CN110909779A - 一种区域综合能源供应系统的供能模式分类方法 - Google Patents

一种区域综合能源供应系统的供能模式分类方法 Download PDF

Info

Publication number
CN110909779A
CN110909779A CN201911101737.1A CN201911101737A CN110909779A CN 110909779 A CN110909779 A CN 110909779A CN 201911101737 A CN201911101737 A CN 201911101737A CN 110909779 A CN110909779 A CN 110909779A
Authority
CN
China
Prior art keywords
energy
energy supply
capacity
principal component
gas
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
Application number
CN201911101737.1A
Other languages
English (en)
Inventor
曾鸣
王雨晴
叶嘉雯
杨艳
邱锋凯
王世举
伍声宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Grid Energy Research Institute Co Ltd
State Grid Tianjin Electric Power Co Ltd
State Grid Energy Research Institute Co Ltd
North China Electric Power University
Original Assignee
National Grid Energy Research Institute Co Ltd
State Grid Tianjin Electric Power Co Ltd
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Grid Energy Research Institute Co Ltd, State Grid Tianjin Electric Power Co Ltd, North China Electric Power University filed Critical National Grid Energy Research Institute Co Ltd
Priority to CN201911101737.1A priority Critical patent/CN110909779A/zh
Publication of CN110909779A publication Critical patent/CN110909779A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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—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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种区域综合能源供应系统的供能模式分类方法，在计算设备中执行，该方法包括步骤：获取各待分类区域的供能指标数据；对供能指标数据进行主成分分析，根据主成分分析结果生成各待分类区域的特征向量，特征向量包括各主成分的值；根据特征向量，对各待分类区域进行聚类；根据聚类结果，分别确定每一类所对应的供能模式。本发明一并公开了相应的计算设备。

Description

一种区域综合能源供应系统的供能模式分类方法
技术领域
本发明涉及分布式资源调度技术领域，尤其涉及一种区域综合能源供应系统的供能模式分类方法及计算设备。
背景技术
传统化石能源的过度开发和利用，逐渐导致化石能源枯竭、环境污染、气候变暖等问题，对可持续发展和高能效提出了重大挑战。我国幅员辽阔，不同区域的配电系统、能源(包括分布式能源、天然气、地热能、交通等)条件、硬件装置情况、用户特征等不同，导致各区域的综合能源供电系统的发展水平不同。
为了对各区域的综合能源供应系统进行合理的规划和引领，需要根据各区域的供能情况来分析各区域的能源供应特征，即供能模式。供能模式的分析有助于实现综合能源供能系统的最佳经济性和最佳减排效果，以及构建一体化的综合能源供能系统，促进可再生能源规模化利用。
发明内容
为此，本发明提供一种智能配网环境中需求侧资源与可再生能源的供能模式分类方法及计算设备，以力图解决或至少缓解上面存在的问题。
根据本发明的第一个方面，提供一种区域综合能源供应系统的供能模式分类方法，在计算设备中执行，包括步骤：获取各待分类区域的供能指标数据；对所述供能指标数据进行主成分分析，根据主成分分析结果生成各待分类区域的特征向量，所述特征向量包括各主成分的值；根据所述特征向量，对所述各待分类区域进行聚类；根据聚类结果，分别确定每一类所对应的供能模式。
