1) daily load forecasting
日负荷预测
1.
Study on the daily load forecasting method based on Mallat algorithm
基于Mallat算法的日负荷预测实用方法研究
2.
A novel daily load forecasting method based on adaptive filtering algorithm for short-term daily load is presented.
与传统的预测方法相比较,该模型用于日负荷预测具有计算迅速、精度高的优点。
2) forecast of daily gas load
燃气日负荷预测
1.
Based on the forecast of daily gas load in Anshan City,the method for processing history data of gas load is discussed.
结合鞍山市燃气日负荷预测,论述了历史燃气负荷数据的处理方法。
3) next-day load curve prediction
日负荷曲线预测
1.
Study of next-day load curve prediction based on similar days determined by daily multi-intervals meteorological data;
基于多时段气象数据判断相似日的日负荷曲线预测研究
4) typical daily load curve forecasting
典型日负荷曲线预测
5) load prediction
负荷预测
1.
Comparative analysis of air conditioning load prediction methods;
常用空调负荷预测方法分析比较
2.
Grey System Theory Method of City Gas Long-term Load Prediction;
城市燃气长期负荷预测模型的灰色方法
3.
Application of wavelet neural networks in short-period power load prediction;
小波神经网络在短期电力负荷预测中的应用
6) load forecast
负荷预测
1.
Comprehensive models for mid-long term load forecast based on three-target quantities;
基于三指标量的中长期负荷预测综合模型
2.
To raise accuracy rate of daily load forecast by scientific management measures;
应用科学管理手段提高日负荷预测准确率
3.
Weather line regression and combination load forecast of mountainous area contain small hydro-power unit;
含有山区小水电负荷的气象回归短期负荷预测技术
补充资料：日负荷曲线预测
对下一日24小时电力负荷的预报。它是电力系统调度赖以安排日调度计划，决定开停机计划、经济分配负荷及安排旋转备用容量的基础。日负荷曲线预测的精确性直接影响电力系统运行的经济效益。
电力系统负荷曲线的变化规律表现为一个非平稳的随机过程。如果以 1小时为间隔对它进行离散化的测量，则可得到一个随机的时间序列。由于人们的生产及生活安排等社会因素及自然季节性的影响，使负荷曲线的变化呈现出一定的周期性。从不同的时间观察，可认为负荷曲线的变化具有一天、一周、一月以至一年的变化周期。日负荷曲线的预测应充分利用这种变化周期性的特点。
日负荷曲线的预测方法主要有多重相关算法、时间序列法和谐波分解法。但这几种方法都没有计及气象条件的影响，而负荷与气象条件有密切的关系。更精确的负荷预测必须考虑气象因素，建立气象负荷模型或根据气象条件对负荷模型进行必要的修正，从而获得比较切合实际的日负荷曲线预测。
多重相关算法 从负荷样本数据（即负荷曲线的历史数据）找出电力系统负荷在各个周期的相关性，构造多个预测模型，一般为一阶线性模型。由各个模型得到的预测值及其方差再进行最优组合，得到一个加权平均值。根据线性估计理论,权重应与各自的方差成反比,加权平均值的方差的倒数等于各个方差倒数之和。节假日则需特殊考虑，舍去相应的一个模型的预测值。
时间序列法 把负荷的样本数据按时间顺序组成序列。根据此序列的自相关函数和偏自相关函数的截尾性能来建立自回归模型、滑动平均模型或自回归滑动平均模型。在预测方法上可采用条件期望预测、平衡线性最小方差预测或新息法自适应预测等。
谐波分解法 利用负荷曲线变化的周期性，用谐波分析的方法求出预测值。
电力系统负荷曲线的变化规律表现为一个非平稳的随机过程。如果以 1小时为间隔对它进行离散化的测量，则可得到一个随机的时间序列。由于人们的生产及生活安排等社会因素及自然季节性的影响，使负荷曲线的变化呈现出一定的周期性。从不同的时间观察，可认为负荷曲线的变化具有一天、一周、一月以至一年的变化周期。日负荷曲线的预测应充分利用这种变化周期性的特点。
日负荷曲线的预测方法主要有多重相关算法、时间序列法和谐波分解法。但这几种方法都没有计及气象条件的影响，而负荷与气象条件有密切的关系。更精确的负荷预测必须考虑气象因素，建立气象负荷模型或根据气象条件对负荷模型进行必要的修正，从而获得比较切合实际的日负荷曲线预测。
多重相关算法 从负荷样本数据（即负荷曲线的历史数据）找出电力系统负荷在各个周期的相关性，构造多个预测模型，一般为一阶线性模型。由各个模型得到的预测值及其方差再进行最优组合，得到一个加权平均值。根据线性估计理论,权重应与各自的方差成反比,加权平均值的方差的倒数等于各个方差倒数之和。节假日则需特殊考虑，舍去相应的一个模型的预测值。
时间序列法 把负荷的样本数据按时间顺序组成序列。根据此序列的自相关函数和偏自相关函数的截尾性能来建立自回归模型、滑动平均模型或自回归滑动平均模型。在预测方法上可采用条件期望预测、平衡线性最小方差预测或新息法自适应预测等。
谐波分解法 利用负荷曲线变化的周期性，用谐波分析的方法求出预测值。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条