CN113111596A - 基于电力大脑中枢的碳达峰实时可视化测算方法 - Google Patents
基于电力大脑中枢的碳达峰实时可视化测算方法 Download PDFInfo
- Publication number
- CN113111596A CN113111596A CN202110666842.0A CN202110666842A CN113111596A CN 113111596 A CN113111596 A CN 113111596A CN 202110666842 A CN202110666842 A CN 202110666842A CN 113111596 A CN113111596 A CN 113111596A
- Authority
- CN
- China
- Prior art keywords
- sequence
- carbon emission
- value
- carbon
- real
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 163
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000000007 visual effect Effects 0.000 title claims description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 230000005611 electricity Effects 0.000 claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 238000010998 test method Methods 0.000 claims description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 239000003086 colorant Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了一种基于电力大脑中枢的碳达峰实时可视化测算方法，包括：通过电力大脑中枢获取电力终端的实时用电数据；根据实时用电数据，结合与电力终端对应的碳排放因子计算各个电力终端的碳排放序列；通过分级聚类分析碳排放序列是否存在异常序列，若存在则对异常序列进行调整，将调整后的碳排放序列叠加得到总序列；根据总序列计算碳排放峰度以及动态峰值，基于Mann‑Kendall趋势分析检验法对总序列进行趋势分析，将碳排放峰度、碳排放序列的最后一个序列值与动态峰值的差值以及趋势分析结果作为RGB值，将基于RGB值生成的颜色作为测算结果输出。本发明直接利用实时用电数据进行测算，提高了碳达峰测算的实时性，从而能够及时有效的反馈碳排放情况。
Description
技术领域
本发明属于能源数据处理领域，尤其涉及一种基于电力大脑中枢的碳达峰实时可视化测算方法。
背景技术
现有的碳达峰测算通常是基于相关的历史数据，建立相应的机器学习模型，将与碳排放量相关的历史数据输入机器学习模型，通过人工智能手段对碳达峰距离进行预测。
采用现有技术进行预测的准确性取决于机器学习模型中参数的设置，而模型参数的设置与地区的经济发展情况密切相关，碳排放的峰值也会随着地区经济形势而变化，因此在对不同地区持续进行碳达峰距离测算时，预先获取的历史数据可能存在不再适用于当前的碳达峰测算环境，需要不断调整机器学习模型的参数，导致一个机器学习模型的适用范围很小，也降低了测算效率。
发明内容
为了解决现有技术中存在的缺点和不足，本发明提出了一种基于电力大脑中枢的碳达峰实时可视化测算方法，包括：
S100、通过电力大脑中枢获取用电设备的实时用电数据；
S200、根据实时用电数据，结合与用电设备对应的碳排放因子计算各个用电设备的碳排放序列；
S300、通过分级聚类分析碳排放序列是否存在异常序列，若不存在异常序列则将碳排放序列叠加得到总序列，若存在则对异常序列进行调整，将调整后的碳排放序列叠加得到总序列；
S400、根据总序列计算碳排放峰度以及动态峰值，基于Mann-Kendall趋势分析检验法对总序列进行趋势分析，将碳排放峰度、碳排放序列的最后一个序列值与动态峰值的差值以及趋势分析结果作为RGB值，将基于RGB值生成的颜色作为测算结果输出。
可选的，所述电力大脑中枢为电力数据采集系统，通过访问用电设备的数据接口获取实时用电数据。
可选的，所述S200包括：
根据用电设备的能源类型确定碳排放因子，所述碳排放因子为单位用电量的二氧化碳排放量；
基于预设采样频率对实时用电数据进行采样，得到用电设备在每个采样时刻的用电量，计算用电量序列与碳排放因子的乘积得到碳排放序列。