根据本发明的第二个方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如上所述的区域综合能源供应系统的供能模式分类方法。
根据本发明的第三个方面，提供一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如上所述的区域综合能源供应系统的供能模式分类方法。
根据本发明的区域综合能源供应系统的供能模式分类方案，获取待分类区域的供能指标数据，对供能指标数据进行主成分分析，根据主成分分析结果生成各待分类区域的特征向量，从而对原始数据进行降维，并消除原始数据之间的相关性，减少后续计算量。随后，根据特征向量来对各待分类区域进行聚类，根据聚类结果，分别确定每一类对应的供能模式，从而体现了各待分类区域的差异点和共同点，使供能模式的分类更加科学、合理、准确。
进一步地，本发明的供能指标数据体系遵循全面性、科学性、反馈性等原则，对区域综合能源系统的自然条件和人文条件都实现了完善的考虑，具体从资源禀赋、气候条件、经济条件、本地能源供给情况、能源进口情况等八个维度选取相关指标，将实际能源系统中不引起重视的能源生产(供应)关联性指标也考虑入整个指标体系中。因此，本发明所创建的指标体系涵盖内容更加广泛，进一步使区域综合能源系统供能模式分类工作更加准确。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的示意图；
图2示出了根据本发明一个实施例的区域综合能源供应系统的供能模式分类方法200的流程图；
图3示出了根据本发明一个实施例的聚类结果的示意图；以及
图4示出了根据本发明一个实施例的云分布图的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的智能配网环境中需求侧资源与可再生能源的供能模式分类方法在计算设备中执行。图1示出了根据本发明一个实施例的计算设备100的示意图。需要说明的是，图1所示的计算设备100仅为一个示例，在实践中，用于实施本发明的供能模式分类方法的计算设备可以是任意型号的设备，其硬件配置情况可以与图1所示的计算设备100相同，也可以与图1所示的计算设备100不同。实践中用于实施本发明的供能模式分类方法的计算设备可以对图1所示的计算设备100的硬件组件进行增加或删减，本发明对计算设备的具体硬件配置情况不做限制。
如图1所示，在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。计算设备中的物理内存通常指的是易失性存储器RAM，磁盘中的数据需要加载至物理内存中才能够被处理器104读取。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。操作系统120例如可以是Linux、Windows等，其包括用于处理基本系统服务以及执行依赖于硬件的任务的程序指令。应用122包括用于实现各种用户期望的功能的程序指令，应用122例如可以是浏览器、即时通讯软件、软件开发工具(例如集成开发环境IDE、编译器等)等，但不限于此。当应用122被安装到计算设备100中时，可以向操作系统120添加驱动模块。
在计算设备100启动运行时，处理器104会从存储器106中读取操作系统120的程序指令并执行。应用122运行在操作系统120之上，利用操作系统120以及底层硬件提供的接口来实现各种用户期望的功能。当用户启动应用122时，应用122会加载至存储器106中，处理器104从存储器106中读取并执行应用122的程序指令。
计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
在根据本发明的计算设备100中，应用122包括用于执行本发明的供能模式分类方法200的指令，该指令可以指示处理器104执行本发明的区域综合能源供应系统的供能模式分类方法200，以确定各待分类区域的供能模式，对各区域的综合能源对应系统进行合理的规划。
图2示出了根据本发明一个实施例的供能模式分类方法200的流程图。方法200在计算设备(例如前述计算设备100)中执行。如图2所示，方法200始于步骤S210。
在步骤S210中，获取各待分类区域的供能指标数据。
根据一种实施例，供能指标数据包括资源禀赋、气候条件、经济条件、本地资源供给条件、能源进口条件、能源外送条件、本地终端能源消费条件、能源生产供应关联性指标中的至少一项。为了全面、科学地反应各待分类区域待分类区域的供能情况，优选地，供能指标数据包括以上所有八项数据。
根据一种实施例，以上八项供能指标数据可以进一步进行细分：
资源禀赋包括煤炭储量、石油储量/油气储量、天然气储量、平均风速、平均光照、水能资源潜在蕴藏量中的至少一项。
气候条件包括平均温度、降水量、平均湿度中的至少一项。
经济条件包括GDP总量、产业结构、人口总量中的至少一项。
本地资源供给条件包括风电装机容量、燃煤电厂装机容量、燃气电厂装机容量、光伏装机容量、水电装机容量、生物质发电装机容量、核电装机容量、储能容量、风电发电量、燃煤机组发电量、燃气机组发电量、光伏发电量、水电发电量、生物质发电量、核电发电量、煤炭生产量、油气产量、供热量、供冷量、本地输配电网容量、天然气管网容量、供热网络容量中的至少一项。
能源进口条件包括进口气量、跨区域输电网能量、跨区域输油管网容量、跨区域输气管容量中的至少一项。
