CN112465403B - 一种区域电力需求侧响应潜力评估方法 - Google Patents

一种区域电力需求侧响应潜力评估方法 Download PDF

Info

Publication number
CN112465403B
CN112465403B CN202011502332.1A CN202011502332A CN112465403B CN 112465403 B CN112465403 B CN 112465403B CN 202011502332 A CN202011502332 A CN 202011502332A CN 112465403 B CN112465403 B CN 112465403B
Authority
CN
China
Prior art keywords
load
user
demand side
cluster
under
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
Application number
CN202011502332.1A
Other languages
English (en)
Other versions
CN112465403A (zh
Inventor
徐波
张富强
鲁刚
孙东磊
李雪亮
赵龙
刘晓明
徐沈智
伍声宇
谭雪
赵秋莉
刘俊
金艳鸣
傅观君
张晋芳
闫晓卿
郑宽
元博
栗楠
焦冰琦
弭辙
冯君淑
杨捷
李卓男
徐志成
王晓晨
王芃
肖鑫利
吕梦璇
侯东羊
夏鹏
贾淯方
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Energy Research Institute Co Ltd
Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Energy Research Institute Co Ltd
Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Energy Research Institute Co Ltd, Economic and Technological Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Energy Research Institute Co Ltd
Priority to CN202011502332.1A priority Critical patent/CN112465403B/zh
Publication of CN112465403A publication Critical patent/CN112465403A/zh
Application granted granted Critical
Publication of CN112465403B publication Critical patent/CN112465403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Abstract

本发明公开了一种区域电力需求侧响应潜力评估方法，包括如下步骤：步骤一，获取用户历史负荷曲线；步骤二，对用户负荷曲线进行聚类；步骤三，预测未来水平年用户最大用电负荷；步骤四，考虑需求价格弹性估算各类用户需求侧响应量；步骤五，计算区域需求侧响应潜力。针对现有技术的不足，本发明充分考虑不同气象条件对区域电力需求侧响应潜力的影响，从而建立区域电力需求侧响应潜力评估方法，能够实现不同气象条件用户负荷特性分析，对各类用户需求侧响应潜力进行精细量化。