可选的，所述S300包括：
将用电设备的类型、碳排放因子以及实时用电数据作为第一特征，根据第一特征对用电设备对应的碳排放序列进行一级聚类，得到若干个一级类；
分别在每个一级聚类聚合中，计算碳排放序列中相邻两个序列值的变化率，将变化率作为第二特征对碳排放序列进行二级聚类，得到若干个二级类；
根据各个二级类包含的碳排放序列数量，结合二级类的聚类中心之间的距离分析是否有离群的聚类中心，若没有离群的聚类中心则判定不存在异常序列，将碳排放序列叠加得到总序列；
若有离群的聚类中心，根据与离群的聚类中心距离最近的聚类中心，调整离群的聚类中心所属二级类中的所有碳排放序列，调整完成后将所有用电设备的碳排放序列叠加得到总序列。
可选的，所述根据各个二级类包含的碳排放序列数量，结合二级类的聚类中心之间的距离分析是否有离群的聚类中心，包括：
获取二级类包含的碳排放序列数量，确定数量最少的二级类的聚类中心，若所述聚类中心与其他二级类的聚类中心之间的距离均大于预设阈值，则所述聚类中心为离群的聚类中心。
可选的，所述根据总序列计算碳排放峰度以及动态峰值，包括：
基于滑动窗口以预设步长将总序列划分为若干个子序列，分别计算每个子序列的峰度K，所述峰度K的计算公式为：
其中，n为序列值的总个数，
为第i个序列值，
为序列值的平均值，n的取值范
围为正整数，
、
的取值范围为正数；
计算所有峰度K的均方差，确定总序列中的最大序列值，将所述均方差与最大序列值的乘积作为碳达峰的动态峰值。
可选的，所述基于Mann-Kendall趋势分析检验法对总序列进行趋势分析，包括：
分别计算总序列中每两个序列值的差值，根据差值的正负情况计算统计量S，统计量S的计算公式为
其中，
、
分别表示第i个序列值和第j个序列值，
为符号函数，当
大于0时，符号函数取值为1，
小于0时，符号函数取值为-1，当
等于0时，符号
函数取值为0， n为序列值总个数；
根据统计量S定义Mann-Kendall趋势分析检验法的统计变量Z为
将统计变量Z作为趋势分析结果。
可选的，所述将碳排放峰度、碳排放序列的最后一个序列值与动态峰值的差值以及趋势分析结果作为RGB值，将基于RGB值生成的颜色作为测算结果输出，包括：
将碳排放峰度作为RGB值的R分量，将碳排放序列的最后一个序列值与动态峰值的差值作为RGB值的G分量，将趋势分析结果作为RGB值的B分量。
本发明提供的技术方案带来的有益效果是：
1、利用实时用电数据生成碳排放序列，通过对碳排放序列的峰值与趋势分析实现碳达峰测算，不需要针对不同情况建立并训练不同的机器学习模型，避免了需要不断优化调整机器学习模型的参数的繁琐步骤。
2、直接利用实时用电数据进行测算，与根据历史数据通过机器学习模型进行碳达峰预测的传统方法相比，提高了碳达峰测算的实时性，从而能够及时有效的反馈碳排放情况。
3、为了实现测算结果的可视化，根据碳排放峰度、碳排放序列的最后一个序列值与动态峰值的差值以及趋势分析结果生成RGB值，包含了碳排放相关的多种趋势信息，能够直观的显示碳达峰情况。
4、根据碳排放相关的影响因素，确定第一特征、第二特征进行分级聚类以调整异常的碳排放序列，从而实现在对碳排放序列进行分析时的数据预处理，有利于提高碳达峰测算结果的准确性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提出的基于电力大脑中枢的碳达峰实时可视化测算方法的流程示意图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。
实施例一
如图1所示，本实施例提出了一种基于电力大脑中枢的碳达峰实时可视化测算方法，包括：
S100、通过电力大脑中枢获取用电设备的实时用电数据；
S200、根据实时用电数据，结合与用电设备对应的碳排放因子计算各个用电设备的碳排放序列；
S300、通过分级聚类分析碳排放序列是否存在异常序列，若不存在异常序列则将碳排放序列叠加得到总序列，若存在则对异常序列进行调整，将调整后的碳排放序列叠加得到总序列；
S400、根据总序列计算碳排放峰度以及动态峰值，基于Mann-Kendall趋势分析检验法对总序列进行趋势分析，将碳排放峰度、碳排放序列的最后一个序列值与动态峰值的差值以及趋势分析结果作为RGB值，将基于RGB值生成的颜色作为测算结果输出。
所述碳达峰的含义为碳排放量达到峰值，当二氧化碳排放量达到峰值后将逐渐下降，从而实现减排目标，因此碳达峰的测算在减排工作中具有重要意义，越早实现碳达峰，意味着碳排放的峰值越小，也就是说二氧化碳的排放量越小。通过对碳排放峰值的测算实现对碳排放情况的监测，从而能够及时针对当前的碳排放情况制定相应的碳中和措施与政策。随着现代化工业的不断发展，企业与居民因用电行为而排放的二氧化碳在整个碳排放中占有很大的比例，也是在实现碳中和过程中最能够得到控制的部分。鉴于此，本实施例根据用电设备的实时用电数据分析碳排放情况。