能源外送条件包括外送电量、外送煤量、外送油量、外送气量、外送输电网容量、外送油管网容量、外送气管网容量中的至少一项。
本地终端能源消费条件包括电负荷、热负荷、冷负荷、终端煤炭消费量、终端石油消费量、终端天然气消费量中的至少一项。
能源生产供应关联性指标包括气-煤生产替代弹性、气-石油生产替代弹性、可再生能源-煤生产替代弹性、可再生能源-气生产替代弹性中的至少一项。
为了全面、科学地反应各待分类区域待分类区域的供能情况，优选地，上述八项供能指标数据中的每一项，均按照所列出的指标数据进行细分，即，步骤S210中的供能指标数据如下表1所示：
表1
Figure BDA0002270070240000061
Figure BDA0002270070240000071
上述各个供能指标数据的量纲往往不同，因此，根据一种实施例，在进行后续步骤S220中的主成分分析之前，需要分别将每一项供能指标数据进行标准化，以消除量纲的影响。标准化处理的公式如下：
Figure BDA0002270070240000072
其中，
Figure BDA0002270070240000073
n为待分类区域的数量，p为供能指标数据的数量，i、j为计数变量，xij表示标准化处理前的第i个待分类区域的第j项供能指标数据，即原始供能指标数据；xij *表示标准化处理后的第i个待分类区域的第j项供能指标数据。
为了叙述方便，下文中仍用xij来表示标准化处理后的第i个待分类区域的第j项供能指标数据。
随后，在步骤S220中，对供能指标数据进行主成分分析，根据主成分分析结果生成各待分类区域的特征向量，特征向量包括各主成分的值。
主成分分析是数学上对数据降维的一种方法。其基本思想是设法将原来众多的具有一定相关性的指标X1，X2，…，XP(即共有p个指标)，重新组合成一组个数较少的互不相关的综合指标F1，F2，…，Fm(m＜p)来代替原来的指标，使其既能最大程度的反映原变量X1，X2，…，XP所代表的信息，又能保证新指标F1，F2，…，Fm之间保持相互无关(信息不重叠)。
设F1表示原变量的第一个线性组合所形成的主成分指标，即F1＝a11X1+a21X2+...+ap1Xp，主成分所提取的信息量可用其方差来度量，其方差Var(F1)越大，表示F1包含的信息越多。常常希望第一主成分F1所含的信息量最大，因此在所有的线性组合中选取的F1应该是X1，X2，…，XP的所有线性组合中方差最大的，故称F1为第一主成分。如果第一主成分不足以代表原来p个指标的信息，再考虑选取第二个主成分指标F2，为有效地反映原信息，F1已有的信息就不需要再出现在F2中，即F2与F1要保持独立、不相关，即二者的协方差Cov(F1,F2)＝0，所以F2是与F1不相关的X1，X2，…，XP的所有线性组合中方差最大的，故称F2为第二主成分，依此类推构造出的F1，F2，…，Fm为原变量指标X1，X2，…，XP的第一、第二、…、第m个主成分。
根据一种实施例，主成分分析的具体步骤如下：
1、计算协方差矩阵
计算各待分类区域的供能指标数据的协方差矩阵Σ＝(sij)p×p，其中，
Figure BDA0002270070240000081
上式中，i、j、k为计数变量，且1≤i，j≤p，1≤k≤n，n为待分类区域的数量，p为供能指标数据的数量，sij表示协方差矩阵Σ中的第i行第j列的元素，xkj表示第k个待分类区域的第j项供能指标数据，
Figure BDA0002270070240000082
2、计算协方差矩阵Σ的特征值λi及相应的正交化单位特征向量ai
协方差矩阵Σ的前m个较大的特征值λ1≥λ2≥…λm>0，就是前m个主成分对应的方差，λi对应的单位特征向量ai就是主成分Fi的关于原变量的系数，则原变量的第i个主成分Fi为：
Fi＝ai’X (4)
其中，ai’表示ai的转置，X为待分类区域的p项供能指标数据所组成的列向量。
主成分的方差(信息)贡献率用来反映信息量的大小，αi为：
Figure BDA0002270070240000091
3、选择主成分
最终要选择几个主成分，即F1，F2，…，Fm中m的值是通过方差(信息)累计贡献率G(m)来确定的：
Figure BDA0002270070240000092
当累积贡献率G(m)大于85％时，就认为能足够反映原来变量的信息了，对应的m就是抽取的前m个主成分。
4、计算待分类区域的m个主成分的值：
Fi＝a1iX1+a2iX2+...+apiXp(i＝1，2，…，m) (7)
其中，Fi表示第i个主成分的值，a1i，a2i，…，api是第i个单位特征向量ai的每一维数据(共有p维)，X1，X2，…，XP为待分类区域的p项供能指标数据。
按照式(7)，可以计算出待分类区域的m个主成分F1，F2，…，Fm的值，这m个主成分的值构成待分类区域的特征向量d。
随后，在步骤S230中，根据特征向量，对各待分类区域进行聚类。
根据一种实施例，采用凝聚的层次聚类算法来对各待分类区域进行聚类，即：将每一个特征向量作为一个类；计算每个类对之间的相似度，将相似度最大的两个类合并成一个类；重复上一步骤，直至类的数量达到预设的数量为止。
例如，对于由各待分类区域的特征向量所组成的数据集合D＝(d1...di...dn)(di表示第i个待分类区域的特征向量)，其聚类过程如下：
1、将D中的每一个数据试作为一个聚类中心ci＝(di)，形成D的一个聚类集合C＝(c1...ci...cn)；
