CN116629455B - 一种基于电力供电的智能定向预测方法 - Google Patents
一种基于电力供电的智能定向预测方法 Download PDFInfo
- Publication number
- CN116629455B CN116629455B CN202310882856.5A CN202310882856A CN116629455B CN 116629455 B CN116629455 B CN 116629455B CN 202310882856 A CN202310882856 A CN 202310882856A CN 116629455 B CN116629455 B CN 116629455B
- Authority
- CN
- China
- Prior art keywords
- prediction
- power supply
- module
- target
- power
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004069 differentiation Effects 0.000 claims abstract description 27
- 230000005611 electricity Effects 0.000 claims description 50
- 230000004044 response Effects 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000000737 periodic effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000029087 digestion Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 238000010276 construction Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
Abstract
本发明提供了一种基于电力供电的智能定向预测方法，涉及数据处理技术领域，基于目标区域获取多组区域负荷趋势，搭建定向预测模型，进行供电预测与用电预测，进行预测结果的差异化分析确定差异目标，对供电预测结果进行能源调度调优，获取定向预测结果并进行可视化显示，解决了现有技术中对于电力供电预测的分析深度不足且存在一定的主观性，导致预测结果不够准确，且无法同步实现供电预测的优化调度调整，预测完备性不足的技术问题，针对定向预测目标，以供电与用电为预测维度，建模基于趋势预测与样本分析预测进行多方式预测，提高预测准确度，分析供求差异化以进行供电预测的优化调度调整，确保预测完备性。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于电力供电的智能定向预测方法。
背景技术
随着电力工业现代化的发展，基于电力需求进行电能调度为当前的重点问题，为保障电能的供求一致性，需预先进行电力供电的有效精准预测，以确保后续配电网的稳态运行。
现有技术中，主要结合负荷与变量的关系，辅助系列相关算法并介入专家经验直接进行算法预测，存在一定的技术局限。分析深度不足且存在一定的主观性，导致预测结果不够准确，且无法同步实现供电预测的优化调度调整，预测完备性不足。
发明内容
本申请提供了一种基于电力供电的智能定向预测方法，用于针对解决现有技术中存在的对于电力供电预测的分析深度不足且存在一定的主观性，导致预测结果不够准确，且无法同步实现供电预测的优化调度调整，预测完备性不足的技术问题。
鉴于上述问题，本申请提供了一种基于电力供电的智能定向预测方法。
第一方面，本申请提供了一种基于电力供电的智能定向预测方法，所述方法包括：
对目标区域进行多级划分与分析，获取多组区域负荷趋势，所述区域负荷趋势包括基于多级划分结果的供电趋势与消纳趋势；
搭建定向预测模型，所述定向预测模型包括用电预测模块、供电预测模块与差异化分析单元，所述用电预测模块内嵌有所述消纳趋势，所述供电预测模块内嵌有所述供电趋势；
采集实时电能信息并确定供电预测目标，输入定向预测模型内的用电预测模块，输出用电预测结果，所述用电预测结果标识有时间节点；
结合配电网，将所述用电预测结果输入所述定向预测模型内的所述用电预测模块，输出供电预测结果；
将所述供电预测结果与所述用电预测结果输入所述差异化分析单元，确定差异目标；
结合所述差异目标，对所述供电预测结果进行能源调度调优，确定优化供电预执行序列；
将所述用电预测结果与所述优化供电预执行序列作为定向预测结果，传输至中控系统并进行可视化显示。
第二方面，本申请提供了一种基于电力供电的智能定向预测系统，所述系统包括：
趋势获取模块，所述趋势获取模块用于对目标区域进行多级划分与分析，获取多组区域负荷趋势，所述区域负荷趋势包括基于多级划分结果的供电趋势与消纳趋势；
模型搭建模块，所述模型搭建模块用于搭建定向预测模型，所述定向预测模型包括用电预测模块、供电预测模块与差异化分析单元，所述用电预测模块内嵌有所述消纳趋势，所述供电预测模块内嵌有所述供电趋势；
用电预测模块，所述用电预测模块用于采集实时电能信息并确定供电预测目标，输入定向预测模型内的用电预测模块，输出用电预测结果，所述用电预测结果标识有时间节点；
供电预测模块，所述供电预测模块用于结合配电网，将所述用电预测结果输入所述定向预测模型内的所述用电预测模块，输出供电预测结果；
差异化分析模块，所述差异化分析模块用于将所述供电预测结果与所述用电预测结果输入所述差异化分析单元，确定差异目标；
结果调优模块，所述结果调优模块用于结合所述差异目标，对所述供电预测结果进行能源调度调优，确定优化供电预执行序列；
结果显示模块，所述结果显示模块用于将所述用电预测结果与所述优化供电预执行序列作为定向预测结果，传输至中控系统并进行可视化显示。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的一种基于电力供电的智能定向预测方法，对目标区域进行多级划分与分析，获取多组区域负荷趋势，搭建定向预测模型，包括用电预测模块、供电预测模块与差异化分析单元，采集实时电能信息并确定供电预测目标，输入用电预测模块获取用电预测结果；结合配电网，将所述用电预测结果输入所述用电预测模块，输出供电预测结果；基于所述差异化分析单元，分析所述供电预测结果与所述用电预测结果确定差异目标，对所述供电预测结果进行能源调度调优，确定优化供电预执行序列，结合所述用电预测结果确定定向预测结果，传输至中控系统并进行可视化显示，解决了现有技术中存在的对于电力供电预测的分析深度不足且存在一定的主观性，导致预测结果不够准确，且无法同步实现供电预测的优化调度调整，预测完备性不足的技术问题，针对定向预测目标，以供电与用电为预测维度，建模基于趋势预测与样本分析预测进行多方式预测，提高预测准确度，分析供求差异化以进行供电预测的优化调度调整，确保预测完备性。
附图说明
图1为本申请提供了一种基于电力供电的智能定向预测方法流程示意图；
图2为本申请提供了一种基于电力供电的智能定向预测方法中定向预测模型搭建流程示意图；
图3为本申请提供了一种基于电力供电的智能定向预测方法中差异目标获取流程示意图；
图4为本申请提供了一种基于电力供电的智能定向预测系统结构示意图。
附图标记说明：趋势获取模块11，模型搭建模块12，用电预测模块13，供电预测模块14，差异化分析模块15，结果调优模块16，结果显示模块17。
具体实施方式
本申请通过提供一种基于电力供电的智能定向预测方法，基于目标区域获取多组区域负荷趋势，搭建定向预测模型，采集实时电能信息并确定供电预测目标，分析用电预测结果；结合配电网，分析供电预测结果，进行差异化分析确定差异目标，进行供电预测结果的能源调度调优，获取定向预测结果并进行可视化显示，用于解决现有技术中存在的对于电力供电预测的分析深度不足且存在一定的主观性，导致预测结果不够准确，且无法同步实现供电预测的优化调度调整，预测完备性不足的技术问题。
实施例一
如图1所示，本申请提供了一种基于电力供电的智能定向预测方法，所述方法包括：
步骤S100：对目标区域进行多级划分与分析，获取多组区域负荷趋势，所述区域负荷趋势包括基于多级划分结果的供电趋势与消纳趋势；
进一步而言，所述获取多组区域负荷趋势本申请步骤S100还包括：
步骤S110：对所述目标区域进行一级划分，确定多个划分区域，所述一级划分的标准为区域发展状态；
步骤S120：对所述多个划分区域分别进行二级划分，确定多个区域负荷组，所述二级划分的标准为目标类型；
步骤S130：将所述多个区域负荷组作为底层约束，交互历史供电数据进行供电趋势与消纳趋势分析，获取多组区域负荷趋势。
具体而言，随着电力工业现代化的发展，基于电力需求进行电能调度为当前的重点问题，为保障电能的供求一致性，需预先进行电力供电的有效精准预测，以确保后续配电网的稳态运行。本申请提供的一种基于电力供电的智能定向预测方法，通过进行供电区域的多级划分，以框选定向供电目标并进行建模分析，基于趋势预测与样本分析预测的方式分别针对用电与供电进行预测，后步进行供求的差异化分析以进行供电调度的优化调整，以满足用电负荷需求，基于预测结果进行电力系统的负荷适配性供电调度执行。
具体的，所述目标区域为进行电能调度管理的完整覆盖区域，例如省、市等。将所述区域发展状态作为区域划分标准，对所述目标区域进行一级划分，例如城、区、镇等，获取所述多个划分区域；进一步的，以目标类型作为划分标准，例如用电类型，在所述多个划分区域的基础上进行进一步的细分，如针对工业供电、商用电、农业用电与民生用电，对各划分区域进行分割，并采集存在的用电负荷，例如城市划分区域下工业用电的多个用电负荷，如电化的多类分布式生产设备等，对同划分区域中各用电类型涵盖的用电负荷进行集成与规整，作为一个区域负荷组，获取所述多个区域负荷组。进一步的，将所述多个区域负荷组作为数据采集的方向约束限制，连接电力系统，以所述多个区域负荷组作为索引，检索并采集预定时间区段内，即接壤于当前时刻的时间段的多组历史供电数据，包括历史供电数据与历史消纳数据。优选的，以时间与消纳量为坐标轴向，基于所述历史消纳数据生成消纳趋势曲线；以时间与供电量为坐标轴向，基于所述历史供电数据生成供电趋势曲线，确定消纳趋势与供电趋势，集成获取所述多组区域负荷趋势，所述多组区域负荷趋势与所述多个区域负荷组一一对应，将所述多组区域负荷趋势作为预测参考。
步骤S200：搭建定向预测模型，所述定向预测模型包括用电预测模块、供电预测模块与差异化分析单元，所述用电预测模块内嵌有所述消纳趋势，所述供电预测模块内嵌有所述供电趋势；
进一步而言，如图2所示，所述搭建定向预测模型，本申请步骤S200还包括：
步骤S210：搭建第一趋势预测分支与第一参量预测分支，并进行并行布设，后置于自注意单元，生成所述用电预测模块；
步骤S220：搭建第二趋势预测分支与第二参量预测分支，并进行并行布设，生成所述供电预测模块；
步骤S230：对所述用电预测模块、所述供电预测模块与差异化分析单元进行正序列化布设，生成所述定向预测模型。
进一步而言，构建自注意单元，本申请步骤S210还包括：
步骤S211：获取样本预测目标与样本电能信息，所述样本预测目标标识有注意系数；
步骤S212：基于所述样本预测目标，结合注意系数对所述样本电能信息进行目标识别，确定样本源数据；
步骤S213：映射关联所述样本预测目标、所述样本电能信息与所述样本源数据，进行神经网络训练生成自注意单元。
具体而言，所述定向预测模型为自建的用于进行电力定向预测的分析模型，包括多个关联性模块。具体的，采集样本预测目标与所述样本电能信息，且所述样本预测目标带有注意系数标识，所述注意系数用于进行定向信息识别筛选，所述注意系数用于衡量预测目标中不同细化目标的信息识别注意度，与信息的重要度与完整度成正比，所述样本预测目标与所述样本电能信息一一对应，且所述样本预测目标不同，例如城区的整体预测、县区的工业供电预测等，所述样本电能信息包括了不同时序节点对应的所述目标区域的历史电能信息。基于所述注意系数，于所述样本电能信息中，对所述样本预测目标进行目标信息识别筛选，例如基于专家组进行目标信息识别筛选等，获取所述样本源数据，所述样本源数据为筛选的满足所述样本预测目标的电能信息，基于所述样本源数据进行后续供电与用电预测。
进一步的，将所述样本预测目标、所述样本电能信息作为识别信息，将所述样本源数据作为决策信息，进行识别信息与决策信息的映射关联，获取构建数据，基于所述构建数据进行神经网络训练生成所述自注意单元，所述自注意单元用于进行目标定向信息识别提取。
进一步的，以所述多个划分区域确定第一决策层，以所述多个区域负荷组确定第二决策层，以所述多组区域负荷趋势中的所述用电趋势确定第三决策层，对所述第一决策层、所述第二决策层与所述第三决策层进行层级目标映射关联，生成用电趋势预测决策树，基于所述用电趋势决策树生成所述第一趋势预测分支。
确定所述样本源数据对应的时序节点，配置不同时序间隔，针对各个样本源数据，分别基于不同时序间隔于所述样本电能信息中进行后继时序的信息采集，作为样本供电预测信息与样本用电预测信息。将所述样本源数据作为输入识别信息，将所述样本用电预测信息作为决策输出信息，进行所述样本源数据与所述样本用电预测信息的映射关联，确定用电预测训练数据；同理，对所述样本源数据与所述样本供电预测信息进行映射关联，作为供电预测训练数据。进一步对所述用电预测训练数据进行神经网络训练，生成所述第一参量预测分支。所述第一趋势预测分支与所述第一参量预测分支的处理目标相同，具体处理方向不同，对所述第一预测分支与所述第一参量预测分支进行并行布设，并后置于所述自注意单元，生成所述用电预测模块，所述用电预测模块用于针对负荷进行用电预测。
进一步的，以所述多个划分区域确定第一决策层，以所述多个区域负荷组确定第二决策层，以所述多组区域负荷趋势中的所述供电趋势确定第三决策层，进行决策层的层级目标映射关联，生成供电趋势预测决策树，基于所述用电趋势决策树生成所述第一趋势预测分支。基于所述用电预测训练数据，通过进行神经网络训练生成所述第二参量预测分支。对所述第二趋势预测分支与所述第二参量预测分支进行并行布设，生成所述供电预测模块，所述供电预测模块用于针对配电网的供电调度进行预测。
进一步的，所述差异化分析单元用于模块输出的用电预测结果与供电预测结果的偏离值分析，为数据处理单元。所述供电预测模块后置于所述用电预测模块，将所述差异化分析单元后置于所述供电预测模块，基于布设位置进行依次连接，同时对所述用电预测模块与所述差异化分析单元进行连接，生成所述定向预测模型。基于所述定向预测模型进行分析预测，可有效提高预测结果的有效性与准确度，保障结果客观性，并确定电能供求的差异化。
步骤S300：采集实时电能信息并确定供电预测目标，输入定向预测模型内的用电预测模块，输出用电预测结果，所述用电预测结果标识有时间节点；
步骤S400：结合配电网，将所述用电预测结果输入所述定向预测模型内的所述用电预测模块，输出供电预测结果；
具体而言，对所述目标区域当前时刻的电能信息进行采集，获取所述实时电能信息，并确定所述供电预测目标，即预测需求，且标识有注意系数，例如区域化不同负荷类型的供电预测等，不同负荷类型分别对应一注意系数。将所述实时电能信息与所述供电预测目标输入所述定向预测模型中，基于所述用电预测模块内的自注意模块进行目标数据识别筛选，提取负荷所述供电预测目标的源数据，进一步分别输入所述第一趋势预测分支与所述第一参量预测分支，分别进行分析处理，确定第一趋势预测结果与第一参量预测结果，对所述第一趋势预测结果与所述第一参量预测结果进行映射校对，若映射结果中的对应数据相同，取任一预测结果作为所述用电预测结果；若映射结果中的对应数据存在偏差，进行对应数据求均值，作为所述用电预测结果，所述用电预测结果标识有供电预测的后继时间节点，将所述用电预测结果作为所述用电预测模块的输出数据。
进一步的，将所述用电预测结果输入所述用电预测模块，对所述用电预测模块与所述配电网进行连通，用于电能的流转参考，分别基于所述第二趋势预测分支与所述第二参量预测分支进行分析处理，确定第二趋势预测结果与第二参量预测结果。对所述第二趋势预测结果与所述第二参量预测结果进行校对与偏差分析，确定所述供电预测结果，作为所述用电预测模块的输出结果。
其中，所述第一趋势预测分支与所述第二趋势预测分支，所述第一参量预测分支与所述第二参量预测分支的构建方式与处理方式相似，具体构建数据不同，且各模块的分支预测结果间的校对处理方式相同。
步骤S500：将所述供电预测结果与所述用电预测结果输入所述差异化分析单元，确定差异目标；
进一步而言，如图3所示，将所述供电预测结果与所述用电预测结果输入所述差异化分析单元，确定差异目标，本申请步骤S500还包括：
步骤S510：将所述供电预测结果与所述用电预测结果输入所述差异化分析单元；
步骤S520：将时间节点、供电预测结果、用电预测结果作为坐标轴向，搭建差异化坐标系；
步骤S530：基于所述时间节点与所述供电预测结果，确定第一坐标组；
步骤S540：基于所述时间节点与所述用电预测结果，确定第二坐标组；
步骤S550：于所述差异化坐标系中，对所述第一坐标组与所述第二坐标组进行定位，确定差异化曲线；
步骤S560：设定差异阈值，基于所述差异阈值界定所述差异化曲线，确定差异目标，所述差异目标带有正负号标识。
具体而言，将所述用电预测结果与所述供电预测结果输入所述差异化分析单元，所述用电预测结果与所述供电预测结果具有时序对应性。以时间节点为第一坐标轴，以供电预测结果为第二坐标轴，以用电预测结果为第三坐标轴，搭建三维坐标系，作为所述差异化坐标系。
进一步的，以时间节点与所述供电预测结果作为坐标项，确定基于所述第一坐标轴与所述第二坐标轴的多个二维坐标点，作为所述第一坐标组；同理，以时间节点与所述供电预测结果作为坐标项，确定基于所述第一坐标轴与所述第三坐标轴的多个二维坐标点，作为所述第二坐标组。于所述差异化坐标系中，对所述第一坐标组与所述第二坐标组进行坐标系位置定位，并进行同时序节点下第一坐标与第二坐标的连接，基于多个连接区间于时序节点下的区间差异化趋势，确定所述差异化曲线，所述差异化曲线用于衡量电能的供求偏差。基于同坐标系下进行差异化分析，可保障分析结果的直观性与准确度。
进一步的，确定所述差异阈值，即判定是否需进行供能调度调整的临界供求偏差值，基于所述差异阈值，对所述差异化曲线进行界定，截取大于等于所述差异阈值的坐标点位，作为待进行供能调度调整的所述差异目标，若所述供求偏差为供大于求，对所述差异目标进行正号标识；若所述供求偏差为供小于求，对所述差异目标进行负号标识，用于快速确定调整方向。
步骤S600：结合所述差异目标，对所述供电预测结果进行能源调度调优，确定优化供电预执行序列；
进一步而言，所述结合所述差异目标，对所述供电预测结果进行能源调度调优，确定优化供电预执行序列，本申请步骤S600还包括：
步骤S610：对所述差异目标进行识别，确定多条目标信息，所述多条目标信息具有时序性，包括供电差量与传输路径；
步骤S620：基于所述多条目标信息，基于传输导向，对各目标信息结合所述配电网进行局域划定，确定多个局域电网，所述局域电网覆盖了可调度路径区域；
步骤S630：基于所述供电差量与所述传输路径，结合所述多个局域电网执行并网调度分析，获取所述优化供电预执行序列。
具体而言，对所述差异目标进行识别，确定多条待进行调度调整的目标信息，识别标识符号，若为正号，计算供求差值，即所述供电差量，作为流转调度电量或存储电量；若标识为负号，需进行并网调度分析。具体的，结合所述配电网，对所述多条目标信息中各目标信息进行传输分析，基于所述传输路径，确定各目标信息于所述配电网中的应用范围并进行划定，同时基于所述传输导向，即电能的流转传输方向，对流入配电网划定区域的路径，即可调度路径进行扩展，作为该目标信息对应的局域电网，获取基于所述多条目标信息的所述多个局域电网。将所述供电差量作为并网调度电量，基于所述传输路径与所述传输导向，确定并网传输路径，所述并网传输路径为以时限最短、能耗最小作为响应的筛选可调度路径，对所述供电预测结果进行能源调度调整，作为所述优化供电预执行序列，所述优化供电预执行序列为以供求一致为标准的预测结果。
步骤S700：将所述用电预测结果与所述优化供电预执行序列作为定向预测结果，传输至中控系统并进行可视化显示。
进一步而言，本申请步骤S700还包括：
步骤S710：基于所述配电网的运维周期，获取周期性继电保护响应；
步骤S720：对所述定向预测结果与所述周期性继电保护响应进行匹配，调用匹配序列，所述匹配序列表征为定向预测项-继电保护响应；
步骤S730：基于所述匹配序列，基于所述继电保护响应确定校准方案，对所述定向预测项进行调整，确定校准定向预测结果。
具体而言，电力系统运行过程中，存在一定的继电保护响应，例如负载设备故障、传输异常等触发的预警响应，作为供电影响因素需基于此进行修正。确定所述配电网的运维周期，调用样本继电保护响应并进行偶然性分析，例如将多段运维周期下的出现频次作为判定标准，将频次达到一定量值者进行提取并确定对应的周期性时间点，集成获取所述周期性继电保护响应。
进一步的，将所述用电预测结果与所述优化供电预执行序列作为所述定向预测结果，对所述定向预测结果与所述周期性继电保护响应进行匹配，例如基于所述定向预测结果所处的周期性时间节点进行匹配，确定所述匹配序列，即匹配成功存在运维异常的时序节点下，对应表征为所述定向预测项-继电保护响应的多个序列。所述定向预测项为所述用电预测结果中的项。
进一步的，基于所述匹配序列，识别所述继电保护响应，确定运维异常实况，即预警响应源，如传输异常，基于大数据调用符合所述继电保护响应的多个调整方案，检索各调整方案的处理效果，择取最优调整方案，作为所述校准方案，对所述定向预测项进行调整，获取调整后的所述校准定向预测结果。将所述校准定向预测结果传输至所述中控系统，即进行电力系统电能调度管理的控制系统，对所述校准定向预测结果进行可视化显示，用于进行后续的电力供电优化管理。
实施例二
基于与前述实施例中一种基于电力供电的智能定向预测方法相同的发明构思，如图4所示，本申请提供了一种基于电力供电的智能定向预测系统，所述系统包括：
趋势获取模块11，所述趋势获取模块11用于对目标区域进行多级划分与分析，获取多组区域负荷趋势，所述区域负荷趋势包括基于多级划分结果的供电趋势与消纳趋势；
模型搭建模块12，所述模型搭建模块12用于搭建定向预测模型，所述定向预测模型包括用电预测模块、供电预测模块与差异化分析单元，所述用电预测模块内嵌有所述消纳趋势，所述供电预测模块内嵌有所述供电趋势；
用电预测模块13，所述用电预测模块13用于采集实时电能信息并确定供电预测目标，输入定向预测模型内的用电预测模块，输出用电预测结果，所述用电预测结果标识有时间节点；
供电预测模块14，所述供电预测模块14用于结合配电网，将所述用电预测结果输入所述定向预测模型内的所述用电预测模块，输出供电预测结果；
差异化分析模块15，所述差异化分析模块15用于将所述供电预测结果与所述用电预测结果输入所述差异化分析单元，确定差异目标；
结果调优模块16，所述结果调优模块16用于结合所述差异目标，对所述供电预测结果进行能源调度调优，确定优化供电预执行序列；
结果显示模块17，所述结果显示模块17用于将所述用电预测结果与所述优化供电预执行序列作为定向预测结果，传输至中控系统并进行可视化显示。
进一步而言，所述趋势获取模块，还包括：
一级划分模块，所述一级划分模块用于对所述目标区域进行一级划分，确定多个划分区域，所述一级划分的标准为区域发展状态；
二级划分模块，所述二级划分模块用于对所述多个划分区域分别进行二级划分，确定多个区域负荷组，所述二级划分的标准为目标类型；
趋势分析模块，所述趋势分析模块用于将所述多个区域负荷组作为底层约束，交互历史供电数据进行供电趋势与消纳趋势分析，获取多组区域负荷趋势。
进一步而言，所述模型搭建模块，还包括：
用电预测模块生成模块，所述用电预测模块生成模块用于搭建第一趋势预测分支与第一参量预测分支，并进行并行布设，后置于自注意单元，生成所述用电预测模块；
供电预测模块生成模块，所述供电预测模块生成模块用于搭建第二趋势预测分支与第二参量预测分支，并进行并行布设，生成所述供电预测模块；
定向预测模型生成模块，所述定向预测模型生成模块用于对所述用电预测模块、所述供电预测模块与差异化分析单元进行正序列化布设，生成所述定向预测模型。
进一步而言，所述用电预测模块生成模块，还包括：
样本获取模块，所述样本获取模块用于获取样本预测目标与样本电能信息，所述样本预测目标标识有注意系数；
样本源数据确定模块，所述样本源数据确定模块用于基于所述样本预测目标，结合注意系数对所述样本电能信息进行目标识别，确定样本源数据；
自注意单元生成模块，所述自注意单元生成模块用于映射关联所述样本预测目标、所述样本电能信息与所述样本源数据，进行神经网络训练生成自注意单元。
进一步而言，所述差异化分析模块，还包括：
结果输入模块，所述结果输入模块用于将所述供电预测结果与所述用电预测结果输入所述差异化分析单元；
坐标系搭建模块，所述坐标系搭建模块用于将时间节点、供电预测结果、用电预测结果作为坐标轴向，搭建差异化坐标系；
第一坐标组确定模块，所述第一坐标组确定模块用于基于所述时间节点与所述供电预测结果，确定第一坐标组；
第二坐标组确定模块，所述第二坐标组确定模块用于基于所述时间节点与所述用电预测结果，确定第二坐标组；
差异化曲线确定模块，所述差异化曲线确定模块用于于所述差异化坐标系中，对所述第一坐标组与所述第二坐标组进行定位，确定差异化曲线；
差异目标确定模块，所述差异目标确定模块用于设定差异阈值，基于所述差异阈值界定所述差异化曲线，确定差异目标，所述差异目标带有正负号标识。
进一步而言，所述结果调优模块，还包括：
目标识别模块，所述目标识别模块用于对所述差异目标进行识别，确定多条目标信息，所述多条目标信息具有时序性，包括供电差量与传输路径；
局域电网划分模块，所述局域电网划分模块用于基于所述多条目标信息，基于传输导向，对各目标信息结合所述配电网进行局域划定，确定多个局域电网，所述局域电网覆盖了可调度路径区域；
并网调度分析模块，所述并网调度分析模块用于基于所述供电差量与所述传输路径，结合所述多个局域电网执行并网调度分析，获取所述优化供电预执行序列。
进一步而言，所述结果显示模块，还包括：
响应获取模块，所述响应获取模块用于基于所述配电网的运维周期，获取周期性继电保护响应；
匹配调用模块，所述匹配调用模块用于对所述定向预测结果与所述周期性继电保护响应进行匹配，调用匹配序列，所述匹配序列表征为定向预测项-继电保护响应；
结果校准模块，所述结果校准模块用于基于所述匹配序列，基于所述继电保护响应确定校准方案，对所述定向预测项进行调整，确定校准定向预测结果。
本说明书通过前述对一种基于电力供电的智能定向预测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于电力供电的智能定向预测方法，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于电力供电的智能定向预测方法，其特征在于，所述方法包括：
对目标区域进行多级划分与分析，获取多组区域负荷趋势，所述区域负荷趋势包括基于多级划分结果的供电趋势与消纳趋势；
搭建定向预测模型，所述定向预测模型包括用电预测模块、供电预测模块与差异化分析单元，所述用电预测模块内嵌有所述消纳趋势，所述供电预测模块内嵌有所述供电趋势；
采集实时电能信息并确定供电预测目标，输入定向预测模型内的用电预测模块，输出用电预测结果，所述用电预测结果标识有时间节点；
结合配电网，将所述用电预测结果输入所述定向预测模型内的所述用电预测模块，输出供电预测结果；
将所述供电预测结果与所述用电预测结果输入所述差异化分析单元，确定差异目标；
结合所述差异目标，对所述供电预测结果进行能源调度调优，确定优化供电预执行序列；
将所述用电预测结果与所述优化供电预执行序列作为定向预测结果，传输至中控系统并进行可视化显示；
所述搭建定向预测模型，方法包括：
搭建第一趋势预测分支与第一参量预测分支，并进行并行布设，后置于自注意单元，生成所述用电预测模块；
搭建第二趋势预测分支与第二参量预测分支，并进行并行布设，生成所述供电预测模块；
对所述用电预测模块、所述供电预测模块与差异化分析单元进行正序列化布设，生成所述定向预测模型；
构建自注意单元，方法包括：
获取样本预测目标与样本电能信息，所述样本预测目标标识有注意系数；
基于所述样本预测目标，结合注意系数对所述样本电能信息进行目标识别，确定样本源数据；
映射关联所述样本预测目标、所述样本电能信息与所述样本源数据，进行神经网络训练生成自注意单元；
将所述供电预测结果与所述用电预测结果输入所述差异化分析单元，确定差异目标，方法包括：
将所述供电预测结果与所述用电预测结果输入所述差异化分析单元；
将时间节点、供电预测结果、用电预测结果作为坐标轴向，搭建差异化坐标系；
基于所述时间节点与所述供电预测结果，确定第一坐标组；
基于所述时间节点与所述用电预测结果，确定第二坐标组；
于所述差异化坐标系中，对所述第一坐标组与所述第二坐标组进行定位，确定差异化曲线；
设定差异阈值，基于所述差异阈值界定所述差异化曲线，确定差异目标，所述差异目标带有正负号标识。
2.如权利要求1所述的一种基于电力供电的智能定向预测方法，其特征在于，所述获取多组区域负荷趋势，方法包括：
对所述目标区域进行一级划分，确定多个划分区域，所述一级划分的标准为区域发展状态；
对所述多个划分区域分别进行二级划分，确定多个区域负荷组，所述二级划分的标准为目标类型；
将所述多个区域负荷组作为底层约束，交互历史供电数据进行供电趋势与消纳趋势分析，获取多组区域负荷趋势。
3.如权利要求1所述的一种基于电力供电的智能定向预测方法，其特征在于，所述结合所述差异目标，对所述供电预测结果进行能源调度调优，确定优化供电预执行序列，方法包括：
对所述差异目标进行识别，确定多条目标信息，所述多条目标信息具有时序性，包括供电差量与传输路径；
基于所述多条目标信息，基于传输导向，对各目标信息结合所述配电网进行局域划定，确定多个局域电网，所述局域电网覆盖了可调度路径区域；
基于所述供电差量与所述传输路径，结合所述多个局域电网执行并网调度分析，获取所述优化供电预执行序列。
4.如权利要求1所述的一种基于电力供电的智能定向预测方法，其特征在于，方法包括：
基于所述配电网的运维周期，获取周期性继电保护响应；
对所述定向预测结果与所述周期性继电保护响应进行匹配，调用匹配序列，所述匹配序列表征为定向预测项-继电保护响应；
基于所述匹配序列，基于所述继电保护响应确定校准方案，对所述定向预测项进行调整，确定校准定向预测结果。
5.一种基于电力供电的智能定向预测系统，其特征在于，所述系统包括：
趋势获取模块，所述趋势获取模块用于对目标区域进行多级划分与分析，获取多组区域负荷趋势，所述区域负荷趋势包括基于多级划分结果的供电趋势与消纳趋势；
模型搭建模块，所述模型搭建模块用于搭建定向预测模型，所述定向预测模型包括用电预测模块、供电预测模块与差异化分析单元，所述用电预测模块内嵌有所述消纳趋势，所述供电预测模块内嵌有所述供电趋势；
用电预测模块，所述用电预测模块用于采集实时电能信息并确定供电预测目标，输入定向预测模型内的用电预测模块，输出用电预测结果，所述用电预测结果标识有时间节点；
供电预测模块，所述供电预测模块用于结合配电网，将所述用电预测结果输入所述定向预测模型内的所述用电预测模块，输出供电预测结果；
差异化分析模块，所述差异化分析模块用于将所述供电预测结果与所述用电预测结果输入所述差异化分析单元，确定差异目标；
结果调优模块，所述结果调优模块用于结合所述差异目标，对所述供电预测结果进行能源调度调优，确定优化供电预执行序列；
结果显示模块，所述结果显示模块用于将所述用电预测结果与所述优化供电预执行序列作为定向预测结果，传输至中控系统并进行可视化显示；
所述模型搭建模块，还包括：
用电预测模块生成模块，所述用电预测模块生成模块用于搭建第一趋势预测分支与第一参量预测分支，并进行并行布设，后置于自注意单元，生成所述用电预测模块；
供电预测模块生成模块，所述供电预测模块生成模块用于搭建第二趋势预测分支与第二参量预测分支，并进行并行布设，生成所述供电预测模块；
定向预测模型生成模块，所述定向预测模型生成模块用于对所述用电预测模块、所述供电预测模块与差异化分析单元进行正序列化布设，生成所述定向预测模型；
所述用电预测模块生成模块，还包括：
样本获取模块，所述样本获取模块用于获取样本预测目标与样本电能信息，所述样本预测目标标识有注意系数；
样本源数据确定模块，所述样本源数据确定模块用于基于所述样本预测目标，结合注意系数对所述样本电能信息进行目标识别，确定样本源数据；
自注意单元生成模块，所述自注意单元生成模块用于映射关联所述样本预测目标、所述样本电能信息与所述样本源数据，进行神经网络训练生成自注意单元；
所述差异化分析模块，还包括：
结果输入模块，所述结果输入模块用于将所述供电预测结果与所述用电预测结果输入所述差异化分析单元；
坐标系搭建模块，所述坐标系搭建模块用于将时间节点、供电预测结果、用电预测结果作为坐标轴向，搭建差异化坐标系；
第一坐标组确定模块，所述第一坐标组确定模块用于基于所述时间节点与所述供电预测结果，确定第一坐标组；
第二坐标组确定模块，所述第二坐标组确定模块用于基于所述时间节点与所述用电预测结果，确定第二坐标组；
差异化曲线确定模块，所述差异化曲线确定模块用于于所述差异化坐标系中，对所述第一坐标组与所述第二坐标组进行定位，确定差异化曲线；
差异目标确定模块，所述差异目标确定模块用于设定差异阈值，基于所述差异阈值界定所述差异化曲线，确定差异目标，所述差异目标带有正负号标识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882856.5A CN116629455B (zh) | 2023-07-19 | 2023-07-19 | 一种基于电力供电的智能定向预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882856.5A CN116629455B (zh) | 2023-07-19 | 2023-07-19 | 一种基于电力供电的智能定向预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629455A CN116629455A (zh) | 2023-08-22 |
| CN116629455B true CN116629455B (zh) | 2023-10-31 |
Family
ID=87638491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310882856.5A Active CN116629455B (zh) | 2023-07-19 | 2023-07-19 | 一种基于电力供电的智能定向预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629455B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116845936B (zh) * | 2023-09-01 | 2023-11-21 | 华夏天信智能物联股份有限公司 | 一种飞轮储能装置的智能控制方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
| CN108269025A (zh) * | 2018-02-02 | 2018-07-10 | 国网四川省电力公司天府新区供电公司 | 基于“互联网+”的源荷对等式电能交互方法 |
| CN113887809A (zh) * | 2021-10-11 | 2022-01-04 | 国网新疆电力有限公司巴州供电公司 | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 |
| CN114997508A (zh) * | 2022-06-20 | 2022-09-02 | 国网山东省电力公司营销服务中心(计量中心) | 基于多能互补的大棚用电优化方法及系统 |
| WO2023035499A1 (zh) * | 2021-09-10 | 2023-03-16 | 国网上海市电力公司 | 一种配电网的韧性综合评估方法和系统 |
| CN116108638A (zh) * | 2022-12-27 | 2023-05-12 | 国网冀北电力有限公司唐山供电公司 | 一种基于时段划分的光伏发电消纳预测方法及系统 |
| WO2023083235A1 (zh) * | 2021-11-10 | 2023-05-19 | 广东电网有限责任公司东莞供电局 | 一种分散式预测电网的优化方法及系统 |
| CN116266331A (zh) * | 2021-12-14 | 2023-06-20 | 国网宁夏电力有限公司经济技术研究院 | 电网公司区域内的电力能源结构监测方法及装置 |
| CN116341681A (zh) * | 2023-03-31 | 2023-06-27 | 国网江苏省电力有限公司扬州供电分公司 | 一种低压光伏用户发电负荷模型训练及预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11699078B2 (en) * | 2019-03-08 | 2023-07-11 | Ai Concepts, Llc | Intelligent recognition and alert methods and systems |
-
2023
- 2023-07-19 CN CN202310882856.5A patent/CN116629455B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
| CN108269025A (zh) * | 2018-02-02 | 2018-07-10 | 国网四川省电力公司天府新区供电公司 | 基于“互联网+”的源荷对等式电能交互方法 |
| WO2023035499A1 (zh) * | 2021-09-10 | 2023-03-16 | 国网上海市电力公司 | 一种配电网的韧性综合评估方法和系统 |
| CN113887809A (zh) * | 2021-10-11 | 2022-01-04 | 国网新疆电力有限公司巴州供电公司 | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 |
| WO2023083235A1 (zh) * | 2021-11-10 | 2023-05-19 | 广东电网有限责任公司东莞供电局 | 一种分散式预测电网的优化方法及系统 |
| CN116266331A (zh) * | 2021-12-14 | 2023-06-20 | 国网宁夏电力有限公司经济技术研究院 | 电网公司区域内的电力能源结构监测方法及装置 |
| CN114997508A (zh) * | 2022-06-20 | 2022-09-02 | 国网山东省电力公司营销服务中心(计量中心) | 基于多能互补的大棚用电优化方法及系统 |
| CN116108638A (zh) * | 2022-12-27 | 2023-05-12 | 国网冀北电力有限公司唐山供电公司 | 一种基于时段划分的光伏发电消纳预测方法及系统 |
| CN116341681A (zh) * | 2023-03-31 | 2023-06-27 | 国网江苏省电力有限公司扬州供电分公司 | 一种低压光伏用户发电负荷模型训练及预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Research and Application on Renewable Energy Assessment Method of Absorptive Capacity Considering Adaptability of Power Grid;Hu Yingying 等;《 2020 IEEE 4th Conference on Energy Internet and Energy System Integration (EI2)》;1947-1953 * |
| 基于态势联动的主动配电网多源优化调度框架;王晓辉 等;《电网技术》;第41卷(第02期);349-354 * |
| 智能配电网优化调度设计及关键技术;鲁文;杜红卫;丁恰;涂孟夫;李卫星;嵇文路;;《电力系统自动化》;第41卷(第03期);1-6, 88 * |
| 面向现代工业园区"源-荷"互动调度策略的研究;李恺 等;《湖南电力》;第40卷(第03期);12-16 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629455A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| De Benedetti et al. | Anomaly detection and predictive maintenance for photovoltaic systems | |
| Jota et al. | Building load management using cluster and statistical analyses | |
| Yan et al. | When artificial intelligence meets building energy efficiency, a review focusing on zero energy building | |
| CN116629455B (zh) | 一种基于电力供电的智能定向预测方法 | |
| Cárdenas et al. | Load forecasting framework of electricity consumptions for an Intelligent Energy Management System in the user-side | |
| Khan et al. | Genetic algorithm based optimized feature engineering and hybrid machine learning for effective energy consumption prediction | |
| CN115470566B (zh) | 一种基于bim的智慧建筑能耗控制方法及系统 | |
| Yang et al. | An efficient evolutionary approach to parameter identification in a building thermal model | |
| CN111985701A (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
| Gunawan et al. | An extensible framework for short-term holiday load forecasting combining dynamic time warping and LSTM network | |
| CN115826516A (zh) | 一种智能化的不锈钢链条生产管理方法及系统 | |
| CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
| Yu et al. | Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models | |
| Vinjamuri et al. | Efficient energy management system using Internet of things with FORDF technique for distribution system | |
| Olaru et al. | Electricity production and consumption modeling through fuzzy logic | |
| CN114879619A (zh) | 数字车间能源优化方法及系统 | |
| González-Briones et al. | Virtual agent organizations for user behaviour pattern extraction in energy optimization processes: A new perspective | |
| Do Amaral et al. | Energy Digital Twin Applications: A Review | |
| Leonardi et al. | A risk-based approach to automate preventive maintenance tasks generation by exploiting autonomous robot inspections in wind farms | |
| Yang et al. | Probabilistic revenue analysis of microgrid considering source-load and forecast uncertainties | |
| Dharssini et al. | Benefits of smart meters in institutional building–a case study | |
| Chanpiwat et al. | Using cluster analysis and dynamic programming for demand response applied to electricity load in residential homes | |
| CN112070302A (zh) | 一种电网用电安全的预警方法及系统 | |
| Davydenko et al. | Monitoring of energy efficiency of district heating system facilities: methodology for determining the energy baseline | |
| Jiang et al. | Development, implementation, and impact analysis of model predictive control-based optimal precooling using smart home thermostats |
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 |