所述电力大脑中枢为电力数据采集系统，在本实施例基于常规的物联网平台架构，搭建具有数据采集和存储功能的服务器，通过无线通信网络技术访问用电设备的数据接口获取实时用电数据，并将获取的实时用电数据存储到对应的数据库中。电力大脑中枢类比人脑神经中枢的作用，基于物联网技术能够对接到政府、工厂、企业以及居民社区等各个主体的用电系统中，通过部署在用电系统中的智能电表等采集装置获取某一地区中用电设备的实时用电数据。
所述实时用电数据包括用电量、用电时间以及该用电设备的能源类型。在本实施例中，根据用电设备的能源类型确定碳排放因子，所述碳排放因子为单位用电量的二氧化碳排放量。基于预设采样频率对实时用电数据进行采样，得到用电设备在每个采样时刻的用电量，计算用电量序列与碳排放因子的乘积得到碳排放序列。不同能源类型的碳排放因子不同，例如风能、光伏等新能源的碳排放量比传统火电低，因此使用新能源的用电设备的碳排放因子小于使用传统火电的用电设备。
由于数据采集装置、通信设备等不可控因素可能会导致是实时用电数据采集异常，进而影响碳排放序列的准确性，本实施例通过分级聚类的方式对异常的碳排放序列进行调整，具体包括：
将用电设备的类型、碳排放因子以及实时用电数据作为第一特征，根据第一特征对用电设备对应的碳排放序列进行一级聚类，得到若干个一级类。属于同一个一级类的用电设备由于第一特征相近，因此这些用电设备对应的碳排放序列的走势也应是相似的。
分别在每个一级聚类聚合中，计算碳排放序列中相邻两个序列值的变化率，将变化率作为第二特征对碳排放序列进行二级聚类，得到若干个二级类，即基于序列值的变化率将走势相似的序列划分到一个二级类中。在一实施例中，每个碳排放序列的序列值总数量均相同，对于每个碳排放序列计算相邻两个序列值的变化率，构成该碳排放序列的特征向量以进行聚类分析。在另一实施例中，当碳排放序列的序列值总数量不尽相同时，根据序列值总数量的最大值为基准值，对其他序列值总数量小于基准值的碳排放序列进行最小二乘法拟合处理，根据拟合结果进行序列值填充，使所有碳排放序列的序列值总数量均为基准值。 最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配，利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小，本领域技术人员应当知道如何通过最小二乘法进行序列值的拟合，此处不再赘述。
根据各个二级类包含的碳排放序列数量，结合二级类的聚类中心之间的距离分析是否有离群的聚类中心，包括：获取二级类包含的碳排放序列数量，确定数量最少的二级类的聚类中心，若所述聚类中心与其他二级类的聚类中心之间的距离均大于预设阈值，则所述聚类中心为离群的聚类中心。根据实际情况可知，数据采集装置、通信设备等不可控因素的发生概率一般较低，由此导致的异常序列通常在所有碳排放序列中占比较小，因此通常数量最少的二级类中含有异常序列的可能性更大。同时，若数量最少的二级类的聚类中心与其他二级类的聚类中心之间的距离并未达到预设阈值，说明所有二级类中的碳排放序列的走势都较为接近，因此即使数量最少的二级类也不存在异常序列。
若没有离群的聚类中心则判定不存在异常序列，将碳排放序列叠加得到总序列。
若有离群的聚类中心则判定存在异常序列，根据与离群的聚类中心距离最近的聚类中心，调整离群的聚类中心所属二级类中的所有碳排放序列，调整完成后将所有用电设备的碳排放序列叠加得到总序列。
通过分级聚类能够快速检测出是否存在异常序列并对异常序列进行调整，达到了对碳排放序列进行预处理的目的，有利于提高后续碳达峰测算结果的准确性。
在本实施例中，所述根据总序列计算碳排放峰度以及动态峰值，包括：
基于滑动窗口以预设步长将总序列划分为若干个子序列，分别计算每个子序列的峰度K，所述峰度K的计算公式为：
其中，n为序列值的总个数，
为第i个序列值，
为序列值的平均值，n的取值范
围为正整数，
、
的取值范围为正数；
计算所有峰度K的均方差，确定总序列中的最大序列值，将所述均方差与最大序列值的乘积作为碳达峰的动态峰值，所述最大序列值即为当前碳排放量的最大值。峰度K用来表征碳达峰的尖度，K的值越大，表示碳达峰趋势越陡峭。计算峰度K的均方差用来表征当前计算的所有子序列的峰度与实际值的离散程度，K的均方差越大，说明目前得到的子序列的峰度离散程度越高，即各个子序列的峰度之间的差距较大，暂未趋近于碳达峰的状态，因此推算真正的碳排放的动态峰值比目前最大序列值还要大，通过峰度K的均方差与碳排放量的最大值近似计算碳排放的峰值，可以看出，峰度K的均方差越大，子序列的峰度离散程度越高，也就是说目前碳排放情况与碳达峰的距离越大，实际的峰值越高，通过上述分析实现动态峰值的拟算。