2、计算C中的每个聚类对(ci，cj)之间的相似度sim(ci，cj)，相似度的计算方式例如可以采用余弦相似度，即sim(ci，cj)＝(ci·cj)/(|ci||cj|)，其中
Figure BDA0002270070240000101
3、选取具有最大相似度的2个聚类(ci，cj)，将max sim(ci，cj)合并成一个新的聚类ck＝ci∪cj，同时合并ci和cj的特征向量，合并方式为0.5*(ci+cj),从而构成D的一个新的聚类集合C＝(c1...ci...cn-1)；
4、重复上述步骤2和步骤3，根据所要产生的聚类的数目，得到最终聚类结果。
随后，在步骤S240中，根据聚类结果，分别确定每一类所对应的供能模式。
在聚类结果中，每一类中的各个待分类区域具有相似的供能模式。具体地，每一类的供能模式可以由本领域技术人员自行确定，也可以设置特征向量中的主成分的值与供能模式的关联关系，然后根据预设的关联关系来确定每一类所对应的供能模式。本发明对供能模式的具体确定方式不做限制。
根据一种实施例，在步骤S240之后，还包括步骤S250(步骤S250未在图2中示出)。
在步骤S250中，根据特征向量，分别确定各待分类区域的特征值；根据特征值，生成每一类的云分布图，以更清晰地展示聚类结果。
需要说明的是，本发明对特征值的具体计算方式不做限制。根据一种实施例，特征值可以按照以下方式计算：对各主成分的贡献率进行归一化；将归一化后的贡献率作为权重，对各主成分的值进行加权求和；将加权求和结果作为特征值。贡献率的计算方式可以参考前述公式(5)，此处不再赘述。
根据另一种实施例，特征值可以按照以下方法计算：对特征向量进行主成分分析，将分析结果中的第一主成分的值作为特征值。
在计算出各待分类区域的特征值后，可以根据特征值来绘制云分布图，以更清晰地展示聚类结果。
云模型是一种涉及定性和定量转换的模型，本发明中云模型的应用不仅能够清晰直观的展现供能模式的聚类结果，而且还能通过计算典型供能模式的云特征值得到典型供能模式的云分布图，云特征值是指云模型的期望值Ex、熵En、超熵He。每一个基本云都可以用期望值Ex、熵En、超熵He这3个数字特征完整地表示出来。期望Ex(Expectation)源于概率论，指随机抽样对变量取值的预期。在普通正态云的论域X中，对应于隶属度最大值的基础变量x称为云的期望，它标定了云对象在论域中的位置，是即云的重心位置，是定性概念报突出的代表。也就是说，Ex反应了相应的模型概念的信息中心值。熵En(Entropy)最早来源于热力学中，表示物质系统的状态出现程度，用于度量概念的模糊度。熵的大小直接决定了在论域中以模糊概念所接受的范围，体现了概念的随机性和模糊性。超熵He(HyperEntropy)就是熵En的熵，受En的不确定性程度影响，反映了云的离散程度和厚度。云模型的期望值Ex、熵En和超熵He的具体算法如下：
Figure BDA0002270070240000111
Figure BDA0002270070240000112
Figure BDA0002270070240000113
其中，n为待分类区域的数量，x1，x2，…，xn分别为第1个，第2个，…，第n个待分类区域的特征值。通过层次聚类已经确定了若干种供能模式，每一种供能模式对应一种云分布图，云分布图中的期望值Ex、熵En和超熵He为云分布图的特征指标，故确定期望值Ex、熵En和超熵He三项指标即可确定云分布图，形成与供能模式的一一对应。
以下给出本发明的一个具体实施例，来说明本发明的供能模式分类方法的有效性。
选取甘肃、宁夏、陕西、山西、湖北、河南、北京、天津、河北、山东、江苏、安徽、浙江、上海等十四个省作为待分类区域，根据2016年各省统计年鉴搜集各省份的供能分类指标对应的截面数据作为原始数据用作本专利所述的区域综合能源供应系统供能模式分类方法的案例进行算例分析。
1、主成分分析
首先，对一级指标—资源禀赋下的6个二级指标所对应的原始数据进行标准化处理；其次，针对资源禀赋下的6个二级指标提取主成分因素，表2为一级指标—资源禀赋中所提取的F1、F2以及F3三个主成分以及各主成分的贡献率。
由主成分分析过程可知F1、F2以及F3的解析表达式分别为：
F1＝0.127*u11+0.358*u12+0.324*u13+0.123*u14+0.342*u15-0.250*u16
F2＝-0.484*u11+0.109*u12-0.108*u13+0.629*u14+0.203*u15-0.262*u16
F3＝0.522*u11-0.364*u12+0.391*u13-0.115*u14-0.239*u15+0.493*u16
由上述解析表达式可知，指标u12、u13、u15在第一主成分上有较高载荷，集中反映了石油储量、天然气储量和平均光照；指标u14在第二主成分上有较高载荷，反映了平均风速；指标u11和u16在第三主成分上有较高载荷，主要反映了煤炭储量以及水能资源潜在蕴藏量。
表2
主成分 F<sub>1</sub> F<sub>2</sub> F<sub>3</sub>
贡献率 47.50％ 21.83％ 19.11％
