CN114186713A - 一种考虑远景发展情景约束的中长期用电量预测方法 - Google Patents
一种考虑远景发展情景约束的中长期用电量预测方法 Download PDFInfo
- Publication number
- CN114186713A CN114186713A CN202111361005.3A CN202111361005A CN114186713A CN 114186713 A CN114186713 A CN 114186713A CN 202111361005 A CN202111361005 A CN 202111361005A CN 114186713 A CN114186713 A CN 114186713A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- prediction
- consumption
- energy consumption
- historical
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005265 energy consumption Methods 0.000 claims abstract description 52
- 230000005611 electricity Effects 0.000 claims description 25
- 230000007774 longterm Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 12
- 239000003245 coal Substances 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine 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
- 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—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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (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
本发明公开了一种考虑远景发展情景约束的中长期用电量预测方法,涉及电力需求预测领域。它包括以下步骤:步骤1,收集数据资料,研判预测区域的远景水平年能源消费总量;步骤2,收集数据资料,研判远景水平年全社会用电量;步骤3,构建用电量预测模型;步骤4,计算待预测年份用电量;本发明提出的预测方法,通过分析远景能源消费情景预测远景电力消费水平,并以之作为远景情形约束添加到预测参数辨识模型中,使得到的预测模型既能准确拟合历史用电量数据,同时也能一定程度上反映未来发展趋势,克服常规预测思路单纯依据历史数据的不足。
Description
技术领域
本发明涉及电力需求预测领域,更具体地说它是一种考虑远景发展情景约束的中长期用电量预测方法。
背景技术
中长期用电量预测是我国现有电力规划体系的重要环节,为后续电源、电网规划工作以及其他系统专题研究提供边界条件,其准确与否直接影响整个电力规划成果的质量,同时也是衡量电网企业管理水平的重要标志;用电量增长既受人口政策、产业政策、宏观发展形势等经济社会因素影响,同时也受节能减排、电能替代推广、电力体制改革等能源电力行业自身政策性因素的影响,其内在机制越来越复杂,对中长期用电量预测方法的适用性提出了较高的要求。
目前,用电量预测方法主要有传统预测法、计量经济学模型预测法以及人工智能预测法等;其中,传统预测方法从用电量与经济发展指标之间关系出发,建立具有特定变化趋势的指标体系(如产值单耗、人均用电量、弹性系数等),再结合宏观经济形势进行外推来预测用电量;计量经济学方法将历史用电量视作离散时间序列,利用多元回归、ARMAR模型、协整模型等时间序列分析工具对历史数据进行拟合与外推;随着人工智能领域的快速发展,神经网络、灰色模型、支持向量机等工具逐步被用于电力需求预测领域,其通过建立用电量与影响因素之间复杂的非线性关系来进行预测,提升了模型的灵活性。
总体来看,上述用电量预测方法均是完全依据历史数据进行拟合建模和趋势外推,所建模型仅反映了用电量的历史变化规律,但其未来增长趋势受宏观政策、内外部环境等多方面因素影响可能偏离历史规律,导致预测结果不准确;事实上,电能消费作为我国总体能源消费中的一环,其增长趋势与我国中长期经济社会发展和能源电力发展的总体战略规划息息相关,这客观上要求预测模型不仅要能体现用电量增长的历史规律,同时也要能反映国家长期发展战略对用电量的影响,若仅按用电量历史数据趋势外推,易陷入“短视”而影响预测结果的合理性和可信性。
因此,提出一种考虑远景发展情景约束的中长期用电量预测方法很有必要。
发明内容
本发明的目的是为了克服上述背景技术的不足之处,而提供一种考虑远景发展情景约束的中长期用电量预测方法。
为了实现上述目的,本发明的技术方案为:一种考虑远景发展情景约束的中长期用电量预测方法,其特征在于,包括以下步骤:
步骤1,收集数据资料,研判预测区域的远景水平年能源消费总量:
收集预测区域长期发展战略资料,确定具有发展标志性的远景水平年,记为Y年;
收集整理预测区域的常住人口、人均GDP、人均能源消费量历史数据,根据预测区域长期发展战略安排,归纳整理与之相应的政策文件以及权威机构和知名专家的研究观点,研判预测区域Y年的人口总量、记为PY,人均GDP、记为GY;
收集整理各发达国家人均能源消费量随人均GDP变化的轨迹图,利用插值法确定第i个发达国家人均GDP处在GY水平时对应的人均能源消费量水平PEi,如下:
其中,Gi,m为第i个发达国家m年的人均GDP,PEi,m为第i个发达国家 m年的人均能源消费量历史值,并满足Gi,m<GY<Gi,m+1,1≤i≤N;
确定预测区域Y年的人均能源消费量PEY,如下:
PEY=α1PE1+α2PE2+…+αNPEN (2)
其中,αi为各发达国家权重,满足αi≥0且α1+α2+…+αN=1;
确定预测区域的Y年的能源消费总量EY
EY=PY×PEY (3)
步骤2,收集数据资料,研判远景水平年全社会用电量:
收集整理预测区域终端能源消费占能源消费总量比重η1,m、电能占终端能源消费比重η2,m、终端电能消费量占全社会电能消费量比重η3,m三个能效指标的逐年历史数据,其中m为年份;
分析指标η1,m、η2,m、η3,m的历史变化特性,分别按如下两种情况对Y 年各指标取值进行研判:
1)若能效指标j(j=1,2,3)的历史数据在某一范围内波动,无明显增长或下降趋势,则Y年的指标值可按下式预测:
2)若能效指标j的历史数据呈现明显的增长或下降趋势,则利用其历史统计数据建立相应的预测模型,如下:
其中,Fj(t)为所建的预测模型;
远景水平年Y的全社会用电量CY可按下式确定
其中,k为电力与标准煤的折算系数;
步骤3,构建用电量预测模型:
未来我国用电量将逐步进入饱和增长阶段,选取具有饱和特性的 Logistics曲线来拟合用电量增长趋势,使其既能准确拟合历史数据,也符合远景水平年用电量研判结果,实现对模型的人工干预,如式(7)所示
其中,中t为时间自变量,P(t)为因变量,K、Po、r均为待辨识参数;记获取的全社会用电量历史数据集Ω为
Ω={P(tn)|l≤n≤N} (8)
其中,历史样本数为N,样本集中tn年实际用电量为P(tn);
利用式(8)、(9)所示的最小二乘模型对参数K、Po、r进行辨识:
步骤4,计算待预测年份用电量:
利用参数辨识得到的最优预测模型计算中间待预测年份的用电量值,作为该年全社会用电量预测值,实现中长期用电量预测的目的。
步骤2中,Fj(t)在线性模型、多项式模型、指数模型、灰色模型中依据历史数据拟合精度进行选择。
步骤2中,k取0.1229千克标准煤/千瓦时。
本发明提出的预测方法,通过分析远景能源消费情景预测远景电力消费水平,并以之作为远景情形约束添加到预测参数辨识模型中,使得到的预测模型既能准确拟合历史用电量数据,同时也能一定程度上反映未来发展趋势,克服常规预测思路单纯依据历史数据的不足。
附图说明
图1为本发明的示意图。
图2为本发明的流程图。
图3为中国和发达国家人均能源消费量随人均GDP变化的轨迹图。
图4为本发明实施例中对中国和主要发达国家η1,m指标历史变化趋势的分析图。
图5为本发明实施例中对中国和主要发达国家η2,m指标历史变化趋势的分析图。
图6为本发明实施例中对中国和主要发达国家η3,m指标历史变化趋势的分析图。
图7为本发明实施例中对全国“十四五”全社会用电量的预测结果图。
具体实施方式
下面结合附图详细说明本发明的实施情况,但它们并不构成对本发明的限定,仅作举例而已。同时通过说明使本发明的优点将变得更加清楚和容易理解。
参阅附图可知:一种考虑远景发展情景约束的中长期用电量预测方法,其特征在于,包括以下步骤:
步骤1,收集数据资料,研判预测区域的远景水平年能源消费总量:
广泛收集预测区域长期发展战略相关的政策文件、研究报告、专家观点等资料,确定具有发展标志性的远景水平年,记为Y年;
收集整理预测区域的常住人口、人均GDP、人均能源消费量历史数据,根据预测区域长期发展战略安排,归纳整理与之相应的政策文件以及权威机构和知名专家的研究观点,研判预测区域Y年的人口总量、记为PY,人均GDP、记为GY;
收集整理各主要发达国家人均能源消费量随人均GDP变化的轨迹图,利用插值法确定第i个发达国家人均GDP处在GY水平时对应的人均能源消费量水平PEi,如下:
其中,Gi,m为第i个发达国家m年的人均GDP,PEi,m为第i个发达国家 m年的人均能源消费量历史值,并满足Gi,m<GY<Gi,m+1,1≤i≤N;
确定预测区域Y年的人均能源消费量PEY,如下:
PEY=α1PE1+α2PE2+…+αNPEN (2)
其中,αi为各发达国家权重,满足αi≥0且α1+α2+…+αN=1,其取值可根据预测区域与发达国家i的发展模式相似度来综合选取;
确定预测区域的Y年的能源消费总量EY
EY=PY×PEY (3)
步骤2,收集数据资料,研判远景水平年全社会用电量:
收集整理预测区域终端能源消费占能源消费总量比重η1,m、电能占终端能源消费比重η2,m、终端电能消费量占全社会电能消费量比重η3,m三个能效指标的逐年历史数据,其中m为年份;
分析指标η1,m、η2,m、η3,m的历史变化特性,分别按如下两种情况对Y 年各指标取值进行研判:
1)若能效指标j(j=1,2,3)的历史数据在某一范围内波动,无明显增长或下降趋势,则Y年的指标值可按下式预测:
2)若能效指标j的历史数据呈现明显的增长或下降趋势,则利用其历史统计数据建立相应的预测模型,如下:
其中,Fj(t)为所建的预测模型;
远景水平年Y的全社会用电量CY可按下式确定
其中,k为电力与标准煤的折算系数;
步骤3,构建用电量预测模型:
未来我国用电量将逐步进入饱和增长阶段,选取具有饱和特性的 Logistics曲线来拟合用电量增长趋势,使其既能准确拟合历史数据,也符合远景水平年用电量研判结果,实现对模型的人工干预,如式(7)所示
其中,中t为时间自变量,P(t)为因变量,K、Po、r均为待辨识参数;记获取的全社会用电量历史数据集Ω为
Ω={P(tn)|l≤n≤N} (8)
其中,历史样本数为N,样本集中tn年实际用电量为P(tn);
利用式(8)、(9)所示的最小二乘模型对参数K、Po、r进行辨识:
在最小二乘模型基础上引入了附加约束条件P(Y)=CY,即要求远景水平年Y的模型计算值P(Y)与研判值CY相等,使辨识得到的曲线模型既能较为准确地拟合历史数据,又能与远景发展情景研判结果相符合;
步骤4,计算待预测年份用电量:
利用参数辨识得到的最优预测模型计算中间待预测年份的用电量值,作为该年全社会用电量预测值,实现中长期用电量预测的目的。
步骤2中,Fj(t)在线性模型、多项式模型、指数模型、灰色模型中依据历史数据拟合精度进行选择。
步骤2中,k取0.1229千克标准煤/千瓦时。
实施例
下面结合附图及实施例对本发明作进一步的详细描述,但该实施例不应理解为对本发明的限制。以下为利用本发明提出的方法对“十四五”及中长期我国全社会用电量进行预测。
步骤1,收集数据资料,研判预测区域远景水平年能源消费总量:
依据发展战略,确定2050年为远景水平年,届时我国各项发展指标均向发达国家看齐。
收集和整理各大权威机构对我国未来人口、人均GDP预测情况,可得到我国未来主要年份的人口和人均GDP水平,如表1所示,
表1各机构对我国远景能源消费总量的预测结果(亿吨标准煤)
收集整理各主要发达国家人均能源消费量随人均GDP变化的轨迹图,如图3所示;利用式(1)-(3)所示方法计算人均GDP达到35224美元时,对应的人均能源消费量和能源消费总量分别为4200千克标准煤/人和58亿吨标准煤。
步骤2,收集数据资料,研判远景水平年全社会用电量:
收集整理我国域终端能源消费占能源消费总量比重、电能占终端能源消费比重、终端电能消费量占全社会电能消费量比重三个能效指标的逐年历史数据,如图4-6所示。
通过式(4)、(5)预测2050年我国能效指标,η1,Y为0.80,η2,Y为0.65,η3,Y为0.96;
通过式(6)计算2050年我国全社会用电量CY约为19.6亿千瓦时;
步骤3,构建用电量预测模型:
利用1980-2020年我国全社会用电量实际值座位样本,求解式(9)所示的优化问题,得到最优预测模型参数值;
步骤4,计算待预测年份用电量:
利用参数辨识得到的最优预测模型计算中间2025、2030年全社会用电量预测值,分别为10.47、13.05亿千瓦时。
其它未说明的部分均属于现有技术。
Claims (3)
1.一种考虑远景发展情景约束的中长期用电量预测方法,其特征在于,包括以下步骤:
步骤1,收集数据资料,研判预测区域的远景水平年能源消费总量:
收集预测区域长期发展战略资料,确定具有发展标志性的远景水平年,记为Y年;
收集整理预测区域的常住人口、人均GDP、人均能源消费量历史数据,根据预测区域长期发展战略安排,归纳整理与之相应的政策文件以及权威机构和知名专家的研究观点,研判预测区域Y年的人口总量、记为PY,人均GDP、记为GY;
收集整理各发达国家人均能源消费量随人均GDP变化的轨迹图,利用插值法确定第i个发达国家人均GDP处在GY水平时对应的人均能源消费量水平PEi,如下:
其中,Gi,m为第i个发达国家m年的人均GDP,PEi,m为第i个发达国家m年的人均能源消费量历史值,并满足Gi,m<GY<Gi,m+1,1≤i≤N;
确定预测区域Y年的人均能源消费量PEY,如下:
PEY=α1PE1+α2PE2+…+αNPEN (2)
其中,αi为各发达国家权重,满足αi≥0且α1+α2+…+αN=1;
研判预测区域的远景水平年Y的能源消费总量EY
EY=PY×PEY (3)
步骤2,收集数据资料,研判远景水平年全社会用电量:
收集整理预测区域终端能源消费占能源消费总量比重η1,m、电能占终端能源消费比重η2,m、终端电能消费量占全社会电能消费量比重η3,m三个能效指标的逐年历史数据,其中m为年份;
分析指标η1,m、η2,m、η3,m的历史变化特性,分别按如下两种情况对Y年各指标取值进行研判:
1)若能效指标j(i=1,2,3)的历史数据在某一范围内波动,无明显增长或下降趋势,则Y年的指标值可按下式预测:
2)若能效指标j的历史数据呈现明显的增长或下降趋势,则利用其历史统计数据建立相应的预测模型,如下:
其中,Fj(t)为所建的预测模型;
远景水平年Y的全社会用电量CY可按下式确定
其中,k为电力与标准煤的折算系数;
步骤3,构建用电量预测模型:
未来我国用电量将逐步进入饱和增长阶段,选取具有饱和特性的Logistics曲线来拟合用电量增长趋势,使其既能准确拟合历史数据,也符合远景水平年用电量研判结果,实现对模型的人工干预,如式(7)所示
其中,中t为时间自变量,P(t)为因变量,K、Po、r均为待辨识参数;
记获取的全社会用电量历史数据集Ω为
Ω={P(tn)|1≤n≤N} (8)
其中,历史样本数为N,样本集中tn年实际用电量为P(tn);
利用式(8)、(9)所示的最小二乘模型对参数K、Po、r进行辨识:
步骤4,计算待预测年份用电量:
利用参数辨识得到的最优预测模型计算中间待预测年份的用电量值,作为该年全社会用电量预测值,实现对中长期用电量预测的目的。
2.根据权利要求1所述的一种考虑远景发展情景约束的中长期用电量预测方法,其特征在于,步骤2中,Fj(t)在线性模型、多项式模型、指数模型、灰色模型中依据历史数据拟合精度进行选择。
3.根据权利要求2所述的一种考虑远景发展情景约束的中长期用电量预测方法,其特征在于,步骤2中,k取0.1229千克标准煤/千瓦时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361005.3A CN114186713B (zh) | 2021-11-17 | 2021-11-17 | 一种考虑远景发展情景约束的中长期用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361005.3A CN114186713B (zh) | 2021-11-17 | 2021-11-17 | 一种考虑远景发展情景约束的中长期用电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114186713A true CN114186713A (zh) | 2022-03-15 |
CN114186713B CN114186713B (zh) | 2024-05-24 |
Family
ID=80602128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111361005.3A Active CN114186713B (zh) | 2021-11-17 | 2021-11-17 | 一种考虑远景发展情景约束的中长期用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186713B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056848A (zh) * | 2023-10-10 | 2023-11-14 | 湖北华中电力科技开发有限责任公司 | 一种用于提升电力系统决策的监测数据质量分析方法 |
CN117114921A (zh) * | 2023-10-24 | 2023-11-24 | 北京嘉洁能科技股份有限公司 | 一种基于用户历史年用水量动态计费管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976072A (zh) * | 2016-05-31 | 2016-09-28 | 中国地质科学院矿产资源研究所 | 基于“s”形模型的电力需求预测方法 |
CN107748972A (zh) * | 2017-11-29 | 2018-03-02 | 国家电网公司 | 一种基于双能源指标预测全社会用电量的方法 |
CN108133283A (zh) * | 2017-12-11 | 2018-06-08 | 中国水利水电科学研究院 | 城市水系统和能源系统应对气候变化的联合响应调控方法 |
CN109492818A (zh) * | 2018-11-16 | 2019-03-19 | 上海交通大学 | 基于能源发展与Shapley值赋权的用电量预测方法 |
CN113095556A (zh) * | 2021-03-31 | 2021-07-09 | 广西大学 | 一种考虑碳中和趋势的中长期负荷预测方法及系统 |
-
2021
- 2021-11-17 CN CN202111361005.3A patent/CN114186713B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976072A (zh) * | 2016-05-31 | 2016-09-28 | 中国地质科学院矿产资源研究所 | 基于“s”形模型的电力需求预测方法 |
CN107748972A (zh) * | 2017-11-29 | 2018-03-02 | 国家电网公司 | 一种基于双能源指标预测全社会用电量的方法 |
CN108133283A (zh) * | 2017-12-11 | 2018-06-08 | 中国水利水电科学研究院 | 城市水系统和能源系统应对气候变化的联合响应调控方法 |
CN109492818A (zh) * | 2018-11-16 | 2019-03-19 | 上海交通大学 | 基于能源发展与Shapley值赋权的用电量预测方法 |
CN113095556A (zh) * | 2021-03-31 | 2021-07-09 | 广西大学 | 一种考虑碳中和趋势的中长期负荷预测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056848A (zh) * | 2023-10-10 | 2023-11-14 | 湖北华中电力科技开发有限责任公司 | 一种用于提升电力系统决策的监测数据质量分析方法 |
CN117056848B (zh) * | 2023-10-10 | 2023-12-29 | 湖北华中电力科技开发有限责任公司 | 一种用于提升电力系统决策的监测数据质量分析方法 |
CN117114921A (zh) * | 2023-10-24 | 2023-11-24 | 北京嘉洁能科技股份有限公司 | 一种基于用户历史年用水量动态计费管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114186713B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114186713A (zh) | 一种考虑远景发展情景约束的中长期用电量预测方法 | |
CN104239968B (zh) | 一种快速模糊粗糙集短期负荷预测方法 | |
CN111210170B (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
CN111260198A (zh) | 一种台区同期线损合理度评判方法、系统及终端设备 | |
CN116384595B (zh) | 一种基于成本联动的工程项目进度预测分析方法 | |
CN111539844B (zh) | 一种基于k-l信息量和arima误差修正的月度电量预测方法 | |
CN108876114A (zh) | 考虑新能源接入的电网效率效益评估方法 | |
CN115809783B (zh) | 一种中大型能源用户分行业能效评价预测方法 | |
CN114881374B (zh) | 用于建筑能耗预测的多元异构能耗数据融合方法和系统 | |
CN110223156A (zh) | 基于逐步最优特征选择的自动化模型调优算法 | |
CN117094754B (zh) | 一种结合宏观微观的中长期电量预测方法 | |
CN112330089B (zh) | 装备制造类企业的综合能效监测方法及监测系统 | |
CN109711621A (zh) | 基于判别分析和支持向量机结合的工业园区负荷预测方法 | |
CN114626655A (zh) | 一种区域综合能源系统多标准综合评价方法 | |
CN116362412A (zh) | 基于多场景下碳排放预测的高载能企业能源转型决策方法 | |
CN112001551B (zh) | 一种基于大用户电量信息的地市电网售电量预测方法 | |
Bozorgi et al. | Improving energy retrofit decisions by including uncertainty in the energy modelling process | |
CN114091955A (zh) | 基于新能源云平台的新能源消纳预警分析方法及系统 | |
CN117236532B (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及系统 | |
CN116205361B (zh) | 一种基于匹配度的工业用水效率分级预测方法 | |
CN116432474A (zh) | 一种网经协同的城市定位及发展评估方法 | |
CN116681424A (zh) | 桥梁面板预防性养护方法、装置、介质及电子设备 | |
CN107665380A (zh) | 基于电压等级的售电量预测方法 | |
Kong et al. | User group portrait method of integrated energy system based on multi-source big data | |
Khodabakhshian et al. | Data-Driven Decision-Making Framework for Cost-Efficient Energy Retrofit of Italian Residential Building Stock |
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 |