CN114266375A - 一种基于多新息算法的地区短期电力负荷峰值预测方法 - Google Patents

一种基于多新息算法的地区短期电力负荷峰值预测方法 Download PDF

Info

Publication number
CN114266375A
CN114266375A CN202110947131.0A CN202110947131A CN114266375A CN 114266375 A CN114266375 A CN 114266375A CN 202110947131 A CN202110947131 A CN 202110947131A CN 114266375 A CN114266375 A CN 114266375A
Authority
CN
China
Prior art keywords
load
peak value
day
formula
daily
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
CN202110947131.0A
Other languages
English (en)
Inventor
胡秀明
李近
安玉琼
周桂林
吴燕
李莉
陈晓锋
赵淑萍
杨聚国
刘敏
徐爱春
黄涓
宋思琪
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 Corp of China SGCC
Huanggang Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Huanggang Power Supply Co of State Grid Hubei Electric Power Co Ltd
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 Corp of China SGCC, Huanggang Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110947131.0A priority Critical patent/CN114266375A/zh
Publication of CN114266375A publication Critical patent/CN114266375A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Air Conditioning Control Device (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种基于多新息算法的地区短期电力负荷峰值预测方法。首先，收集预测日之前的历史日电力负荷峰值；其次，收集历史日对应的日最高气温、最低气温；然后，根据历史日负荷峰值、气温，利用多新息算法计算短期负荷关联因子；最后，结合历史日负荷、预测日的预计气温、短期负荷关联因子，计算预测日的负荷峰值。本发明方法原理简单，计算量小，准确度较高，能够快速实现地区短期电力负荷峰值预测。

