CN115860797A - 一种适应新电价改革形势的电量需求预测方法 - Google Patents
一种适应新电价改革形势的电量需求预测方法 Download PDFInfo
- Publication number
- CN115860797A CN115860797A CN202211571814.1A CN202211571814A CN115860797A CN 115860797 A CN115860797 A CN 115860797A CN 202211571814 A CN202211571814 A CN 202211571814A CN 115860797 A CN115860797 A CN 115860797A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- temperature
- model
- electricity price
- data
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种适应新电价改革形势的电量需求预测方法,补充了常规电量预测方法中鲜有考虑电力市场化电价因素的不足,有助于把握电力市场发展趋势变化,以更加精准、科学的数据及时反应电力供需形势,引导电网资源的优化配置。
Description
技术领域
本发明涉及电力系统领域,具体为一种适应新电价改革形势的电量需求预测方法。
背景技术
“双碳”目标下,我国能源绿色低碳转型步伐持续加快,电力供给结构和供需形势发生明显变化,电力市场建设呈现约束条件和电力市场建设呈现约束条件和目标多元化的趋势,对我国电力市场建设提出了更高要求。“能涨能跌”的市场化电价机制推动着电力市场统一化的建设,考虑电力市场化电价的波动对行业电量需求带来的影响,是电网企业适应社会经济发展的内在需求。
科学准确的电量预测是电网企业进行正确决策的依据和保障之一,它将有利于计划用电管理,用电需求分析的研判,保证电网稳定运行,推进电力市场发展,并提高电力企业经济效应和社会效应。
相比于现有技术而言,实际要解决的问题为:如何补充常规电量预测方法中鲜有考虑电力市场化电价因素的不足,如何把握电力市场发展趋势变化,以更加精准、科学的数据及时反应电力供需形势,如何引导电网资源的优化配置。
发明内容
针对现有技术的不足,本发明提供了一种适应新电价改革形势的电量需求预测方法,以解决上述问题。
为实现以上目的,本发明通过以下技术方案予以实现。
一种适应新电价改革形势的电量需求预测方法,包括以下步骤:
(1)对电量数据、电量需求影响因素数据进行预处理。
(2)综合考虑经济因素、气候因素、节假日因素、电价因素对电量需求的影响,构建神经网络、随机森林组合模型进行基于人工智能算法的电量预测;
(3)构建以电量数据为核心的差分整合移动平均自回归模型,并通过气候因素、节假日因素对预测结果进行修正;
(4)以人工智能的电量预测结果与差分整合移动平均自回归模型的预测结果为基础,以客观权重为修正,得到新电价改革政策下行业电量预测结果,补充了常规电量预测方法中鲜有考虑电力市场化电价因素的不足,有助于把握电力市场发展趋势变化,以更加精准、科学的数据及时反应电力供需形势,引导电网资源的优化配置。
优选的,步骤(2)中使用神经网络模型进行电量预测,具体包括以下步骤:
(1)数据从输入层流向隐藏层,隐藏层第i个神经元的输入信号为:
(2)隐藏层第i个神经元的输出信号为:
(3)输出层第k个神经元的输入信号为:
(4)输出层第k个神经元的输出信号为:
(5)计算输出层所有神经元的输出结果和实际值之间的误差之和,根据计算结果对神经元节点参数进行调整。总误差目标函数为:
通过求取误差来确定参数修正的大小,修正后再次进行正向传播计算,一直反复迭代,直到误差能满足规定的阈值,神经网络训练方可结束。
优选的,步骤(2)中使用随机森林模型进行电量预测,具体包括以下步骤:
(1)假设训练集数据量为N,随机森林树木数量为K,每棵树的训练样本数为n,n一般为训练集N的2/3,利用自举法从训练集N中随机抽取K个规模为n的训练样本集合;
(2)假设有T个输入变量,每个节点随机选取t(t<T)个输入变量进行分枝;
(3)每棵决策树从上到下递归分枝生长,直到为该节点设定的最小规格,决策树停止生长,从而组成具有K棵决策树的随机森林;
(4)输入测试集数据,利用K棵决策树分别进行预测。对于分类,依据少数服从多数原则进行分类;对于回归,取各决策树输出值的平均值作为最后预测结果。
优选的,步骤(3)中使用差分整合移动平均自回归模型进行电量预测,具体包括以下步骤:
(1)利用X12季节分解模型进行季节分解,将电量序列以乘法模型分解为以下形式:
Y(t)=YTC(t)×YSF(t)×YIR(t) (式6)
其中YTC(t)为趋势循环项、YSF(t)为季节变动、YIR(t)为随机因子。
(2)检验电量序列季节分解后的趋势项是否平稳,若不平稳,则进行差分平稳化变换;
(3)检验电量序列趋势项的自相关图和偏自相关图;
