CN113935523A - 基于电压变化规律的电压趋势预测方法 - Google Patents
基于电压变化规律的电压趋势预测方法 Download PDFInfo
- Publication number
- CN113935523A CN113935523A CN202111149452.2A CN202111149452A CN113935523A CN 113935523 A CN113935523 A CN 113935523A CN 202111149452 A CN202111149452 A CN 202111149452A CN 113935523 A CN113935523 A CN 113935523A
- Authority
- CN
- China
- Prior art keywords
- prediction
- voltage
- model
- data
- sequence
- 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
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
本发明公开一种基于电压变化规律的电压趋势预测方法,包括:历史样本数据预处理;建立预测模型,利用历史样本数据分析预测模型的结果误差;利用预测模型预测未来某一时间段的用电数据,并输出预测结果;所述预测模型包括:灰色预测模型,对变电站3‑5年的电压偏差进行长期预测;随机时间序列模型,对馈线月度至季度的电压趋势进行中期预测;线性回归模型,对配电台区周至月的电压趋势进行短期预测。本发明在不同长短的预测时间对应选择不同的预测模型,采用不同的预测模型分别进行短期预测、中期预测和长期预测,具有较好的可行性和实用性,预测速度快,预测结果准确。
Description
技术领域
本发明涉及电网供电管理技术领域,特别涉及一种基于电压变化规律的电压趋势预测方法。
背景技术
近年来,随着经济的快速发展,家用电器不断增加,用电需求剧增,低电压问题层出不穷。如果能根据现有的电压变化趋势预测未来某时刻电压情况,根据阈值判断是否发生低电压,就可预先采取措施有效避免低电压的出现,从而改善用户用电质量。配电网台区电压情况受多种因素影响,主要包括气候、时间、地理以及随机因素等,加上电网网架不合理、电源点不足、无功补偿配置不足、三相负荷不平衡、变压器档位设置不合理、中低压供电线路过长、线径过小等原因,低电压治理成为是一个管理与技术并存的综合性难题,现阶段还未得出彻底的解决方案与示范经验,依然存在投资盲目、治理措施针对性不强、综合协调治理技术研究不深入及治理效果评价手段缺乏等问题,导致电压预测不准确,依然存在低压影响用户正常用电的情况。了解和运用预知电压的变化规律,提前做好低电压防范和治理工作将有可能达到事半功倍的效果。因此有必要对现有技术的电压趋势预测方法进行改进。
发明内容
本发明的目的是提供一种基于电压变化规律的电压趋势预测方法,可以解决现有技术中电压预测不准确,依然存在低压影响用户正常用电的问题。
本发明的目的是通过以下技术方案实现的:
基于电压变化规律的电压趋势预测方法,包括以下步骤:
历史样本数据预处理;
建立预测模型,利用历史样本数据分析预测模型的结果误差;
利用预测模型预测未来某一时间段的用电数据,并输出预测结果;
所述预测模型包括:灰色预测模型,对变电站3-5年的电压偏差进行长期预测;随机时间序列模型,对馈线月度至季度的电压趋势进行中期预测;线性回归模型,对配电台区周至月的电压趋势进行短期预测。
进一步的,所述对历史样本数据预处理包括对选取的某一时间段的历史数据中确实的数据进行估算,使该时间段的历史数据连续不间断。
进一步的,利用历史样本数据分析灰色预测模型的结果误差的过程包括:
选取某一变电站3-5年的电压偏差数据;
选取某一时间段内的电压监测数据,进行级比检验与可行性分析,得到参考数据序列;
对参考数据序列进行变换处理;
建立灰色预测模型的微分方程并求解;
对灰色预测模型进行误差分析。
进一步的,利用历史样本数据分析随机时间序列模型的结果误差的过程包括:
从历史样本数据中按时间随机选取一段时间序列数据;
时间序列数据的平稳化处理;
随机时间序列模型的识别和定阶;
利用自相关函数求得随机时间序列模型参数的估计值;
利用自相关函数法对随机时间序列模型进行检验。
进一步的,利用历史样本数据分析线性回归模型的结果误差的过程包括:
获得n对数据,建立自变量x和因变量y的一元线性回归模型y=a+bx+ε,应用最小二乘法估计未知参数a和b;将a和b的值带入一元线性回归模型,可得出y对x的线性回归方程;进行一元线性回归模型的检验;最后对预测结果进行相对误差和绝对误差分析。