本实施例中推算的峰值为动态峰值，由于所推算出的峰值随着子序列的不断增加而变化，同时子序列与地区经济发展情况密切相关，动态峰值的结果会随着时间越来越接近真实值，并能够根据地区经济发展情况不断变化，实现了碳达峰的实时测算，相比依赖于历史数据进行碳达峰预测的方法更能适应地区不断变化的经济发展水平。
在本实施例中，基于Mann-Kendall趋势分析检验法对总序列进行趋势分析， 曼－肯德尔（Mann-Kendal）趋势分析检验法适用于分析持续增长或下降趋势的时间序列数据，它是一个非参数检验，适用于所有的分布，即数据不需要满足正态分布的假设，能够满足本实施例中对碳排放序列的趋势分析需求。本实施例中，所采用的Mann-Kendall趋势分析检验法为常规的时间序列趋势检测方法，具体包括：
分别计算总序列中每两个序列值的差值，根据差值的正负情况计算统计量S，统计量是统计理论中用来对数据进行分析、检验的变量。本实施例中统计量S的计算公式为
其中，
、
分别表示第i个序列值和第j个序列值，
为符号函数，当
大于0时，符号函数取值为1，
小于0时，符号函数取值为-1，当
等于0时，符号函数
取值为0， n为序列值总个数。若S是一个正数，那么后一部分的观测值相比之前的观测值会
趋向于变大；如果S是一个负数，那么后一部分的观测值相比之前的观测值会趋向于变小。
根据统计量S定义Mann-Kendall趋势分析检验法的统计变量Z为
统计变量Z能够表征时间序列的趋势特征，其正负符号代表了趋势变化的方向，其大小代表了趋势变化的程度，Z为正值表示增加趋势，负值表示减少趋势，将统计变量Z作为趋势分析结果。
为了更直观的显示碳达峰测算结果，本实施例通过RGB值实现碳达峰的可视化测算，具体包括：将碳排放峰度作为RGB值的R分量，将碳排放序列的最后一个序列值与动态峰值的差值作为RGB值的G分量，将趋势分析结果作为RGB值的B分量。
RGB值是工业界的一种颜色标准，通过对红（R）、绿（G）、蓝（B）三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，本实施例中分别用碳排放峰度、碳排放序列的最后一个序列值与动态峰值的差值以及趋势分析结果为三个颜色通道赋值，区别于人为设置一些阈值与颜色的对应关系实现可视化的传统方法，本实施例中生成的RGB值携带了更多与碳排放相关的具体信息。在本实施例中，可在显示上显示地区地图，在不同区域填充所述RGB值对应的颜色，当监测人员点击填充颜色的区域时，可在点击的区域旁设置弹窗分别显示R分量、G分量以及B分量，即可获取碳达峰的相关数据，增加了可视化测算结果携带的信息量。
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例，并不用以限制本发明，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 (8)
1.基于电力大脑中枢的碳达峰实时可视化测算方法，其特征在于，所述碳达峰实时可视化测算方法包括：
S100、通过电力大脑中枢获取用电设备的实时用电数据；
S200、根据实时用电数据，结合与用电设备对应的碳排放因子计算各个用电设备的碳排放序列；
S300、通过分级聚类分析碳排放序列是否存在异常序列，若不存在异常序列则将碳排放序列叠加得到总序列，若存在则对异常序列进行调整，将调整后的碳排放序列叠加得到总序列；
S400、根据总序列计算碳排放峰度以及动态峰值，基于Mann-Kendall趋势分析检验法对总序列进行趋势分析，将碳排放峰度、碳排放序列的最后一个序列值与动态峰值的差值以及趋势分析结果作为RGB值，将基于RGB值生成的颜色作为测算结果输出。
2.根据权利要求1所述的基于电力大脑中枢的碳达峰实时可视化测算方法，其特征在于，所述电力大脑中枢为电力数据采集系统，通过访问用电设备的数据接口获取实时用电数据。
3.根据权利要求1所述的基于电力大脑中枢的碳达峰实时可视化测算方法，其特征在于，所述S200包括：
根据用电设备的能源类型确定碳排放因子，所述碳排放因子为单位用电量的二氧化碳排放量；
基于预设采样频率对实时用电数据进行采样，得到用电设备在每个采样时刻的用电量，计算用电量序列与碳排放因子的乘积得到碳排放序列。
4.根据权利要求1所述的基于电力大脑中枢的碳达峰实时可视化测算方法，其特征在于，所述S300包括：
将用电设备的类型、碳排放因子以及实时用电数据作为第一特征，根据第一特征对用电设备对应的碳排放序列进行一级聚类，得到若干个一级类；
