CN112926801B - 一种基于分位数回归的负荷曲线组合预测方法及装置 - Google Patents

一种基于分位数回归的负荷曲线组合预测方法及装置 Download PDF

Info

Publication number
CN112926801B
CN112926801B CN202110348784.7A CN202110348784A CN112926801B CN 112926801 B CN112926801 B CN 112926801B CN 202110348784 A CN202110348784 A CN 202110348784A CN 112926801 B CN112926801 B CN 112926801B
Authority
CN
China
Prior art keywords
prediction
quantile
optimal
load curve
methods
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
CN202110348784.7A
Other languages
English (en)
Other versions
CN112926801A (zh
Inventor
王凌谊
王志敏
刘民伟
刘娟
张秀钊
赵爽
陈宇
顾洁
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.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan Power Grid 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 Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN202110348784.7A priority Critical patent/CN112926801B/zh
Publication of CN112926801A publication Critical patent/CN112926801A/zh
Application granted granted Critical
Publication of CN112926801B publication Critical patent/CN112926801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Abstract

本申请提供一种基于分位数回归的负荷曲线组合预测方法和装置，其中负荷曲线组合预测方法包括获取多种预测方法在目标地区的目标时间段内的负荷曲线上的预测值；计算多种预测方法的权重系数；计算目标地区的目标时间段内的最佳分位数；根据多种预测方法的预测值、最佳分位数以及权重系数构建组合预测模型；根据组合预测模型对目标地区的目标时间段内的负荷曲线进行预测。采用上述方案，充分利用不同预测方法模拟电力负荷行为，赋予不同预测方法不同权重形成组合预测模型，组合预测模型综合各个预测方法的优点，提高组合预测模型预测的精度、稳定性以及适用性。

Description

一种基于分位数回归的负荷曲线组合预测方法及装置
技术领域
本申请涉及电力系统规划领域，尤其涉及一种基于分位数回归的负荷曲线组合预测方法及装置。
背景技术
负荷曲线是描述电力负荷随时间变动情况的一种曲线，是一种描述负荷变化趋势的数学手段，用于反映用户用电的特点和规律，从而确定电力系统的运行方式，便于安排供电与设备检修计划。
负荷特曲线预测的方法通常有搜库法、双向夹逼法、分形分段插值法、神经网络法等。每个方法是从单一角度对电力负荷行为进行模拟。然而，从单一角度模拟的预测方法预测的结果具有不准确性和偶然性，已不能充分呈现出电力系统负荷的变化规律和信息。
发明内容
本申请提供一种基于分位数回归的负荷曲线组合预测方法及装置，已解决现有技术中从单一角度模拟的预测方法预测的结果具有不准确性和偶然性，已不能充分呈现出电力系统负荷的变化规律和信息的问题。
本申请的第一方面，提供一种基于分位数回归的负荷曲线组合预测方法，包括：
获取多种预测方法在目标地区的目标时间段内的负荷曲线上的预测值；
计算多种预测方法的权重系数；
计算目标地区的目标时间段内的最佳分位数；
根据多种预测方法的预测值、最佳分位数以及权重系数构建组合预测模型；
根据组合预测模型对目标地区的目标时间段内的负荷曲线进行预测。
可选的，所述计算多种预测方法的权重系数包括：
根据以下公式计算多种预测方法的权重系数：
Figure GDA0003663349780000011
其中，S为各预测方法权重的优化目标；ρτ为τ分位数下的损失函数；t为第t时刻；T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值。
可选的，所述计算目标地区的目标时间段内的最佳分位数包括：
根据以下公式计算目标地区的目标时间段内的最佳分位数：
Figure GDA0003663349780000012
其中，τoptimal为最佳分位数；T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值。
可选的，所述根据多种预测方法的预测值、分位数以及权重系数构建组合预测模型包括：
根据以下公式构建组合预测模型：
Figure GDA0003663349780000021
其中，
Figure GDA0003663349780000022
为组合预测模型的预测值；
Figure GDA0003663349780000023
为第i种预测方法在τoptimal分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值，i为预测方法种类编号，m为获取预测方法的总数，τoptimal为最佳分位数。
本申请的第二方面，提供一种基于分位数回归的负荷曲线组合预测装置，包括：
获取模块，用于获取多种预测方法在目标地区的目标时间段内的负荷曲线上的预测值；
第一计算模块，计算多种预测方法的权重系数；
第二计算模块，用于计算目标地区的目标时间段内的最佳分位数；
构建模块，用于根据多种预测方法的预测值、最佳分位数以及权重系数构建组合预测模型；
预测模块，用于根据组合预测模型对目标地区的目标时间段内的负荷曲线进行预测。
可选的，所述第一计算模块包括：
第一计算单元，用于根据以下公式计算多种预测方法的权重系数：
Figure GDA0003663349780000024
其中，S为各预测方法权重的优化目标；ρτ为τ分位数下的损失函数；t为第t时刻；T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值。
可选的，所述第二计算模块包括：
第二计算单元，用于根据以下公式计算目标地区的目标时间段内的最佳分位数：
Figure GDA0003663349780000025
其中，τoptimal为最佳分位数；T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值。
可选的，所述构建模块包括：
构建单元，用于根据以下公式构建组合预测模型：
Figure GDA0003663349780000031
其中，
Figure GDA0003663349780000032
为组合预测模型的预测值；
Figure GDA0003663349780000033
为第i种预测方法在τoptimal分位数下的权重系数,fi(t)为第i种预测方法在第t时刻的预测值，i为预测方法种类编号，m为获取预测方法的总数，τoptimal为最佳分位数。
本申请提供一种基于分位数回归的负荷曲线组合预测方法和装置，其中负荷曲线组合预测方法为获取多种预测方法在目标地区的目标时间段内的负荷曲线上的预测值；计算多种预测方法的权重系数；计算目标地区的目标时间段内的最佳分位数；根据多种预测方法的预测值、最佳分位数以及权重系数构建组合预测模型；根据组合预测模型对目标地区的目标时间段内的负荷曲线进行预测。采用上述方案，充分利用不同预测方法模拟电力负荷行为，赋予不同预测方法不同权重形成组合预测模型，组合预测模型综合各个预测方法的优点，提高组合预测模型预测的精度、稳定性以及适用性。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于分位数回归的负荷曲线组合预测方法的流程示意图；
图2为本申请实施例提供的一种基于分位数回归的负荷曲线组合预测装置的结构示意图；
图3为本申请实施例提供的目标地区夏季典型日负荷曲线预测图。
具体实施方式
本申请提供一种基于分位数回归的负荷曲线组合预测方法，参见图1，其示例性示出了本申请实施例提供的一种视频监控数据的存储方法所对应的流程示意图。具体包括如下步骤：
步骤S101，获取多种预测方法在目标地区的目标时间段内的负荷曲线上的预测值。
本步骤中的预测方法可以为γ，β搜库法、双向夹逼法、分形分段插值法。
步骤S102，计算多种预测方法的权重系数。
本步骤中，根据以下公式计算多种预测方法的权重系数：
Figure GDA0003663349780000034
其中，S为各预测方法权重的优化目标；ρτ为τ分位数下的损失函数，当
Figure GDA0003663349780000035
ρτ＝τ，当
Figure GDA0003663349780000036
ρτ＝τ-1；t为第t时刻；T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值。
Figure GDA0003663349780000037
在残差e(t)不服从正态分布时，有可能会产生fi(t)＜y(t)，即预测结果一致偏小，从而导致
Figure GDA0003663349780000041
产生误差。
wiτ可以为正值也可以为负值。组合预测模型中各种预测方法的侧重点不同，因而对于最后的预测结果所起的作用不同，因此权重有正有负更符合实际情况。
步骤S103，计算目标地区的目标时间段内的最佳分位数。
本步骤中，根据以下公式计算目标地区的目标时间段内的最佳分位数：
Figure GDA0003663349780000042
其中，τoptimal为最佳分位数；T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值。
步骤S104，根据多种预测方法的预测值、最佳分位数以及权重系数构建组合预测模型。
本步骤中，根据以下公式构建组合预测模型：
Figure GDA0003663349780000043
其中，
Figure GDA0003663349780000044
为组合预测模型的预测值，
Figure GDA0003663349780000045
为第i种预测方法在τoptimal分位数下的权重系数,fi(t)为第i种预测方法在第t时刻的预测值，i为预测方法种类编号，m为获取预测方法的总数，τoptimal为最佳分位数。
步骤S105，根据组合预测模型对目标地区的目标时间段内的负荷曲线进行预测。
以为1代表γ，β搜库法、2代表双向夹逼法、3代表分形分段插值法为例，将上述三种负荷曲线预测方法对我国南方某地区2011年夏季典型日负荷曲线(标幺制)进行预测，利用R软件中的quantreg软件包对得到的三组预测值进行分位数回归，得到不同预测方法在不同分位数下的权重系数，根据2011年夏季典型日负荷曲线实际值确定我国南方某地区所处的分位数，对所得模型进行外推，预测2012年夏季典型日负荷曲线。对不同分位点下得到的不同预测方法的权重系数如表1-1所示：
表1-1不同分位点下三种预测方法的权重系数及检验结果
Figure GDA0003663349780000046
Figure GDA0003663349780000051
根据不同分位点的权重系数组合，计算不同分位数下预测出的标幺制曲线与实际标幺制曲线的24点，最大误差MaxE，最小误差MinE及绝对平均误差MAE，MAE计算公式如下：
Figure GDA0003663349780000052
γ，β搜库法、双向夹逼法、分形分段插值法及不同分位数下组合预测法得到的标幺制曲线误差表如表1-2所示：
表1-2不同预测方法下得到的标幺制负荷曲线误差表
Figure GDA0003663349780000053
由上表可知，采用组合预测法得到的标幺制曲线形状更接近于实际负荷曲线。采用0.8分位数下的权重系数预测2012年夏季典型日标幺制负荷曲线，得到预测的夏季典型日负荷曲线如图3所示。
根据所得到的2012年夏季典型日负荷曲线可以对夏季典型日负荷特性指标进行预测，得日负荷率为0.8820，日峰谷差率为0.2522。而2012年夏季典型日实际日负荷率为0.8821，日峰谷差率为0.2664，可知典型日负荷率指标预测值较为准确。
对预测得到的2012年该地区夏季典型日标幺制负荷曲线进行逐点分析，逐点误差情况如表1-3所示：
表1-32012年夏季典型日标幺制负荷曲线预测误差情况表(0.8分位数下)
Figure GDA0003663349780000061
由上表可知，组合预测法所得典型日负荷曲线全天平均绝对误差为1.252％，高于所采用的各个方法预测精度，而搜库法的全天平均绝对误差3.55％，双向夹逼法的全天平均绝对误差为1.66％，分形分段插值法所得误差为1.48％。分析组合预测法所得到的负荷数据，可知最大误差出现在21时，误差产生原因是由于双向夹逼法、分形分段插值法预测得到的标幺制曲线在这两点数值均偏大，由于各方法权重数均为正，无法抵消偏差，因而导致该点预测值不准确。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
参见图2，示例性示出了本申请实施例提供的一种基于分位数回归的负荷曲线组合预测装置的结构示意图。该装置具有实现上述基于分位数回归的负荷曲线组合预测方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以包括：
获取模块10，用于获取多种预测方法在目标地区的目标时间段内的负荷曲线上的预测值。
第一计算模块20，计算多种预测方法的权重系数。
第二计算模块30，用于计算目标地区的目标时间段内的最佳分位数。
构建模块40，用于根据多种预测方法的预测值、最佳分位数以及权重系数构建组合预测模型。
预测模块50，用于根据组合预测模型对目标地区的目标时间段内的负荷曲线进行预测。
可选的，所述第一计算模块包括：
第一计算单元，用于根据以下公式计算多种预测方法的权重系数：
Figure GDA0003663349780000062
其中，S为各预测方法权重的优化目标；ρτ为τ分位数下的损失函数；t为第t时刻；T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值。
可选的，所述第二计算模块包括：
第二计算单元，用于根据以下公式计算目标地区的目标时间段内的最佳分位数：
Figure GDA0003663349780000071
其中，τoptimal为最佳分位数，T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值。
可选的，所述构建模块包括：
构建单元，用于根据以下公式构建组合预测模型：
Figure GDA0003663349780000072
其中，
Figure GDA0003663349780000073
为组合预测模型的预测值，
Figure GDA0003663349780000074
为第i种预测方法在τoptimal分位数下的权重系数,fi(t)为第i种预测方法在第t时刻的预测值，i为预测方法种类编号，m为获取预测方法的总数，τoptimal为最佳分位数。
本申请提供一种基于分位数回归的负荷曲线组合预测方法和装置，其中负荷曲线组合预测方法为获取多种预测方法在目标地区的目标时间段内的负荷曲线上的预测值；计算多种预测方法的权重系数；计算目标地区的目标时间段内的最佳分位数；根据多种预测方法的预测值、最佳分位数以及权重系数构建组合预测模型；根据组合预测模型对目标地区的目标时间段内的负荷曲线进行预测。采用上述方案，充分利用不同预测方法模拟电力负荷行为，赋予不同预测方法不同权重形成组合预测模型，组合预测模型综合各个预测方法的优点，提高组合预测模型预测的精度、稳定性以及适用性。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。

Claims (2)

1.一种基于分位数回归的负荷曲线组合预测方法，其特征在于，包括：
获取多种预测方法在目标地区的目标时间段内的负荷曲线上的预测值；
计算多种预测方法的权重系数；
计算目标地区的目标时间段内的最佳分位数；
根据多种预测方法的预测值、最佳分位数以及权重系数构建组合预测模型；
根据组合预测模型对目标地区的目标时间段内的负荷曲线进行预测；
所述计算多种预测方法的权重系数包括：
根据以下公式计算多种预测方法的权重系数：
Figure FDA0003663349770000011
其中，S为各预测方法权重的优化目标；ρτ为τ分位数下的损失函数；t为第t时刻；T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值；
所述计算目标地区的目标时间段内的最佳分位数包括：
根据以下公式计算目标地区的目标时间段内的最佳分位数：
Figure FDA0003663349770000012
其中，τoptimal为最佳分位数；T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值；
所述根据多种预测方法的预测值、分位数以及权重系数构建组合预测模型包括：
根据以下公式构建组合预测模型：
Figure FDA0003663349770000013
其中，
Figure FDA0003663349770000014
为组合预测模型的预测值；
Figure FDA0003663349770000015
为第i种预测方法在τoptimal分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值，i为预测方法种类编号，m为获取预测方法的总数，τoptimal为最佳分位数。
2.一种基于分位数回归的负荷曲线组合预测装置，其特征在于，包括：
获取模块，用于获取多种预测方法在目标地区的目标时间段内的负荷曲线上的预测值；
第一计算模块，计算多种预测方法的权重系数；
第二计算模块，用于计算目标地区的目标时间段内的最佳分位数；
构建模块，用于根据多种预测方法的预测值、最佳分位数以及权重系数构建组合预测模型；
预测模块，用于根据组合预测模型对目标地区的目标时间段内的负荷曲线进行预测；
所述第一计算模块包括：
第一计算单元，用于根据以下公式计算多种预测方法的权重系数：
Figure FDA0003663349770000021
其中，S为各预测方法权重的优化目标；ρτ为τ分位数下的损失函数；t为第t时刻；T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值
所述第二计算模块包括：
第二计算单元，用于根据以下公式计算目标地区的目标时间段内的最佳分位数：
Figure FDA0003663349770000022
其中，τoptimal为最佳分位数；T为历史负荷曲线值的总时刻数；y(t)为第t时刻的负荷实际值；m为获取预测方法的总数；wiτ为第i种预测方法在τ分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值
所述构建模块包括：
构建单元，用于根据以下公式构建组合预测模型：
Figure FDA0003663349770000023
其中，
Figure FDA0003663349770000024
为组合预测模型的预测值；
Figure FDA0003663349770000025
为第i种预测方法在τoptimal分位数下的权重系数；fi(t)为第i种预测方法在第t时刻的预测值，i为预测方法种类编号，m为获取预测方法的总数，τoptimal为最佳分位数。
CN202110348784.7A 2021-03-31 2021-03-31 一种基于分位数回归的负荷曲线组合预测方法及装置 Active CN112926801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110348784.7A CN112926801B (zh) 2021-03-31 2021-03-31 一种基于分位数回归的负荷曲线组合预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110348784.7A CN112926801B (zh) 2021-03-31 2021-03-31 一种基于分位数回归的负荷曲线组合预测方法及装置

Publications (2)

Publication Number Publication Date
CN112926801A CN112926801A (zh) 2021-06-08
CN112926801B true CN112926801B (zh) 2022-11-01

Family

ID=76176786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110348784.7A Active CN112926801B (zh) 2021-03-31 2021-03-31 一种基于分位数回归的负荷曲线组合预测方法及装置

Country Status (1)

Country Link
CN (1) CN112926801B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705929A (zh) * 2021-09-15 2021-11-26 中国南方电网有限责任公司 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1080062A (ja) * 1996-09-05 1998-03-24 Fuji Electric Co Ltd 日負荷曲線予測方法
CN104217258A (zh) * 2014-09-15 2014-12-17 国家电网公司 一种电力负荷条件密度预测方法
CN106991494A (zh) * 2017-03-21 2017-07-28 国网天津市电力公司 一种考虑预测误差经济代价的回归式负荷预测方法
CN107704953A (zh) * 2017-09-20 2018-02-16 河海大学 Ewt分位数回归森林的短期风电功率概率密度预测方法
CN111612276A (zh) * 2020-05-29 2020-09-01 云南电网有限责任公司 电力负荷特性指标预测方法及装置
CN111860977A (zh) * 2020-06-30 2020-10-30 清华大学 短期负荷的概率预测方法和概率预测装置
CN112308337A (zh) * 2020-11-19 2021-02-02 国网北京市电力公司 电力系统概率性短期负荷的预测方法、预测装置与处理器

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1080062A (ja) * 1996-09-05 1998-03-24 Fuji Electric Co Ltd 日負荷曲線予測方法
CN104217258A (zh) * 2014-09-15 2014-12-17 国家电网公司 一种电力负荷条件密度预测方法
CN106991494A (zh) * 2017-03-21 2017-07-28 国网天津市电力公司 一种考虑预测误差经济代价的回归式负荷预测方法
CN107704953A (zh) * 2017-09-20 2018-02-16 河海大学 Ewt分位数回归森林的短期风电功率概率密度预测方法
CN111612276A (zh) * 2020-05-29 2020-09-01 云南电网有限责任公司 电力负荷特性指标预测方法及装置
CN111860977A (zh) * 2020-06-30 2020-10-30 清华大学 短期负荷的概率预测方法和概率预测装置
CN112308337A (zh) * 2020-11-19 2021-02-02 国网北京市电力公司 电力系统概率性短期负荷的预测方法、预测装置与处理器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Probabilistic Load Forecasting via Quantile Regression Averaging on Sister Forecasts;Bidong Liu 等;《IEEE Transactions on Smart Grid》;20150626;第8卷(第2期);第730-737页 *
基于分位数回归的电力负荷特性预测面板数据模型;秦玥 等;《电力需求侧管理》;20140812;第16卷(第3期);第7-11页 *
多种负荷预测曲线的优化综合方法;陈静 等;《江苏电机工程》;20060323;第25卷(第1期);第38-41页 *

Also Published As

Publication number Publication date
CN112926801A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
AU2001255994B2 (en) Method of business analysis
AU2001255994A1 (en) Method of Business Analysis
CN103778474A (zh) 资源负载量预测方法、分析预测系统及业务运营监控系统
CN106875037A (zh) 风力预测方法及装置
CN113486420B (zh) 水库大坝岸坡稳定性监测方法、装置、设备及介质
CN110020173B (zh) 用于优化搜索排序的方法、装置及电子设备
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
CN112712203A (zh) 一种配电网日最高负荷预测方法和系统
CN112926801B (zh) 一种基于分位数回归的负荷曲线组合预测方法及装置
CN111062620A (zh) 基于混合计费数据的电力计费公平性智能分析系统及方法
CN110807508B (zh) 计及复杂气象影响的母线峰值负荷预测方法
CN114154716A (zh) 一种基于图神经网络的企业能耗预测方法及装置
CN111160614B (zh) 资源转移预测模型的训练方法、装置及计算设备
CN116760006A (zh) 一种风电功率预测方法、装置、设备及存储介质
CN114336792B (zh) 一种电网运行状态预测方法与系统
CN110543108A (zh) 基于机理模型预测的供热系统测量数据的校正方法及系统
CN114036723A (zh) 综合能源系统运行状态预测方法、装置、设备及存储介质
CN114155072A (zh) 基于大数据分析的财务预测模型构建方法及系统
CN113705929A (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN112949951A (zh) 数据预测方法、装置、电子设备及存储介质
CN111368257A (zh) 煤改电负荷特性的分析预测方法及装置
CN112508260A (zh) 基于对比学习的配电变压器中长期负荷预测方法及装置
CN113139698A (zh) 负荷预测方法、装置及设备
CN111915129A (zh) 一种计量器具智能仓库绩效评价方法
CN115147008B (zh) 基于数据湖技术电厂机组存储资源实时评估方法及系统

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