side Management | |
Han et al. | Requirements analysis and application research of big data in power network dispatching and planning | |
Wang et al. | A Scenario Reduction Method of PV Output Based on NBSO Algorithm and STDI Index | |
CN113190595B (zh) | 一种小样本驱动的异常用电数据集的构建方法及装置 | |
Lin et al. | Estimating the Cooling-induced Electricity Demand at Industry and City-level | |
Liu et al. | Multidimensional Data Model and Analysis Method of Economic Operation in Distribution Network | |
Luo et al. | Detection of abnormal power consumption patterns of power users based on machine learning | |
Feng et al. | Design of Comprehensive Energy System Considering Anomaly Detection of Multi-Energy Data | |
Jiang et al. | Research on multi-type demand response user profile based on improved k-means clustering algorithm | |
Huang et al. | Short-term Load Prediction Based on User Behaviors Analysis | |
CN112149894A (zh) | 一种照明负荷提取的方法 | |
Chen et al. | Research on power consumption behavior analysis based on power big data |
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 |