CN114358485A - 一种源荷匹配性评估方法、系统、介质及电子设备 - Google Patents
一种源荷匹配性评估方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN114358485A CN114358485A CN202111441045.9A CN202111441045A CN114358485A CN 114358485 A CN114358485 A CN 114358485A CN 202111441045 A CN202111441045 A CN 202111441045A CN 114358485 A CN114358485 A CN 114358485A
- Authority
- CN
- China
- Prior art keywords
- load
- source
- historical
- data
- load matching
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 50
- 238000010248 power generation Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种源荷匹配性评估方法、系统、介质及电子设备，根据获取的新能源端的历史发电功率与负荷端的历史负荷量，得到历史源荷匹配数据；根据获取的第一影响因素数据以及发电功率预测模型，得到新能源端发电功率预测结果；根据获取的第二影响因素数据以及负荷预测模型，得到负荷端的负荷预测结果；根据发电功率预测结果和负荷预测结果，得到未来源荷匹配数据；根据历史源荷匹配数据和未来源荷匹配数据，得到源荷匹配性评估结果；本发明结合历史源荷匹配数据以及未来源荷匹配数据，实现了更稳定和更高精度的源荷匹配性评估。
Description
技术领域
本发明涉及新能源发电和电力规划分析技术领域，特别涉及一种源荷匹配性评估方法、系统、介质及电子设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
能源系统清洁化促使建筑能源系统呈现出新的特征，主要表现为太阳能、风能等可再生能源在建筑能源系统的应用比例正逐步提高。太阳能资源分布广泛，就地可取，是最丰富的清洁能源，但其受阴雨等天气变化的影响，表现出不稳定和不连续的特点。风能对天气和气候较为敏感，同样存在不稳定和不连续的问题，这些问题限制了可再生能源的发展，同时给建筑可再生能源系统的匹配性带来很大的影响。源荷不匹配会导致弃风弃光等能源浪费情况，面对新能源消纳不足的当前形势，如何高效、准确、自动的实现新能源与负荷的匹配已经成为一个非常紧迫的任务。
发明人发现，现有对新能源发电出力特性与负荷的相关性研究还相对分散，各研究提出的指标都各有侧重点，分析的指标维度也比较单一，无法实现新能源发电出力特性与负荷匹配性的有效评估。
发明内容
为了解决现有技术的不足，本发明提供了一种源荷匹配性评估方法、系统、介质及电子设备，结合历史源荷匹配数据以及未来源荷匹配数据，实现了更稳定和更高精度的源荷匹配性评估。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种源荷匹配性评估方法。
一种源荷匹配性评估方法，包括以下过程：
根据获取的新能源端的历史发电功率与负荷端的历史负荷量，得到历史源荷匹配数据；
根据获取的第一影响因素数据以及发电功率预测模型，得到新能源端发电功率预测结果；根据获取的第二影响因素数据以及负荷预测模型，得到负荷端的负荷预测结果；
根据发电功率预测结果和负荷预测结果，得到未来源荷匹配数据；
根据历史源荷匹配数据和未来源荷匹配数据，得到源荷匹配性评估结果。
本发明第二方面提供了一种源荷匹配性评估系统。
一种源荷匹配性评估系统，包括：
历史源荷匹配模块，被配置为：根据获取的新能源端的历史发电功率与负荷端的历史负荷量，得到历史源荷匹配数据；
数据预测模块，被配置为：根据获取的第一影响因素数据以及发电功率预测模型，得到新能源端发电功率预测结果；根据获取的第二影响因素数据以及负荷预测模型，得到负荷端的负荷预测结果；
未来源荷匹配模块，被配置为：根据发电功率预测结果和负荷预测结果，得到未来源荷匹配数据；
综合匹配评估模块，被配置为：根据历史源荷匹配数据和未来源荷匹配数据，得到源荷匹配性评估结果。
本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的源荷匹配性评估方法中的步骤。
本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的源荷匹配性评估方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明根据历史源端新能源与负荷量的匹配情况做统计学分析，得到历史匹配情况；并基于深度学习预测出源端的新能源发电量以及负荷端在未来时刻的需求，通过对比两端预测的差异，来评估在未来下一时段的匹配情况；本发明能够全面系统反映新能源出力与负荷特性的匹配程度及其量化值，对高新能源渗透率情况下评估新能源出力与负荷特性的相关性具有很大的指导和应用价值，为进一步优化电力系统规划方案和系统运行状态等提供参考。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的源荷匹配性评估方法的流程示意图。
图2为本发明实施例1提供的CNN-SVR模型预测结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
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发明的示例性实施方式。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、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本发明实施例1提供了一种源荷匹配性评估方法，包括以下过程：
根据获取的新能源端的历史发电功率与负荷端的历史负荷量，得到历史源荷匹配数据；
根据获取的第一影响因素数据以及发电功率预测模型，得到新能源端发电功率预测结果；
根据获取的第二影响因素数据以及负荷预测模型，得到负荷端的负荷预测结果；
根据发电功率预测结果和负荷预测结果，得到未来源荷匹配数据；
根据历史源荷匹配数据和未来源荷匹配数据，得到源荷匹配性评估结果。
具体的，包括以下过程：
S1：统计学分析
S1.1：根据不同的气候类型(如晴天、阴天、雨天等)对发电功率进行分类统计，并计算出各气候类型发电功率与气候类型之间的倍率关系；
S1.2：以日前每小时的负荷记录为基础，区分基础负荷(工作负荷等)、气候敏感性负荷(冬天加热、夏天制冷)和可能有的随机性负荷(重大活动等)，对历史记录中的各种负荷做线性回归分析得到历史负荷变化的趋势；
S1.3：利用相关性分析来研究建筑负荷指标与新能源性能之间的相关性，得到历史源荷匹配情况。
源荷匹配指标包括追踪系数δc和波动系数δG，δc控制出力对电网负荷的贴合程度，δc越接近1说明总出力对电网负荷的追踪能力越强；δG则控制剩余负荷曲线的平滑程度，δG越接近0说明平滑负荷曲线的效果越好，计算公式为：
式中，PL,t为t时刻的电网负荷；PL,av为消纳混合能源电力的负荷均值；ND,t为第t时刻混合能源系统的总出力；ND,av是混合能源系统总出力平均值；RG,t为第t时段的剩余负荷；RG,av为剩余负荷均值；T为日内计算总时段数(以小时为计算时段，T＝24)。
统计负荷曲线波动系数δG，δG的值接近0，表明混合新能源系统通过联合调度能够使得总出力与负荷相匹配，从而使剩余负荷平稳；
对新能源系统与负荷的追踪系数δc进行计算，δc的值接近1，说明为了适应负荷的变化，新能源系统的出力过程也能保持相同的变化趋势。
S2：发电预测与负荷预测
本发明对历史发电与负荷数据进行缺失数据填补、离群值替换、数据平滑化等处理，得到更能体现发电与负荷变化规律的数据。
在本发明的相关性分析过程中，发电功率的影响因素包括温度、风速、太阳辐射强度、历史发电量等，建筑负荷的影响因素包括温度、节假日效应、太阳辐射强度、历史负荷等。由于各种历史数据、温度、湿度、辐射以及风速等因素的单位、数值均有较大差异，若将原始数据直接输入模型进行训练及预测，会大大降低模型的训练速度，因此要对以上数据进行归一化处理，归一化计算式为：
式中：yin是数据归一化运算后的处理结果；xin是原始数据数值；xmin是实际样本中的最小值；xmax是实际样本中的最大值。
归一化处理之后，采用卷积神经网络(Convolution Neural Network，CNN)模型，它的基本结构为输入层、卷积层、池化层、激励层、全连接层及输出层。
CNN模型中输入层的输入为影响因素，最后一层输出层则输出发电或负荷值。用于发电和负荷预测时，在特征提取过程中，经过若干次的卷积层与池化层堆叠后得到的特征信息的数据维度得到一定的缩减。这些信息会携带着更加明显反映发电功率和建筑负荷变化的相关数据特征，从而减小影响因素的不确定性对模型预测结果的影响。将该模型与其他模型相结合，有利于提高整体模型的学习效率和预测准确性。
CNN模型的输入量为上一步所决定的输入因素等影响因素数值，输出量作为支持向量回归(Support Vector Regression，SVR)模型的输入。
SVR模型旨在优化以下函数：
其中，Xl为输入数据集；yl为第l个数据的对应类标记，ω为一个n维向量，b为一个实数偏置，λ为控制分类边际的宽度的系数，ξl、
均为非负的松弛变量，ε为输入数据的容差裕度。
CNN-SVR模型预测结构图如图2所示。
SVR模型中输入量为CNN模型的输出值(更具代表性的隐含特征)，输出得到预测发电和负荷值。具体来说，首先提取输入因素的特征并使用训练的SVR分类器预测，在训练阶段，使用CNN模型提取到的隐含特征训练SVR分类器，并将预测值与真实值进行比较，同时检查模型是否收敛。如果未达到收敛条件，训练阶段将再次执行。
S3：对比评估
本发明以可再生能源发电功率与负荷预测值为依据，考虑峰谷电价的能量管理控制策略并对可再生能源系统进行模拟计算，通过对比新能源端和负荷端预测的差异，针对系统的匹配特性进行分析，评估在未来下一时段的匹配情况。
具体的，本实施例中，根据近些天的匹配情况下的权重值分析，即可通过线性拟合的方法来确定下一日的源荷匹配下的参数权重。
S4：综合分析
通过结合历史源端新能源与负荷量的匹配情况以及在未来下一时段源端的新能源发电量与负荷端在未来时刻的需求这两方面因素，按照节约资源、经济环保的原则，根据已经得出的数据综合分析评估新能源发电与负荷量的匹配情况是否遵循如下的基本原则：保证电力电量的可靠供应；保证电网安全稳定运行；充分利用清洁能源；最大限度地节能降耗。
作为一种可能的方式，可以设定历史匹配结果的权重为0.2，未来匹配结果的权重为0.8，根据加权和，得到最终的评估结果。
实施例2：
本发明实施例2提供了一种源荷匹配性评估系统，包括：
历史源荷匹配模块，被配置为：根据获取的新能源端的历史发电功率与负荷端的历史负荷量，得到历史源荷匹配数据；
数据预测模块，被配置为：根据获取的第一影响因素数据以及发电功率预测模型，得到新能源端发电功率预测结果；根据获取的第二影响因素数据以及负荷预测模型，得到负荷端的负荷预测结果；
未来源荷匹配模块，被配置为：根据发电功率预测结果和负荷预测结果，得到未来源荷匹配数据；
综合匹配评估模块，被配置为：根据历史源荷匹配数据和未来源荷匹配数据，得到源荷匹配性评估结果。
所述系统的工作方法与实施例1提供的源荷匹配性评估方法相同，这里不再赘述。
实施例3：
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的源荷匹配性评估方法中的步骤。
实施例4：
本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的源荷匹配性评估方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
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)
1.一种源荷匹配性评估方法，其特征在于：
包括以下过程：
根据获取的新能源端的历史发电功率与负荷端的历史负荷量，得到历史源荷匹配数据；
根据获取的第一影响因素数据以及发电功率预测模型，得到新能源端发电功率预测结果；根据获取的第二影响因素数据以及负荷预测模型，得到负荷端的负荷预测结果；
根据发电功率预测结果和负荷预测结果，得到未来源荷匹配数据；
根据历史源荷匹配数据和未来源荷匹配数据，得到源荷匹配性评估结果。
2.如权利要求1所述的源荷匹配性评估方法，其特征在于：
历史源荷匹配数据和未来源荷匹配数据均包括追踪系数和波动系数。
3.如权利要求2所述的源荷匹配性评估方法，其特征在于：
追踪系数δc，包括：
式中，PL,t为t时刻的电网负荷，PL,av为消纳混合能源电力的负荷均值，ND,t为第t时刻混合能源系统的总出力，ND,av是混合能源系统总出力平均值，T为日内计算总时段数；
或者，
波动系数δG，包括：
其中，RG,t为第t时段的剩余负荷，RG,av为剩余负荷均值，T为日内计算总时段数；
或者，
对得到的历史发电功率与负荷端的历史负荷量进行缺失数据填补、离群值替换和数据平滑化处理后，再进行历史源荷匹配数据计算。
4.如权利要求1所述的源荷匹配性评估方法，其特征在于：
根据历史源荷匹配数据和未来源荷匹配数据，得到源荷匹配性评估结果，包括：
历史源荷匹配数据和未来源荷匹配数据的加权和作为最终的源荷匹配性评估结果；
或者，
第一影响因素数据包括温度、风速、太阳辐射强度和历史发电量，第二影响因素数据包括温度、节假日效应、太阳辐射强度和历史负荷。
5.如权利要求1所述的源荷匹配性评估方法，其特征在于：
根据获取的新能源端的历史发电功率与负荷端的历史负荷量，得到历史源荷匹配数据，包括：
根据不同的气候类型对发电功率进行分类统计，计算各气候类型发电功率与气候类型之间的倍率关系；
以日前每小时的负荷记录为基础，对历史记录中的各种负荷做线性回归分析得到历史负荷变化的趋势；
利用相关性分析来研究建筑负荷指标与新能源性能之间的相关性，得到历史源荷匹配数据。
6.一种源荷匹配性评估系统，其特征在于：
包括：
历史源荷匹配模块，被配置为：根据获取的新能源端的历史发电功率与负荷端的历史负荷量，得到历史源荷匹配数据；
数据预测模块，被配置为：根据获取的第一影响因素数据以及发电功率预测模型，得到新能源端发电功率预测结果；根据获取的第二影响因素数据以及负荷预测模型，得到负荷端的负荷预测结果；
未来源荷匹配模块，被配置为：根据发电功率预测结果和负荷预测结果，得到未来源荷匹配数据；
综合匹配评估模块，被配置为：根据历史源荷匹配数据和未来源荷匹配数据，得到源荷匹配性评估结果。
7.如权利要求6所述的源荷匹配性评估系统，其特征在于：
根据历史源荷匹配数据和未来源荷匹配数据，得到源荷匹配性评估结果，包括：
历史源荷匹配数据和未来源荷匹配数据的加权和作为最终的源荷匹配性评估结果。
8.如权利要求6所述的源荷匹配性评估系统，其特征在于：
根据获取的新能源端的历史发电功率与负荷端的历史负荷量，得到历史源荷匹配数据，包括：
根据不同的气候类型对发电功率进行分类统计，计算各气候类型发电功率与气候类型之间的倍率关系；
以日前每小时的负荷记录为基础，对历史记录中的各种负荷做线性回归分析得到历史负荷变化的趋势；
利用相关性分析来研究建筑负荷指标与新能源性能之间的相关性，得到历史源荷匹配数据。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述的源荷匹配性评估方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的源荷匹配性评估方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111441045.9A CN114358485A (zh) | 2021-11-30 | 2021-11-30 | 一种源荷匹配性评估方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111441045.9A CN114358485A (zh) | 2021-11-30 | 2021-11-30 | 一种源荷匹配性评估方法、系统、介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114358485A true CN114358485A (zh) | 2022-04-15 |
Family
ID=81098024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111441045.9A Pending CN114358485A (zh) | 2021-11-30 | 2021-11-30 | 一种源荷匹配性评估方法、系统、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358485A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756528A (zh) * | 2023-08-18 | 2023-09-15 | 杭州鸿晟电力设计咨询有限公司 | 一种用电负荷数据的补全方法、装置、设备及介质 |
| CN117852979A (zh) * | 2024-03-08 | 2024-04-09 | 国网北京市电力公司 | 一种新能源消纳评价方法、装置、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013148387A (ja) * | 2012-01-17 | 2013-08-01 | Denso It Laboratory Inc | 経路予測システム、経路予測方法およびプログラム |
| CN106971249A (zh) * | 2017-05-05 | 2017-07-21 | 北京挖玖电子商务有限公司 | 一种销量预测及补货方法 |
| CN107862466A (zh) * | 2017-11-21 | 2018-03-30 | 国网新疆电力有限公司 | 考虑系统双侧随机性的源荷跨时空互补效益评价方法 |
| CN108985508A (zh) * | 2018-07-05 | 2018-12-11 | 国网山东省电力公司经济技术研究院 | 一种计及源荷协同的节点负荷预测方法 |
| CN111709554A (zh) * | 2020-05-22 | 2020-09-25 | 广西电网有限责任公司 | 一种配电网净负荷联合预测的方法及系统 |
| CN111709580A (zh) * | 2020-06-18 | 2020-09-25 | 广东电网有限责任公司 | 一种微电网源荷匹配性评估方法、系统以及设备 |
| CN111724277A (zh) * | 2020-06-11 | 2020-09-29 | 国网吉林省电力有限公司 | 一种新能源与多元负荷价值匹配方法及系统 |
-
2021
- 2021-11-30 CN CN202111441045.9A patent/CN114358485A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013148387A (ja) * | 2012-01-17 | 2013-08-01 | Denso It Laboratory Inc | 経路予測システム、経路予測方法およびプログラム |
| CN106971249A (zh) * | 2017-05-05 | 2017-07-21 | 北京挖玖电子商务有限公司 | 一种销量预测及补货方法 |
| CN107862466A (zh) * | 2017-11-21 | 2018-03-30 | 国网新疆电力有限公司 | 考虑系统双侧随机性的源荷跨时空互补效益评价方法 |
| CN108985508A (zh) * | 2018-07-05 | 2018-12-11 | 国网山东省电力公司经济技术研究院 | 一种计及源荷协同的节点负荷预测方法 |
| CN111709554A (zh) * | 2020-05-22 | 2020-09-25 | 广西电网有限责任公司 | 一种配电网净负荷联合预测的方法及系统 |
| CN111724277A (zh) * | 2020-06-11 | 2020-09-29 | 国网吉林省电力有限公司 | 一种新能源与多元负荷价值匹配方法及系统 |
| CN111709580A (zh) * | 2020-06-18 | 2020-09-25 | 广东电网有限责任公司 | 一种微电网源荷匹配性评估方法、系统以及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 王兴梅: "基于深度学习的水下信息处理方法研究", 30 April 2021, 北京航空航天大学出版社, pages: 103 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756528A (zh) * | 2023-08-18 | 2023-09-15 | 杭州鸿晟电力设计咨询有限公司 | 一种用电负荷数据的补全方法、装置、设备及介质 |
| CN116756528B (zh) * | 2023-08-18 | 2023-11-28 | 杭州鸿晟电力设计咨询有限公司 | 一种用电负荷数据的补全方法、装置、设备及介质 |
| CN117852979A (zh) * | 2024-03-08 | 2024-04-09 | 国网北京市电力公司 | 一种新能源消纳评价方法、装置、设备及介质 |
| CN117852979B (zh) * | 2024-03-08 | 2024-05-31 | 国网北京市电力公司 | 一种新能源消纳评价方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN114066071B (zh) | 一种基于能耗的电力参数优化方法、终端设备及存储介质 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN114358485A (zh) | 一种源荷匹配性评估方法、系统、介质及电子设备 | |
| CN117595231A (zh) | 一种智能电网配网管理系统及其方法 | |
| Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
| Jain et al. | Data predictive control for peak power reduction | |
| Abad et al. | A short-term load forecasting algorithm using support vector regression & artificial neural network method (SVR-ANN) | |
| CN118228887B (zh) | 一种虚拟电厂的能源协调优化控制方法及系统 | |
| CN114091767A (zh) | 数据驱动的综合能源系统鲁棒随机规划的方法及系统 | |
| CN117175595B (zh) | 一种基于多级数据的电网调控方法及系统 | |
| Xu | Research on power load forecasting based on machine learning | |
| CN118117668A (zh) | 基于风能和太阳能的寒地综合能源优化调度方法 | |
| CN117494906A (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
| CN117374920A (zh) | 考虑环境因素的超短期预测方法、装置及介质 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
| Maiera et al. | Approximate Optimal Control for Heat Pumps in Building Energy Systems | |
| Hinova et al. | A Brief Overview of the Some Forecasting Methods in Energetics | |
| CN117937474B (zh) | 一种新能源场站储能管理方法及系统 | |
| Çetinkaya et al. | Next-Day Electricity Demand Forecasting Using Regression | |
| Dias et al. | Energy Consumption and Production Forecasting Using Artificial Neural Network for Optimal Energy Cost Savings | |
| Zhao et al. | Photovoltaic maximum power point tracking based on IWD-SVM | |
| Zou et al. | Mid-term Forecast of Electricity Consumption of Enterprises Based on Bi-Directional LSTM and Nonpooling CNN | |
| CN118378744A (zh) | 基于分解协调的电量智能预测方法及装置 |
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 |