Description

一种区域电力需求侧响应潜力评估方法
技术领域
本发明涉及电力需求侧响应潜力评估领域，具体来说，本发明涉及一种区域电力需求侧响应潜力评估方法。
背景技术
为推动能源生产和消费革命，国家发改委将提升电力用户侧灵活性作为提高电力系统调节能力及运行效率的重要举措。目前，各级电网超过最大负荷95％的持续时间普遍低于24小时，这些持续时间短的尖峰负荷带来巨大的社会资源浪费，发挥需求侧响应作用能够削减尖峰负荷，将成为保障电网安全稳定运行、提高电力系统运行效率的重要突破口，对电力系统规划产生重要影响。
目前的需求侧响应潜力评估方法未考虑不同气象条件变化的影响，随着全社会电气化水平提升以及智能家居普及，降温负荷比重越来越大，例如北京市“十二五”期间，酷夏气象条件下降温负荷占比为40％左右，而凉夏降温负荷占比在38％左右，不同气象条件对用户需求侧响应潜力的影响不容忽视。
发明内容
针对相关技术中的问题，本发明提出一种区域电力需求侧响应潜力评估方法，用于解决背景技术中的问题。
为此，本发明采用的具体技术方案如下：
一种区域电力需求侧响应潜力评估方法，包括如下步骤：
步骤一，获取用户历史负荷曲线，针对酷夏、常夏、凉夏等不同气象条件，分别获取每个气象条件下各用户在夏季最大负荷日的96点历史负荷数据，并对所述用户历史负荷数据进行预处理；
步骤二，对用户负荷曲线进行聚类，利用k-mediods算法对预处理后的历史负荷数据进行聚类分析；
步骤三，预测未来水平年用户最大用电负荷，计算每一气象条件下的每个样本数据对应的日负荷率，对于每一聚类，求取该聚类中用户的平均日负荷率，从而计算各聚类对应的未来年份最大用电负荷；
步骤四，考虑需求价格弹性估算各类用户需求侧响应量，设定α为气象条件，α下聚类用户需求侧响应量表示为：
Figure BDA0002843829760000021
Figure BDA0002843829760000022
步骤五，计算区域需求侧响应潜力，汇总各气象条件下每个聚类的需求侧响应潜力，计算整个区域的需求侧响应潜力。
优选的，步骤一中，通过下列公式对用户历史负荷数据进行预处理：
Figure BDA0002843829760000023
优选的，步骤二具体为，
第一步，将用户分为n类，根据切比雪夫距离和欧氏距离，定义样本数据间的距离为
Figure BDA0002843829760000024
在以上公式的基础上，采用k-mediods算法进行聚类：
第二步，针对气象条件α，从历史负荷样本集中随机选择n个样本作为初始聚类中心；
第三步，利用以上公式计算每个样本到n个聚类中心的距离，将每个样本与距离最短的聚类中心归为一类；
第四步，重新计算聚类中心，将同一类中距离其余样本最小的样本确定为当前类的中心；
第五步，重复步骤第三步与第四步直到聚类中心不再变化；
第六步，对其余气象条件，利用步骤第二步至第五步分别进行聚类，直至所有气象条件完成聚类。
优选的，步骤三中，计算每个样本数据对应的日负荷率的公式为：
Figure BDA0002843829760000031
对于每一聚类，求取该聚类中用户的平均日负荷率的公式为：
Figure BDA0002843829760000032
各聚类对应的未来年份最大用电负荷预测公式为：
Figure BDA0002843829760000033
优选的，步骤五中，整个区域的需求侧响应潜力计算公式为：
Figure BDA0002843829760000034
本发明的有益效果为：
针对现有技术的不足，本发明充分考虑不同气象条件对区域电力需求侧响应潜力的影响，基于k-mediods算法对不同气象条件下历史负荷数据聚类分析，在此基础上，计及需求价格弹性对各类用户的需求侧响应量进行评估，从而建立区域电力需求侧响应潜力评估方法，能够实现不同气象条件用户负荷特性分析，对各类用户需求侧响应潜力进行精细量化。
具体实施方式
下面通过具体实施方式进一步详细的说明：
包括如下步骤：
步骤一，获取用户历史负荷曲线，针对酷夏、常夏、凉夏等不同气象条件，分别获取每个气象条件下各用户在夏季最大负荷日的96点历史负荷数据，对所述用户历史负荷数据进行预处理。
Figure BDA0002843829760000041
式中，
Figure BDA0002843829760000042
表示气象条件α下用户i时刻j(j＝1,2,…,96)的负荷大小；
Figure BDA0002843829760000043
表示在气象条件α下用户i的负荷最小值；
步骤二，对用户负荷曲线进行聚类，利用k-mediods算法对预处理后的历史负荷数据进行聚类分析，第一步，将用户分为n类，根据切比雪夫距离和欧氏距离，定义样本数据间的距离为
Figure BDA0002843829760000044
在式(2)的基础上，采用k-mediods算法进行聚类：
第二步，针对气象条件α，从历史负荷样本集中随机选择n个样本作为初始聚类中心；
第三步，利用式(2)计算每个样本到n个聚类中心的距离，将每个样本与距离最短的聚类中心归为一类；
第四步，重新计算聚类中心，将同一类中距离其余样本最小的样本确定为当前类的中心；
第五步，重复步骤第三步与第四步直到聚类中心不再变化；
第六步，对其余气象条件，利用步骤第二步至第五步分别进行聚类，直至所有气象条件完成聚类；
步骤三，预测未来水平年用户最大用电负荷，对每一气象条件α，计算每个样本数据对应的日负荷率
Figure BDA0002843829760000051
式中，
Figure BDA0002843829760000052
表示
Figure BDA0002843829760000053
的最大值。
对于每一聚类，求取该聚类中用户的平均日负荷率
Figure BDA0002843829760000054
式中，
Figure BDA0002843829760000055
表示气象条件α下第m个聚类的样本集，
Figure BDA0002843829760000056
表示气象条件α下第m个聚类中的样本数目。
在此基础上，各聚类对应的未来年份最大用电负荷预测为
Figure BDA0002843829760000057
式中，
Figure BDA0002843829760000058
表示水平年t气象条件α下第m个聚类的最大用电负荷；
Figure BDA0002843829760000059
表示历史年份t0第m个聚类对应的总用电量；
Figure BDA00028438297600000510
表示第m个聚类最大负荷年均增长率；
步骤四，考虑需求价格弹性估算各类用户需求侧响应量，对价格型需求侧响应项目，当高峰时段电价提高时，用户通过改变用电消费习惯，减少或者推移高峰时段的用电负荷，考虑需求价格弹性的影响，气象条件α下聚类用户需求侧响应量表示为
Figure BDA00028438297600000511
Figure BDA00028438297600000512
式中，
Figure BDA00028438297600000513
为气象条件α下第m个聚类对应的需求价格弹性系数，
Figure BDA00028438297600000514
表示水平年t第m个聚类的电价变动率，
Figure BDA00028438297600000515
为历史年份t0第m个聚类中用户l实施需求侧响应后的高峰负荷变动率，
Figure BDA00028438297600000516
为历史年份t0第m个聚类中用户l实施需求侧响应时的电价变动率；
步骤五，计算区域需求侧响应潜力，通过汇总各气象条件下每个聚类的需求侧响应潜力，可得整个区域的需求侧响应潜力为
Figure BDA0002843829760000061
式中，Ω为未来水平年气象条件集合，πt,α表示水平年t气象条件α出现的概率。
针对现有技术的不足，本发明充分考虑不同气象条件对区域电力需求侧响应潜力的影响，基于k-mediods算法对不同气象条件下历史负荷数据聚类分析，在此基础上，计及需求价格弹性对各类用户的需求侧响应量进行评估，从而建立区域电力需求侧响应潜力评估方法，能够实现不同气象条件用户负荷特性分析，对各类用户需求侧响应潜力进行精细量化。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (1)