分别在每个一级聚类聚合中，计算碳排放序列中相邻两个序列值的变化率，将变化率作为第二特征对碳排放序列进行二级聚类，得到若干个二级类；
根据各个二级类包含的碳排放序列数量，结合二级类的聚类中心之间的距离分析是否有离群的聚类中心，若没有离群的聚类中心则判定不存在异常序列，将碳排放序列叠加得到总序列；
若有离群的聚类中心则判定存在异常序列，根据与离群的聚类中心距离最近的聚类中心，调整离群的聚类中心所属二级类中的所有碳排放序列，调整完成后将所有用电设备的碳排放序列叠加得到总序列。
5.根据权利要求4所述的基于电力大脑中枢的碳达峰实时可视化测算方法，其特征在于，所述根据各个二级类包含的碳排放序列数量，结合二级类的聚类中心之间的距离分析是否有离群的聚类中心，包括：
获取二级类包含的碳排放序列数量，确定数量最少的二级类的聚类中心，若所述聚类中心与其他二级类的聚类中心之间的距离均大于预设阈值，则所述聚类中心为离群的聚类中心。
6.根据权利要求1所述的基于电力大脑中枢的碳达峰实时可视化测算方法，其特征在于，所述根据总序列计算碳排放峰度以及动态峰值，包括：
基于滑动窗口以预设步长将总序列划分为若干个子序列，分别计算每个子序列的峰度K，所述峰度K的计算公式为：
其中，n为序列值的总个数，
为第i个序列值，
为序列值的平均值，n的取值范围为
正整数，
、
的取值范围为正数；
计算所有峰度K的均方差，确定总序列中的最大序列值，将所述均方差与最大序列值的乘积作为碳达峰的动态峰值。
7.根据权利要求1所述的基于电力大脑中枢的碳达峰实时可视化测算方法，其特征在于，所述基于Mann-Kendall趋势分析检验法对总序列进行趋势分析，包括：
分别计算总序列中每两个序列值的差值，根据差值的正负情况计算统计量S，统计量S的计算公式为
其中，
、
分别表示第i个序列值和第j个序列值，
为符号函数，当
大于
0时，符号函数取值为1，
小于0时，符号函数取值为-1，当
等于0时，符号函数取
值为0， n为序列值总个数；
根据统计量S定义Mann-Kendall趋势分析检验法的统计变量Z为
将统计变量Z作为趋势分析结果。
8.根据权利要求1所述的基于电力大脑中枢的碳达峰实时可视化测算方法，其特征在于，所述将碳排放峰度、碳排放序列的最后一个序列值与动态峰值的差值以及趋势分析结果作为RGB值，将基于RGB值生成的颜色作为测算结果输出，包括：
将碳排放峰度作为RGB值的R分量，将碳排放序列的最后一个序列值与动态峰值的差值作为RGB值的G分量，将趋势分析结果作为RGB值的B分量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110666842.0A CN113111596B (zh) | 2021-06-16 | 2021-06-16 | 基于电力大脑中枢的碳达峰实时可视化测算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110666842.0A CN113111596B (zh) | 2021-06-16 | 2021-06-16 | 基于电力大脑中枢的碳达峰实时可视化测算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113111596A true CN113111596A (zh) | 2021-07-13 |
| CN113111596B CN113111596B (zh) | 2021-08-31 |
Family
ID=76723583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110666842.0A Active CN113111596B (zh) | 2021-06-16 | 2021-06-16 | 基于电力大脑中枢的碳达峰实时可视化测算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113111596B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114037586A (zh) * | 2022-01-07 | 2022-02-11 | 阿里云计算有限公司 | 碳达峰路径推演方法、电子设备和存储介质 |
| CN115423187A (zh) * | 2022-09-01 | 2022-12-02 | 无锡市低碳研究院有限公司 | 一种基于大数据的碳达峰碳中和数据处理系统及方法 |
| CN115907307A (zh) * | 2023-01-04 | 2023-04-04 | 南方电网数字电网研究院有限公司 | 面向电网实时数据交互的电力系统碳排放流在线分析方法 |