进一步的,所述得到参考数据序列的过程包括:
选取某一时间段内的电压监测数据,用数据序列x(0)=(x(0)(1),x(0)(2),…,x(0)(n))表示,对数据列x(0)进行数据之间的级比计算;
进行灰色预测模型适用性的判断分析。
进一步的,所述对参考数据序列进行变换处理包括对参考数据序列进行一次累加后生成新数列。
进一步的,所述建立灰色预测模型的微分方程包括:
建立一阶线性微分方程:
其中,a是待辨识参数,μ是待辨识内生变量。
进一步的,所述的级比计算的公式为:
进一步的,所述对灰色预测模型进行误差分析包括采用绝对误差和相对误差进行分析。
本发明的基于电压变化规律的电压趋势预测方法,在不同长短的预测时间对应选择不同的预测模型,采用不同的预测模型分别进行短期预测、中期预测和长期预测,具有较好的可行性和实用性,预测速度快,预测结果准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于电压变化规律的电压趋势预测方法的流程示意图;
图2为利用历史样本数据分析灰色预测模型的结果误差的流程示意图;
图3为利用历史样本数据分析随机时间序列模型的结果误差的流程示意图;
图4为利用历史样本数据分析线性回归模型的结果误差的流程示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本发明的基于电压变化规律的电压趋势预测方法,其中电压趋势预测即确定未来某特定时刻的电压值,空间上,利用智能电表等电压采集装置采集数据,计算用户的电压偏差,并通过加权聚合,实现对配变、馈线、变电站的供电电压合格率分层评价。时间上,以1小时或更短时间为统计间隔,计算台变、馈线各时段电压合格率和各时段电压不合格在一天中的占比,识别警示时段。
具体的,本发明的基于电压变化规律的电压趋势预测方法,包括以下步骤:
步骤S1、历史样本数据预处理。
在选择历史样本数据进行分析预测前,样本数据天数的选取会影响预测的准确度。一方面,每一天的电压变化都含有一定的扰动,如果选取的样本天数很少,预测结果很容易受到随机扰动的影响,不容易反映出每天的总体变化规律,体现不出数据本身的特性。另一方面,电压每天的总体变化规律会随着时间的推移产生一定的变化,比如季节更替、用户增多、用电设备类型的变化等,如果选取的样本天数过多,预测结果也可能偏离总体的变化规律。因此,需要选取合适的样本天数。可以选取某一个变电站3-5年的电压偏差进行长期预测;选取某一馈线月度至季度的电压趋势数据进行中期预测;选取某一配电台区周至月的电压趋势数据进行短期预测。
选取好历史样本数据后,做好数据处理工作是进行准确预测的基础和关键,要求用于预测的指标监测数据在某一时间段是连续不间断的。对于缺失的数据根据其前后时间点的数据进行估算。
步骤S2、建立预测模型,利用历史样本数据分析预测模型的结果误差。
预测模型包括:灰色预测模型,对变电站3-5年的电压偏差进行长期预测;随机时间序列模型,对馈线月度至季度的电压趋势进行中期预测;线性回归模型,对配电台区周至月的电压趋势进行短期预测。
经过预处理的电压指标数据作为输入数据,分别建立长期预测的灰色预测模型、中期预测的随机时间序列模型、短期预测的线性回归模型,输入历史数据对各个模型进行预测,并进行预测模型的精度及结果误差分析。
进一步的,利用历史样本数据分析灰色预测模型的结果误差的过程如图2所示,包括:
步骤S201、选取某一变电站3-5年的电压偏差数据。
灰色模型预测算法在建模时无需计算统计量特征,当电压历史样本数据非线性变化时,仍然适用,且灰色算法所需数据量少,不必考虑其分布规律和变化趋势,预测精度高,因此可以对未来电能质量指标进行预测。
步骤S202、选取某一时间段内的电压监测数据,进行级比检验与可行性分析,得到参考数据序列。
首先,选取某一时间段内的电压监测数据,用数据序列x(0)=(x(0)(1),x(0)(2),…,x(0)(n))表示,对数据列x(0)进行数据之间的级比计算,其计算公式如下:
其次,进行灰色预测模型适用性的判断分析。
如果在区间内,则说明这些电能质量稳态指标数据适合做灰色预测;否则,需要对数据列做出必要的修改,即增加一个适当的常数,再做上述级比计算和区间判断分析,直至符合要求为止。最终确定出一个适合做灰色预测的电压质量指标数据列。
步骤S203、对参考数据序列进行变换处理。
经过对电能质量稳态指标数据的检验后得到的参考数据序列进行一次累加后生成的新数列如下:
x(1)=(x(1)(1),x(1)(2),…,x(1)(n))=(x(1)(1),x(1)(1)+x(1)(2),…,x(1)(n-1)+x(0)(n)) (2)
步骤S204、建立灰色预测模型的微分方程并求解。
1)建立一阶线性微分方程:
其中,a是待辨识参数,μ是待辨识内生变量。
2)利用最小二乘法,求解待辨识参数:
3)微分方程求解:
将得出的待辨识参数值代入原来的微分方程,可以得到灰色预测模型的离散时间响应函数:
然后对一次累加序列进行回推,可以求出不同时间对象的电能质量稳态指标预测值:
步骤S205、对灰色预测模型进行误差分析。
误差分析包括绝对误差和相对误差分析:
本发明中的电能质量稳态指标预测结果的误差采用直观的绝对误差和相对误差来进行分析。绝对误差的计算公式为:
相对误差的计算公式为:
进一步的,利用历史样本数据分析随机时间序列模型的结果误差的过程如图3所示,包括:
步骤S201′、从历史样本数据中按时间随机选取一段时间序列数据。
时序列分析法就是从历史样本数据中与时间相关的数据出发,根据训练集在时间属性上所反映出来的发展过程、方向和趋势,对训练集进行类推或延伸,由此来预测下一段时间训练集可能的范围和变化规律。
步骤S202′、时间序列数据的平稳化处理。
使用ARMA算法建立预测模型时,首先要确定用于建立预测模型的序列是否是平稳序列。若一个序列是平稳的,那么它的自相关函数呈指数衰减或成正弦衰减,并且衰减幅度会很大。反之,若序列不是平稳的,它衰减的幅度就很小。若序列不是平稳的,可以通过差分变换对数据进行平稳化处理。这里,序列经过几次差分后得到平稳性序列,差分的次数就是ARMA(p,d,q)中的d。
步骤S203′、模型的识别和定阶。
模型的识别过程就是计算序列的自相关函数和偏相关函数,然后根据结果来确定是采用AR(p)模型、MA(q)模型、ARMA(p,q)模型还是ARIMA(p,d,q)模型。由AR、MA与ARMA模型相关性的基本特征,通过“截尾”和“拖尾”来识别满足时间序列{xN}的模型。如下表所示:
表1 AR、MA、ARMA模型的基本特征
模型 | 自相关函数 | 偏相关函数 |
AR(p) | 拖尾 | p阶截尾 |
MA(q) | q阶截尾 | 拖尾 |
ARMA(p,q) | 拖尾 | 拖尾 |
步骤S204′、参数估计。
对时间序列模型参数的估计一般利用序列的自相关函数,建立Yule-Walker方程,利用自相关函数求得模型参数的估计值。在模型参数确定后,还可以通过最小二乘法对参数进行精确求解,使得模型的预测结果更加准确。
步骤S205′、模型检验。
构建完时间序列模型后还需要对模型进行统计检验,检验所有模型及其拟合的误差序列。本文采用自相关函数法(计残差分析法)进行检验ARMA模型的检验。首先,计算残差,得到残差序列。然后,计算残差序列的自相关函数。若所选择的模型是合适的,则实际值与预测值的误差是满足白噪声的要求。再将获得的平稳时间序列进行反变换得到反变换序列,并将初始预测的电压值作为反变换序列的输入,得到现有的电压质量指标。
进一步的,利用历史样本数据分析线性回归模型的结果误差的过程如图4所示,线性回归模型的预测算法就是应用回归分析方法,根据历史的电压监测数据,对配电台区周至月的电压趋势进行短期预测。
具体地包括:根据电压监测装置/系统获得n对数据,建立自变量x和因变量y的一元线性回归模型y=a+bx+ε,应用最小二乘法估计未知参数a和b。将a和b的值带入方程,可得出y对x的线性回归方程。随后检验所求得的回归方程是否具有实用价值,即进行一元线性回归模型的检验。最后对预测结果进行相对误差和绝对误差分析。
步骤S3、预测结果输出。
预测具体包括:电压质量指标预测数据及绝对误差,预测模型精度分析以及未来时间段的三类预测结果。
为了更进一步说明本发明的有益效果,下面结合具体试验数据进行说明:采用北海供电局配电台区共10个监测点提供的2018年1月2019年-11月监测点电压监测数据作为电压趋势预测的原始数据,应用本发明步骤S2的三个预测模型对各监测点2019年12月监测到的电压偏差进行预测,获取电压监测点的预测值。采用电压监测仪对10个监测点的电压有效值进行采样,每5min采集一个点,本发明台区电压采用最大负荷日的电压曲线电压值作为真实值,最终预测结果如表2所示。
表2 2019年12月电压合格率的预测值与真实值的对比结果
从表2中可以看出:(一)监测点4出现了低电压预警,说明该监测点供电电压连续1h越下限,预警成功。(二)部分监测点(如监测点9)预测结果的相对误差相对较高,而其余监测点预测结果的相对误差较低的情况。出现此预测结果的原因可能在于该监测点电压未按照原有变化规律波动。分析监测点9的用户用电特性,发现该监测点9新增用电量大的用电用户,因此电压变化趋势随用户用电特性发生改变。导致12月电压偏差的预测结果较实际值相差较大。但仍可以作为分析的基础。
综上所述,预测得到的预测结果是比较准确的,其相对误差较小。总体而言,本算例验证了本文预测模型的有效性和预测方法的准确性。
以上仅为说明本发明的实施方式,并不用于限制本发明,对于本领域的技术人员来说,凡在本发明的精神和原则之内,不经过创造性劳动所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于电压变化规律的电压趋势预测方法,其特征在于,包括以下步骤:
历史样本数据预处理;
建立预测模型,利用历史样本数据分析预测模型的结果误差;
利用预测模型预测未来某一时间段的用电数据,并输出预测结果;
所述预测模型包括:灰色预测模型,对变电站3-5年的电压偏差进行长期预测;随机时间序列模型,对馈线月度至季度的电压趋势进行中期预测;线性回归模型,对配电台区周至月的电压趋势进行短期预测。
2.根据权利要求1所述的基于电压变化规律的电压趋势预测方法,其特征在于,所述对历史样本数据预处理包括对选取的某一时间段的历史数据中确实的数据进行估算,使该时间段的历史数据连续不间断。
3.根据权利要求1所述的基于电压变化规律的电压趋势预测方法,其特征在于,利用历史样本数据分析灰色预测模型的结果误差的过程包括:
选取某一变电站3-5年的电压偏差数据;
选取某一时间段内的电压监测数据,进行级比检验与可行性分析,得到参考数据序列;
对参考数据序列进行变换处理;
建立灰色预测模型的微分方程并求解;
对灰色预测模型进行误差分析。
4.根据权利要求1所述的基于电压变化规律的电压趋势预测方法,其特征在于,利用历史样本数据分析随机时间序列模型的结果误差的过程包括:
从历史样本数据中按时间随机选取一段时间序列数据;
时间序列数据的平稳化处理;
随机时间序列模型的识别和定阶;
利用自相关函数求得随机时间序列模型参数的估计值;
利用自相关函数法对随机时间序列模型进行检验。
5.根据权利要求1所述的基于电压变化规律的电压趋势预测方法,其特征在于,利用历史样本数据分析线性回归模型的结果误差的过程包括:
获得n对数据,建立自变量x和因变量y的一元线性回归模型y=a+bx+ε,应用最小二乘法估计未知参数a和b;将a和b的值带入一元线性回归模型,可得出y对x的线性回归方程;进行一元线性回归模型的检验;最后对预测结果进行相对误差和绝对误差分析。
6.根据权利要求3所述的基于电压变化规律的电压趋势预测方法,其特征在于,所述得到参考数据序列的过程包括:
选取某一时间段内的电压监测数据,用数据序列x(0)=(x(0)(1),x(0)(2),…,x(0)(n))表示,对数据列x(0)进行数据之间的级比计算;
进行灰色预测模型适用性的判断分析。
7.根据权利要求3所述的基于电压变化规律的电压趋势预测方法,其特征在于,所述对参考数据序列进行变换处理包括对参考数据序列进行一次累加后生成新数列。
10.根据权利要求6所述的基于电压变化规律的电压趋势预测方法,其特征在于,所述对灰色预测模型进行误差分析包括采用绝对误差和相对误差进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111149452.2A CN113935523A (zh) | 2021-09-29 | 2021-09-29 | 基于电压变化规律的电压趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111149452.2A CN113935523A (zh) | 2021-09-29 | 2021-09-29 | 基于电压变化规律的电压趋势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935523A true CN113935523A (zh) | 2022-01-14 |
Family
ID=79277424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111149452.2A Pending CN113935523A (zh) | 2021-09-29 | 2021-09-29 | 基于电压变化规律的电压趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935523A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113949060A (zh) * | 2021-09-29 | 2022-01-18 | 广西电网有限责任公司电力科学研究院 | 一种基于电压变化规律的电压趋势预测系统 |
-
2021
- 2021-09-29 CN CN202111149452.2A patent/CN113935523A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113949060A (zh) * | 2021-09-29 | 2022-01-18 | 广西电网有限责任公司电力科学研究院 | 一种基于电压变化规律的电压趋势预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102402726B (zh) | 一种基于区域负荷分析的大规模配电网电力电量预测方法 | |
CN105205570A (zh) | 一种基于季节时序分析的电网售电量预测方法 | |
CN106921158B (zh) | 一种基于配电变压器时间序列的历史采集数据的需要系数分析方法 | |
CN111080072A (zh) | 配电变压器健康指数评估方法、装置及系统 | |
CN107944612B (zh) | 一种基于arima和相空间重构svr的母线净负荷预测方法 | |
Zhu et al. | Based on the ARIMA model with grey theory for short term load forecasting model | |
Xu et al. | A water level prediction model based on ARIMA-RNN | |
CN103985000A (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN112906251B (zh) | 一种配电网可靠性影响要素的分析方法及系统 | |
CN105184388A (zh) | 一种城市电力负荷短期预测的非线性回归方法 | |
Ding et al. | Time series method for short-term load forecasting using smart metering in distribution systems | |
CN109447332A (zh) | 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 | |
Nagaraja et al. | A survey on wind energy, load and price forecasting:(Forecasting methods) | |
CN113935523A (zh) | 基于电压变化规律的电压趋势预测方法 | |
Kennedy et al. | A probabilistic model for simulating long-term wind-power output | |
CN112101673B (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
Khuntia et al. | Volatility in electrical load forecasting for long-term horizon—An ARIMA-GARCH approach | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN113949060A (zh) | 一种基于电压变化规律的电压趋势预测系统 | |
Zhang et al. | Research on wind power prediction based on time series | |
CN112506982A (zh) | 一种线路和配变的最大负载预测的方法 | |
CN110533247A (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
Hu et al. | Real-time line loss calculation method based on equivalent resistance of low voltage distribution network | |
Sauter et al. | Load forecasting in distribution grids with high renewable energy penetration for predictive energy management systems | |
CN114492923A (zh) | 一种长时间尺度功率预测方法 |
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 |