CN112862142A - 一种负荷、价格预测及修正方法 - Google Patents
一种负荷、价格预测及修正方法 Download PDFInfo
- Publication number
- CN112862142A CN112862142A CN201911186540.2A CN201911186540A CN112862142A CN 112862142 A CN112862142 A CN 112862142A CN 201911186540 A CN201911186540 A CN 201911186540A CN 112862142 A CN112862142 A CN 112862142A
- Authority
- CN
- China
- Prior art keywords
- prediction
- load
- price
- day
- average
- 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 47
- 238000012937 correction Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000002715 modification method Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种负荷、价格预测及修正方法，包括：步骤一：构建历史数据集；步骤二：构建第二训练集；步骤三：构建预测模型进行预测，并对预测结果进行修正。构建第二训练集需要先后经过根据待预测日的日类型进行的第一层筛选、根据待预测日的平均温度进行第二层筛选。所建预测模型进行预测的步骤包括点预测和区间预测两种情形，均需要先选择使得预测方法结果误差最小的K天数据集，然后再根据预测算法进行预测，并对预测结果进行修正。本发明提供的预测及修正方法中考虑时间影响的历史数据选取的参数K，使得预测更为准确，且同时适用于电价和负荷的预测，并且既可以进行点预测又可以进行区间预测，并对预测结果进行修正，使用更为准确和灵活。
Description
技术领域
本发明属于能源领域中负荷与价格预测技术领域，具体涉及一种负荷、价格预测及修正方法。
背景技术
负荷和价格的预测一直是能源领域的关键问题，对后期的运行优化、能源结构的调整乃至国民经济的调整都有很重要的作用。一般情况下预测未来24个小时的负荷或价格较为常见，以往基于价格、负荷的研究工作很多，但是大多致力于单一的价格预测和负荷预测，比如：负荷预测，如《一种基于核主成分分析和随机森林的短期负荷预测方法》、《一种基于大数据技术的电力负荷预测模型》；价格预测，如《基于BP神经网络与马尔可夫链的短期电价预测》、《一种动态尖峰电价机制的设计方法》。以上都属于单一的预测模型，其缺乏统一性和通用性，事实上，负荷和价格两者都受到日类型和温度的影响，在不同的市场环境下又受到其它许多很难进行检测和量化的非确定性因素的影响，比如从其它机组获得出力的不确定性、信息阻塞的影响、电网约束的影响等等，这些非确定性因素很难纳入预测模型中，导致准确的点预测比想象中要复杂的多，因此，有时候区间预测也成为一个可以落地执行的方向，区间预测给出的是未来变化波动的范围。
发明内容
针对现有技术中存在的问题，本发明提出了一种既可以适用于负荷预测又可以适用于价格预测的预测方法，同时既可以进行点预测又可以进行区间预测。
本发明提供一种负荷、价格预测及修正方法，包括以下几个流程步骤：
步骤一：构建历史数据集；
步骤二：构建第二训练集；
步骤三：构建预测模型进行预测，并对预测结果进行修正。
优选的实施方式为，所述历史数据集包括历史价格、负荷、温度数据。
优选的实施方式为，所述历史数据集还包括湿度、燃料价格、生产规模。
优选的实施方式为，所述历史数据集的60-70％作为初始训练集。
优选的实施方式为，所述构建第二训练集需要经过两层筛选，分别是：
(1)根据待预测日的日类型进行的第一层筛选；
(2)根据待预测日的平均温度进行第二层筛选。
优选的实施方式为，进行两层筛选后，进行特征的构建，特征包括是否为节假日、前24小时的平均负荷/价格、系统总的负荷/价格情况、前天的平均价格/负荷、前天同一时刻的负荷/价格、其它影响因素前天的情况、其它影响因素上周的平均情况或者时刻之间的相关性。
优选的实施方式为，所述构建预测模型进行预测，具体包括点预测和区间预测两种情形，分别为：
(1)点预测的情形
在第二训练集中选择使得预测方法结果误差最小的K天数据集，然后使用点预测算法进行点预测；
(2)区间预测的情形
在第二训练集中选择使得预测算法结果误差最小的K天数据集，然后使用区间预测算法进行区间预测。
优选的实施方式为，所述点预测算法包括时间序列类、神经网络类、随机森林、线性回归或加权平均法；所述区间预测算法包括机器学习、深度学习、概率式预测法，混合构造区间法或支持向量分位数回归。
优选的实施方式为，对预测结果进行修正采用多次预测结果的平均值的方法：
优选的实施方式为，所述指定比例为5％，
本发明具有的优点在于：本发明提供的负荷、价格预测及修正方法中考虑时间影响的历史数据选取的参数K，使得预测更为准确，且同时适用于电价和负荷的预测，并且即可以进行点预测又可以进行区间预测，使用更为灵活，并能够对预测结果进行修正，使用更为准确和灵活。
附图说明
图1为本发明提供的负荷、价格预测及修正方法的流程示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本公开的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
在本公开的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"坚直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开的限制。此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本公开的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。
在本公开的描述中，需要说明的是，除非另有明确的规定和限定，术语"安装"、"相连"、"连接"应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接:可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本公开中的具体含义。
在本公开中，除非另有明确的规定和限定，第一特征在第二特征之"上"或之"下"可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征"之上"、"上方"和"上面"包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征"之下"、"下方"和"下面"包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本公开的不同结构。为了简化本公开的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本公开。此外，本公开可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本公开提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
