CN114004401A - 一种发电端中长期电量预测分解曲线生成方法 - Google Patents
一种发电端中长期电量预测分解曲线生成方法 Download PDFInfo
- Publication number
- CN114004401A CN114004401A CN202111282066.0A CN202111282066A CN114004401A CN 114004401 A CN114004401 A CN 114004401A CN 202111282066 A CN202111282066 A CN 202111282066A CN 114004401 A CN114004401 A CN 114004401A
- Authority
- CN
- China
- Prior art keywords
- curve
- medium
- long
- term
- factor
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 58
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 230000007774 longterm Effects 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 12
- 230000000903 blocking effect Effects 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 2
- 230000009131 signaling function Effects 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种发电端中长期电量预测分解曲线生成方法,与现有技术相比解决了难以针对发电端中长期电量进行预测的缺陷。本发明包括以下步骤:发电端历史运行数据的获取;供需比曲线数据的生成;供需比现货因子的迭代计算;中长期交易因子的计算;发电端中长期电量预测分解曲线的生成。本发明充分发挥电力现货市场的信号作用,基于电力现货市场实际运行给出的数据信号,对发电端中长期电量曲线,综合考虑多因素进行预测分解曲线的迭代优化,实现了发电端中长期电量预测分解曲线的生成。
Description
技术领域
本发明涉及发电端大数据分析技术领域,具体来说是一种发电端中长期电量预测分解曲线生成方法。
背景技术
电力现货市场技术系统是一系列可观可控电力设备的有机组合,包括发电机、电网、用户端等,发用电力设备通过网络实现交互。电力现货市场是发电机和负荷在满足一系列源网荷运行约束的条件下,使整个电力系统运行的社会福利最大化的优化问题,现货市场在日前D-1天和实时D天组织运行,出清得到每15分钟的节点量价曲线,为持续开展中长期市场提供实际运行信号。电力现货市场环境下,中长期交易品种更多样、交易频次也更高,随着国内电力市场由年度和月度中长期市场向现货市场演进,中长期合约逐步由年度月度合约向月内、周等更趋近现货市场日前D-1天转变,发电端(企业)基于现货市场所提供信号不断迭代优化中长期交易合约签订申报决策。
电力现货市场在用户侧采用统一交割点的情况下,发电企业需要承担从机组所在节点到用户统一交割点的阻塞费用,因此,发电企业在中长期交易时,不仅要考虑自身发电成本,还要考虑阻塞成本,而且现货市场出清优化中阻塞成本与现货市场出清的拉格朗日因子暨节点边际价格相关,需要一定的数据支撑,挖掘现货节点边际价格变化规律。
现货市场环境下,中长期合约差价交割的情况下,发电企业除了要考虑发电成本和阻塞成本外,还需要参考用户统一交割点边际价格,如果用户统一交割点价格较低,可以增加中长期合约电量,反之降低;现货市场环境下,中长期交易品种繁多,各类交易品种分解曲线不一样对应的合约价值也不一样,需要计算不同交易曲线对应合约的价值,方便发电企业进行交易填报操作。
电力现货市场背景下,发电端中长期电量曲线,需要基于电力现货市场实际运行给出的数据信号,综合考虑多因素进行预测分解的适应性迭代优化,其中包括:现货实际电力供需比对中长期曲线分解的反馈,实际电网运行阻塞对发电端所在不同节点曲线的差异性影响,发电端所供负荷类型及主导行业跟踪识别曲线不同特征、温度因子对不同时间尺度电力中长期交易敏感性不同等。
发明内容
本发明的目的是为了解决现有技术中难以针对发电端中长期电量进行预测的缺陷,提供一种发电端中长期电量预测分解曲线生成方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种发电端中长期电量预测分解曲线生成方法,包括以下步骤:
发电端历史运行数据的获取:获取发电端前一周的电量性数据,其包括统调负荷、非市场机组出力、地方电出力、联络线功率、市场机组可用容量、市场机组装机容量、市场机组检修容量、主导行业因子、负荷类型因子和温度因子;
供需比曲线数据的生成:基于发电端历史运行数据生成供需比曲线数据;
供需比现货因子的迭代计算:对供需比曲线数据中的现货因子进行迭代计算;
中长期交易因子的计算:通过供需比曲线数据计算含度电成本和阻塞的成本参考因子和现货交易因子;
发电端中长期电量预测分解曲线的生成:从供需比、主导行业、负荷类型、温度、中长期交易因子出发,生成发电端中长期电量预测分解曲线。
所述供需比曲线数据的生成包括以下步骤:
设定分时供需比的计算公式如下:
L竞价,t=L统调,t-S非市场,t-S地方电,t-S联络线,t
S可用,t=S市场装机-S检修,t
X供需,t=L竞价,t÷S可用,t
式中:L竞价,t为t时段日前竞价出力空间,L统调,t为t时段统调负荷,S非市场,t为t时段非市场机组出力,S地方电,t为t时段地方电出力,S联络线,t为t时段联络线功率;S可用,t为t时段市场机组可用容量,S市场装机为市场机组装机容量,S检修,t为t时段市场机组检修容量;X供需,t为t时段供需比;
设定机组所在节点现货边际价格拟合函数如下式所示:
LMPi,t=k1X供需,t+b1,
式中:LMPi,t为t时段机组所在节点现货边际因子,k1为拟合函数的一次项系数,b1为拟合函数的常数项;
设定用户统一结算点现货边际因子拟合函数如下式所示:
LMP统一,t=k2X供需,t+b2,
式中:LMP统一,t为t时段用户统一交割点现货边际因子,k2为拟合函数的一次项系数,b2为拟合函数的常数项。
所述供需比现货因子的迭代计算包括以下步骤:
以交易日的前一周平均供需比为输入,其中每个时段的供需比为交易日的前一周同一时段供需比的平均值,平均供需比计算公式如下:
迭代计算发电端机组所在节点现货边际因子和用户统一交割点现货因子,
机组所在节点现货因子推导预测值LMPi,t如下:
其中,b1为拟合函数的常数项;
用户统一结算点现货因子推导预测值LMP统一,t如下:
b2为拟合函数的常数项。
所述中长期交易因子的计算包括以下步骤:
在中长期交易曲线数据下,设成本参考因子计算公式如下:
P成本参考=P度电+P阻塞
式中:P阻塞为机组的阻塞成本,Qt为t时段中长期交易电量;P成本参考为机组的成本参考因子,P度电为机组的度电发电成本;
给定中长期交易曲线下,设现货参考因子计算公式如下:
式中:P现货参考为机组的现货参考因子。
所述发电端中长期电量预测分解曲线的生成包括以下步骤:
对供需比曲线、主导行业因子、负荷类型因子、温度和中长期交易因子利用曲线相似度识别方法识别出相似曲线,得到曲线特征;
由曲线特征判别得到各曲线特征量化值,将其特征值进行向量表示,即得到其曲线特征向量,
其中,对于选定的典型曲线,将其特征向量定义为标准模式,计作A0,则A0={x01,x02,x03,x04,x05},其中,x01表示供需比曲线,x02表示主导行业因子,x03表示负荷类型因子,x04表示温度,x05表示中长期交易因子;
针对其余n个待识别曲线,得到其特征向量,Ai={xi1,xi2,xi3,xi4,xi5},i=1,2,…n;
选取模糊模式识别中贴近度的计算方法,选择最大最小贴近都对曲线特征向量进行测算,测算得出待识别曲线与典型曲线之间的贴近度,其计算公式如下:
其中,N(A0,Ai)表示A0与Ai的贴近度,∧为取小算子,∨为取大算子;
通过上式得到n个贴近度测算值,通过对贴近都进行排序,即得到与选取的典型曲线相似的曲线类型;
按阈值原则或择近原则从n个曲线中筛选出相似曲线;
其中阈值原则为相近度大于某一个值的时候,才能判定其为同类型曲线,在此将其阈值定义为80%;择近原则为根据贴近度进行排序,判定贴近度最大的一组曲线作为同类型曲线,在此选取贴近度最大的前20%进行波动率测算;
将波动率嵌入历史电量分解曲线迭代得出发电端中长期预测分解曲线。
有益效果
本发明的一种发电端中长期电量预测分解曲线生成方法,与现有技术相比充分发挥电力现货市场的信号作用,基于电力现货市场实际运行给出的数据信号,对发电端中长期电量曲线,综合考虑多因素进行预测分解曲线的迭代优化,实现了发电端中长期电量预测分解曲线的生成。
本发明综合考虑了现货实际电力供需比对中长期曲线分解的反馈,实际电网运行阻塞对发电端所在不同节点曲线的差异性影响,发电端所供负荷类型及主导行业跟踪识别曲线不同特征、温度因子对不同时间尺度电力中长期交易敏感性不同等。基于市场运营机构披露的信息,计算各个时段的供需比,以此作为输入,以现货节点边际价格作为输出,拟合得到供需比-现货价格的量化函数,其简单实用,便于发电端操作。
本发明基于机组所在节点的供需比-现货价格量化函数推导值和用户统一交割点的供需比-现货价格量化函数推导值计算各类中长期交易曲线的参考值。
附图说明
图1为本发明的方法顺序图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种发电端中长期电量预测分解曲线生成方法,包括以下步骤:
第一步,发电端历史运行数据的获取:获取发电端前一周的电量性数据,其包括统调负荷、非市场机组出力、地方电出力、联络线功率、市场机组可用容量、市场机组装机容量、市场机组检修容量、主导行业因子、负荷类型因子和温度因子。
第二步,供需比曲线数据的生成:基于发电端历史运行数据生成供需比曲线数据。在此,挖据拟合实际运行中时间颗粒度更精细的分时现货市场供需比,以及机组所在不同节点、用户所在不同节点现货边际价格所内含的点对点时空阻塞。其具体步骤如下:
(1)设定分时供需比的计算公式如下:
L竞价,t=L统调,t-S非市场,t-S地方电,t-S联络线,t
S可用,t=S市场装机-S检修,t
X供需,t=L竞价,t÷S可用,t
式中:L竞价,t为t时段日前竞价出力空间,L统调,t为t时段统调负荷,S非市场,t为t时段非市场机组出力,S地方电,t为t时段地方电出力,S联络线,t为t时段联络线功率;S可用,t为t时段市场机组可用容量,S市场装机为市场机组装机容量,S检修,t为t时段市场机组检修容量;X供需,t为t时段供需比;
(2)设定机组所在节点现货边际价格拟合函数如下式所示:
LMPi,t=k1X供需,t+b1,
式中:LMPi,t为t时段机组所在节点现货边际因子,k1为拟合函数的一次项系数,b1为拟合函数的常数项;
(3)设定用户统一结算点现货边际因子拟合函数如下式所示:
LMP统一,t=k2X供需,t+b2,
式中:LMP统一,t为t时段用户统一交割点现货边际因子,k2为拟合函数的一次项系数,b2为拟合函数的常数项。
第三步,供需比现货因子的迭代计算:对供需比曲线数据中的现货因子进行迭代计算。将实际运行的供需比因子最新时空信号迭代反馈至下一周期中长期曲线预测分解中。
(1)以交易日的前一周平均供需比为输入,其中每个时段的供需比为交易日的前一周同一时段供需比的平均值,平均供需比计算公式如下:
(2)迭代计算发电端机组所在节点现货边际因子和用户统一交割点现货因子,
机组所在节点现货因子推导预测值LMPi,t如下:
其中,b1为拟合函数的常数项;
用户统一结算点现货因子推导预测值LMP统一,t如下:
b2为拟合函数的常数项。
第四步,中长期交易因子的计算:通过供需比曲线数据计算含度电成本和阻塞的成本参考因子和现货交易因子。将实际运行的阻塞因子最新时空信号迭代反馈至下一周期中长期曲线预测分解中。其具体步骤如下:
(1)在中长期交易曲线数据下,设成本参考因子计算公式如下:
P成本参考=P度电+P阻塞
式中:P阻塞为机组的阻塞成本,Qt为t时段中长期交易电量;P成本参考为机组的成本参考因子,P度电为机组的度电发电成本;
(2)给定中长期交易曲线下,设现货参考因子计算公式如下:
式中:P现货参考为机组的现货参考因子。
第五步,发电端中长期电量预测分解曲线的生成:从供需比、主导行业、负荷类型、温度、中长期交易因子出发,生成发电端中长期电量预测分解曲线。
(1)对供需比曲线、主导行业因子、负荷类型因子、温度和中长期交易因子利用曲线相似度识别方法识别出相似曲线,得到曲线特征;
(2)由曲线特征判别得到各曲线特征量化值,将其特征值进行向量表示,即得到其曲线特征向量,
其中,对于选定的典型曲线,将其特征向量定义为标准模式,计作A0,则A0={x01,x02,x03,x04,x05},其中,x01表示供需比曲线,x02表示主导行业因子,x03表示负荷类型因子,x04表示温度,x05表示中长期交易因子;
针对其余n个待识别曲线,得到其特征向量,Ai={xi1,xi2,xi3,xi4,xi5},i=1,2,…n;
(3)选取模糊模式识别中贴近度的计算方法,选择最大最小贴近都对曲线特征向量进行测算,测算得出待识别曲线与典型曲线之间的贴近度,其计算公式如下:
其中,N(A0,Ai)表示A0与Ai的贴近度,∧为取小算子,∨为取大算子;
(4)通过上式得到n个贴近度测算值,通过对贴近都进行排序,即得到与选取的典型曲线相似的曲线类型;
(5)按阈值原则或择近原则从n个曲线中筛选出相似曲线;
其中阈值原则为相近度大于某一个值的时候,才能判定其为同类型曲线,在此将其阈值定义为80%;择近原则为根据贴近度进行排序,判定贴近度最大的一组曲线作为同类型曲线,在此选取贴近度最大的前20%进行波动率测算;
(6)将波动率嵌入历史电量分解曲线迭代得出发电端中长期预测分解曲线。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.一种发电端中长期电量预测分解曲线生成方法,其特征在于,包括以下步骤:
11)发电端历史运行数据的获取:获取发电端前一周的电量性数据,其包括统调负荷、非市场机组出力、地方电出力、联络线功率、市场机组可用容量、市场机组装机容量、市场机组检修容量、主导行业因子、负荷类型因子和温度因子;
12)供需比曲线数据的生成:基于发电端历史运行数据生成供需比曲线数据;
13)供需比现货因子的迭代计算:对供需比曲线数据中的现货因子进行迭代计算;
14)中长期交易因子的计算:通过供需比曲线数据计算含度电成本和阻塞的成本参考因子和现货交易因子;
15)发电端中长期电量预测分解曲线的生成:从供需比、主导行业、负荷类型、温度、中长期交易因子出发,生成发电端中长期电量预测分解曲线。
2.根据权利要求1所述的一种发电端中长期电量预测分解曲线生成方法,其特征在于,所述供需比曲线数据的生成包括以下步骤:
21)设定分时供需比的计算公式如下:
L竞价,t=L统调,t-S非市场,t-S地方电,t-S联络线,t
S可用,t=S市场装机-S检修,t
X供需,t=L竞价,t÷S可用,t
式中:L竞价,t为t时段日前竞价出力空间,L统调,t为t时段统调负荷,S非市场,t为t时段非市场机组出力,S地方电,t为t时段地方电出力,S联络线,t为t时段联络线功率;S可用,t为t时段市场机组可用容量,S市场装机为市场机组装机容量,S检修,t为t时段市场机组检修容量;X供需,t为t时段供需比;
22)设定机组所在节点现货边际价格拟合函数如下式所示:
LMPi,t=k1X供需,t+b1,
式中:LMPi,t为t时段机组所在节点现货边际因子,k1为拟合函数的一次项系数,b1为拟合函数的常数项;
23)设定用户统一结算点现货边际因子拟合函数如下式所示:
LMP统一,t=k2X供需,t+b2,
式中:LMP统一,t为t时段用户统一交割点现货边际因子,k2为拟合函数的一次项系数,b2为拟合函数的常数项。
5.根据权利要求1所述的一种发电端中长期电量预测分解曲线生成方法,其特征在于,所述发电端中长期电量预测分解曲线的生成包括以下步骤:
51)对供需比曲线、主导行业因子、负荷类型因子、温度和中长期交易因子利用曲线相似度识别方法识别出相似曲线,得到曲线特征;
52)由曲线特征判别得到各曲线特征量化值,将其特征值进行向量表示,即得到其曲线特征向量,
其中,对于选定的典型曲线,将其特征向量定义为标准模式,计作A0,则A0={x01,x02,x03,x04,x05},其中,x01表示供需比曲线,x02表示主导行业因子,x03表示负荷类型因子,x04表示温度,x05表示中长期交易因子;针对其余n个待识别曲线,得到其特征向量,Ai={xi1,xi2,xi3,xi4,xi5},i=1,2,…n;
53)选取模糊模式识别中贴近度的计算方法,选择最大最小贴近都对曲线特征向量进行测算,测算得出待识别曲线与典型曲线之间的贴近度,其计算公式如下:
其中,N(A0,Ai)表示A0与Ai的贴近度,∧为取小算子,∨为取大算子;
54)通过上式得到n个贴近度测算值,通过对贴近都进行排序,即得到与选取的典型曲线相似的曲线类型;
55)按阈值原则或择近原则从n个曲线中筛选出相似曲线;
其中阈值原则为相近度大于某一个值的时候,才能判定其为同类型曲线,在此将其阈值定义为80%;择近原则为根据贴近度进行排序,判定贴近度最大的一组曲线作为同类型曲线,在此选取贴近度最大的前20%进行波动率测算;
56)将波动率嵌入历史电量分解曲线迭代得出发电端中长期预测分解曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111282066.0A CN114004401A (zh) | 2021-11-01 | 2021-11-01 | 一种发电端中长期电量预测分解曲线生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111282066.0A CN114004401A (zh) | 2021-11-01 | 2021-11-01 | 一种发电端中长期电量预测分解曲线生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004401A true CN114004401A (zh) | 2022-02-01 |
Family
ID=79926018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111282066.0A Pending CN114004401A (zh) | 2021-11-01 | 2021-11-01 | 一种发电端中长期电量预测分解曲线生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004401A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196696A (zh) * | 2023-11-06 | 2023-12-08 | 南京南自华盾数字技术有限公司 | 一种基于市场供需关系和机组行为的电价预测方法 |
-
2021
- 2021-11-01 CN CN202111282066.0A patent/CN114004401A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196696A (zh) * | 2023-11-06 | 2023-12-08 | 南京南自华盾数字技术有限公司 | 一种基于市场供需关系和机组行为的电价预测方法 |
CN117196696B (zh) * | 2023-11-06 | 2024-01-19 | 南京南自华盾数字技术有限公司 | 一种基于市场供需关系和机组行为的电价预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7221376B2 (ja) | 装置、方法、およびプログラム | |
JP7482167B2 (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
Baringo et al. | Risk-constrained multi-stage wind power investment | |
Karakatsani et al. | Forecasting electricity prices: The impact of fundamentals and time-varying coefficients | |
US11551176B2 (en) | Methods and systems for determining economic viability of microgrid | |
JP5248372B2 (ja) | 発電計画作成方法、装置、プログラムおよび記憶装置 | |
US20120150707A1 (en) | Systems and methods for providing energy efficient building equipment and services | |
US20030182250A1 (en) | Technique for forecasting market pricing of electricity | |
JP6763193B2 (ja) | 需給計画装置、需給計画方法及びプログラム | |
BROŻYNA et al. | MULTI-SEASONALITY IN THE TBATS MODEL USING DEMAND FOR ELECTRIC ENERGY AS A CASE STUDY. | |
CN114004401A (zh) | 一种发电端中长期电量预测分解曲线生成方法 | |
Velasco et al. | Day-ahead base, intermediate, and peak load forecasting using k-means and artificial neural networks | |
CN117196695B (zh) | 一种目标产品的销量数据的预测方法及装置 | |
Zheng et al. | An application of machine learning for a smart grid resource allocation problem | |
Koch | Intraday imbalance optimization: Incentives and impact of strategic intraday bidding in Germany | |
CN108429260B (zh) | 售电公司多时间尺度交易电量决策方法和系统 | |
Zhang et al. | Two-stage characteristic recognition of demand side resource for load aggregator based on bias-SVD matrix factorization and Bayesian inference | |
Keles et al. | Evaluation of photovoltaic storage systems on energy markets under uncertainty using stochastic dynamic programming | |
CN116071102A (zh) | 一种基于订单的电力变压器供应预警方法及系统 | |
Ni et al. | Logistics demand forecast of fresh food e-commerce based on Bi-LSTM model | |
Avdevicius et al. | Bus charging management based on AI prediction and MILP optimization | |
Ghanbari et al. | Modeling market trading strategies of the intermediary entity for microgrids: A reinforcement learning-based approach | |
Vo | Forecast on electricity demand for industry and construction sectors in Vietnam by 2030 | |
CN110599244A (zh) | 基于系统动力学的电网投资规划预算系统 | |
Bianchini et al. | Flexibility Management for Industrial Energy Systems |
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 |