| CN116048235A (zh) * | 2023-03-29 | 2023-05-02 | 南京群顶科技股份有限公司 | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 |
| CN117350485A (zh) * | 2023-09-27 | 2024-01-05 | 广东电网有限责任公司 | 基于数据挖掘模型的电力市场管控方法和系统 |
| CN117787574A (zh) * | 2024-02-27 | 2024-03-29 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682079A (zh) * | 2016-11-21 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种基于聚类分析的用户用电行为检测方法 |
| CN108228935A (zh) * | 2016-12-19 | 2018-06-29 | 广州能源检测研究院 | 一种纺织品碳排放的测算方法 |
| CN108596465A (zh) * | 2018-04-17 | 2018-09-28 | 西安建筑科技大学 | 一种城市居住建筑系统碳能测算方法 |
| CN109615254A (zh) * | 2018-12-17 | 2019-04-12 | 清华-伯克利深圳学院筹备办公室 | 碳排放绩效的测算方法、装置、管理设备及存储介质 |
| CN110942247A (zh) * | 2019-11-25 | 2020-03-31 | 国网福建省电力有限公司经济技术研究院 | 一种分析电力碳排放影响因素和碳排放效率的评价方法 |
| CN111241465A (zh) * | 2020-03-06 | 2020-06-05 | 赫普能源环境科技股份有限公司 | 一种用户电表耦合碳排放量监测系统和方法 |
| CN112906974A (zh) * | 2021-03-11 | 2021-06-04 | 东南大学 | 一种负荷电量及其碳排放预测与校验方法 |
-
2021
- 2021-06-16 CN CN202110666842.0A patent/CN113111596B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682079A (zh) * | 2016-11-21 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种基于聚类分析的用户用电行为检测方法 |
| CN108228935A (zh) * | 2016-12-19 | 2018-06-29 | 广州能源检测研究院 | 一种纺织品碳排放的测算方法 |
| CN108596465A (zh) * | 2018-04-17 | 2018-09-28 | 西安建筑科技大学 | 一种城市居住建筑系统碳能测算方法 |
| CN109615254A (zh) * | 2018-12-17 | 2019-04-12 | 清华-伯克利深圳学院筹备办公室 | 碳排放绩效的测算方法、装置、管理设备及存储介质 |
| CN110942247A (zh) * | 2019-11-25 | 2020-03-31 | 国网福建省电力有限公司经济技术研究院 | 一种分析电力碳排放影响因素和碳排放效率的评价方法 |
| CN111241465A (zh) * | 2020-03-06 | 2020-06-05 | 赫普能源环境科技股份有限公司 | 一种用户电表耦合碳排放量监测系统和方法 |
| CN112906974A (zh) * | 2021-03-11 | 2021-06-04 | 东南大学 | 一种负荷电量及其碳排放预测与校验方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114037586A (zh) * | 2022-01-07 | 2022-02-11 | 阿里云计算有限公司 | 碳达峰路径推演方法、电子设备和存储介质 |
| CN115423187A (zh) * | 2022-09-01 | 2022-12-02 | 无锡市低碳研究院有限公司 | 一种基于大数据的碳达峰碳中和数据处理系统及方法 |
| CN115423187B (zh) * | 2022-09-01 | 2023-05-23 | 无锡市低碳研究院有限公司 | 一种基于大数据的碳达峰碳中和数据处理系统及方法 |
| CN115907307A (zh) * | 2023-01-04 | 2023-04-04 | 南方电网数字电网研究院有限公司 | 面向电网实时数据交互的电力系统碳排放流在线分析方法 |