以下结合附图对本公开的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本公开，并不用于限定本公开
本发明通过以下技术方案来实现：
如图1所示，本发明提供一种负荷、价格预测及修正方法，具体包括以下几个步骤：
步骤一：历史数据集的构建：
历史数据集可以只包含历史价格/负荷、温度，也可以包含其它影响因素，比如湿度、燃料价格、生产规模等等。一般情况下用历史数据集的60％-70％(优选67％，这个比例根据实际需要选择，不做具体约束)可以作为初始训练集(也可以称为第一训练集)。
步骤二：第二训练集的构建：
(1)首先根据待预测日的日类型进行的第一层筛选，比如，待预测日为周三，则只选择所有为周三的数据。
(2)然后根据待预测日的平均温度进行第二层筛选，比如，待预测日的平均温度为20℃，则在第一层筛选的基础上再选择平均温度在15℃到25℃之间的数据(此处温度波动幅度可以为上下5℃，依据人体对温度的明显感知一般为5℃)，作为第二训练集。
(3)特征的构建，比如是否为节假日、前24小时的平均负荷/价格、系统总的负荷/价格情况、前天的平均价格/负荷、前天同一时刻的负荷/价格、其它影响因素前天的情况、其它影响因素上周的平均情况、或者时刻之间的相关性等等，特征的构建对预测算法的精度有着至关重要的影响。
步骤三：预测模型的构建。
(1)点预测的情形
按照数据对结果“近大远小”的影响，即越靠近待预测日的数据对结果影响越大，但是究竟是最近的多少天能达到最好的算法精度，这里设定了一个参数K，选择使得预测方法结果误差最小的K天数据集，此时预测算法的选择多种多样，可以使用时间序列类、神经网络类、其它诸如随机森林、线性回归等机器学习算法都可以尝试，甚至也可以使用最朴素的算法，比如可以直接把K天数据集的加权平均作为预测值，最终得到点预测结果，如：某天某时刻的负荷预测值为2450千瓦时。K的选择与预测方法相互影响，需要选择使得预测方法的结果误差最小。
对点预测结果的修正：通常来讲，预测的随机性比较大，预测的误差时好时坏，而多次预测结果的平均值会趋于稳定，故采用多次预测结果的平均值对预测结果进行修正，从而达到提高预测精度的作用。设
为n次预测的平均值，其中P(i,j)为第i次预测的第j时刻的预测值，则用
取代超出平均预测值的正负5％(该误差水平数值根据实际水平设置，其中一般置信水平是95％，所以误差水平一般设置为5％，当然该水平可以适当调整，不以5％为限制，可以根据实际需要调整期具体数值)的值，即
(2)区间预测的情形
同样选择使得预测算法结果误差最小的K天数据集，此时预测算法的选择也是多种多样，点预测中的机器学习/深度学习算法都可以尝试，除此之外，概率式预测法，混合构造区间法，支持向量分位数回归，类似点预测的朴素算法，比如把K天数据集的区间统计作为预测区间等等都可以尝试，最终得到区间预测结果如：某天某时刻的负荷在90％置信水平下的预测区间为[2263，2637]。
本发明基于多种可选算法的负荷、价格预测及修正框架，其同时适合能源领域中负荷和价格的预测，即可以进行点预测又可以进行区间预测。
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
最后应说明的是：以上所述仅为本公开的优选实施例而已，并不用于限制本公开，尽管参照前述实施例对本公开进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种负荷、价格预测及修正方法，其特征在于，包括以下几个流程步骤：
步骤一：构建历史数据集；
步骤二：构建第二训练集；
步骤三：构建预测模型进行预测，并对预测结果进行修正。
2.根据权利要求1所述的负荷、价格预测及修正方法，其特征在于，所述历史数据集包括历史价格、负荷和温度数据。
3.根据权利要求2所述的负荷、价格预测及修正方法，其特征在于，所述历史数据集还包括湿度、燃料价格和生产规模。
4.根据权利要求2或3所述的负荷、价格预测及修正方法，其特征在于，所述历史数据集的60-70％作为初始训练集。
5.根据权利要求1所述的负荷、价格预测及修正方法，其特征在于，所述构建第二训练集需要经过两层筛选，分别是：
(1)根据待预测日的日类型进行的第一层筛选；
(2)根据待预测日的平均温度进行第二层筛选。
6.根据权利要求5所述的负荷、价格预测及修正方法，其特征在于，进行两层筛选后，进行特征的构建，特征包括是否为节假日、前24小时的平均负荷/价格、系统总的负荷/价格情况、前天的平均价格/负荷、前天同一时刻的负荷/价格、其它影响因素前天的情况、其它影响因素上周的平均情况或者时刻之间的相关性。
7.根据权利要求1所述的负荷、价格预测及修正方法，其特征在于，所述构建预测模型进行预测，具体包括点预测和区间预测两种情形，分别为：
(1)点预测的情形
在第二训练集中选择使得预测方法结果误差最小的K天数据集，然后使用点预测算法进行点预测；
(2)区间预测的情形
在第二训练集中选择使得预测算法结果误差最小的K天数据集，然后使用区间预测算法进行区间预测。
8.根据权利要求1所述的负荷、价格预测及修正方法，其特征在于，所述点预测算法包括时间序列类、神经网络类、随机森林、线性回归或加权平均法；所述区间预测算法包括机器学习、深度学习、概率式预测法，混合构造区间法或支持向量分位数回归。
9.根据权利要求1所述的负荷、价格预测及修正方法，其特征在于，对预测结果进行修正采用多次预测结果的平均值的方法：
10.根据权利要求9所述的负荷、价格预测及修正方法，其特征在于，所述指定比例为5％，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911186540.2A CN112862142A (zh) | 2019-11-28 | 2019-11-28 | 一种负荷、价格预测及修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911186540.2A CN112862142A (zh) | 2019-11-28 | 2019-11-28 | 一种负荷、价格预测及修正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112862142A true CN112862142A (zh) | 2021-05-28 |
Family
