CN116307067A - 一种基于历史数据修正的法定节假日电量综合预测方法 - Google Patents
一种基于历史数据修正的法定节假日电量综合预测方法 Download PDFInfo
- Publication number
- CN116307067A CN116307067A CN202310026878.1A CN202310026878A CN116307067A CN 116307067 A CN116307067 A CN 116307067A CN 202310026878 A CN202310026878 A CN 202310026878A CN 116307067 A CN116307067 A CN 116307067A
- Authority
- CN
- China
- Prior art keywords
- holiday
- data
- electric quantity
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012937 correction Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 claims 14
- 230000003203 everyday effect Effects 0.000 claims 1
- 238000011161 development Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 238000009776 industrial production 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
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于历史数据修正的法定节假日电量综合预测方法,首先获取节假日预测年前若干年的节假日历史电量数据、节假日历史气象数据、节假日前3天日用电量数据、节假日前平均日用电量数据;再对节假日历史气象数据和节假日历史电量数据进行相关性分析,筛选气象数据中相关性最大者作为特征值;识别法定节假日重合的情况并进行历史电量修正后,再分别采用多种预测算法对节假日电量进行预测,利用每种预测算法对节假日中的每一日分别进行电量预测,选取历史预测误差最小算法的预测结果作为该日的最终预测结果。该方法能够实现法定节假日电量数据的精准化预测。
Description
技术领域
本发明属于电力系统负荷预测技术领域,具体涉及一种基于历史数据修正的法定节假日电量综合预测方法。
背景技术
电量预测是电力系统制定发展规划和发电计划的基础。提高电量预测精度,有利于降低能耗、平衡发电投资,安排调度计划,从而提高供电可靠性。随着电力市场进一步发展,中长期电量交易及日前现货市场均对电量预测提出了更高的要求,高精度的电量预测是电力市场健康稳定发展的前提。
用电量的影响因素众多,用户构成、日期类型、气象数据、地域环境、经济水平、政治因素、电价政策等均会造成用电量的变化。通常在针对某一固定区域且时间尺度较短的前提下,地域环境、经济环境和政治环境可视为稳定状态,气象和日期类型为主要影响因素,电量的周期性和波动性较为明显;而在时间尺度较大的情况下,则更能体现出经济人口发展水平、产业结构变化所导致的电量水平变化趋势。
法定节假日期间,由于工业生产的大规模中断和服务业活动的增加,其日电量与正常日相比有显著的区别,与往年的节假日电量具有较大的相似性。因此,节假日的日用电量预测既要考虑气象因素影响呈现出短期波动性,又要考虑中期经济水平发展带来的趋势性。此外,部分法定假日会出现叠加的情况,进一步破坏了电量数据的规律性。
如何在少量的样本中综合发掘节假日电量的短期和中期规律性,并通过一定的手段对错误数据进行修正,对提高节假日用电量的预测精度有着不可忽视的意义。
发明内容
发明目的:本发明的发明目的是提供一种基于历史数据修正的法定节假日电量综合预测方法。
技术方案:本发明所述的一种基于历史数据修正的法定节假日电量综合预测方法,该方法包括具体步骤如下:
(1)获取节假日预测年前若干年的节假日历史电量数据、节假日历史气象数据、节假日前3天日用电量数据、节假日前平均日用电量数据;
(2)对节假日历史气象数据和节假日历史电量数据进行相关性分析,筛选气象数据中相关性最大者作为特征值;
(3)识别法定节假日重合的情况并进行历史电量修正;
(4)分别采用不少于2种预测算法对节假日电量进行预测,利用每种预测算法对节假日中的每一日分别进行电量预测,选取历史预测误差最小算法的预测结果作为该日的最终预测结果。
优选的,步骤(1)中节假日历史气象数据包括节假日期间每日的日最高气温Tmax、日最低气温Tmin、日平均气温Tave、日平均降水量Rave。
优选的,步骤(1)中节假日前平均日用电量数据Qave的计算方法如下:
式中,qave为矩阵Qave中的元素;qi为历史年第i天的电量;N为法定假日第一天在一年中的位置。