| CN115907307B (zh) * | 2023-01-04 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 面向电网实时数据交互的电力系统碳排放流在线分析方法 |
| CN116048235A (zh) * | 2023-03-29 | 2023-05-02 | 南京群顶科技股份有限公司 | 基于双向gru和曼-肯德尔法的温感未来趋势检测方法 |
| CN117350485A (zh) * | 2023-09-27 | 2024-01-05 | 广东电网有限责任公司 | 基于数据挖掘模型的电力市场管控方法和系统 |
| CN117787574A (zh) * | 2024-02-27 | 2024-03-29 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
| CN117787574B (zh) * | 2024-02-27 | 2024-05-07 | 江西百电信息产业有限公司 | 一种基于人工智能碳脑的降碳影响因素确定方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113111596B (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113111596B (zh) | 基于电力大脑中枢的碳达峰实时可视化测算方法 | |
| CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
| EP4024297A1 (en) | Artificial intelligence (ai) model evaluation method and system, and device | |
| CN109670675B (zh) | 充电桩运行状态评价方法及装置 | |
| CN112508044A (zh) | 人工智能ai模型的评估方法、系统及设备 | |
| CN114137916B (zh) | 基于数据分析的电路板生产用监督管控系统 | |
| CN108562854A (zh) | 一种电机异常状态在线预警方法 | |
| CN113687176B (zh) | 一种基于深度神经网络的用电异常检测方法、系统 | |
| US20210109140A1 (en) | Method for identifying parameters of 10 kv static load model based on similar daily load curves | |
| CN115639840B (zh) | 一种基于光伏电站运维分析的无人机巡检方法 | |
| CN110276511A (zh) | 一种基于电量与线损关联性的线变关系异常判别方法 | |
| Zhao et al. | Analysis of users’ electricity consumption behavior based on ensemble clustering | |
| CN111832955B (zh) | 一种基于可靠度与多元统计的接触网状态评价方法 | |
| CN114977483A (zh) | 一种智能电网调控控制设备故障诊断系统 | |
| CN117332215B (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
| CN116154972B (zh) | 一种分布式电网电能质量监测方法及系统 | |
| CN116778856B (zh) | 一种应用于电力系统的智能化led显示装置及方法 | |
| CN116824517B (zh) | 基于可视化的变电站运维安全管控系统 | |
| CN116154968A (zh) | 一种基于iec104协议传感器的电力参数监测系统 | |
| CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
| CN117491845A (zh) | 用于多路直流负载设备的精准直流分路计量方法 | |
| CN117493932A (zh) | 一种基于led运行信息的管理系统 | |
| CN112926863A (zh) | 基于六大预警中心的电网灾害综合监测系统 | |
| CN116881661A (zh) | 一种基于低压电力电容器的性能自动化分析方法及系统 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |