CN113052400A - 一种考虑电-热耦合特性的短期热负荷概率预测方法 - Google Patents

一种考虑电-热耦合特性的短期热负荷概率预测方法 Download PDF

Info

Publication number
CN113052400A
CN113052400A CN202110441488.1A CN202110441488A CN113052400A CN 113052400 A CN113052400 A CN 113052400A CN 202110441488 A CN202110441488 A CN 202110441488A CN 113052400 A CN113052400 A CN 113052400A
Authority
CN
China
Prior art keywords
data
load
thermal
heat
probability prediction
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
Application number
CN202110441488.1A
Other languages
English (en)
Inventor
李宝聚
王文婷
孙勇
刘畅
李卫星
傅吉悦
李振元
郭雷
李德鑫
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 JILINSHENG ELECTRIC POWER SUPPLY Co ELECTRIC POWER RESEARCH INSTITUTE
Harbin Institute of Technology
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd
State Grid Jilin Electric Power Corp
Original Assignee
STATE GRID JILINSHENG ELECTRIC POWER SUPPLY Co ELECTRIC POWER RESEARCH INSTITUTE
Harbin Institute of Technology
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd
State Grid Jilin Electric Power Corp
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 JILINSHENG ELECTRIC POWER SUPPLY Co ELECTRIC POWER RESEARCH INSTITUTE, Harbin Institute of Technology, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd, State Grid Jilin Electric Power Corp filed Critical STATE GRID JILINSHENG ELECTRIC POWER SUPPLY Co ELECTRIC POWER RESEARCH INSTITUTE
Priority to CN202110441488.1A priority Critical patent/CN113052400A/zh
Publication of CN113052400A publication Critical patent/CN113052400A/zh
Pending legal-status Critical Current

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—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)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明一种考虑电‑热耦合特性的短期热负荷概率预测方法，属于电力系统分析技术领域，包括对采集到的电负荷数据、热负荷数据以及气象信息等数据进行数据清洗；如果采集到的各类数据存在时间分辨率差异，则采用抽样的方法使各类数据的时间分辨率一致；采用皮尔森相关性系数刻画电‑热耦合特性，构建电‑热耦合特征集合；然后采用高斯过程回归建立短期热负荷概率预测模型；采用4种预测精度评估指标对热负荷概率预测结果进行评估。本发明能够准确预测在电‑热耦合特性不断加强场景下的热负荷概率区间，可为电网‑热网联合调度提供决策依据。

Description

一种考虑电-热耦合特性的短期热负荷概率预测方法
技术领域
本发明属于电力系统分析预测领域，尤其涉及一种考虑电-热耦合特性的短期热负荷概率预测方法。
背景技术
近年来，随着我国新能源装机容量的增长，自然资源较强的随机性和波动性加大了新能源消纳的难度。并且东北地区落实国家相关政策，“集中式供热+分散式电采暖供热”的方式替代了传统的燃煤锅炉供热方式，这使得供电与供热的联系耦合性与紧密性不断加强。为深入挖掘热力系统消纳新能源潜力，需要对热负荷进行概率预测。目前为止，虽然有关短期热负荷预测方法，主要集中于确定性热负荷预测，即仅能给出一组确定的热负荷预测结果，未关注热负荷可能存在的不确定性和波动性，忽略了供电和供热系统互联场景下热负荷特性受电-热耦合性的影响，工程应用具有较大的局限性。
总体上，随着供电和供暖系统的联系愈加紧密，短期热负荷概率预测研究逐渐成为热点。但是，由于各系统存在数据壁垒，很少有考虑电-热耦合特性的短期热负荷概率预测及其影响的研究与报道。
发明内容
本发明目的在于提供一种考虑电-热耦合特性的短期热负荷概率预测方法，以解决现有缺少考虑电-热耦合特性的短期热负荷概率预测的技术问题。
为实现上述目的，本发明的一种考虑电-热耦合特性的短期热负荷概率预测方法的具体技术方案如下：
一种考虑电-热耦合特性的短期热负荷概率预测方法，其特征在于，包括以下步骤，且以下步骤顺次进行：
步骤S1、对采集到的电负荷数据、热负荷数据以及气象信息等数据进行数据清洗；
步骤S2、根据步骤S1得到的电负荷数据、热负荷数据以及气象信息数据是否存在时间分辨率差异，如果有时间分辨率差异，则采用抽样的方法使各类数据的时间分辨率一致；
步骤S3、根据步骤S2得到的时间分辨率一致的电负荷、热负荷和气象数据，采用皮尔森相关性系数刻画电-热耦合特性，构建考虑电-热耦合性的热负荷概率预测特征集合；
步骤S4、采用高斯过程回归建立短期热负荷概率预测模型；
步骤S5、根据步骤S3构建的热负荷概率预测特征集合与步骤S4建立的概率预测模型，采用4种预测精度评估指标对热负荷概率预测结果进行评估，最终得到热负荷概率预测区间。
进一步，所述步骤S1中，对于电负荷数据中的缺失值与异常值，采用一星期前同一时刻的数据代替，对于热负荷与气象数据中的缺失值与异常值，采用线性插值法进行填充。
进一步，步骤S2中，采集到的电负荷数据与气象信息数据的时间分辨率为每隔15分钟采集一个数据点，一天共有96个数据点，而热负荷的时间分辨率为每隔1个小时采集一个数据点，一天共有24个数据点，以热负荷时间分辨率为基准，将电负荷数据与气象数据以1小时为时间间隔进行重采样，使得各类数据时间分辨率保持一致。
进一步，步骤S3中，电负荷和热负荷之间的皮尔森相关性系数表示为：
Figure BDA0003035228240000021
式中，γ代表电负荷与热负荷的皮尔森相关性；m代表数据的样本数，m＝1,2,3,…,M，其中，M代表数据的总样本数；p，h分别代表电负荷和热负荷。
热负荷和气象因子之间的皮尔森相关性系数表示为：
Figure BDA0003035228240000031
式中，λ代表气象因子与热负荷的皮尔森相关性；w代表气象因子。
7.进一步，步骤S4中，高斯过程函数为：
ftrain(Pheat)～G(mean(Pheat),C(Pheat,Pheat)) 公式3
式中，Pheat代表热负荷概率预测的训练样本输入矩阵；ftrain(·)代表函数空间，其值即为训练输出向量；G(·)代表高斯过程函数；mean(·)代表均值函数；C(·)代表协方差函数；
超参数的最大似然函数为：
Figure BDA0003035228240000032
式中，α代表模型的超参数；trace(·)代表矩阵的迹；y代表训练输出向量；y’代表y向量的转置；L(·)代表似然函数；
当显著性水平为θ时，概率预测结果的置信区间为：
Figure BDA0003035228240000033
式中，ftest代表测试输出向量；A1-θ(ftest)代表置信水平为1-θ时测试输出向量ftest的置信区间下限；B1-θ(ftest)代表置信水平为1-θ时测试输出向量ftest的置信区间上限；e(1-θ)/2代表显著性水平为θ时的分位数；cov(·)代表协方差函数。
进一步，步骤S5中，4种预测精度评估指标分别为：
预测区间对真实数据的覆盖率RPICP：
Figure BDA0003035228240000041
式中，d代表预测的样本数，d＝1,2,3,…,D，其中，D代表预测样本的总数；Od代表第d个预测值是否落在置信区间内，如果是值为1，否则为0；
预测区间归一化平均宽度RPINAW：
Figure BDA0003035228240000042
式中，Q代表置信区间的全距；Bd代表第d个样本的置信区间上限；Ad代表第d个样本的置信区间下限；
预测绝对平均误差RMAPE：
Figure BDA0003035228240000043
式中，
Figure BDA0003035228240000044
代表第d个样本的预测值；
Figure BDA0003035228240000045
代表第d个样本的真实值。
预测值的均方根误差RRMSE：
Figure BDA0003035228240000046
本发明的一种考虑电-热耦合特性的短期热负荷概率预测方法具有以下优点：
本发明针对采集到的电负荷数据、热负荷数据以及气象信息等数据进行数据清洗，对于电负荷数据中的缺失值与异常值，采用一星期前同一时刻的数据代替，对于热负荷与气象数据中的缺失值与异常值，采用线性插值法进行填充；如果采集到的各类数据存在时间分辨率差异，则采用重采样的方法使各类数据时间分辨率一致；然后采用皮尔森相关性系数刻画电-热耦合特性，构建电-热耦合特征集合；之后采用高斯过程回归建立短期热负荷概率预测模型；进一步，采用4种预测精度评估指标对热负荷概率预测结果进行评估，得到热负荷最终的区间预测结果。
本申请通过选取吉林省实际电力系统电负荷数据、热力系统热负荷数据和气象数据，对考虑电-热耦合特性的短期热负荷概率预测方法进行了验证，发现考虑电-热耦合特性的短期热负荷概率预测方法能够有效提升热负荷概率预测结果的准确度。
本发明能够准确得到不同置信区间下的热负荷预测区间，可为大规模新能源概率优化调度提供概率信息数据支持。
附图说明
图1为具体实施方式所述的考虑电-热耦合特性的短期热负荷概率预测方法的流程图；
图2为电负荷与热负荷的散点图；
图3为室外温度与热负荷的散点图；
图4为供水-出水口温差与热负荷的散点图；
图5为考虑电-热耦合特性的热负荷概率预测结果图。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种考虑电-热耦合特性的短期热负荷概率预测方法做进一步详细的描述。
本发明，根据吉林省电力系统、热力系统和气象站的实际运行数据，考虑了电-热耦合特性对短期热负荷概率预测结果的影响，建立了短期热负荷概率预测模型，能够为大规模新能源概率优化调度提供概率信息数据支持。
实施例1：
步骤S1、对采集到的电负荷数据、热负荷数据以及气象信息等数据进行数据清洗；
步骤S2、根据步骤S1得到的电负荷数据、热负荷数据以及气象信息数据是否存在时间分辨率差异，如果有时间分辨率差异，则采用抽样的方法使各类数据的时间分辨率一致；
步骤S3、根据步骤S2得到的时间分辨率一致的电负荷、热负荷和气象数据，采用皮尔森相关性系数刻画电-热耦合特性，构建考虑电-热耦合性的热负荷概率预测特征集合；
以吉林省电力系统电负荷数据、热力系统热负荷相关数据和气象数据为例，开展以下说明。
图2为2015年供暖期长春市某地区电负荷与热负荷的散点图，由图2可知，热负荷会随着电负荷幅值的升高而升高。并且在供暖高峰期热负荷与电负荷皮尔森相关系数为0.4154，说明电负荷与热负荷有较强的耦合特性。
图3为室外温度与热负荷的散点图，由图3可知，热负荷随着室外温度的降低而升高，温度越低供热负荷越大。并且室外温度与热负荷的皮尔森相关系数为-0.4926，说明室外温度影响着热负荷的特性。
图4为供水-出水口温差与热负荷的散点图。由图4可看出，供-回水的温度差与热负荷呈高度相关，并且供-回水温度差与热负荷的皮尔森相关系数高达0.8947，说明供-回水温度差严重影响热负荷特性。由此，构建考虑电-热耦合特性的短期热负荷概率预测特征集合如表1所示。
表1考虑电-热耦合特性的短期热负荷概率预测特征集合
特征名称 说明
历史热负荷 预测时间前一周的历史热负荷
历史电负荷 预测时间前一周的历史电负荷
供-回水温度差 预测时间前一周的供-回水温度差
室外温度 预测时刻的数值天气预报
工作日 工作日为0，非工作日为1
日期变量 月份
步骤S4、采用高斯过程回归建立短期热负荷概率预测模型；
高斯过程函数为：
ftrain(Pheat)～G(mean(Pheat),C(Pheat,Pheat)) 公式3
式中，Pheat代表热负荷概率预测的训练样本输入矩阵；ftrain(·)代表函数空间，其值即为训练输出向量；G(·)代表高斯过程函数；mean(·)代表均值函数；C(·)代表协方差函数；
超参数的最大似然函数为：
Figure BDA0003035228240000071
式中，α代表模型的超参数；trace(·)代表矩阵的迹；y代表训练输出向量；y’代表y向量的转置；L(·)代表似然函数；
当显著性水平为θ时，概率预测结果的置信区间为：
Figure BDA0003035228240000072
式中，ftest代表测试输出向量；A1-θ(ftest)代表置信水平为1-θ时测试输出向量ftest的置信区间下限；B1-θ(ftest)代表置信水平为1-θ时测试输出向量ftest的置信区间上限；e(1-θ)/2代表显著性水平为θ时的分位数；cov(·)代表协方差函数。
步骤S5、根据步骤S3构建的热负荷概率预测特征集合与步骤S4中建立的概率预测模型，采用4种预测精度评估指标对热负荷概率预测结果进行评估，最终得到热负荷概率预测区间。
4种预测精度评估指标分别为：
预测区间对真实数据的覆盖率RPICP：
Figure BDA0003035228240000073
式中，d代表预测的样本数，d＝1,2,3,…,D，其中，D代表预测样本的总数；Od代表第d个预测值是否落在置信区间内，如果是值为1，否则为0；
预测区间归一化平均宽度RPINAW：
Figure BDA0003035228240000081
式中，Q代表置信区间的全距；Bd代表第d个样本的置信区间上限；Ad代表第d个样本的置信区间下限；
预测绝对平均误差RMAPE：
Figure BDA0003035228240000082
式中，
Figure BDA0003035228240000083
代表第d个样本的预测值；
Figure BDA0003035228240000084
代表第d个样本的真实值。
预测值的均方根误差RRMSE：
Figure BDA0003035228240000085
图5为采用本发名方法得到的短期热负荷概率预测结果。由图5可以看出，最终得到的热负荷预测区间精准地覆盖了真实热负荷值。
表2置信区间为90％情况下两种概率预测方法的预测结果对比
评估指标 考虑电-热耦合特性 未考虑电-热耦合特性
R<sub>MAPE</sub> 1.3466％ 1.3500％
R<sub>RMSE</sub> 98.8923GJ 103.0959GJ
R<sub>PICP</sub> 92.6282％ 88.7821％
R<sub>PINAW</sub> 23.22％ 19.16％
表2展示了考虑电-热耦合特性的短期热负荷概率预测结果。表2和图5的热负荷概率预测结果表明，考虑电-热耦合特性之后可以有效提升热负荷概率预测的精确度。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (6)

1.一种考虑电-热耦合特性的短期热负荷概率预测方法，其特征在于，包括以下步骤，且以下步骤顺次进行：
步骤S1、对采集到的电负荷数据、热负荷数据以及气象信息数据进行数据清洗；
步骤S2、根据步骤S1得到的电负荷数据、热负荷数据以及气象信息数据是否存在时间分辨率差异，如果有时间分辨率差异，则采用抽样的方法使各类数据的时间分辨率一致；
步骤S3、根据步骤S2得到的时间分辨率一致的电负荷、热负荷和气象数据，采用皮尔森相关性系数刻画电-热耦合特性，构建考虑电-热耦合性的热负荷概率预测特征集合；
步骤S4、采用高斯过程回归建立短期热负荷概率预测模型；
步骤S5、根据步骤S3构建的热负荷概率预测特征集合与步骤S4建立的概率预测模型，采用4种预测精度评估指标对热负荷概率预测结果进行评估，最终得到热负荷概率预测区间。
2.根据权利要求1所述的考虑电-热耦合特性的短期热负荷概率预测方法，其特征在于，步骤S1中，对于电负荷数据中的缺失值与异常值，采用一星期前同一时刻的数据代替，对于热负荷与气象数据中的缺失值与异常值，采用线性插值法进行填充。
3.根据权利要求1所述的考虑电-热耦合特性的短期热负荷概率预测方法，其特征在于，步骤S2中，采集到的电负荷数据与气象信息数据的时间分辨率为每隔15分钟采集一个数据点，一天共有96个数据点，而热负荷的时间分辨率为每隔1个小时采集一个数据点，一天共有24个数据点，以热负荷时间分辨率为基准，将电负荷数据与气象数据以1小时为时间间隔进行重采样，使得各类数据时间分辨率保持一致。
4.根据权利要求1所述的考虑电-热耦合特性的短期热负荷概率预测方法，其特征在于，步骤S3中，电负荷和热负荷之间的皮尔森相关性系数表示为：
Figure FDA0003035228230000021
式中，γ代表电负荷与热负荷的皮尔森相关性；m代表数据的样本数，m＝1,2,3,…,M，其中，M代表数据的总样本数；p，h分别代表电负荷和热负荷。
热负荷和气象因子之间的皮尔森相关性系数表示为：
Figure FDA0003035228230000022
式中，λ代表气象因子与热负荷的皮尔森相关性；w代表气象因子。
5.根据权利要求1所述的考虑电-热耦合特性的短期热负荷概率预测方法，其特征在于，步骤S4中，高斯过程函数为：
ftrain(Pheat)～G(mean(Pheat),C(Pheat,Pheat)) 公式3
式中，Pheat代表热负荷概率预测的训练样本输入矩阵；ftrain(·)代表函数空间，其值即为训练输出向量；G(·)代表高斯过程函数；mean(·)代表均值函数；C(·)代表协方差函数；
超参数的最大似然函数为：
Figure FDA0003035228230000023
式中，α代表模型的超参数；trace(·)代表矩阵的迹；y代表训练输出向量；y’代表y向量的转置；L(·)代表似然函数；
当显著性水平为θ时，概率预测结果的置信区间为：
Figure FDA0003035228230000031
式中，ftest代表测试输出向量；A1-θ(ftest)代表置信水平为1-θ时测试输出向量ftest的置信区间下限；B1-θ(ftest)代表置信水平为1-θ时测试输出向量ftest的置信区间上限；e(1-θ)/2代表显著性水平为θ时的分位数；cov(·)代表协方差函数。
6.根据权利要求1所述的考虑电-热耦合特性的短期热负荷概率预测方法，其特征在于，步骤S5中，4种预测精度评估指标分别为：
预测区间对真实数据的覆盖率RPICP：
Figure FDA0003035228230000032
式中，d代表预测的样本数，d＝1,2,3,…,D，其中，D代表预测样本的总数；Od代表第d个预测值是否落在置信区间内，如果是值为1，否则为0；
预测区间归一化平均宽度RPINAW：
Figure FDA0003035228230000033
式中，Q代表置信区间的全距；Bd代表第d个样本的置信区间上限；Ad代表第d个样本的置信区间下限；
预测绝对平均误差RMAPE：
Figure FDA0003035228230000034
式中，
Figure FDA0003035228230000035
代表第d个样本的预测值；
Figure FDA0003035228230000036
代表第d个样本的真实值。
预测值的均方根误差RRMSE：
Figure FDA0003035228230000041
CN202110441488.1A 2021-04-23 2021-04-23 一种考虑电-热耦合特性的短期热负荷概率预测方法 Pending CN113052400A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110441488.1A CN113052400A (zh) 2021-04-23 2021-04-23 一种考虑电-热耦合特性的短期热负荷概率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110441488.1A CN113052400A (zh) 2021-04-23 2021-04-23 一种考虑电-热耦合特性的短期热负荷概率预测方法

Publications (1)

Publication Number Publication Date
CN113052400A true CN113052400A (zh) 2021-06-29

Family

ID=76520096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110441488.1A Pending CN113052400A (zh) 2021-04-23 2021-04-23 一种考虑电-热耦合特性的短期热负荷概率预测方法

Country Status (1)

Country Link
CN (1) CN113052400A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779129A (zh) * 2015-11-19 2017-05-31 华北电力大学（保定） 一种考虑气象因素的短期电力负荷预测方法
CN108921358A (zh) * 2018-07-16 2018-11-30 广东工业大学 一种电力负荷特征的预测方法、预测系统及相关装置
CN110210995A (zh) * 2019-06-04 2019-09-06 国网安徽省电力有限公司经济技术研究院 一种基于小波包与神经网络的综合能源负荷预测方法
CN111754037A (zh) * 2020-06-19 2020-10-09 国网河南省电力公司经济技术研究院 区域终端集成供能系统长期负荷混合预测方法
CN111950793A (zh) * 2020-08-17 2020-11-17 浙江工业大学 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法
CN112116153A (zh) * 2020-09-18 2020-12-22 上海电力大学 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779129A (zh) * 2015-11-19 2017-05-31 华北电力大学（保定） 一种考虑气象因素的短期电力负荷预测方法
CN108921358A (zh) * 2018-07-16 2018-11-30 广东工业大学 一种电力负荷特征的预测方法、预测系统及相关装置
CN110210995A (zh) * 2019-06-04 2019-09-06 国网安徽省电力有限公司经济技术研究院 一种基于小波包与神经网络的综合能源负荷预测方法
CN111754037A (zh) * 2020-06-19 2020-10-09 国网河南省电力公司经济技术研究院 区域终端集成供能系统长期负荷混合预测方法
CN111950793A (zh) * 2020-08-17 2020-11-17 浙江工业大学 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法
CN112116153A (zh) * 2020-09-18 2020-12-22 上海电力大学 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何志昆等: "高斯过程回归方法综述", 《控制与决策》 *

Similar Documents

Publication Publication Date Title
Kim et al. Short-term probabilistic forecasting of wind energy resources using the enhanced ensemble method
Wu et al. A literature review of wind forecasting technology in the world
Madhukumar et al. Regression model-based short-term load forecasting for university campus load
CN110210686A (zh) 一种电力大数据的电费风险模型构建方法
CN107437135B (zh) 一种新型储能选型方法
CN108846501B (zh) 一种雨水低影响开发设施建设规模确定方法
CN113779760B (zh) 基于可预测气候模态的动力-统计结合季节气候预测方法
Park et al. Spatial prediction of renewable energy resources for reinforcing and expanding power grids
Popescu et al. Assessing residual hydropower potential of the La Plata Basin accounting for future user demands
CN105184388A (zh) 一种城市电力负荷短期预测的非线性回归方法
CN103257000B (zh) 一种桥梁结构日照作用分析的极值温度预测方法
Madadi et al. Probabilistic real-time dynamic line rating forecasting based on dynamic stochastic general equilibrium with stochastic volatility
Khan et al. Determination of optimal parametric distribution and technical evaluation of wind resource characteristics for wind power potential at Jhimpir, Pakistan
CN112417627A (zh) 一种基于四维指标体系配电网运行可靠性分析方法
Ahmad et al. Efficient energy planning with decomposition-based evolutionary neural networks
CN113610296B (zh) 一种区域内用电负荷峰值预测方法及电网投资规划方法
CN117477558A (zh) 一种基于电网负荷的预测方法及其系统
CN117669960A (zh) 一种基于多变量气象因子的新能源功率预测方法
CN113052400A (zh) 一种考虑电-热耦合特性的短期热负荷概率预测方法
Xu et al. Evaluation of fault level of sensitive equipment caused by voltage sag via data mining
Duan et al. Collaborative inference of missing smart electric meter data for a building
CN112380778A (zh) 一种基于海温的气象干旱预报方法
CN110909916A (zh) 一种基于熵权法的风力发电月度电量区间预测方法
Sotiropoulos et al. Modeling of electricity load for forward contract pricing
Mahata et al. A Statistical Analysis Model of Wind Power Generation Forecasting for the Western Region of India

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210629

RJ01 Rejection of invention patent application after publication