1.一种区域电力需求侧响应潜力评估方法，其特征在于，包括如下步骤：
步骤一，获取用户历史负荷曲线，针对酷夏、常夏、凉夏不同气象条件，分别获取每个气象条件下各用户在夏季最大负荷日的96点历史负荷数据，对所述用户历史负荷数据进行预处理；
Figure FDA0003894130760000011
式中，
Figure FDA0003894130760000012
表示气象条件α下用户i时刻j(j＝1,2,…,96)的负荷大小；
Figure FDA0003894130760000013
表示在气象条件α下用户i的负荷最小值；
步骤二，对用户负荷曲线进行聚类，利用k-mediods算法对预处理后的历史负荷数据进行聚类分析，第一步，将用户分为n类，根据切比雪夫距离和欧氏距离，定义样本数据间的距离为
Figure FDA0003894130760000014
其中，
Figure FDA0003894130760000015
表示气象条件α下用户i时刻h(h＝1,2,…,96)的负荷大小,
Figure FDA0003894130760000016
表示气象条件α下用户k时刻h(h＝1,2,…,96)的负荷大小,
Figure FDA0003894130760000017
表示气象条件α下用户i时刻l(l＝1,2,…,96)的负荷大小,
Figure FDA0003894130760000018
表示气象条件α下用户k时刻l(l＝1,2,…,96)的负荷大小；
在式(2)的基础上，采用k-mediods算法进行聚类：
第二步，针对气象条件α，从历史负荷样本集中随机选择n个样本作为初始聚类中心；
第三步，利用式(2)计算每个样本到n个聚类中心的距离，将每个样本与距离最短的聚类中心归为一类；
第四步，重新计算聚类中心，将同一类中距离其余样本最小的样本确定为当前类的中心；
第五步，重复步骤第三步与第四步直到聚类中心不再变化；
第六步，对其余气象条件，利用步骤第二步至第五步分别进行聚类，直至所有气象条件完成聚类；
步骤三，预测未来水平年用户最大用电负荷，对每一气象条件α，计算每个样本数据对应的日负荷率
Figure FDA0003894130760000019
式中，
Figure FDA00038941307600000110
表示
Figure FDA00038941307600000111
的最大值；
对于每一聚类，求取该聚类中用户的平均日负荷率
Figure FDA0003894130760000021
式中，
Figure FDA0003894130760000022
表示气象条件α下第m个聚类的样本集，
Figure FDA0003894130760000023
表示气象条件α下第m个聚类中的样本数目；
在此基础上，各聚类对应的未来年份最大用电负荷预测为
Figure FDA0003894130760000024
式中，
Figure FDA0003894130760000025
表示水平年t气象条件α下第m个聚类的最大用电负荷；
Figure FDA0003894130760000026
表示历史年份t0第m个聚类对应的总用电量；
Figure FDA0003894130760000027
表示第m个聚类最大负荷年均增长率；
步骤四，考虑需求价格弹性估算各类用户需求侧响应量，对价格型需求侧响应项目，当高峰时段电价提高时，用户通过改变用电消费习惯，减少或者推移高峰时段的用电负荷，考虑需求价格弹性的影响，气象条件α下聚类用户需求侧响应量表示为
Figure FDA0003894130760000028
Figure FDA0003894130760000029
式中，
Figure FDA00038941307600000210
为气象条件α下第m个聚类对应的需求价格弹性系数，
Figure FDA00038941307600000211
表示水平年t第m个聚类的电价变动率，
Figure FDA00038941307600000212
为历史年份t0第m个聚类中用户l实施需求侧响应后的高峰负荷变动率，
Figure FDA00038941307600000213
为历史年份t0第m个聚类中用户l实施需求侧响应时的电价变动率；
步骤五，计算区域需求侧响应潜力，通过汇总各气象条件下每个聚类的需求侧响应潜力，可得整个区域的需求侧响应潜力为
Figure FDA00038941307600000214
式中，Ω为未来水平年气象条件集合，πt,α表示水平年t气象条件α出现的概率。
CN202011502332.1A 2020-12-17 2020-12-17 一种区域电力需求侧响应潜力评估方法 Active CN112465403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011502332.1A CN112465403B (zh) 2020-12-17 2020-12-17 一种区域电力需求侧响应潜力评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011502332.1A CN112465403B (zh) 2020-12-17 2020-12-17 一种区域电力需求侧响应潜力评估方法

Publications (2)

Publication Number Publication Date
CN112465403A CN112465403A (zh) 2021-03-09
CN112465403B true CN112465403B (zh) 2023-02-03

Family

ID=74803889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011502332.1A Active CN112465403B (zh) 2020-12-17 2020-12-17 一种区域电力需求侧响应潜力评估方法

Country Status (1)

Country Link
CN (1) CN112465403B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113489065B (zh) * 2021-07-06 2023-08-15 国网浙江省电力有限公司双创中心 一种聚合需求响应潜力值的获取方法、装置及电子设备
CN114662761A (zh) * 2022-03-24 2022-06-24 国网江苏省电力有限公司南通供电分公司 一种基于负荷预测的可参与需求响应负荷辨识方法及系统
CN117421492B (zh) * 2023-12-19 2024-04-05 四川久远银海软件股份有限公司 一种数据要素商品的筛选系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944630A (zh) * 2017-12-01 2018-04-20 华北电力大学 一种季节性分时电价优化制定方法
CN109146252A (zh) * 2018-07-25 2019-01-04 国家电网有限公司 基于调节潜力指标的用户用电行为聚类分析方法和系统
CN109886469A (zh) * 2019-01-23 2019-06-14 华北电力大学 一种区域综合能源系统需求侧管理方法
CN109934395A (zh) * 2019-03-04 2019-06-25 三峡大学 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法
CN110580585A (zh) * 2019-09-11 2019-12-17 东南大学 一种基于负荷分解的电力用户聚类用电行为特性分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106410781B (zh) * 2015-07-29 2018-11-13 中国电力科学研究院 一种电力用户需求响应潜力确定方法
AU2020101218A4 (en) * 2020-07-01 2020-08-06 North China Electric Power University Method for multi-dimensional identification of flexible load demand response effect

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944630A (zh) * 2017-12-01 2018-04-20 华北电力大学 一种季节性分时电价优化制定方法
CN109146252A (zh) * 2018-07-25 2019-01-04 国家电网有限公司 基于调节潜力指标的用户用电行为聚类分析方法和系统
CN109886469A (zh) * 2019-01-23 2019-06-14 华北电力大学 一种区域综合能源系统需求侧管理方法
CN109934395A (zh) * 2019-03-04 2019-06-25 三峡大学 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法
CN110580585A (zh) * 2019-09-11 2019-12-17 东南大学 一种基于负荷分解的电力用户聚类用电行为特性分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
电力负荷季节特性分析及需求响应动态电价策略研究;刘红;《中国硕士学位论文全文数据库工程科技Ⅱ辑》;20190415;第1-45页 *
考虑气象因素的短期负荷预测模型研究;朱祥和;《数学的实践与认识》;20180208(第03期);第131-143页 *

Also Published As

Publication number Publication date
CN112465403A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112465403B (zh) 一种区域电力需求侧响应潜力评估方法
Mu et al. Short-term load forecasting using improved similar days method
CN107194495B (zh) 一种基于历史数据挖掘的光伏功率纵向预测方法
CN102426674B (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN110781332A (zh) 基于复合聚类算法的电力居民用户日负荷曲线聚类方法
CN102999791A (zh) 一种电力行业中基于客户分群的电力负荷预测方法
CN107133652A (zh) 基于K‑means聚类算法的用电客户价值评估方法及系统
CN106066423A (zh) 一种基于损耗分配嫌疑分析的反窃电分析方法
CN111191966B (zh) 一种基于时空特性的配电网电压不合格时段识别方法
CN104239968A (zh) 一种快速模糊粗糙集短期负荷预测方法
CN107403015B (zh) 一种基于时间序列相似性的短期光功率预测方法
Gajowniczek et al. Electricity peak demand classification with artificial neural networks
CN108062720A (zh) 一种基于相似日选取及随机森林算法的负荷预测方法
Tang et al. Residential battery sizing model using net meter energy data clustering
CN111144447B (zh) 一种新能源出力引起的反调峰风险的电网峰谷时段划分方法
CN107248031A (zh) 一种针对负荷曲线峰谷差的快速电力用户分类方法
Li et al. Time series prediction of wireless network traffic flow based on wavelet analysis and BP neural network
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
Vasudevarao et al. Methodology for creating composite standard load profiles based on real load profile analysis
Obermüller Build wind capacities at windy locations? Assessment of system optimal wind locations
CN114186733A (zh) 一种短期负荷预测方法和装置
CN117094754A (zh) 一种结合宏观微观的中长期电量预测方法
Colley et al. Queensland load profiling by using clustering techniques
Xie et al. Electricity price forecasting by clustering-LSSVM
Mehar et al. Analytical model for residential predicting energy consumption

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