F1、F2以及F3三个主成分对一级指标资源禀赋下的6个二级指标的解释度(即各主成分贡献率之和)达到88.44％，如表2所示。因此，说明了所提取的三个主成分能够很好的代表资源禀赋下的二级指标。同理，将剩余的7个一级指标按照上述步骤进行类似处理，得到相应主成分结果。将所有8个一级指标的主成分的值聚集在一起，形成各省的特征向量。
2、聚类分析
以所得到的主成分特征向量为基础，对14个省份进行聚类分析，聚类结果如图3所示。由图3可知，选择Ward联接的树状图并设置距离为4左右(横坐标)时，供能模式可归纳为七类。
3、云模型计算
首先，继续进行主成分分析，进而得到各省主成分的综合得分(即各省得特征值)，并作为云模型计算的输入数据。其次，计算典型供能模式的期望值Ex、熵En以及超熵He三项云特征值，绘制出典型模式的云分布图，如图4所示。
图4中，横坐标表示各典型供能模式的期望值，纵坐标代表各模拟抽样样本与各类典型供能模式的隶属度，图中的各个彩色散点代表利用SPSS软件进行模拟抽样所得的样本分布结果。经层次聚类而得的七类典型供能模式与云分布图的对应关系如表3所示。
表3
类别 期望值Ex 熵En 超熵He 代表颜色
第一类 -0.8823 0.1341 0.0701 蓝色
第二类 -0.6186 0.3834 0.1423 红色
第三类 -0.1242 0.5957 0.2755 粉色
第四类 -0.01593 0.0903 0.0472 绿色
第五类 0.7404 0.1063 0.0556 黑色
第六类 0.8917 0.2270 0.1186 黄色
第七类 1.7347 0.1069 0.0559 蓝绿色
以下对模糊聚类分析以及隶属度进行说明。
模糊聚类分析采用隶属度函数表示样本之间的差异，样本属于某一类的隶属度越高，则表明样本属于此类的可能性越大，这种聚类方法能更加全面的体现数据集的结构，另外对于存在类间交叉的数据集具有非常好的聚类效果。模糊聚类分析方法的一个本质特点是用隶属度函数值来描述样本对于各个聚类隶属的不确定性。其中，硬聚类算法也是可以表示为隶属度函数的形式μjk∈{0，1}，且满足每个对象只属于某一类，若对该类的隶属度为1，对于其他类的隶属度为0。所以，模糊聚类算法可以看做对硬聚类算法的推广，将μjk∈{0，1}推广到μjk∈[0，1]，隶属度函数由确定的值被推广到一个区间，能挖掘更多的细节信息，更能客观的反映现实世界。
设含有n个样本的带聚类样本集合为X＝{x1，x2，…，xn}，其中，每个样本xk有d个特征指标。将样本集合分成c(2≤c≤n)类。设各个聚类的隶属度之和为1，即
Figure BDA0002270070240000131
定义模糊划分矩阵U如式(11)所示：
Figure BDA0002270070240000132
其中，矩阵U第j行为第j个聚类子集的隶属度函数，而矩阵U的第k列为样本xk对于c个子集的隶属度值，即μjk(1≤j≤c,1≤k≤n)表示样本对于第j类的隶属度。
基于上述研究，可以将以上14个省份的综合能源供应系统的供能模式分为以下七类，并对不同类别的供能模式进行分析总结：
1、甘肃、宁夏—可再生能源基地与大规模电力外送模式
甘肃、宁夏等区域的供能结构中可再生能源占比较高，是全国的可再生能源基地。其化石能源供应以煤炭、石油为主，主要由本地自产，且产量高于全国平均水平。两地的一次能源净调入量在所有省份中进口依赖程度偏低。由于该类区域经济发展水平相对较低，故有大量能源可供外调或出口，并能够供应较大范围的区域，是主要的电能送端区域。在能源生产替代方面，甘肃的气—煤、气—油、可再生—气与宁夏的可再生—煤、可再生—油生产替代弹性均为负值，且绝对值大于1，表明该区域清洁替代、电能替代潜力巨大。
2、第二类：陕西—一次能源基地与大规模能源外送模式
陕西地区的煤炭、石油、天然气等资源禀赋好，富集程度高，其化石能源开采量巨大，是全国的一次能源生产基地。陕西电源结构以火电为主，辅以可再生能源进行能源供应，由于其经济发展水平的限制，大量以化石能源为主的一次能源可供外送，是主要的能源送端区域。在能源生产替代方面，陕西的气—煤、可再生—煤等替代弹性均位于0到1之间，说明陕西的清洁替代和电能替代效应强，但与一类区域相比较，则替代弹性偏弱。
3、第三类：山东、江苏—本地供应与进口相结合的能源供应模式
山东和江苏两地城镇化水平高、经济密度和开发强度大，但化石能源产量较少，能源自给能力有限并需依赖进口，是典型的本地供应与进口能源相结合的区域。山东对化石能源需求量较大，2016年一次能源净调入量为24865.3万吨标准煤，居全国首位；而江苏电网是全国最大的省级受端电网，对电能的需求较大，该类区域是全国的能源受端区域。在能源生产替代方面，山东的可再生—煤、可再生—油等的生产替代弹性均为负值，且绝对值大于1，表明其电能替代效应非常强；江苏的气—煤、气—油、可再生—煤等的替代弹性均位于0到1之间，反映出其清洁替代和电能替代效应与第二类区域的陕西省位于同一水平。
4、第四类：河南、河北、山西、安徽—本地能源生产与进口、外送并存的能源供给模式
该类区域具有一定储量的化石能源资源以及风电、光伏、水电、生物质能发电等可再生能源资源供本地区终端消费和向外输送。同时，由于能源消费结构的多样化，河南、河北、山西、安徽这四个地区的能源供给结构是本地能源生产与进口、外送并存的能源供给模式。山西是煤炭富集区，每年大量外送原煤，居全国前列。但其石油、天然气资源贫瘠，基本都需进口；河南是电力消费大省，2016年进口电量居全国首位；河北石油资源丰富，年产量占全国5％，煤炭石油等化石能源既用于本地消费又向外输送；安徽年外送电量达457.71以千瓦时，占全国15.49％，煤炭既有本地消费又有外送，石油和天然气则主要依靠进口。在能源生产替代方面，山西省的可再生—煤、气，河南省的气—煤、可再生—煤、气、油，河北省的气—煤、油、可再生—煤、气、油以及安徽省的可再生—煤、气的生产替代弹性的绝对值均在0到1之间，表明该区域的清洁替代和电能替代效应较强。
5、第五类：浙江—本地电力生产与能源进口相结合的能源供应模式
浙江省自身化石能源资源储量匮乏，但具有一定的电量生产，主要电源结构是火电，辅以风电、光伏、水电和生物质能发电等可再生能源资源。该类地区的供能特点是由于经济发展的需要，自身的能源供给不足，大部分一次能源要进口。2016年以煤炭、原油、天然气为主一次能源调入量为17938.08万吨标准煤，占全国的10％。跨区域输电网容量达到5300万千瓦，其中特高压输电网容量为1600万千瓦调入电量为675.53亿千瓦时，是全国的能源受端区域。因此，保障从区外获得能源的充足性，是维持该地区经济快速、健康发展的关键。
6、第六类：湖北—水电基地与大规模电力外送模式
湖北省拥有丰富的水能资源，水电比较发达。目前已建多座大型及中小型水电站。2016年湖北水电装机容量达到3663.36万千瓦，发电量达1399.05亿千瓦时，均居全国首位。同时也是所选14个省份中唯一以水电为主要电能来源的省份，其供能模式是水电为主，火电次之，其他能源为辅。由于该类区域经济发展水平相对较低，能源消费量有限，在满足自身能源消费的同时还有大量可供外调或出口的空间。此外，湖北省能源输送通道等配套设施建设较为完善，截至2016年底，跨区域输电网容量600万千瓦，外送电量815亿千瓦时，居全国首位，是全国的电能送端区域。在能源生产替代方面，可再生—煤、可再生—石油生产替代弹性的绝对值均大于1，反映出其电能替代效应较强。
7、第七类：北京、天津、上海—以进口为主的能源供应模式
北京、天津、上海等地区是工业化和城镇化水平最高、经济密度和开发强度最大、经济总体实力最强的地区，同时也是资源环境约束显著增强、承载能力出现下降的地区。其能源供给结构表现为由于经济发展的需要，该类地区的能源供需缺口巨大，所需各类能源几乎都处于缺口状态，绝大部分要从区外调入，是全国的能源受端区域。在能源生产替代方面，北京的气—煤、可再生—煤、气以及上海的气—石油、可再生—气、石油的能源生产替代弹性的绝对值均在0到1之间，反映出其清洁替代和电能替代较强，与二、四类区域处在同一水平。
A11、一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-9中任一项所述的方法。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的区域综合能源供应系统的供能模式分类方法。
以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种区域综合能源供应系统的供能模式分类方法，在计算设备中执行，包括步骤：
获取各待分类区域的供能指标数据；
对所述供能指标数据进行主成分分析，根据主成分分析结果生成各待分类区域的特征向量，所述特征向量包括各主成分的值；
根据所述特征向量，对所述各待分类区域进行聚类；
根据聚类结果，分别确定每一类所对应的供能模式。
2.如权利要求1所述的方法，其中，所述供能指标数据包括资源禀赋、气候条件、经济条件、本地资源供给条件、能源进口条件、能源外送条件、本地终端能源消费条件、能源生产供应关联性指标中的至少一项。
3.如权利要求2所述的方法，其中，所述资源禀赋包括煤炭储量、石油储量/油气储量、天然气储量、平均风速、平均光照、水能资源潜在蕴藏量中的至少一项；
所述气候条件包括平均温度、降水量、平均湿度中的至少一项；
所述经济条件包括GDP总量、产业结构、人口总量中的至少一项；
所述本地资源供给条件包括风电装机容量、燃煤电厂装机容量、燃气电厂装机容量、光伏装机容量、水电装机容量、生物质发电装机容量、核电装机容量、储能容量、风电发电量、燃煤机组发电量、燃气机组发电量、光伏发电量、水电发电量、生物质发电量、核电发电量、煤炭生产量、油气产量、供热量、供冷量、本地输配电网容量、天然气管网容量、供热网络容量中的至少一项；
所述能源进口条件包括进口气量、跨区域输电网能量、跨区域输油管网容量、跨区域输气管容量中的至少一项；
所述能源外送条件包括外送电量、外送煤量、外送油量、外送气量、外送输电网容量、外送油管网容量、外送气管网容量中的至少一项；
所述本地终端能源消费条件包括电负荷、热负荷、冷负荷、终端煤炭消费量、终端石油消费量、终端天然气消费量中的至少一项；
所述能源生产供应关联性指标包括气-煤生产替代弹性、气-石油生产替代弹性、可再生能源-煤生产替代弹性、可再生能源-气生产替代弹性中的至少一项。
4.如权利要求1-3中任一项所述的方法，其中，在对所述供能指标数据进行主成分分析之前，还包括步骤：
分别将每一项供能指标数据进行标准化。
5.如权利要求1-4中任一项所述的方法，其中，所述对所述各待分类区域进行聚类的步骤包括：
将每一个特征向量作为一个类；
计算每个类对之间的相似度，将相似度最大的两个类合并成一个类；
重复上一步骤，直至类的数量达到预设的数量为止。