ID=75985186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911186540.2A Pending CN112862142A (zh) | 2019-11-28 | 2019-11-28 | 一种负荷、价格预测及修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862142A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837463A (zh) * | 2021-09-22 | 2021-12-24 | 哈尔滨工程大学 | 一种基于改进随机森林的核电站系统运行趋势预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
| US20150046221A1 (en) * | 2011-09-17 | 2015-02-12 | Autogrid Inc. | Load forecasting from individual customer to system level based on price |
| CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
| CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
| CN110071502A (zh) * | 2019-04-24 | 2019-07-30 | 广东工业大学 | 一种短期电力负荷预测的计算方法 |
-
2019
- 2019-11-28 CN CN201911186540.2A patent/CN112862142A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
| US20150046221A1 (en) * | 2011-09-17 | 2015-02-12 | Autogrid Inc. | Load forecasting from individual customer to system level based on price |
| CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
| CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
| CN110071502A (zh) * | 2019-04-24 | 2019-07-30 | 广东工业大学 | 一种短期电力负荷预测的计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李干琼: "《SV因子分析框架下的农产品市场短期预测》", 中国经济出版社, pages: 26 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837463A (zh) * | 2021-09-22 | 2021-12-24 | 哈尔滨工程大学 | 一种基于改进随机森林的核电站系统运行趋势预测方法 |
| CN113837463B (zh) * | 2021-09-22 | 2024-06-07 | 哈尔滨工程大学 | 一种基于改进随机森林的核电站系统运行趋势预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472779B (zh) | 一种基于时间卷积网络的电力系统短期负荷预测方法 | |
| Abuella et al. | Solar power forecasting using artificial neural networks | |
| Von Krannichfeldt et al. | Online ensemble learning for load forecasting | |
| CN111339712B (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
| CN104636822B (zh) | 一种基于elman神经网络的居民负荷预测方法 | |
| US7552100B2 (en) | Load prediction based on-line and off-line training of neural networks | |
| CN110009140B (zh) | 一种日电力负荷预测方法及预测装置 | |
| CN112163703B (zh) | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 | |
| CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
| JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
| US11586163B2 (en) | Predictive modelling and control for water resource infrastructure | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN112488192A (zh) | 一种区域电网短期负荷预测方法 | |
| CN112862142A (zh) | 一种负荷、价格预测及修正方法 | |
| US20220229926A1 (en) | Predictive update of profile database with update logic | |
| CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
| CN116307067A (zh) | 一种基于历史数据修正的法定节假日电量综合预测方法 | |
| CN116629428A (zh) | 一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法 | |
| CN114595873A (zh) | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 | |
| CN109523077A (zh) | 一种风电功率预测方法 | |
| CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
| CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| Capuno | Growth with redistribution, finally: Regional poverty and inequality in the Philippines, 2000–2018 | |
| CN112101612A (zh) | 一种城镇燃气用量的预测方法、存储介质及终端设备 | |
| CN112862143A (zh) | 一种负荷、价格预测方法 |
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 |