(4)基于趋势项平稳性处理的差分次数和自相关图、偏自相关图结果,确定差分整合移动平均自回归模型的最优参数。
(5)根据第(4)步骤中的模型参数构建模型完成预测工作。
优选的,步骤(3)中通过节日因素进行差分整合移动平均回归模型预测结果修正,具体包括以下步骤:
(1)统计行业电量历史数据中第一季度电量占季比情况,统计春节距第一季度各月首日天数;
(2)以春节距第一季度各月首日的天数为自变量,以占季比为因变量,使用最小二乘法拟合占季比与春节据当月首日的回归方程:
y=ax2+bx+c (式7)
式中y为历史电量的占季比,x为春节距1-3月首日天数,a、b、c为回归系数。
(3)基于占季比与春节据当月首日的回归方程,查询待预测年春节距离1、2、3月的天数,可得到待预测年一季度修正后的占季比,由此修正行业的月度电量预测结果。
优选的,步骤(3)中通过气候因素进行差分整合移动平均回归模型预测结果修正,具体包括以下步骤:
(1)统计7月、8月以及12月、1月最高(低)温度,以及最高温度连续大于34℃,最低温度连续低于16℃的天数。
(2)计算由连续高(低)温引起的积温效应:
B=n(Tm-T0) (式8)
式中,Tm为当日日最高气温,T0为对应气温的敏感值,n为超过气温敏感值的累计天数。
(3)通过历史电量数据于积温效应、日极端温度等同期气候因子构建多元回归模型,其中自变量为日最高气温、高温积温效等气候因子,因变量为历史电量,多元回归模型的形式如下式所示:
y=a*B+b*Tm+c (式9)
式中,y为行业电量历史数据,B为高温积温效应,Tm为当日极端温度,a,b为拟合得到的高温积温效应、日极端温度的回归系数,c为常量。
(4)基于拟合得到的多元回归方程可对行业夏季(冬季)进行电量预测,气候因子中的日极端温度由气象局天气预报获得,积温效应基于日极端气温数据由积温效应计算公式得到。
优选的,步骤(4)中,综合人工智能算法模型和差分整合移动平均自回归模型的电量预测结果计算公式为
F=αFAI+βFARIMA (式10)
优选的,式10中F为综合预测结果,FAI为人工智能算法预测结果,FARIMA差分整合移动平均自回归模型预测结果。
优选的,式10中α、β分别为二者权重且α+β=1,本发明取α=β=0.5。
相比于现有技术而言,本发明公开了一种适应新电价改革形势的电量需求预测方法,补充了常规电量预测方法中鲜有考虑电力市场化电价因素的不足,有助于把握电力市场发展趋势变化,以更加精准、科学的数据及时反应电力供需形势,引导电网资源的优化配置。
附图说明
图1为本发明适应新电价改革形势的电量需求预测方法的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
一种适应新电价改革形势的电量需求预测方法,包括以下步骤:
(1)对电量数据、电量需求影响因素数据进行预处理。
(2)综合考虑经济因素、气候因素、节假日因素、电价因素对电量需求的影响,构建神经网络、随机森林组合模型进行基于人工智能算法的电量预测;
(3)构建以电量数据为核心的差分整合移动平均自回归模型,并通过气候因素、节假日因素对预测结果进行修正;
(4)以人工智能的电量预测结果与差分整合移动平均自回归模型的预测结果为基础,以客观权重为修正,得到新电价改革政策下行业电量预测结果,补充了常规电量预测方法中鲜有考虑电力市场化电价因素的不足,有助于把握电力市场发展趋势变化,以更加精准、科学的数据及时反应电力供需形势,引导电网资源的优化配置。
步骤(2)中使用神经网络模型进行电量预测,具体包括以下步骤:
(1)数据从输入层流向隐藏层,隐藏层第i个神经元的输入信号为:
(2)隐藏层第i个神经元的输出信号为:
(3)输出层第k个神经元的输入信号为:
(4)输出层第k个神经元的输出信号为:
(5)计算输出层所有神经元的输出结果和实际值之间的误差之和,根据计算结果对神经元节点参数进行调整。总误差目标函数为:
通过求取误差来确定参数修正的大小,修正后再次进行正向传播计算,一直反复迭代,直到误差能满足规定的阈值,神经网络训练方可结束。
步骤(2)中使用随机森林模型进行电量预测,具体包括以下步骤:
(1)假设训练集数据量为N,随机森林树木数量为K,每棵树的训练样本数为n,n一般为训练集N的2/3,利用自举法从训练集N中随机抽取K个规模为n的训练样本集合;
(2)假设有T个输入变量,每个节点随机选取t(t<T)个输入变量进行分枝;
(3)每棵决策树从上到下递归分枝生长,直到为该节点设定的最小规格,决策树停止生长,从而组成具有K棵决策树的随机森林;
(4)输入测试集数据,利用K棵决策树分别进行预测。对于分类,依据少数服从多数原则进行分类;对于回归,取各决策树输出值的平均值作为最后预测结果。
步骤(3)中使用差分整合移动平均自回归模型进行电量预测,具体包括以下步骤:
(1)利用X12季节分解模型进行季节分解,将电量序列以乘法模型分解为以下形式:
Y(t)=YTC(t)×YSF(t)×YIR(t) (式6)
其中YTC(t)为趋势循环项、YSF(t)为季节变动、YIR(t)为随机因子。
(2)检验电量序列季节分解后的趋势项是否平稳,若不平稳,则进行差分平稳化变换;
(3)检验电量序列趋势项的自相关图和偏自相关图;
(4)基于趋势项平稳性处理的差分次数和自相关图、偏自相关图结果,确定差分整合移动平均自回归模型的最优参数。
(5)根据第(4)步骤中的模型参数构建模型完成预测工作。
步骤(3)中通过节日因素进行差分整合移动平均回归模型预测结果修正,具体包括以下步骤:
(1)统计行业电量历史数据中第一季度电量占季比情况,统计春节距第一季度各月首日天数;
(2)以春节距第一季度各月首日的天数为自变量,以占季比为因变量,使用最小二乘法拟合占季比与春节据当月首日的回归方程:
y=ax2+bx+c (式7)
式中y为历史电量的占季比,x为春节距1-3月首日天数,a、b、c为回归系数。
(3)基于占季比与春节据当月首日的回归方程,查询待预测年春节距离1、2、3月的天数,可得到待预测年一季度修正后的占季比,由此修正行业的月度电量预测结果。
步骤(3)中通过气候因素进行差分整合移动平均回归模型预测结果修正,具体包括以下步骤:
(1)统计7月、8月以及12月、1月最高(低)温度,以及最高温度连续大于34℃,最低温度连续低于16℃的天数。
(2)计算由连续高(低)温引起的积温效应:
B=n(Tm-T0) (式8)
式中,Tm为当日日最高气温,T0为对应气温的敏感值,n为超过气温敏感值的累计天数。
(3)通过历史电量数据于积温效应、日极端温度等同期气候因子构建多元回归模型,其中自变量为日最高气温、高温积温效等气候因子,因变量为历史电量,多元回归模型的形式如下式所示:
y=a*B+b*Tm+c (式9)
式中,y为行业电量历史数据,B为高温积温效应,Tm为当日极端温度,a,b为拟合得到的高温积温效应、日极端温度的回归系数,c为常量。
(4)基于拟合得到的多元回归方程可对行业夏季(冬季)进行电量预测,气候因子中的日极端温度由气象局天气预报获得,积温效应基于日极端气温数据由积温效应计算公式得到。
步骤(4)中,综合人工智能算法模型和差分整合移动平均自回归模型的电量预测结果计算公式为
F=αFAI+βFARIMA (式10)
式中F为综合预测结果,FAI为人工智能算法预测结果,FARIMA差分整合移动平均自回归模型预测结果,α、β分别为二者权重且α+β=1,本发明取α=β=0.5。
以某地区的行业电量数据为例,采样时间范围为2013年1月-2021年12月的月电量。以化学原料和化学制品制造业为例进行基于人工智能算法的电量预测。
步骤一:基于随机森林进行电量预测。将化学原料和化学制品业2013年-2020年年电量数据和同期的强相关影响因素数据作为训练数据,2021年的电量数据为验证集,验证模型预测结果。表1为随机森林模型评估结果,表2为随机森林电量预测结果。
表1随机森林模型评估结果
RMSE | MAE | MAPE | R<sup>2</sup> | |
训练集 | 3655.983 | 3325.006 | 1.19 | 0.969 |
测试集 | 48610.34 | 48610.34 | 16.125 |
表2随机森林模型预测结果
原数据 | 随机森林 | 相对误差 | |
2021年 | 370002 | 331467.66 | 10.41 |
步骤二:基于神经网络进行电量预测。同样的,将2013年-2020年年电量数据和同期的强相关影响因素数据作为训练数据,2021年的电量数据为验证集,验证模型预测结果。表3为神经网络模型评估结果,表4为是神经网络电量预测结果。
表3神经网络模型评估结果
RMSE | MAE | MAPE | R<sup>2</sup> | |
训练集 | 13976.963 | 12637.121 | 4.882 | 0.554 |
测试集 | 14360.536 | 14360.536 | 4.278 |
表4神经网络模型预测结果
原数据 | BP神经网络 | 相对误差 | |
2021年 | 370002 | 349717.46 | 5.48 |
根据两个模型的评估和预测结果,随机森林模型的模型评估结果较好,神经网络相对误差较小,取两个模型的平均值作为人工智能算法的电量预测结果。基于人工智能算法的电量预测结果为318592.56万千瓦时。
步骤三:基于化学原料和化学制品制造业历史月电量数据构建差分整合移动平均自回归模型,经节日调整、气候调整的预测结果如表5所示。基于差分整合移动平均自回归模型的电量预测结果为381854.87万千瓦时。
表5差分整合移动平均自回归模型预测结果
步骤四:计算综合人工智能算法和差分整合移动平均自回归模型的电量预测结果,此处设置α=β=0.5,为361223.715万千瓦时,与2021年电量实际值相对误差为2.37%。取得较好的预测结果
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,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)
1.一种适应新电价改革形势的电量需求预测方法,其特征在于:包括
(1)对电量数据、电量需求影响因素数据进行预处理;
(2)综合考虑经济因素、气候因素、节假日因素、电价因素对电量需求的影响,构建神经网络、随机森林组合模型进行基于人工智能算法的电量预测;
(3)构建以电量数据为核心的差分整合移动平均自回归模型,并通过气候因素、节假日因素对预测结果进行修正;
(4)以人工智能的电量预测结果与差分整合移动平均自回归模型的预测结果为基础,以客观权重为修正,得到新电价改革政策下行业电量预测结果。
3.根据权利要求1所述的适应新电价改革形势的电量需求预测方法,其特征在于:步骤(2)中使用随机森林模型进行电量预测,具体包括以下步骤:
(1)假设训练集数据量为N,随机森林树木数量为K,每棵树的训练样本数为n,利用自举法从训练集N中随机抽取K个规模为n的训练样本集合;
(2)假设有T个输入变量,每个节点随机选取t(t<T)个输入变量进行分枝;
(3)每棵决策树从上到下递归分枝生长,直到为该节点设定的最小规格,决策树停止生长,从而组成具有K棵决策树的随机森林;
(4)输入测试集数据,利用K棵决策树分别进行预测,对于分类,依据少数服从多数原则进行分类;
对于回归,取各决策树输出值的平均值作为最后预测结果。
4.根据权利要求3所述的适应新电价改革形势的电量需求预测方法,其特征在于:n一般为训练集N的2/3。
5.根据权利要求1所述的适应新电价改革形势的电量需求预测方法,其特征在于:步骤(3)中使用差分整合移动平均自回归模型进行电量预测,具体包括以下步骤:
(1)利用X12季节分解模型进行季节分解,将电量序列以乘法模型分解为以下形式:
Y(t)=YTC(t)×YSF(t)×YIR(t) (式6)
其中YTC(t)为趋势循环项、YSF(t)为季节变动、YIR(t)为随机因子;
(2)检验电量序列季节分解后的趋势项是否平稳,若不平稳,则进行差分平稳化变换;
(3)检验电量序列趋势项的自相关图和偏自相关图;
(4)基于趋势项平稳性处理的差分次数和自相关图、偏自相关图结果,确定差分整合移动平均自回归模型的最优参数;
(5)根据第(4)步骤中的模型参数构建模型完成预测工作。
6.根据权利要求1所述的适应新电价改革形势的电量需求预测方法,其特征在于:步骤(3)中通过节日因素进行差分整合移动平均回归模型预测结果修正,具体包括以下步骤:
(1)统计行业电量历史数据中第一季度电量占季比情况,统计春节距第一季度各月首日天数;
(2)以春节距第一季度各月首日的天数为自变量,以占季比为因变量,使用最小二乘法拟合占季比与春节据当月首日的回归方程:
y=ax2+bx+c(式7)
式中y为历史电量的占季比,x为春节距1-3月首日天数,a、b、c为回归系数;
(3)基于占季比与春节据当月首日的回归方程,查询待预测年春节距离1、2、3月的天数,可得到待预测年一季度修正后的占季比,由此修正行业的月度电量预测结果。
7.根据权利要求1所述的适应新电价改革形势的电量需求预测方法,其特征在于:步骤(3)中通过气候因素进行差分整合移动平均回归模型预测结果修正,具体包括以下步骤:
(1)统计7月、8月以及12月、1月最高(低)温度,以及最高温度连续大于34℃,最低温度连续低于16℃的天数;
(2)计算由连续高(低)温引起的积温效应:
B=n(Tm-T0)(式8)
式中,Tm为当日日最高气温,T0为对应气温的敏感值,n为超过气温敏感值的累计天数;
(3)通过历史电量数据于积温效应、日极端温度等同期气候因子构建多元回归模型,其中自变量为日最高气温、高温积温效等气候因子,因变量为历史电量,多元回归模型的形式如下式所示:
y=a*B+b*Tm+c(式9)
式中,y为行业电量历史数据,B为高温积温效应,Tm为当日极端温度,a,b为拟合得到的高温积温效应、日极端温度的回归系数,c为常量;
(4)基于拟合得到的多元回归方程可对行业夏季或冬季进行电量预测,气候因子中的日极端温度由气象局天气预报获得,积温效应基于日极端气温数据由积温效应计算公式得到。
8.根据权利要求1所述的适应新电价改革形势的电量需求预测方法,其特征在于:步骤(4)中,综合人工智能算法模型和差分整合移动平均自回归模型的电量预测结果计算公式为:
F=αFAI+βFARIMA(式10)。
9.根据权利要求8所述的适应新电价改革形势的电量需求预测方法,其特征在于:式10中F为综合预测结果,FAI为人工智能算法预测结果,FARIMA差分整合移动平均自回归模型预测结果。
10.根据权利要求9所述的适应新电价改革形势的电量需求预测方法,其特征在于:式10中α、β分别为二者权重且α+β=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211571814.1A CN115860797B (zh) | 2022-12-08 | 2022-12-08 | 一种适应新电价改革形势的电量需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211571814.1A CN115860797B (zh) | 2022-12-08 | 2022-12-08 | 一种适应新电价改革形势的电量需求预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115860797A true CN115860797A (zh) | 2023-03-28 |