Description

一种基于多新息算法的地区短期电力负荷峰值预测方法
技术领域
本发明属于电力系统领域，涉及电力负荷峰值短期预测，具体涉及一种基于多新息算法的地区短期电力负荷峰值预测方法。
背景技术
电力系统负荷具有波动性，即每日每一时刻负荷均在发生变化，但其变化具有一定的规律。随着气温的上升或下降，电力负荷发生变化特征较为明显。夏季气温升高，空调等电器的大量使用，会导致电力负荷的大量上升。冬季气温骤降，取暖设备投入使用，也会导致电力负荷的大量上升。根据这一规律，电力系统常用气温相关因子进行电力负荷预测。其预测结果作为电力系统运行人员开展电网运行方式调整、负荷调整、设备维护等工作的依据，保障电力系统正常运行和用户正常供电。可见，电力系统负荷预测具有十分重要的意义。
在重要节假日（如春节、国庆等），电力系统负荷预测一般需要提前开展，将负荷峰值预测结果上报至能源管理部门，作为电力调度依据。当日内的负荷预测被称为超短期负荷预测，一般参考前一日的负荷结果，适当修正即可得到较为准确的结果。而短期负荷预测一般提前2天以上，仅参考前2日的数据，结果准确度不高，因此，需要考虑其他预测方法。常用的方法有线性法、近似平均法、神经网络法、人体舒适度方法、灰色理论方法等，线性法、近似平均法计算简单，但忽略了负荷随气温等因素变化，精度往往不高；神经网络法、人体舒适度方法、灰色理论方法精度较高，但计算复杂。本发明提出一种基于多新息算法的地区短期电力负荷峰值预测方法，利用多新息理论，并考虑气温对负荷峰值的影响，计算量小，结果精度较高，能够满足电力系统需求。
发明内容
为了克服现有电力系统短期负荷峰值预测方法存在的不足，本发明的目的是提供一种基于多新息算法的地区短期电力负荷峰值预测方法，仅利用已知日气温、负荷峰值，实现预测未知的日负荷，且精度较高。
为了达到上述目的，本发明采用的技术方案是：
一种基于多新息算法的地区短期电力负荷峰值预测方法，其特征在于，包括以下步骤：
步骤1：收集预测日之前的历史日电力负荷峰值，记为
Figure DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE006
……
Figure DEST_PATH_IMAGE008
，其中
Figure 66372DEST_PATH_IMAGE002
为预测日3天前的日负荷峰值，
Figure 514671DEST_PATH_IMAGE004
为预测日4天前的日负荷峰值，以此类推，
Figure 825567DEST_PATH_IMAGE008
为预测日n+2天前的日负荷峰值。
步骤2：收集历史日对应的日最高气温、最低气温。最高气温分别记为
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE014
……
Figure DEST_PATH_IMAGE016
，最低气温分别记为
Figure DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE022
……
Figure DEST_PATH_IMAGE024
。
步骤3：根据历史日负荷峰值、气温，利用多新息算法计算短期负荷关联因子。具体算法如下：
同一地区短期内，某日电力负荷峰值
Figure DEST_PATH_IMAGE026
与该日气温、近期历史日负荷存在密切关联，其关系表达式可表示为：
Figure DEST_PATH_IMAGE028
（1）；
其中，
Figure DEST_PATH_IMAGE030
为最高气温关联因子，
Figure DEST_PATH_IMAGE032
为最低气温关联因子，
Figure DEST_PATH_IMAGE034
为平均负荷关联因子，
Figure DEST_PATH_IMAGE036
为最近日负荷关联因子。
Figure DEST_PATH_IMAGE038
即为该日之前第3天的负荷峰值，
Figure DEST_PATH_IMAGE040
为该日之前第3天、4天、5天负荷峰值的平均值。
当有n+3天已知气温、负荷数据时，式（1）可表示为n维矩阵形式：
Figure DEST_PATH_IMAGE042
（2）；
求解式（2），即可算出未知数
Figure 922573DEST_PATH_IMAGE030
、
Figure 2525DEST_PATH_IMAGE032
、
Figure 356146DEST_PATH_IMAGE034
、
Figure 905070DEST_PATH_IMAGE036
。然后可以根据预测日的天气预报气温，结合预测日之前3天的负荷峰值，即可利用式（1）算出预测日负荷峰值。，因此，关键之处在于如何快速计算未知数
Figure 369549DEST_PATH_IMAGE030
、
Figure 569586DEST_PATH_IMAGE032
、
Figure 828529DEST_PATH_IMAGE034
、
Figure 114017DEST_PATH_IMAGE036
。做法如下，令：
Figure DEST_PATH_IMAGE044
,
Figure DEST_PATH_IMAGE046
,
Figure DEST_PATH_IMAGE048
；
则式（1）可表示为：
Figure DEST_PATH_IMAGE050
（3）；
求解式（3），则
Figure DEST_PATH_IMAGE052
（4）；
式（4）中
Figure DEST_PATH_IMAGE054
为矩阵
Figure DEST_PATH_IMAGE056
的逆矩阵，n为已知的数据组数，当n大于4时，求解逆矩阵的方法为：
Figure DEST_PATH_IMAGE058
（5）；
求解四个未知数
Figure 303559DEST_PATH_IMAGE030
、
Figure 623682DEST_PATH_IMAGE032
、
Figure 585951DEST_PATH_IMAGE034
、
Figure 358735DEST_PATH_IMAGE036
，原本只需要4组已知数据即可，但求解结果并不准确，在新增数据后，对求解结果进行修正。假设新增的数据为
Figure DEST_PATH_IMAGE060
、
Figure DEST_PATH_IMAGE062
，改进后的未知参数估计向量为
Figure DEST_PATH_IMAGE064
，由式（4）、式（5）可得：
Figure DEST_PATH_IMAGE066
（6）；
式（6）中，
Figure DEST_PATH_IMAGE068
，
Figure DEST_PATH_IMAGE070
。根据矩阵求逆公式和多新息思想，参数求解公式如下：
Figure DEST_PATH_IMAGE072
（7）；
式中，
Figure DEST_PATH_IMAGE074
表示n+1阶单位矩阵，
Figure 837121DEST_PATH_IMAGE064
即表示第n+1次求解的参数结果。利用式（7）不断递推计算，可以得到精度较高的未知参数
Figure 995439DEST_PATH_IMAGE030
、
Figure 596184DEST_PATH_IMAGE032
、
Figure 856264DEST_PATH_IMAGE034
、
Figure 200658DEST_PATH_IMAGE036
，使得拟合出的多组负荷峰值与实际峰值误差均方根最小。
步骤4：根据计算出的参数
Figure 229794DEST_PATH_IMAGE030
、
Figure 267020DEST_PATH_IMAGE032
、
Figure 499549DEST_PATH_IMAGE034
、
Figure 647634DEST_PATH_IMAGE036
，结合预测日的天气预报气温、预测日之前3天的负荷峰值，利用公式（1）即可计算出预测日的负荷峰值，实现负荷峰值预测。
本发明和现有区段定位方法相比较，具有如下优点：
本发明提出的一种基于多新息算法的地区短期电力负荷峰值预测方法，专门针对电力系统短期负荷峰值预测，只需要收集预测日3天之前的已知日负荷峰值、最高气温、最低气温，利用多新息方法实现关联因子的精准计算，结果精度高，计算方法简单，再结合预测日的天气预报气温和3天之前的负荷情况，即可快速得到预测日负荷。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
对该地区一个月内连续24天负荷峰值、最高气温、最低气温数据，利用本发明提出的多新息算法，计算关联因子参数，结合25日至30日气温预报，计算日负荷峰值。
表1是某地区一个月内连续24日电力负荷峰值、最高气温、最低气温情况。
表1
日期 最高气温（℃） 最低气温（℃） 负荷（兆瓦）
1 8.8 5.8 204.65
2 8.7 5.9 210.93
3 7.9 5.2 217.03
4 9.3 2.1 217.13
5 11 1.9 214.33
6 9.4 1.6 218.08
7 8.6 6.1 218.17
8 9.1 6.1 216.52
9 9.7 8.1 221.58
10 11.8 7.6 217.55
11 13.9 5.2 220.47
12 11.4 3.3 214.28
13 3.6 0.5 222.13
14 5.4 0.4 231.29
15 6.9 -1.6 237.9
16 7.4 0.1 242.52
17 7.9 2.7 238.81
18 8.2 4.2 235.55
19 9.7 0.8 235.35
20 10.7 -0.8 233.27
21 12.8 -2 233.39
22 11.7 -1.8 229.9
23 13.5 3.7 227.3
24 14.2 1.3 218.08
表2
日期 预计最高气温（℃） 预计最低气温（℃）
25 11.3 0.6
26 14.8 4.4
27 17.7 5.8
28 9.7 4.5
29 2.1 0.2
30 3.5 -3.5
表3是25日至30日电力负荷预测结果与实际负荷对比情况。
表3
日期 预测负荷峰值（兆瓦） 实际负荷峰值（兆瓦） 误差（百分数）
25 239.02 220.84 8.23%
26 227.74 222.1 2.54%
27 218.68 218.66 0.01%
28 228.08 212.61 7.28%
29 241.26 227.8 5.91%
30 241.42 246.57 2.09%
利用本发明提供的方法可以实现短期内电力日负荷峰值预测。如图1所示，包括如下步骤：
步骤1：收集预测日之前的历史日电力负荷峰值，记为
Figure 265697DEST_PATH_IMAGE002
、
Figure 739404DEST_PATH_IMAGE004
、
Figure DEST_PATH_IMAGE076
……
Figure DEST_PATH_IMAGE078
，其中
Figure 488923DEST_PATH_IMAGE002
为预测日3天前的日负荷峰值，
Figure 440698DEST_PATH_IMAGE004
为预测日4天前的日负荷峰值，以此类推，
Figure DEST_PATH_IMAGE080
为预测日n+2天前的日负荷峰值。
步骤2：收集历史日对应的日最高气温、最低气温。最高气温分别记为
Figure 710006DEST_PATH_IMAGE010
、
Figure 89034DEST_PATH_IMAGE012
、
Figure 30577DEST_PATH_IMAGE014
……
Figure 786043DEST_PATH_IMAGE016
，最低气温分别记为
Figure 113119DEST_PATH_IMAGE018
、
Figure 928629DEST_PATH_IMAGE020
、
Figure 606735DEST_PATH_IMAGE022
……
Figure 415159DEST_PATH_IMAGE024
。
步骤3：根据历史日负荷峰值、气温，利用多新息算法计算短期负荷关联因子。具体算法如下：
同一地区短期内，某日电力负荷峰值
Figure 862321DEST_PATH_IMAGE026
与该日气温、近期历史日负荷存在密切关联，其关系表达式可表示为：
Figure DEST_PATH_IMAGE082
（1）；
其中，
Figure 848732DEST_PATH_IMAGE030
为最高气温关联因子，
Figure 279713DEST_PATH_IMAGE032
为最低气温关联因子，
Figure 111403DEST_PATH_IMAGE034
为平均负荷关联因子，
Figure 429383DEST_PATH_IMAGE036
为最近日负荷关联因子。
Figure 321116DEST_PATH_IMAGE038
即为该日之前第3天的负荷峰值，
Figure DEST_PATH_IMAGE084
为该日之前第3天、4天、5天负荷峰值的平均值。例如，在预测第4日负荷时，
Figure DEST_PATH_IMAGE086
为第1天、2天、3天负荷的平均值，
Figure 770552DEST_PATH_IMAGE038
即为第3天的日负荷，以此类推。
当有n+3天已知气温、负荷数据时，式（1）可表示为n维矩阵形式（本实例中，n=21）：
Figure DEST_PATH_IMAGE088
（2）；
求解式（2），即可算出未知数
Figure 192218DEST_PATH_IMAGE030
、
Figure 613972DEST_PATH_IMAGE032
、
Figure 676606DEST_PATH_IMAGE034
、
Figure 551021DEST_PATH_IMAGE036
。然后可以根据预测日的天气预报气温，结合预测日之前3天的负荷峰值，即可利用式（1）算出预测日负荷峰值。，因此，关键之处在于如何快速计算未知数
Figure 255672DEST_PATH_IMAGE030
、
Figure 282664DEST_PATH_IMAGE032
、
Figure 781779DEST_PATH_IMAGE034
、
Figure 143490DEST_PATH_IMAGE036
。做法如下，令：
Figure DEST_PATH_IMAGE090
,
Figure DEST_PATH_IMAGE092
,
Figure DEST_PATH_IMAGE094
；
则式（1）可表示为：
Figure 697837DEST_PATH_IMAGE050
（3）；
求解式（3），则
Figure 828604DEST_PATH_IMAGE052
（4）；
式（4）中
Figure 498620DEST_PATH_IMAGE054
为矩阵
Figure 613206DEST_PATH_IMAGE056
的逆矩阵，n为已知的数据组数，当n大于4时，求解逆矩阵的方法为：
Figure 128501DEST_PATH_IMAGE058
（5）；
求解四个未知数
Figure 130087DEST_PATH_IMAGE030
、
Figure 971004DEST_PATH_IMAGE032
、
Figure 307307DEST_PATH_IMAGE034
、
Figure 626293DEST_PATH_IMAGE036
，原本只需要4组已知数据即可，但求解结果并不准确，在新增数据后，对求解结果进行修正。假设新增的数据为
Figure 997231DEST_PATH_IMAGE060
、
Figure 743471DEST_PATH_IMAGE062
，改进后的未知参数估计向量为
Figure 816338DEST_PATH_IMAGE064
，由式（4）、式（5）可得：
Figure 939014DEST_PATH_IMAGE066
（6）；
式（6）中，
Figure 898880DEST_PATH_IMAGE068
，
Figure 81600DEST_PATH_IMAGE070
。根据矩阵求逆公式和多新息思想，参数求解公式如下：
Figure 392495DEST_PATH_IMAGE072
（7）；
式中，
Figure 53284DEST_PATH_IMAGE074
表示n+1阶单位矩阵，
Figure 883968DEST_PATH_IMAGE064
即表示第n+1次求解的参数结果。利用式（7）不断递推计算，可以得到精度较高的未知参数
Figure 237589DEST_PATH_IMAGE030
、
Figure 35780DEST_PATH_IMAGE032
、
Figure 500260DEST_PATH_IMAGE034
、
Figure 434718DEST_PATH_IMAGE036
，使得拟合出的多组负荷峰值与实际峰值误差均方根最小。
步骤4：根据计算出的参数
Figure 208508DEST_PATH_IMAGE030
、
Figure 228416DEST_PATH_IMAGE032
、
Figure 496587DEST_PATH_IMAGE034
、
Figure 285551DEST_PATH_IMAGE036
，结合预测日的天气预报气温、预测日之前3天的负荷峰值，利用公式（1）即可计算出预测日的负荷峰值，实现负荷峰值预测。
根据本发明方法，本实例计算得到4个未知参数分别为-2.1198、-0.2491、0.6059、0.5199。计算得到25-30日预测负荷与实际负荷对比的误差分别为8.23%、2.54%、0.01%、7.28%、5.91%、2.09%，误差较小，满足负荷预测要求，证明本发明可行。
以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。

Claims (2)

1.一种基于多新息算法的地区短期电力负荷峰值预测方法，其特征在于，包括以下步骤：
步骤1：收集预测日之前的历史日电力负荷峰值，记为
Figure DEST_PATH_IMAGE001
、
Figure 349123DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE003
……
Figure 107870DEST_PATH_IMAGE004
，其中
Figure 94280DEST_PATH_IMAGE001
为预测日3天前的日负荷峰值，
Figure 728524DEST_PATH_IMAGE002
为预测日4天前的日负荷峰值，以此类推，
Figure DEST_PATH_IMAGE005
为预测日n+2天前的日负荷峰值；
步骤2：收集历史日对应的日最高气温、最低气温，最高气温分别记为
Figure 373263DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
、
Figure 298100DEST_PATH_IMAGE008
……
Figure DEST_PATH_IMAGE009
，最低气温分别记为
Figure 252150DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
、
Figure 655580DEST_PATH_IMAGE012
……
Figure DEST_PATH_IMAGE013
；
步骤3：根据历史日负荷峰值、气温，利用多新息算法计算短期负荷关联因子，具体算法如下：
同一地区短期内，某日电力负荷峰值
Figure 87699DEST_PATH_IMAGE014
与该日气温、近期历史日负荷存在密切关联，其关系表达式可表示为：
Figure DEST_PATH_IMAGE015
（1）；
其中，
Figure 775032DEST_PATH_IMAGE016
为最高气温关联因子，
Figure DEST_PATH_IMAGE017
为最低气温关联因子，
Figure 92793DEST_PATH_IMAGE018
为平均负荷关联因子，
Figure DEST_PATH_IMAGE019
为最近日负荷关联因子，
Figure 29525DEST_PATH_IMAGE020
即为该日之前第3天的负荷峰值，
Figure DEST_PATH_IMAGE021
为该日之前第3天、4天、5天负荷峰值的平均值；
当有n+3天已知气温、负荷数据时，式（1）可表示为n维矩阵形式：
Figure 734176DEST_PATH_IMAGE022
（2）；
求解式（2），即可算出未知数
Figure 26748DEST_PATH_IMAGE016
、
Figure 729125DEST_PATH_IMAGE017
、
Figure 621994DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE023
，然后可以根据预测日的天气预报气温，结合预测日之前3天的负荷峰值，即可利用式（1）算出预测日负荷峰值，因此，关键之处在于如何快速计算未知数
Figure 333598DEST_PATH_IMAGE016
、
Figure 995524DEST_PATH_IMAGE017
、
Figure 180386DEST_PATH_IMAGE018
、
Figure 498235DEST_PATH_IMAGE023
，做法如下，令：
Figure 279109DEST_PATH_IMAGE024
,
Figure DEST_PATH_IMAGE025
,
Figure 795541DEST_PATH_IMAGE026
；
则式（1）可表示为：
Figure DEST_PATH_IMAGE027
（3）；
求解式（3），则
Figure 183929DEST_PATH_IMAGE028
（4）；
式（4）中
Figure DEST_PATH_IMAGE029
为矩阵
Figure 520232DEST_PATH_IMAGE030
的逆矩阵，n为已知的数据组数，当n大于4时，求解逆矩阵的方法为：
Figure DEST_PATH_IMAGE031
（5）；
求解四个未知数
Figure 901535DEST_PATH_IMAGE016
、
Figure 475736DEST_PATH_IMAGE017
、
Figure 736822DEST_PATH_IMAGE018
、
Figure 826000DEST_PATH_IMAGE023
，原本只需要4组已知数据即可，但求解结果并不准确，在新增数据后，对求解结果进行修正，假设新增的数据为
Figure 417519DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
，改进后的未知参数估计向量为
Figure 174122DEST_PATH_IMAGE034
，由式（4）、式（5）可得：
Figure DEST_PATH_IMAGE035
（6）；
式（6）中，
Figure 904312DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
，根据矩阵求逆公式和多新息思想，参数求解公式如下：
Figure 215207DEST_PATH_IMAGE038
（7）；
式中，
Figure DEST_PATH_IMAGE039
表示n+1阶单位矩阵，
Figure 187580DEST_PATH_IMAGE034
即表示第n+1次求解的参数结果，利用式（7）不断递推计算，可以得到精度较高的未知参数
Figure 267532DEST_PATH_IMAGE016
、
Figure 89994DEST_PATH_IMAGE017
、
Figure 153765DEST_PATH_IMAGE018
、
Figure 618245DEST_PATH_IMAGE023
，使得拟合出的多组负荷峰值与实际峰值误差均方根最小；
步骤4：根据计算出的参数
Figure 21544DEST_PATH_IMAGE016
、
Figure 562378DEST_PATH_IMAGE017
、
Figure 847866DEST_PATH_IMAGE018
、
Figure 584878DEST_PATH_IMAGE023
，结合预测日的天气预报气温、预测日之前3天的负荷峰值，利用公式（1）即可计算出预测日的负荷峰值，实现负荷峰值预测。
2.根据权利要求书1所述的一种基于多新息算法的地区短期电力负荷峰值预测方法，其特征在于：步骤3所述的多新息计算方法，数组组数n大于10。
CN202110947131.0A 2021-08-18 2021-08-18 一种基于多新息算法的地区短期电力负荷峰值预测方法 Pending CN114266375A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110947131.0A CN114266375A (zh) 2021-08-18 2021-08-18 一种基于多新息算法的地区短期电力负荷峰值预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110947131.0A CN114266375A (zh) 2021-08-18 2021-08-18 一种基于多新息算法的地区短期电力负荷峰值预测方法