6.如权利要求5所述的方法，其中，所述相似度为余弦相似度。
7.如权利要求1-6中任一项所述的方法，其中，在所述根据聚类结果，分别确定每一类所对应的供能模式的步骤之后，还包括步骤：
根据所述特征向量，分别确定各待分类区域的特征值；
根据所述特征值，生成每一类的云分布图，以展示所述聚类结果。
8.如权利要求7所述的方法，其中，所述主成分分析结果还包括各主成分的贡献率，所述特征值按照以下步骤计算：
对各主成分的贡献率进行归一化；
将归一化后的贡献率作为权重，对各主成分的值进行加权求和；
将加权求和结果作为特征值。
9.如权利要求7所述的方法，其中，所述特征值按照以下步骤计算：
对所述特征向量进行主成分分析，将分析结果中的第一主成分的值作为特征值。
10.一种计算设备，包括：
至少一个处理器；和
存储有程序指令的存储器；
当所述程序指令被所述处理器读取并执行时，使得所述计算设备执行如权利要求1-9中任一项所述的方法。
CN201911101737.1A 2019-11-12 2019-11-12 一种区域综合能源供应系统的供能模式分类方法 Pending CN110909779A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911101737.1A CN110909779A (zh) 2019-11-12 2019-11-12 一种区域综合能源供应系统的供能模式分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911101737.1A CN110909779A (zh) 2019-11-12 2019-11-12 一种区域综合能源供应系统的供能模式分类方法

Publications (1)

Publication Number Publication Date
CN110909779A true CN110909779A (zh) 2020-03-24

Family

ID=69816669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911101737.1A Pending CN110909779A (zh) 2019-11-12 2019-11-12 一种区域综合能源供应系统的供能模式分类方法

Country Status (1)

Country Link
CN (1) CN110909779A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183854A (zh) * 2020-09-27 2021-01-05 湖南大学 气电综合管网协同规划方法、装置、电子设备及存储介质
CN112651552A (zh) * 2020-12-22 2021-04-13 国网浙江玉环市供电有限公司 一种基于电力大数据产业结构优化方法、装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303468A (zh) * 2015-11-20 2016-02-03 国网天津市电力公司 一种基于主成分聚类分析的智能电网建设综合评价方法
CN110334958A (zh) * 2019-07-10 2019-10-15 国网能源研究院有限公司 一种区域综合能源供应系统效益评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303468A (zh) * 2015-11-20 2016-02-03 国网天津市电力公司 一种基于主成分聚类分析的智能电网建设综合评价方法
CN110334958A (zh) * 2019-07-10 2019-10-15 国网能源研究院有限公司 一种区域综合能源供应系统效益评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任洪波 等: "基于不同供能模式的燃气分布式能源系统性能评价" *
闻旻 等: "含分布式供能设备的综合能源系统规划评价" *
高新华 等: "基于主成分聚类分析的智能电网建设综合评价" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183854A (zh) * 2020-09-27 2021-01-05 湖南大学 气电综合管网协同规划方法、装置、电子设备及存储介质
CN112183854B (zh) * 2020-09-27 2024-02-20 湖南大学 气电综合管网协同规划方法、装置、电子设备及存储介质
CN112651552A (zh) * 2020-12-22 2021-04-13 国网浙江玉环市供电有限公司 一种基于电力大数据产业结构优化方法、装置及存储介质

Similar Documents

Publication Publication Date Title
Wu et al. How does energy consumption affect China's urbanization? New evidence from dynamic threshold panel models
