CN116632836A - 一种基于温度敏感性的公变台区负载率预测系统 - Google Patents
一种基于温度敏感性的公变台区负载率预测系统 Download PDFInfo
- Publication number
- CN116632836A CN116632836A CN202310774937.3A CN202310774937A CN116632836A CN 116632836 A CN116632836 A CN 116632836A CN 202310774937 A CN202310774937 A CN 202310774937A CN 116632836 A CN116632836 A CN 116632836A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- prediction
- short
- correction
- 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
- 230000035945 sensitivity Effects 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 83
- 238000004458 analytical method Methods 0.000 claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010206 sensitivity analysis Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力系统技术领域，且公开了一种基于温度敏感性的公变台区负载率预测系统，包括有异常数据辨识与修正、负荷结构分析、影响因素评估和负荷预测模型。本发明通过历史气象数据、预测气象数据和用户历史负荷数据、用户实时负荷数据，先通过欧几里得距离法、相关系数分析法方法实现相似日获取，再利用标准差、均值分析、历史平均值分析方法实现短期负荷预测数据计算，最后利用实时负荷数据对短期负荷预测数据进行二次校正，获得更精准的超短期负荷预测数据，从而可以对样本台区进行为期三天的短期负荷预测，并可以根据已发生的台区实际负荷情况，评估了该模型的预测准确率。
Description
技术领域
本发明属于电力系统技术领域，具体为一种基于温度敏感性的公变台区负载率预测系统。
背景技术
由于居民台区负荷预测的不确定性很大，受到用户用电行为的影响更为明显，不同台区之间的用电负荷相互参考性较低，表现为弱约束关联，现有技术中，短期负荷预测方法主要包括趋势外推法、回归分析法和统计预测法，对于居民台区的短期负荷预测，可以采用用电类型、用电行为结合气温预测的方式进行，针对不同用户组成结构采用不同的短期负荷预测方法。
发明内容
本发明的目的在于提供一种基于温度敏感性的公变台区负载率预测系统，以解决上述背景技术中提出的问题。
为了实现上述目的，本发明提供如下技术方案：一种基于温度敏感性的公变台区负载率预测系统，包括有异常数据辨识与修正、负荷结构分析、影响因素评估和负荷预测模型；
所述异常数据辨识与修正包括有不良数据识别方法、不良数据批量监测与修正方法和不良批量监测与修正方法；
所述负荷结构分析包括有分类负荷特征分析和负荷结构构成分析；
所述影响因素评估包括有工作日/休息日/节假日因素和气象因素；
所述不良批量监测与修正方法基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据；
所述负荷预测模型包括有基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据；
通过预测基础数据将样本台区预测日前4个月的负荷数据进行了预测模型训练。通过观察4月24日、25日、26日预测数据与实际负荷数据对比图，历史平均模型、线性回归模型和时间序列模型结合温度走势几乎已可以较准确地进行负荷预测，每日的负荷预测结果均有显著的提升。
优选的，所述基础数据包括有历史气象数据、预测气象数据和用户历史负荷数据、用户实时负荷数据；
所述获取相似日方法包括有欧几里得距离法和相关系数分析法，通过欧几里得距离法、相关系数分析法方法实现相似日获取；
所述短期负荷预测数据计算包括有标准差、均值分析法和历史平均值分析法，利用标准差、均值分析、历史平均值分析方法实现短期负荷预测数据计算；
所述超短期负荷预测数据为实时负荷数据对短期负荷预测数据进行二次校正的计算结果。
优选的，所述不良数据识别方法包括有缺失值识别和异常值识别；
所述不良数据批量监测与修正方法包括有缺失值修正和异常值修正；
所述不良批量监测与修正方法包括有负荷修正工具。
优选的，所述缺失值识别中缺失值是指获取的负荷数据集中个别值采集值缺失；
所述异常值识别中异常值是指获取的负荷数据集中部分点位负荷值显著的不同，如冒大数、负荷值。
优选的，所述缺失值修正：处理缺失值的方法包含缺失值的观测值、使用平均值或中位数填充缺失值、使用插值方法(如线性插值、多项式插值)来估计缺失值；
所述异常值修正：处理异常值的方法包含使用之前数个采集点位的平均值或中卫数替换。
优选的，所述负荷修正工具：将不良数据识别与修正方法进行打包整合，形成独立的异常数据处理工具。
优选的，所述分类负荷特征分析按用电类别不同可以分为居民和商业两类，从而可以从多个角度分析其季节性特点、峰谷特点、负荷稳定性、负荷率，包括最大负荷、平均负荷、负荷率、峰谷差、典型日负荷曲线在全年不同时段的分布特性；
所述负荷结构构成分析可以通过分析各台区负荷结构构成情况，分析各台区负荷变化时，各分类负荷与台区总负荷变化的关系，量化评估不同分类负荷对台区总体负荷的影响。
优选的，所述工作日/休息日/节假日因素具体为不同类型负荷在工作日与休息日的变化特点，包括负荷水平变化与负荷曲线变化；分析节假日对不同类型负荷的影响，确定节前节后影响天数以及调休方式对节假日负荷的不同影响；
所述气象因素具体为建立综合气象指标模型，分析气象对不同分类负荷的影响程度，辨识各分类负荷主导气象因素，进行气象因素相关性及灵敏度分析。
本发明的有益效果如下：
1、本发明通过历史气象数据、预测气象数据和用户历史负荷数据、用户实时负荷数据，先通过欧几里得距离法、相关系数分析法方法实现相似日获取，再利用标准差、均值分析、历史平均值分析方法实现短期负荷预测数据计算，最后利用实时负荷数据对短期负荷预测数据进行二次校正，获得更精准的超短期负荷预测数据，从而可以对样本台区进行为期三天的短期负荷预测，并可以根据已发生的台区实际负荷情况，评估了该模型的预测准确率。
2、本发明通过采用用电类型、用电行为结合气温预测与的方式进行，针对不同用户组成结构采用不同的短期负荷预测方法，从而可帮助电力公司有效预测台区负荷变化趋势。
3、本发明通过结合气象数据进行台区负荷预测，通过分析气象因素与负荷之间的关系来提高预测的准确性。
附图说明
图1为本发明负荷预测模型流程图；
图2为本发明20230424台区预测图；
图3为本发明20230425台区预测图；
图4为本发明20230426台区预测图。
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1至图4所示，本发明实施例提供了一种基于温度敏感性的公变台区负载率预测系统，包括有异常数据辨识与修正、负荷结构分析、影响因素评估和负荷预测模型；
异常数据辨识与修正包括有不良数据识别方法、不良数据批量监测与修正方法和不良批量监测与修正方法；
负荷结构分析包括有分类负荷特征分析和负荷结构构成分析；
影响因素评估包括有工作日/休息日/节假日因素和气象因素；
不良批量监测与修正方法基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据；
负荷预测模型包括有基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据；
通过预测基础数据将样本台区预测日前4个月的负荷数据进行了预测模型训练。通过观察4月24日、25日、26日预测数据与实际负荷数据对比图，历史平均模型、线性回归模型和时间序列模型结合温度走势几乎已可以较准确地进行负荷预测，每日的负荷预测结果均有显著的提升；
基于历史气象数据、预测气象数据和用户历史负荷数据，通过欧几里得距离法、相关系数分析法分析预测气象数据与历史气象数据的关联性，获取关联性较大的N个典型日，以用户为维度，剔除典型日96点负荷数据中的异常情况，求典型日96点负荷的算术平均值，从而计算得出用户预测负荷数据，通过叠加台区下属用户的预测负荷数据，得到台区的预测负荷数据，将台区下分用户的预测负荷数据叠加，获得分台区的预测负荷数据。对于今日的实时负荷预测利用当日已有负荷数据与预测负荷数据的关联关系，求得当日预测负荷的修正系数k【k＝1-(((实测负荷p1－预测负荷p1)/实测负荷p1+(实测负荷p2－预测负荷p2)/实测负荷p2+***+(实测负荷p96－预测负荷p96)/实测负荷p96)/96)】，当前时刻以后时刻的超短期预测负荷＝时刻预测负荷*k。
其中，基础数据包括有历史气象数据、预测气象数据和用户历史负荷数据、用户实时负荷数据；
获取相似日方法包括有欧几里得距离法和相关系数分析法，通过欧几里得距离法、相关系数分析法方法实现相似日获取；
短期负荷预测数据计算包括有标准差、均值分析法和历史平均值分析法，利用标准差、均值分析、历史平均值分析方法实现短期负荷预测数据计算；
超短期负荷预测数据为实时负荷数据对短期负荷预测数据进行二次校正的计算结果；
基于历史气象数据、预测气象数据和用户历史负荷数据、用户实时负荷数据，先通过欧几里得距离法、相关系数分析法方法实现相似日获取，再利用标准差、均值分析、历史平均值分析方法实现短期负荷预测数据计算，最后利用实时负荷数据对短期负荷预测数据进行二次校正，获得更精准的超短期负荷预测数据。基于以上方法对样本台区进行了为期三天的短期负荷预测，并根据已发生的台区实际负荷情况，评估了该模型的预测准确率，具体情况见附件。
其中，不良数据识别方法包括有缺失值识别和异常值识别；
不良数据批量监测与修正方法包括有缺失值修正和异常值修正；
不良批量监测与修正方法包括有负荷修正工具；
在用户配用电阶段，用户侧的用电行为异常导致负荷的异常波动产生。异常数据的常见模式主要有：空数据点和零数据点、连续恒定值、异常阶跃值三类。通过定位异常特点，设计不良数据识方法，实现从易到难、由粗到精、分步辨识与修正的过程，由简单修正到提取特征曲线，通过线性插值、抛物线插值、样条插值方法，建立具有较强适应性和灵活性的负荷修正工具，实现不良数据的检测和批量自动修正。
其中，缺失值识别中缺失值是指获取的负荷数据集中个别值采集值缺失；
异常值识别中异常值是指获取的负荷数据集中部分点位负荷值显著的不同，如冒大数、负荷值；
通过对检测数据中的缺失值和异常值进行识别，从而可以对检测数据中的不良数据进行检测，进而可以减少预测模型中可能出现的误差，从而使得模型的预测更加的准确。
其中，缺失值修正：处理缺失值的方法包含缺失值的观测值、使用平均值或中位数填充缺失值、使用插值方法(如线性插值、多项式插值)来估计缺失值；
异常值修正：处理异常值的方法包含使用之前数个采集点位的平均值或中卫数替换；
当检测到缺失值和异常值后，然后使用平均值或中位数填充缺失值、使用插值方法(如线性插值、多项式插值)来估计缺失值，然后通过使用之前数个采集点位的平均值或中卫数替换，从而减少预测模型中可能出现的误差，从而使得模型的预测更加的准确。
其中，负荷修正工具：将不良数据识别与修正方法进行打包整合，形成独立的异常数据处理工具；
通过将不良数据识别与修正方法进行打包整合形成一个独立的负荷修正工具，从而可以进行独立运行，对各个地方的数据进行检测与修正。
其中，分类负荷特征分析按用电类别不同可以分为居民和商业两类，从而可以从多个角度分析其季节性特点、峰谷特点、负荷稳定性、负荷率，包括最大负荷、平均负荷、负荷率、峰谷差、典型日负荷曲线在全年不同时段的分布特性；
负荷结构构成分析可以通过分析各台区负荷结构构成情况，分析各台区负荷变化时，各分类负荷与台区总负荷变化的关系，量化评估不同分类负荷对台区总体负荷的影响；
检测用户根据用电类别不同可以分为居民和商业两类，从而可以从多角度识别分类识别居民和商业用户分类负荷特征，进而可以多个角度分析其季节性特点(春夏秋冬)、峰谷特点(尖峰平谷)、负荷稳定性(负荷曲线波动情况)、负荷率，包括最大负荷、平均负荷、负荷率、峰谷差、典型日负荷曲线(包括夏季典型日、冬季典型日、工作日、休息日)在全年不同时段的分布特性，从而可以分析各台区负荷结构构成情况，分析各台区负荷变化时，各分类负荷与台区总负荷变化的关系，量化评估不同分类负荷对台区总体负荷的影响。
其中，工作日/休息日/节假日因素具体为不同类型负荷在工作日与休息日的变化特点，包括负荷水平变化与负荷曲线变化；分析节假日对不同类型负荷的影响，确定节前节后影响天数以及调休方式对节假日负荷的不同影响；
气象因素具体为建立综合气象指标模型，分析气象对不同分类负荷的影响程度，辨识各分类负荷主导气象因素，进行气象因素相关性及灵敏度分析；
综合考虑日类型、气象影响因素，采用主导因素辨识、人工智能敏感度分析方法，分析不同因素对居民和商业用户负荷影响的敏感度，建立量化评估模型，为精细化预测提供数据基础。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其同物限定。
Claims (8)
1.一种基于温度敏感性的公变台区负载率预测系统，其特征在于：包括有异常数据辨识与修正、负荷结构分析、影响因素评估和负荷预测模型；
所述异常数据辨识与修正包括有不良数据识别方法、不良数据批量监测与修正方法和不良批量监测与修正方法；
所述负荷结构分析包括有分类负荷特征分析和负荷结构构成分析；
所述影响因素评估包括有工作日、休息日、节假日因素和气象因素；
所述不良批量监测与修正方法基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据；
所述负荷预测模型包括有基础数据、获取相似日方法、短期负荷预测数据计算和超短期负荷预测数据。
2.根据权利要求1所述的一种基于温度敏感性的公变台区负载率预测系统，其特征在于：所述基础数据包括有历史气象数据、预测气象数据和用户历史负荷数据、用户实时负荷数据；
所述获取相似日方法包括有欧几里得距离法和相关系数分析法，通过欧几里得距离法、相关系数分析法方法实现相似日获取；
所述短期负荷预测数据计算包括有标准差、均值分析法和历史平均值分析法，利用标准差、均值分析、历史平均值分析方法实现短期负荷预测数据计算；
所述超短期负荷预测数据为实时负荷数据对短期负荷预测数据进行二次校正的计算结果。
3.根据权利要求1所述的一种基于温度敏感性的公变台区负载率预测系统，其特征在于：所述不良数据识别方法包括有缺失值识别和异常值识别；
所述不良数据批量监测与修正方法包括有缺失值修正和异常值修正；
所述不良批量监测与修正方法包括有负荷修正工具。
4.根据权利要求1所述的一种基于温度敏感性的公变台区负载率预测系统，其特征在于：所述缺失值识别中缺失值是指获取的负荷数据集中个别值采集值缺失；
所述异常值识别中异常值是指获取的负荷数据集中部分点位负荷值显著的不同，如冒大数、负荷值。
5.根据权利要求1所述的一种基于温度敏感性的公变台区负载率预测系统，其特征在于：所述缺失值修正：处理缺失值的方法包含缺失值的观测值、使用平均值或中位数填充缺失值、使用插值方法来估计缺失值；
所述异常值修正：处理异常值的方法包含使用之前数个采集点位的平均值或中卫数替换。
6.根据权利要求1所述的一种基于温度敏感性的公变台区负载率预测系统，其特征在于：所述负荷修正工具：将不良数据识别与修正方法进行打包整合，形成独立的异常数据处理工具。
7.根据权利要求1所述的一种基于温度敏感性的公变台区负载率预测系统，其特征在于：所述分类负荷特征分析按用电类别不同可以分为居民和商业两类，从而可以从多个角度分析其季节性特点、峰谷特点、负荷稳定性、负荷率，包括最大负荷、平均负荷、负荷率、峰谷差、典型日负荷曲线在全年不同时段的分布特性；
所述负荷结构构成分析可以通过分析各台区负荷结构构成情况，分析各台区负荷变化时，各分类负荷与台区总负荷变化的关系，量化评估不同分类负荷对台区总体负荷的影响。
8.根据权利要求1所述的一种基于温度敏感性的公变台区负载率预测系统，其特征在于：所述工作日/休息日/节假日因素具体为不同类型负荷在工作日与休息日的变化特点，包括负荷水平变化与负荷曲线变化；分析节假日对不同类型负荷的影响，确定节前节后影响天数以及调休方式对节假日负荷的不同影响；
所述气象因素具体为建立综合气象指标模型，分析气象对不同分类负荷的影响程度，辨识各分类负荷主导气象因素，进行气象因素相关性及灵敏度分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310774937.3A CN116632836A (zh) | 2023-06-28 | 2023-06-28 | 一种基于温度敏感性的公变台区负载率预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310774937.3A CN116632836A (zh) | 2023-06-28 | 2023-06-28 | 一种基于温度敏感性的公变台区负载率预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116632836A true CN116632836A (zh) | 2023-08-22 |
Family
ID=87613589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310774937.3A Pending CN116632836A (zh) | 2023-06-28 | 2023-06-28 | 一种基于温度敏感性的公变台区负载率预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116632836A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117977576A (zh) * | 2024-03-28 | 2024-05-03 | 国网四川省电力公司电力科学研究院 | 一种基于多尺度历史负荷数据的台区负荷预测方法 |
-
2023
- 2023-06-28 CN CN202310774937.3A patent/CN116632836A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117977576A (zh) * | 2024-03-28 | 2024-05-03 | 国网四川省电力公司电力科学研究院 | 一种基于多尺度历史负荷数据的台区负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381476B (zh) | 用于确定状态异常的电能表的方法及装置 | |
| CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
| CN106682763B (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
| CN110889088A (zh) | 一种应用电力模型辅助的企业排污监管方法 | |
| CN113884975B (zh) | 一种基于改进动态线损估计的超差电表检测方法 | |
| CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
| CN108448625B (zh) | 一种基于数据驱动的风机切入风速计算方法 | |
| CN109634944B (zh) | 一种基于多维度时空分析的网损数据清洗方法 | |
| CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及系统 | |
| CN116632836A (zh) | 一种基于温度敏感性的公变台区负载率预测系统 | |
| CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
| CN117277435A (zh) | 一种光伏逆变器的健康评估方法、系统及装置 | |
| CN118074126B (zh) | 一种基于电网信息运维监控方法 | |
| Ishak et al. | Analysis roofing quality control using statistical quality control (sqc)(case study: xyz company) | |
| CN116165597A (zh) | 一种基于核偏最小二乘法的电能表失准在线检测方法 | |
| CN118095704A (zh) | 基于大数据的乡村典型能源供需平衡方法及系统 | |
| CN117495106A (zh) | 一种智能电表实时风险筛查、预测方法及系统 | |
| CN112785456A (zh) | 基于向量自回归模型的高损线路窃电检测方法 | |
| CN113822587B (zh) | 一种基于总线电流数据的工厂产能评估方法 | |
| CN114912700A (zh) | 一种工厂车间电力能耗的评估方法及其系统 | |
| Perry et al. | Automated shift detection in sensor-based PV power and irradiance time series | |
| CN111368257B (zh) | 煤改电负荷特性的分析预测方法及装置 | |
| CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、系统 | |
| CN113869601A (zh) | 一种电力用户负荷预测方法、装置及设备 |
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 |