Publications (1)

Publication Number Publication Date
CN114266375A true CN114266375A (zh) 2022-04-01

Family

ID=80824551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110947131.0A Pending CN114266375A (zh) 2021-08-18 2021-08-18 一种基于多新息算法的地区短期电力负荷峰值预测方法

Country Status (1)

Country Link
CN (1) CN114266375A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432821A (zh) * 2023-03-08 2023-07-14 河北省气象服务中心(河北省气象影视中心) 基于气象条件的次日用电负荷峰值预测方法
CN116865210A (zh) * 2023-09-05 2023-10-10 国网湖北省电力有限公司 一种防止外部短路冲击的电网降压变压器保护控制方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432821A (zh) * 2023-03-08 2023-07-14 河北省气象服务中心(河北省气象影视中心) 基于气象条件的次日用电负荷峰值预测方法
CN116432821B (zh) * 2023-03-08 2023-09-26 河北省气象服务中心(河北省气象影视中心) 基于气象条件的次日用电负荷峰值预测方法
CN116865210A (zh) * 2023-09-05 2023-10-10 国网湖北省电力有限公司 一种防止外部短路冲击的电网降压变压器保护控制方法

Similar Documents

Publication Publication Date Title
CN109681957B (zh) 一种换热站热负荷预测方法
CN114266375A (zh) 一种基于多新息算法的地区短期电力负荷峰值预测方法
CN105069536B (zh) 一种基于气温与经济增长的用电需求预测方法
CN104616079A (zh) 基于气温变化的电网日用电量预测方法
US8315961B2 (en) Method for predicting future environmental conditions
WO2021082612A1 (zh) 一种配电台区负荷预测方法及装置
CN105469163A (zh) 一种用于光伏电站功率预测的相似日的选择方法
CN109299814B (zh) 一种气象影响电量分解预测方法
CN106468467B (zh) 一种应用于嵌入式控制系统的空调冷负荷实时预测算法
CN105787271A (zh) 基于大数据分析技术的供热机组可调出力区间评估方法
CN112241923B (zh) 一种基于综合能源系统源荷等效外特性的配网电力平衡方法
JP5466596B2 (ja) 太陽光発電設備の発電出力推定方法
CN113205252A (zh) 基于需求侧负荷调峰潜力参数预测的聚合负荷调度方法
CN113375220A (zh) 一种基于负荷预测的换热站多模式调控方法
JP2013200586A (ja) 特性モデル更新処理装置及び特性モデル更新方法
Ku et al. Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining
CN111860985A (zh) 基于负荷分解的日前电力负荷预测方法
CN110598896A (zh) 基于预测误差校正的光伏功率预测方法
CN112990533B (zh) 一种稀疏约束和动态权重分配的风电集群功率预测方法
CN114169746A (zh) 夏季空调降温负荷的确定方法
CN114385962A (zh) 一种基于相似日的日前光伏发电功率预测方法及系统
Herzog et al. Self-adapting building models for model predictive control
Ma et al. Long and short-term power supply and demand forecasting based on time series analysis under high proportion clean energy integration
Deakin et al. Calculations of system adequacy considering heat transition pathways
CN106529083B (zh) 考虑输出容量可信度的光伏发电调度曲线编制方法

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