Wang et al. Study of the emissions and spatial distributions of various power-generation technologies in China
Sun et al. Integrated assessment of the sustainable water-energy-food nexus in China: Case studies on multi-regional sustainability and multi-sectoral synergy
Zhang et al. Spatial characteristics and its driving factors of low-carbon energy technology innovation in China: A gravity movement and exploratory spatial data analysis
Ji et al. Improving the energy efficiency of China: an analysis considering clean energy and fossil energy resources
Zhao et al. User electricity behavior analysis based on K-means plus clustering algorithm
Wang et al. The decoupling analysis of CO2 emissions from power generation in Chinese provincial power sector
Kou et al. Many-objective optimization for coordinated operation of integrated electricity and gas network
Dong et al. Mitigating carbon emissions by accelerating green growth in China
Vakulenko et al. A systematic literature review of smart grids
CN110909779A (zh) 一种区域综合能源供应系统的供能模式分类方法
CN108335010A (zh) 一种风电出力时间序列建模方法及系统
CN109559154A (zh) 基于Johnson-Copula模型的电力需求总量相关因素分析系统及方法
CN112907074A (zh) 面向综合能源系统用户的能效敏感指标检测方法及系统
Meng et al. Operational efficiency analysis of China's electric power industry using a dynamic network slack-based measure model
Sun et al. Research on the competitive and synergistic evolution of the water-energy-food system in China
Sheng et al. A hybrid model based on complete ensemble empirical mode decomposition with adaptive noise, GRU network and whale optimization algorithm for wind power prediction
Yin et al. Assessing rural energy poverty and early warning based on long-run evolution for clean energy transition in China
Wei et al. City-scale roof-top photovoltaic deployment planning
Wang et al. The threshold effect of cost-based environmental regulation on thermal power generation environmental governance efficiency
Yang et al. Heterogeneous impacts of multi-energy power generation on carbon emissions: evidence from China’s provincial data
Li et al. Ecological security evaluation algorithm for resource-exhausted cities based on the PSR model
CN111768066B (zh) 基于融合特征的园区电热负荷耦合关系分析方法及装置
CN114049043A (zh) 新能源消纳评价方法、装置、终端及存储介质
CN113553709A (zh) 一种适用综合能源系统规划运行的场景建模方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200324