CN113283674A - 一种基于用户用电特征的基线负荷预测修正方法 - Google Patents
一种基于用户用电特征的基线负荷预测修正方法 Download PDFInfo
- Publication number
- CN113283674A CN113283674A CN202110710314.0A CN202110710314A CN113283674A CN 113283674 A CN113283674 A CN 113283674A CN 202110710314 A CN202110710314 A CN 202110710314A CN 113283674 A CN113283674 A CN 113283674A
- Authority
- CN
- China
- Prior art keywords
- load
- user
- data
- baseline
- users
- 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 68
- 230000005611 electricity Effects 0.000 title claims abstract description 33
- 238000012937 correction Methods 0.000 title claims abstract description 27
- 230000006399 behavior Effects 0.000 claims description 14
- 238000003064 k means clustering Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (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
本发明涉及一种基于用户用电特征的基线负荷预测修正方法,该方法包括如下步骤:S1、基于用户历史用电负荷数据进行用户特征分类,确定用户类别,包括:负荷平缓型用户、负荷波动型用户、负荷逐级型用户;S2、若属于负荷平缓型用户,则通过分类方法确定预测日负荷曲线所属的负荷类别以及典型负荷曲线,基于与预测日邻近的临近日负荷数据以及典型负荷曲线预测修正用户基线负荷;若属于负荷波动型用户,则选取相似日负荷数据,基于相似日负荷数据预测修正用户基线负荷;若属于负荷逐级型用户,则基于用户历史负荷数据预测修正用户基线负荷。与现有技术相比,本发明能够更适配、更精准的预测不同用户的基线负荷,提升基线负荷预测修正能力。
Description
技术领域
本发明涉及一种能源互联网场景下的应用优化技术,尤其是涉及一种基于用户用电特征的基线负荷预测修正方法。
背景技术
“双碳”目标提出以及能源革命不断推进,建筑能耗约占社会总能耗的1/3,电力需求响应是为特定时间设计并执行的节电措施,通过填谷削峰需求弹性和市场经济杠杆的作用来调节电力供应与需求之间的矛盾。而在电力需求响应项目效果评价中,用户基线负荷为定量评价用户负荷削减程度提供了数据参考,通常受到用户用电行为因素的影响最大,目前,以平均值法和回归法为基础的,加以人工神经网络、聚类为代表的数据挖掘等不同的计算方法在不同的项目中得到广泛应用。
然而,现有普遍对所有建筑用户均采用一样的基线负荷预测修正方法进行计算,一定程度上忽略了用户用电行为的各自特点,没有针对不同用户的用电负荷特征采用适用基线负荷预测修正方法,缺乏针对性、适配性,降低了负荷调控的精确度,因此,更合理、更精准的建筑基线负荷预测修正方法对虚拟电厂运营、建筑节能等双碳方案、措施推进具有重要作用。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于用户用电特征的基线负荷预测修正方法。
本发明的目的可以通过以下技术方案来实现:
一种基于用户用电特征的基线负荷预测修正方法,该方法包括如下步骤:
S1、基于用户历史用电负荷数据进行用户特征分类,确定用户类别,包括:
负荷平缓型:用电行为日夜无明显差异的用户,
负荷波动型:用电行为日夜差别大的用户,
负荷逐级型:用电行为按照阶段式递增或递减的用户;
S2、对各个类别的用户分别进行基线负荷预测:
a、若属于负荷平缓型用户,则通过分类方法确定预测日负荷曲线所属的负荷类别以及典型负荷曲线,基于与预测日邻近的临近日负荷数据以及典型负荷曲线预测修正用户基线负荷;
b、若属于负荷波动型用户,则基于预测日负荷曲线选取相似日负荷数据,基于相似日负荷数据预测修正用户基线负荷;
c、若属于负荷逐级型用户,则基于用户历史负荷数据预测修正用户基线负荷。
优选地,步骤S1采用聚类方法进行用户特征分类,所述的聚类方法包括K-means聚类算法。
优选地,步骤S1采用K-means聚类算法进行用户特征分类的具体步骤包括:
选择从预测日向前N天的历史负荷数据,前N天中不包括双休、节假日;
将每天的历史负荷数据每15分钟一个点,每天96个负荷点作为样本集;
采用K-means聚类算法进行聚类,将用户划分为多个类别。
优选地,对于负荷平缓型用户确定预测日负荷曲线所属的负荷类别以及典型负荷曲线的具体方法包括:
a1、历史数据选取与预处理:选取预测日前X天的历史负荷数据,对于缺失或异常数据,采用相邻两个时段负荷的平均值进行补齐或替换,X为常数,X≤60;
a2、构造日特征向量:包括日负荷数据、日最高温度、日平均温度、日平均湿度、星期类型,其中日负荷数据按照时间点选取形成若干个日负荷点,对日特征向量中的各类数据进行归一化处理;
a3、基于日特征向量对历史负荷数据进行聚类,确定K个负荷类别,每个负荷类别的聚类中心对应的符合曲线为该负荷类别的典型负荷曲线,K为常数;
a4、计算预测日负荷曲线与各典型符合曲线的欧式距离,距离最小者确定为预测日所属的负荷类别,并获取对应的典型负荷曲线。
优选地,步骤a3中采用K-means聚类算法对历史负荷数据进行聚类。
优选地,对于负荷平缓型用户基于与预测日邻近的临近日负荷数据以及典型负荷曲线预测修正用户基线负荷的具体预测方式包括:
其中,Pbl(i,j)为预测日i用户基线负荷曲线中j时刻的负荷大小,Prl(i-n,j)为预测日i前n天用户实际负荷曲线中j时刻的负荷大小,CTk,j为预测日用户对应的负荷类别k的典型负荷曲线中j时刻的负荷大小,m为常数。
优选地,对于负荷波动型用户,选取n个相似日负荷数据,对相似日负荷数据采用加权移动平均法预测修正用户基线负荷。
优选地,所述的加权移动平均法预测修正用户基线负荷的方式表示为:
Ft=(w1at-1+w2at-2+w3at-3+...+wnat-n)/u
其中,Ft为用户基线负荷,w1、w2、……wn为权重,w1+w2+……+wn=u,at-n为第n个相似日负荷数据。
优选地,对于负荷逐级型用户,采用盒须图对用于历史负荷数据进行处理:逐级分段筛选用户历史负荷数据,同时剔除异常负荷数据值。
优选地,对于负荷逐级型用户,将盒须图处理后的用户历史负荷数据采用二次指数平滑法进行预测修正确定用户基线负荷。
与现有技术相比,本发明具有如下优点:
(1)本发明考虑了不同用户负荷特性,采用K-means聚类算法进行分类,分为平滑性、波动性和逐级型,在此基础上提出不同用户负荷特征的基线负荷预测修正方法,具有针对性、适用性。
(2)本发明面对“双碳”节能环境,用户类型、特点更为多样、庞大,有较大的业务开展需求,通过综合运用数据分析技术对楼宇负荷状态、电能负载等数据进行有效分析挖掘划分,为开展基于楼宇用户特征的预测性调度,提高能源利用环节效率发挥最大效用。
附图说明
图1为本发明一种基于用户用电特征的基线负荷预测修正方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1所示,本实施例提供一种基于用户用电特征的基线负荷预测修正方法,该方法包括如下步骤:
S1、基于用户历史用电负荷数据进行用户特征分类,确定用户类别,包括:
负荷平缓型:通常情况下,用电行为日夜无明显差异的用户划分为平缓型用户;
负荷波动型:通常情况下,用电行为日夜差别大的用户通常为波动型用户;
负荷逐级型:通常情况下,用电行为在按照阶段式递增或递减的用户通常为逐级型用户。
该步骤中采用聚类方法进行用户特征分类,聚类方法包括K-means聚类算法,具体步骤包括:
选择从预测日向前N天的历史负荷数据,前N天中不包括双休、节假日;
将每天的历史负荷数据每15分钟一个点,每天96个负荷点作为样本集;
将所述样本归一化处理;
选择初始化的k个样本,作为初始化聚类中心a=a1,a2,a3,…,ak;k可选3~5;
针对每个数据样本xi计算它到k个聚类中的距离,并将其分到距离最小的聚类中心对应的类中;
针对每个类别aj,重新计算他的聚类中心:
重复上述环节及本环节,直到中止条件(令误差小于5%)。
S2、对各个类别的用户分别进行基线负荷预测:
a、对于负荷平缓型用户,该类用户用电行为较稳定,其用电行为往往具有相似性,聚类法能有效挖掘用户用电行为的规律性,因此对该类用户采取通过对历史负荷数据的聚类分析,得出用户的用电共性,再结合最近几日的历史负荷数据计算基线负荷。由于该类用户用电行为较稳定,这种基于大量历史负荷数据通常能取得更为准确的结果。
因此,若属于负荷平缓型用户,则通过分类方法确定预测日负荷曲线所属的负荷类别以及典型负荷曲线,基于与预测日邻近的临近日负荷数据以及典型负荷曲线预测修正用户基线负荷。
具体地,对于负荷平缓型用户确定预测日负荷曲线所属的负荷类别以及典型负荷曲线的具体方法包括:
a1、历史数据选取与预处理:选取预测日前X天的历史负荷数据,对于缺失或异常数据,采用相邻两个时段负荷的平均值进行补齐或替换,X为常数,X≤60;
a2、构造日特征向量:包括日负荷数据、日最高温度、日平均温度、日平均湿度、星期类型,其中日负荷数据按照时间点选取形成若干个日负荷点,具体地,构造的日特征向量共包含100个特性指标:l~96为日负荷数据,97为日最高温度,98为日平均温度,99为日湿度,100为星期类型,所有数据都进行归一化处理,对于星期类型,取周一~周五为1,周六、周日为0.5,节假日为0.1;
a3、基于日特征向量对历史负荷数据K-means聚类算法进行聚类,确定K个负荷类别,每个负荷类别的聚类中心对应的符合曲线为该负荷类别的典型负荷曲线,K为常数;
a4、计算预测日负荷曲线与各典型符合曲线的欧式距离,距离最小者确定为预测日所属的负荷类别,并获取对应的典型负荷曲线。
对于负荷平缓型用户基于与预测日邻近的临近日负荷数据以及典型负荷曲线预测修正用户基线负荷的具体预测方式包括:
其中,Pbl(i,j)为预测日i用户基线负荷曲线中j时刻的负荷大小,Prl(i-n,j)为预测日i前n天用户实际负荷曲线中j时刻的负荷大小,CTk,j为预测日用户对应的负荷类别k的典型负荷曲线中j时刻的负荷大小,m为常数,本实施例中m可取3,即通过预测日前3天的临近日符合数据以及典型负荷曲线预测修正用户基线负荷。
b、对于负荷波动型用户,由于该类用户用电波动性大且没有明显趋势,采取选取历史相似日负荷的加权移动平均作为基线负荷的预测修正方法,尽可能的抵消其随机性。
因此,若属于负荷波动型用户,则基于预测日负荷曲线选取相似日负荷数据,基于相似日负荷数据预测修正用户基线负荷。
具体地,对于负荷波动型用户,选取n个相似日负荷数据,对相似日负荷数据采用加权移动平均法预测修正用户基线负荷。
加权移动平均法预测修正用户基线负荷的方式表示为:
Ft=(w1at-1+w2at-2+w3at-3+...+wnat-n)/u
其中,Ft为用户基线负荷,w1、w2、……wn为权重,w1+w2+……+wn=u,at-n为第n个相似日负荷数据。
c、若属于负荷逐级型用户,则基于用户历史负荷数据预测修正用户基线负荷。
具体地,对于负荷逐级型用户,采用盒须图对用于历史负荷数据进行处理:逐级分段筛选用户历史负荷数据,同时剔除异常负荷数据值。
对于负荷逐级型用户,将盒须图处理后的用户历史负荷数据采用二次指数平滑法进行预测修正确定用户基线负荷。
在基线负荷预测时,指数平滑模型相对于平均值法通常能取得更高的精度。对于逐级型用户,二次指数平滑法能更好的拟合用电负荷变化趋势,从而更准确地计算基线负荷。指数平滑法通过对预测目标历史统计序列的逐层平滑计算,消除随机因素造成的影响,发现历史负荷的基本变化趋势并以此预测之的负荷。模型使用简单,预测精度较高,只需少量数据和计算时间,并且直观性强,方便理解。
二次指数平滑法预测模型如下:
式中:αt、bt为平滑系数:
第t期一次指数平滑值S1t=αyt+(1-α)S1t-1,
第t期二次指数平滑值S2t=αS1t+(1-α)S2t-1,
对于加权系数α,当序列波动不大时在0.1~0.25之间取值,当序列波动较大变化趋势明显时,在0.25~0.5之间取值。
本发明分别对不同用户用电特征类别的用户基线负荷预测修正,对每个类别提出各自适合的基线负荷预测修正方法,更适配、更精准的预测不用建筑楼宇的基线负荷,提升基线负荷预测修正能力。考虑了不同用户负荷特性,采用K-means聚类算法进行分类,分为平滑性、波动性和逐级型,在此基础上提出不同用户负荷特征的基线负荷预测修正方法,具有针对性、适用性。面对“双碳”节能环境,用户类型、特点更为多样、庞大,有较大的业务开展需求。本发明通过综合运用数据分析技术对楼宇负荷状态、电能负载等数据进行有效分析挖掘划分,为开展基于楼宇用户特征的预测性调度,提高能源利用环节效率发挥最大效用。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (10)
1.一种基于用户用电特征的基线负荷预测修正方法,其特征在于,该方法包括如下步骤:
S1、基于用户历史用电负荷数据进行用户特征分类,确定用户类别,包括:
负荷平缓型:用电行为日夜无明显差异的用户,
负荷波动型:用电行为日夜差别大的用户,
负荷逐级型:用电行为按照阶段式递增或递减的用户;
S2、对各个类别的用户分别进行基线负荷预测:
a、若属于负荷平缓型用户,则通过分类方法确定预测日负荷曲线所属的负荷类别以及典型负荷曲线,基于与预测日邻近的临近日负荷数据以及典型负荷曲线预测修正用户基线负荷;
b、若属于负荷波动型用户,则基于预测日负荷曲线选取相似日负荷数据,基于相似日负荷数据预测修正用户基线负荷;
c、若属于负荷逐级型用户,则基于用户历史负荷数据预测修正用户基线负荷。
2.根据权利要求1所述的一种基于用户用电特征的基线负荷预测修正方法,其特征在于,步骤S1采用聚类方法进行用户特征分类,所述的聚类方法包括K-means聚类算法。
3.根据权利要求2所述的一种基于用户用电特征的基线负荷预测修正方法,其特征在于,步骤S1采用K-means聚类算法进行用户特征分类的具体步骤包括:
选择从预测日向前N天的历史负荷数据,前N天中不包括双休、节假日;
将每天的历史负荷数据每15分钟一个点,每天96个负荷点作为样本集;
采用K-means聚类算法进行聚类,将用户划分为多个类别。
4.根据权利要求1所述的一种基于用户用电特征的基线负荷预测修正方法,其特征在于,对于负荷平缓型用户确定预测日负荷曲线所属的负荷类别以及典型负荷曲线的具体方法包括:
a1、历史数据选取与预处理:选取预测日前X天的历史负荷数据,对于缺失或异常数据,采用相邻两个时段负荷的平均值进行补齐或替换,X为常数,X≤60;
a2、构造日特征向量:包括日负荷数据、日最高温度、日平均温度、日平均湿度、星期类型,其中日负荷数据按照时间点选取形成若干个日负荷点,对日特征向量中的各类数据进行归一化处理;
a3、基于日特征向量对历史负荷数据进行聚类,确定K个负荷类别,每个负荷类别的聚类中心对应的符合曲线为该负荷类别的典型负荷曲线,K为常数;
a4、计算预测日负荷曲线与各典型符合曲线的欧式距离,距离最小者确定为预测日所属的负荷类别,并获取对应的典型负荷曲线。
5.根据权利要求4所述的一种基于用户用电特征的基线负荷预测修正方法,其特征在于,步骤a3中采用K-means聚类算法对历史负荷数据进行聚类。
7.根据权利要求1所述的一种基于用户用电特征的基线负荷预测修正方法,其特征在于,对于负荷波动型用户,选取n个相似日负荷数据,对相似日负荷数据采用加权移动平均法预测修正用户基线负荷。
8.根据权利要求7所述的一种基于用户用电特征的基线负荷预测修正方法,其特征在于,所述的加权移动平均法预测修正用户基线负荷的方式表示为:
Ft=(w1at-1+w2at-2+w3at-3+...+wnat-n)/u
其中,Ft为用户基线负荷,w1、w2、……wn为权重,w1+w2+……+wn=u,at-n为第n个相似日负荷数据。
9.根据权利要求1所述的一种基于用户用电特征的基线负荷预测修正方法,其特征在于,对于负荷逐级型用户,采用盒须图对用于历史负荷数据进行处理:逐级分段筛选用户历史负荷数据,同时剔除异常负荷数据值。
10.根据权利要求9所述的一种基于用户用电特征的基线负荷预测修正方法,其特征在于,对于负荷逐级型用户,将盒须图处理后的用户历史负荷数据采用二次指数平滑法进行预测修正确定用户基线负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710314.0A CN113283674A (zh) | 2021-06-25 | 2021-06-25 | 一种基于用户用电特征的基线负荷预测修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710314.0A CN113283674A (zh) | 2021-06-25 | 2021-06-25 | 一种基于用户用电特征的基线负荷预测修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283674A true CN113283674A (zh) | 2021-08-20 |
Family
ID=77285637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110710314.0A Pending CN113283674A (zh) | 2021-06-25 | 2021-06-25 | 一种基于用户用电特征的基线负荷预测修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283674A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869601A (zh) * | 2021-10-18 | 2021-12-31 | 深圳供电局有限公司 | 一种电力用户负荷预测方法、装置及设备 |
CN115630753A (zh) * | 2022-12-19 | 2023-01-20 | 西南交通大学 | 基于新能源多时空场景下电解制氢的负荷基线预测方法 |
CN115833190A (zh) * | 2023-02-20 | 2023-03-21 | 广东电网有限责任公司中山供电局 | 一种分布式资源边缘自治控制方法和系统 |
CN116979531A (zh) * | 2023-09-25 | 2023-10-31 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650979A (zh) * | 2015-10-29 | 2017-05-10 | 中国电力科学研究院 | 一种馈线基线负荷预测方法 |
US20180351355A1 (en) * | 2016-11-02 | 2018-12-06 | China Electric Power Research Institute Company Limited | Method for identifying pattern of load cycle |
CN109886465A (zh) * | 2019-01-20 | 2019-06-14 | 东北电力大学 | 一种基于智能电表用户聚类分析的配电网负荷预测方法 |
-
2021
- 2021-06-25 CN CN202110710314.0A patent/CN113283674A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650979A (zh) * | 2015-10-29 | 2017-05-10 | 中国电力科学研究院 | 一种馈线基线负荷预测方法 |
US20180351355A1 (en) * | 2016-11-02 | 2018-12-06 | China Electric Power Research Institute Company Limited | Method for identifying pattern of load cycle |
CN109886465A (zh) * | 2019-01-20 | 2019-06-14 | 东北电力大学 | 一种基于智能电表用户聚类分析的配电网负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
俞学炜 等: "基于统计的办公建筑空调冷负荷特性研究", 《建筑技术开发》, vol. 43, no. 06, pages 101 - 117 * |
刘顺桂 等: "考虑用户用电特性的基线负荷计算方法", 《电力需求侧管理》, vol. 18, no. 03, pages 17 - 22 * |
芦兴 等: "考虑用户用电特性的基线负荷计算方法", 《供用电》, no. 04, pages 112 - 115 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869601A (zh) * | 2021-10-18 | 2021-12-31 | 深圳供电局有限公司 | 一种电力用户负荷预测方法、装置及设备 |
CN115630753A (zh) * | 2022-12-19 | 2023-01-20 | 西南交通大学 | 基于新能源多时空场景下电解制氢的负荷基线预测方法 |
CN115630753B (zh) * | 2022-12-19 | 2023-03-03 | 西南交通大学 | 基于新能源多时空场景下电解制氢的负荷基线预测方法 |
CN115833190A (zh) * | 2023-02-20 | 2023-03-21 | 广东电网有限责任公司中山供电局 | 一种分布式资源边缘自治控制方法和系统 |
CN116979531A (zh) * | 2023-09-25 | 2023-10-31 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
CN116979531B (zh) * | 2023-09-25 | 2023-12-12 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283674A (zh) | 一种基于用户用电特征的基线负荷预测修正方法 | |
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
CN105678404B (zh) | 基于网购电和动态关联因子的微电网负荷预测系统及方法 | |
CN104598986A (zh) | 基于大数据的电力负荷预测方法 | |
CN104680261A (zh) | 基于重点大客户负荷曲线聚类的电力负荷运行控制方法 | |
CN114626643A (zh) | 智慧城市政府供电调控方法、物联网系统、装置及介质 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN110675275A (zh) | 一种虚拟电厂的需求侧响应用电负荷调控方法及系统 | |
CN117493921B (zh) | 基于大数据的人工智能节能管理方法及系统 | |
CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 | |
CN114266423B (zh) | 基于多模型的电力能源需求预测方法、装置及存储介质 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN117808325B (zh) | 基于用户供需大数据的电力负荷预测方法 | |
CN115829235A (zh) | 一种基于大数据分析的用电调度方法 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
CN111723085A (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN117559422A (zh) | 基于画像的工业园区可调节功率区间估计方法、系统与计算机可读存储介质 | |
CN109934394A (zh) | 一种基于灰色和马尔科夫理论的需求侧响应预测方法 | |
Yu et al. | Dynamic grouping control of electric vehicles based on improved k-means algorithm for wind power fluctuations suppression | |
CN115758184A (zh) | 应用于电力用户的聚类分析方法及装置 | |
CN114781685B (zh) | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 | |
CN114638284A (zh) | 一种考虑外部影响因素的用电行为刻画方法 |
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 |