优选的,步骤(2)中气象数据与历史电量数据相关性的计算方法如下:
式中:ψj为气象数据序列,当j=1,2,3,4时,ψj分别对应日最高气温序列Tmax、日最低气温序列Tmin、日平均气温序列Tave和日平均降水量Rave;ρj为ψj与Qholiday的相关系数;cov、λ分别为协方差函数和标准差函数;
选取max(ρj)对应的气象数据序列作为特征值。
优选的,步骤(3)中识别法定节假日重合的具体方法如下:
(S1)识别历史节假日重合的日期区域,选取重合年前2年的同期历史电量数据和重合日期前2天的电量数据作为特征值;
(S2)以重合年前3年的特征值作为训练集输入量,以重合年前3年的同期节假日数据为训练集输出量,导入径向基函数神经网络进行训练;
(S3)将重合年的特征值输入训练好的神经网络,得到重合日期对应的预测值并修正实际数据。
优选的,将预测年前3年节假日用电量、预测日前3天用电量、预测年已有日平均用电量、预测日气象数据的特征值均进行min-max归一化处理。
优选的,步骤(3)中采用生成对抗网络GAN对修正后的节假日历史数据集进行增广,具体方法如下:
(R1)生成对抗网络由两生成网络G,和辨别网络D构成;
(R2)由随机噪声p作为先验输入生成网络,映射为生成数据G(z);将经过前序处理后的实际样本数据输入变别忘了D,作为辨别特征依据,由D对G(z)进行识别;
(R3)由G和D进行博弈运算,直到D无法识别G(z),博弈过程如下:
式中,D(x)是对真实样本的辨别,logD(x)是其损失函数;D(G(z))是对生成的噪声映射数据的辨别,在博弈的过程中,分别对minG和maxD进行优化,使得D(x)尽可能接近于1,而D(G(z))尽可能接近于0;
(R4)最终辨别网络D无法识别出G(z),即D(G(z))=0.5,此时的G(z)作为增广数据集,添加进实际样本数据集中,参与之后的预测训练。
优选的,步骤(4)中对节假日电量进行预测的预测算法包括决策树预测算法、极端随机森林预测算法、逻辑回归预测算法和支持向量机预测算法。
优选的,步骤(4)中选取历史预测误差最小算法的预测结果作为最终预测结果,具体步骤为:记预测节假日的范围为D=(d1,d2,…,dn),分别计算di日采用决策树预测算法、极端随机森林预测算法、逻辑回归预测算法和支持向量机预测算法的平均历史预测误差;选择di日平均历史预测误差最小的算法结果作为di日的最终预测结果。
优选的,步骤(1)中一般获取节假日预测年前至少五年的节假日历史电量数据、节假日历史气象数据、节假日前3天日用电量数据、节假日前平均日用电量数据。
有益效果:第一,本发明以预测年前3年节假日用电量和预测年已有日平均用电量为特征值表征法定节假日电量预测的中期趋势性,以预测日前3天用电量、预测日气象数据为特征值表征法定节假日电量预测的短期波动性,综合考虑了节假日电量在不同时间尺度中的规律,提高了建模的合理性。
第二,针对法定节假日存在重合的情况,本发明方案中基于径向基函数神经网络对错误数据进行修正,保证了历史样本的完整程度和准确度。
第三,针对节假日历史数据量较少的情况,本发明方案中基于生成对抗网络GAN对修正后的历史节假日样本数据进行了增强,丰富了样本数据集。
第四,通过多预测算法建立基础预测模型,根据历史预测误差自适应选择误差率较低的算法预测结果,提高了电量预测精度。
附图说明
图1为本发明一种基于历史数据修正的法定节假日电量综合预测方法的流程示意图;
图2为本发明一种基于历史数据修正的法定节假日电量综合预测方法中假日电量综合预测模型示意图。
具体实施方式
下面结合附图和实施例方案对本发明的技术方案做进一步详细说明。
一种基于历史数据修正的法定节假日电量综合预测方法,能够实现法定节假日电量数据的精准化预测,如图1所示,具体步骤如下:
步骤一,查询节假日预测年前五年以上的节假日历史电量数据Qholiday、节假日历史气象数据、节假日前3天日用电量数据;本实施例中,历史气象数据包括日最高气温Tmax、日最低气温Tmin、日平均气温Tave、日平均降水量Rave等,节假日前平均日用电量数据Qave的计算方法如下:
式中,qave为矩阵Qave中的元素;qi为历史年第i天的电量;N为法定假日第一天在一年中的位置。
步骤二,对历史气象数据和历史电量数据进行相关性分析,筛选气象数据中相关性最大者作为特征值;分别计算日最高气温Tmax、日最低气温Tmin、日平均气温Tave、日平均降水量Rave与历史电量数据Qholiday的相关系数,计算方法如下式所示:
式中:ψj为气象数据序列,当j=1,2,3,4时,ψj分别对应日最高气温序列Tmax、日最低气温序列Tmin、日平均气温序列Tave和日平均降水量Rave;ρj为ψj与Qholiday的相关系数;cov、λ分别为协方差函数和标准差函数;
选取max(ρj)对应的气象数据序列作为特征值。
步骤三,识别历史年份中有节假日重合的日期区域,选取重合年前2年的同期历史电量数据和重合日期前2天的电量数据作为特征值;以重合年前3年的特征值作为训练集输入量,以重合年前3年的同期节假日数据为训练集输出量,导入径向基函数神经网络进行训练;将重合年的特征值输入训练好的神经网络,得到重合日期对应的预测值并修正实际数据。
步骤四,将噪声输入生成网络D,将经步骤一至步骤三处理后的实际样本数据输入辨别网络G,作为辨别特征依据。由G和D进行单向交替博弈运算,直到D无法识别G(z),博弈过程如下:
式中,D(x)是对真实样本的辨别,logD(x)是其损失函数。D(G(z))是对生成的噪声映射数据的辨别,在博弈的过程中,分别对minG和maxD进行优化,使得D(x)尽可能接近于1,而D(G(z))尽可能接近于0。当D(G(z))=0.5时,即辨别网络无法对生成数据集的真假作出判断,此时的G(z)就作为增广数据集,添加进实际样本数据集中,参与之后的预测训练。
第五步:将预测年前3年节假日用电量、预测日前3天用电量、预测年已有日平均用电量、预测日气象数据的特征值均进行min-max归一化处理后将增广数据集送入训练好的决策树预测算法、极端随机森林预测算法、逻辑回归预测算法和支持向量机预测算法进行节假日电量预测,记预测节假日的范围为D=(d1,d2,…,dn),分别计算di日采用决策树预测算法、极端随机森林预测算法、逻辑回归预测算法和支持向量机预测算法的平均历史预测误差;选择di日平均历史预测误差最小的算法结果作为di日的最终预测结果。最后,叠加分行业预测结果,完成母线区域内的日96点负荷预测。
综上,该种基于历史数据修正的法定节假日电量综合预测方法能够综合考虑多维特征对节假日电量预测的影响,并对节假日重合情况进行修正,提高预测建模的合理性;通过GAN生成的增广数据集,有效弥补了原有节假日建模过程中样本数据较少的问题;根据历史预测误差自适应选择误差率较低的算法预测结果,提高了电量预测精度。
Claims (9)
1.一种基于历史数据修正的法定节假日电量综合预测方法,其特征在于:该方法包括具体步骤如下:
(1)获取节假日预测年前若干年的节假日历史电量数据、节假日历史气象数据、节假日前3天日用电量数据、节假日前平均日用电量数据;
(2)对节假日历史气象数据和节假日历史电量数据进行相关性分析,筛选气象数据中相关性最大者作为特征值;
(3)识别法定节假日重合的情况并进行历史电量修正;
(4)分别采用不少于2种预测算法对节假日电量进行预测,利用每种预测算法对节假日中的每一日分别进行电量预测,选取历史预测误差最小算法的预测结果作为该日的最终预测结果。
2.根据权利要求1所述的基于历史数据修正的法定节假日电量综合预测方法,其特征在于:所述的步骤(1)中节假日历史气象数据包括节假日期间每日的日最高气温Tmax、日最低气温Tmin、日平均气温Tave、日平均降水量Rave。
5.根据权利要求1所述的基于历史数据修正的法定节假日电量综合预测方法,其特征在于:所述的步骤(3)中识别法定节假日重合的具体方法如下:
(S1)识别节假日重合的日期区域,选取重合年前2年的同期历史电量数据和重合日期前2天的电量数据作为特征值;
(S2)以重合年前3年的特征值作为训练集输入量,以重合年前3年的同期节假日数据为训练集输出量,导入径向基函数神经网络进行训练;
(S3)将重合年的特征值输入训练好的神经网络,得到重合日期对应的预测值并修正实际数据。
6.根据权利要求5所述的基于历史数据修正的法定节假日电量综合预测方法,其特征在于:将预测年前3年节假日用电量、预测日前3天用电量、预测年已有日平均用电量、预测日气象数据的特征值均进行min-max归一化处理。
7.根据权利要求6所述的基于历史数据修正的法定节假日电量综合预测方法,其特征在于:所述的步骤(3)中采用生成对抗网络GAN对修正后的节假日历史数据集进行增广,具体方法如下:
(R1)生成对抗网络由两生成网络G,和辨别网络D构成;
(R2)由随机噪声p作为先验输入生成网络,映射为生成数据G(z);将经过前序处理后的实际样本数据输入变别忘了D,作为辨别特征依据,由D对G(z)进行识别;
(R3)由G和D进行博弈运算,直到D无法识别G(z),博弈过程如下:
式中,D(x)是对真实样本的辨别,logD(x)是其损失函数;D(G(z))是对生成的噪声映射数据的辨别,在博弈的过程中,分别对minG和maxD进行优化,使得D(x)尽可能接近于1,而D(G(z))尽可能接近于0;
(R4)最终辨别网络D无法识别出G(z),即D(G(z))=0.5,此时的G(z)作为增广数据集,添加进实际样本数据集中,参与之后的预测训练。
8.根据权利要求1所述的基于历史数据修正的法定节假日电量综合预测方法,其特征在于:所述的步骤(4)中对节假日电量进行预测的预测算法包括决策树预测算法、极端随机森林预测算法、逻辑回归预测算法和支持向量机预测算法。
9.根据权利要求8所述的基于历史数据修正的法定节假日电量综合预测方法,其特征在于:所述的步骤(4)中选取历史预测误差最小算法的预测结果作为最终预测结果,具体步骤为:记预测节假日的范围为D=(d1,d2,…,dn),分别计算di日采用决策树预测算法、极端随机森林预测算法、逻辑回归预测算法和支持向量机预测算法的平均历史预测误差;选择di日平均历史预测误差最小的算法结果作为di日的最终预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026878.1A CN116307067A (zh) | 2023-01-09 | 2023-01-09 | 一种基于历史数据修正的法定节假日电量综合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026878.1A CN116307067A (zh) | 2023-01-09 | 2023-01-09 | 一种基于历史数据修正的法定节假日电量综合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307067A true CN116307067A (zh) | 2023-06-23 |
Family
ID=86782405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310026878.1A Pending CN116307067A (zh) | 2023-01-09 | 2023-01-09 | 一种基于历史数据修正的法定节假日电量综合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307067A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644864A (zh) * | 2023-07-26 | 2023-08-25 | 国网山东省电力公司无棣县供电公司 | 一种特殊日期区域用电量预测方法、系统、终端及介质 |
CN117094754A (zh) * | 2023-10-20 | 2023-11-21 | 国网(天津)综合能源服务有限公司 | 一种结合宏观微观的中长期电量预测方法 |
-
2023
- 2023-01-09 CN CN202310026878.1A patent/CN116307067A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644864A (zh) * | 2023-07-26 | 2023-08-25 | 国网山东省电力公司无棣县供电公司 | 一种特殊日期区域用电量预测方法、系统、终端及介质 |
CN117094754A (zh) * | 2023-10-20 | 2023-11-21 | 国网(天津)综合能源服务有限公司 | 一种结合宏观微观的中长期电量预测方法 |
CN117094754B (zh) * | 2023-10-20 | 2024-02-27 | 国网(天津)综合能源服务有限公司 | 一种结合宏观微观的中长期电量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307067A (zh) | 一种基于历史数据修正的法定节假日电量综合预测方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN110689195A (zh) | 一种电力日负荷预测方法 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN110751416A (zh) | 一种用水量的预测方法、装置及设备 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
CN117236800B (zh) | 一种多场景自适应的用电负荷预测方法及系统 | |
CN117196695B (zh) | 一种目标产品的销量数据的预测方法及装置 | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN117277312A (zh) | 一种基于灰色关联分析的电力负荷影响因素方法及设备 | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN116776252A (zh) | 一种改进Mallow's Cp变量选择的工业过程软测量方法和系统 | |
CN110991748A (zh) | 一种城市电网短期负荷预测方法 | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
CN116307250A (zh) | 一种基于典型日特征选择的短期负荷预测方法及系统 | |
CN115759469A (zh) | 一种针对峰值负荷及其出现时间的预测方法及其装置 | |
CN114926075B (zh) | 基于工时预测的机械零件生产调度方法 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN116644562B (zh) | 一种新能源电站运维费用评估系统 |
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 |