CN115860797B CN115860797B (zh) | 2023-07-18 |
Family
ID=85671126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211571814.1A Active CN115860797B (zh) | 2022-12-08 | 2022-12-08 | 一种适应新电价改革形势的电量需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860797B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273239A (zh) * | 2023-11-17 | 2023-12-22 | 深圳拓安信物联股份有限公司 | 日用水量预测方法、装置及电子设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400199A (zh) * | 2013-07-09 | 2013-11-20 | 国家电网公司 | 市场需求响应和物理需求响应相结合的电力需求侧优化方法 |
KR101484265B1 (ko) * | 2014-05-14 | 2015-01-20 | 현대엔지니어링 주식회사 | 아리마모델과 지수평활법을 이용한 물 수요 예측과 이를 통한 급배수 펌프의 운영 최적화 시스템 |
CN106951990A (zh) * | 2017-03-20 | 2017-07-14 | 国家电网公司 | 电力负荷智能预测方法及装置 |
CN107248013A (zh) * | 2017-06-21 | 2017-10-13 | 国网安徽省电力公司芜湖供电公司 | 一种综合考虑多种经济因素的月度用电量预测方法 |
CN109255470A (zh) * | 2018-08-10 | 2019-01-22 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于大数据分析的变电设备非项目类成本预测方法 |
CN109657835A (zh) * | 2018-10-31 | 2019-04-19 | 中国电力科学研究院有限公司 | 一种配电网区域故障次数预测方法及系统 |
CN110135643A (zh) * | 2019-05-17 | 2019-08-16 | 国网山东省电力公司莱芜供电公司 | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 |
CN110458374A (zh) * | 2019-08-23 | 2019-11-15 | 山东浪潮通软信息科技有限公司 | 一种基于arima和svm的企业用电最大需量预测方法 |
CN110991739A (zh) * | 2019-11-29 | 2020-04-10 | 南方电网能源发展研究院有限责任公司 | 一种行业电量需求预测模型的构建方法及预测方法 |
CN111126696A (zh) * | 2019-12-24 | 2020-05-08 | 东南大学 | 一种计及多影响因素的电量预测方法 |
CN112819225A (zh) * | 2021-02-01 | 2021-05-18 | 南京师范大学 | 基于bp神经网络和arima模型的碳市场价格预测方法 |
CN112865093A (zh) * | 2021-03-01 | 2021-05-28 | 同济大学 | 一种短时电力负荷组合式预测方法 |
CN113222261A (zh) * | 2021-05-19 | 2021-08-06 | 武汉理工大学 | 一种基于灰色预测和bp-arima的科创板企业估值系统 |
-
2022
- 2022-12-08 CN CN202211571814.1A patent/CN115860797B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400199A (zh) * | 2013-07-09 | 2013-11-20 | 国家电网公司 | 市场需求响应和物理需求响应相结合的电力需求侧优化方法 |
KR101484265B1 (ko) * | 2014-05-14 | 2015-01-20 | 현대엔지니어링 주식회사 | 아리마모델과 지수평활법을 이용한 물 수요 예측과 이를 통한 급배수 펌프의 운영 최적화 시스템 |
CN106951990A (zh) * | 2017-03-20 | 2017-07-14 | 国家电网公司 | 电力负荷智能预测方法及装置 |
CN107248013A (zh) * | 2017-06-21 | 2017-10-13 | 国网安徽省电力公司芜湖供电公司 | 一种综合考虑多种经济因素的月度用电量预测方法 |
CN109255470A (zh) * | 2018-08-10 | 2019-01-22 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于大数据分析的变电设备非项目类成本预测方法 |
CN109657835A (zh) * | 2018-10-31 | 2019-04-19 | 中国电力科学研究院有限公司 | 一种配电网区域故障次数预测方法及系统 |
CN110135643A (zh) * | 2019-05-17 | 2019-08-16 | 国网山东省电力公司莱芜供电公司 | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 |
CN110458374A (zh) * | 2019-08-23 | 2019-11-15 | 山东浪潮通软信息科技有限公司 | 一种基于arima和svm的企业用电最大需量预测方法 |
CN110991739A (zh) * | 2019-11-29 | 2020-04-10 | 南方电网能源发展研究院有限责任公司 | 一种行业电量需求预测模型的构建方法及预测方法 |
CN111126696A (zh) * | 2019-12-24 | 2020-05-08 | 东南大学 | 一种计及多影响因素的电量预测方法 |
CN112819225A (zh) * | 2021-02-01 | 2021-05-18 | 南京师范大学 | 基于bp神经网络和arima模型的碳市场价格预测方法 |
CN112865093A (zh) * | 2021-03-01 | 2021-05-28 | 同济大学 | 一种短时电力负荷组合式预测方法 |
CN113222261A (zh) * | 2021-05-19 | 2021-08-06 | 武汉理工大学 | 一种基于灰色预测和bp-arima的科创板企业估值系统 |
Non-Patent Citations (2)
Title |
---|
张金良 等: ""基于EEMD,SVM和ARMA组合模型的电价预测"", 《电力需求侧管理》, pages 63 - 68 * |
成丹: ""基于积温效应的华中电网电力负荷预测"", 《气象科技 》, vol. 46, no. 4, pages 814 - 821 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273239A (zh) * | 2023-11-17 | 2023-12-22 | 深圳拓安信物联股份有限公司 | 日用水量预测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115860797B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
CN110222882A (zh) | 一种电力系统中长期负荷的预测方法和装置 | |
CN111932402A (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN111489036A (zh) | 基于电器负荷特性和深度学习的居民负荷预测方法、装置 | |
CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN109508826A (zh) | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 | |
CN115688993A (zh) | 一种适用于配电台区的短期电力负荷预测方法 | |
CN115860797B (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN115577752A (zh) | 一种超短期光伏功率预测方法及系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN114626640A (zh) | 基于特征工程和lstm神经网络的天然气负荷预测方法及系统 | |
CN114444805A (zh) | 多光伏电站共享储能系统平滑出力的控制方法 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN104915727A (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
Khalyasmaa et al. | Averaged Errors as a Risk Factor for Intelligent Forecasting Systems Operation in the Power Industry | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |