CN113312413B - 基于电力大数据的企业碳排放异常监测方法 - Google Patents

基于电力大数据的企业碳排放异常监测方法 Download PDF

Info

Publication number
CN113312413B
CN113312413B CN202110866935.8A CN202110866935A CN113312413B CN 113312413 B CN113312413 B CN 113312413B CN 202110866935 A CN202110866935 A CN 202110866935A CN 113312413 B CN113312413 B CN 113312413B
Authority
CN
China
Prior art keywords
time domain
curve
frequency domain
value
monitoring
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.)
Active
Application number
CN202110866935.8A
Other languages
English (en)
Other versions
CN113312413A (zh
Inventor
郑斌
王锋华
王伟峰
严华江
王龙
张旭
谷泓杰
汪一帆
方舟
邓建丽
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.)
State Grid Zhejiang Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd
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 State Grid Zhejiang Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd, Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202110866935.8A priority Critical patent/CN113312413B/zh
Publication of CN113312413A publication Critical patent/CN113312413A/zh
Application granted granted Critical
Publication of CN113312413B publication Critical patent/CN113312413B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • 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
    • Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉一种基于电力大数据的企业碳排放异常监测方法，本发明解决现有技术的问题，其技术方案要点是：步骤一，获取参与碳排放计量的目标的历史数据，将获取到的目标当前时域数据进行整合；步骤二，根据设定函数选取目标的当前时域曲线并与从基准时域曲线中截取对应的基准时域曲线；步骤三，进行一次时域曲线异常检测；步骤四，获取对应的频域信号；步骤五，利用损失函数计算基准频域拟合曲线和当前频域拟合曲线的频域面积差值，进行一次频域曲线异常检测，直接对未通过频域曲线异常检测的目标进行碳排放监测异常报告；步骤六，形成具有若干个维度的监测数据集合；步骤七，计算监测数据集合与基准数据集合的差异度监测。

Description

基于电力大数据的企业碳排放异常监测方法
技术领域
本发明涉及一种碳排放异常监测方法，特别是涉及一种基于电力大数据的企业碳排放异常监测方法。
背景技术
现有的碳排放量计算方法从宏观数据出发，根据能源消耗量进行统计，具有计算简单、结果准确、方法实用的优点。电能碳排放集中在发电环节，在输电和用电环节基本不产生碳排放。而电能作为一种商品，其效用却全部由消费者获得，因此上，实质的碳排放并不应该归结于电能的生产，电力负荷才是碳排放真正的源头，抓好电力负荷方面的变化，就能实现真正对碳排放的监控，因此，能够有效针对电力负荷的企业碳排放异常监测是很有必要的。
申请号CN201611067467.3公开了一种基于碳排放电价的电力用户碳排放成本分摊方法，该发明要解决电力行业的碳排放成本在发电侧无法传导到电力用户侧，因而不能起到促进用户参与节能减排的问题。该发明方法中，利用潮流追踪技术，确定电力用户的负荷量与系统碳排放之间的函数关系。利用最优潮流模型，确定用户负荷引起的系统边际碳排放量，以及相应的边际碳排放成本，该成本反映在用户的电价中。该发明方法通过电价的手段，让用户能意识到其电力消费对电力系统碳排放的影响，促进用户将其用电负荷转移到风电、光伏等清洁电源出力较大的时刻，从而客观上起到降低电力系统碳排放的作用。同时，本发明方法建立了科学合理的成本机制，捋顺了碳排放相关成本的分摊问题。
第二，中国专利申请号CN201310143671.9公开了一种碳排放流的主动配电网用户用电碳排放量的测量方法，属于低碳电力及电力系统运行测量技术领域。该方法包括：从电网数据库录入主动配电网的拓扑结构、系统参数、运行状态数据，形成基础数据库；从基础数据库中选取数据构造主动配电网碳排放流的计算矩阵和向量；判断和去除主动配电网中影响碳排放流求解可行性的零通量节点；用所构造的矩阵和向量求解主动配电网中各非电源节点在各时段的节点碳势；根据求得的主动配电网中各用户节点的碳势计算各节点的用户在各时间段的用电碳排放量，进而完成对单时间段和多时间段内用户用电碳排放量的测量。本方法将碳排放流理论应用于主动配电网中，从而对用户用电的碳排放实现可观和可测。
从上述内容可知，碳排放的控制，监控是比较严格的，因此对于具体碳排放的异常监控也是很有必要的。但是目前对于企业的碳排放监控只能实现用电数量的监控，至多增加符合种类的监控，但是基于此两者的监控还是存在有一定问题的，例如，企业对于负荷种类进行调整的情况下，对于碳排放监控就会出现盲点。
发明内容
针对上述技术方案还是存在对于企业的碳排放监控只能实现用电数量的监控，至多增加负荷种类的监控，如果出现企业对于负荷种类进行调整的情况下，对于碳排放监控就会出现盲点的问题，本发明提供了一种基于电力大数据的企业碳排放异常监测方法。
本发明解决其技术问题所采用的技术方案是：一种基于电力大数据的企业碳排放异常监测方法，包括以下步骤：
步骤一，获取参与碳排放计量的目标的历史数据，将获取到的目标当前时域数据进行整合，然后将整合后的时域曲线传输至大数据平台中，根据参与碳排放计量的目标的性质维度进行分类聚合，获取至少一条基准时域曲线和一条基准频域拟合曲线，基准时域曲线和时域曲线中X轴为时间轴，Y轴为数据轴，基准频域拟合曲线和频域拟合曲线中，X轴为频率值，Y轴为幅值；
步骤二，根据设定函数选取目标的当前时域曲线并与从基准时域曲线中截取对应的一段基准时域曲线；
步骤三，利用损失函数计算步骤二中截取的一段基准时域曲线和当前时域曲线的时域面积差值，进行一次时域曲线异常检测，直接对未通过时域曲线异常检测的目标进行碳排放监测异常报告；
步骤四，在符合一次时域曲线异常检测的时域曲线中，获取对应的频域信号，所述的频域信号获取的方式包括通过大数据平台将时域信号转换为频域信号；
步骤五，利用损失函数计算基准频域拟合曲线和当前频域拟合曲线的频域面积差值，进行一次频域曲线异常检测，直接对未通过频域曲线异常检测的目标进行碳排放监测异常报告；
步骤六，将目标的时域曲线、频域拟合曲线、时域面积差值以及频域面积差值进行整合，形成具有若干个维度的监测数据集合；
步骤七，计算监测数据集合与基准数据集合的差异度，对差异度大于设定值的目标进行碳排放监测异常报告。
本发明在步骤一中，通过大数据聚合的方式获取与目标同类型、同负荷、乃至于同地区等相同点较多的企业的集合，进一步的可以获取对应的基准时域曲线和基准频域拟合曲线，由于是基准曲线，针对的企业较多，且应用时间较长，因此频域曲线可以由大数据平台通过前期计算的方式获取，或者是在时域曲线转换后增补以人工方式进行获取，在步骤二中，其中通过设定函数，截取长时间处于稳态的时域曲线，通过当前目标的时域曲线与目标的基准时域曲线进行对比，进一步的，利用步骤三的计算方法，可以快速获取时域方面的差异，从而在时域方面直接查出异常。通过频域变换的结果可以进一步的发现在频域方面出现异常的企业，特别是针对变换负荷种类或者是在申报负荷种类的时候存在异常的企业，即使是在一般时域情况下，加强认为控制，符合时域曲线，但是由于负荷种类的变化，导致的频域变化则会使得监控更为有效。更进一步的，在步骤六中，可以设定包括目标的时域曲线、频域拟合曲线、时域面积差值以及频域面积差值进行整合，形成具有若干个维度在内的监测数据集合，通过进一步增加维度的方式来进行监控，当然由于这个监控检测计算难度较大，一般只适用于抽检或者是重点大型项目的监控。通过本发明的设计，能够有效的加强度企业负荷、能源使用方面的监控，通过在企业能耗方面的监控进一步加强企业碳排放异常监测。
作为优选，在所述步骤一中，将目标的性质作为维度，将维度所对应的历史数据进行统一化转换，形成带有维度的历史数据集合，利用所有目标的带有维度的历史数据集合进行若干轮的聚类，初次聚类的中心点由人工根据预定的目标性质进行设定，每轮聚类结束后都需要进行一次聚类中心的迭代替换，当聚类完成后，选取欧式距离在聚类中心附近的目标，选取每个聚类中心附近目标，通过计算这些目标的所有历史数据的平均值的方式获取至少一条基准时域曲线。目标的性质包括企业规模、负荷类型、能耗类型等在内的各项数据，数据来源为电力大数据库和政府数据库授权获取，通过越多维度的企业数据能够将企业的特性表述的越多，那么通过维度聚合的方式越能够获取一个越接近企业特征的聚类中心，通过聚类中心和企业的差值，可以将聚类中心的历史数据的平均值直接作为基准曲线。
作为优选，选取的基准时域曲线为有限长度的基准时域曲线，根据基准时域曲线直接进行频域变换从而获取频域坐标图，根据频域坐标图通过拟合方式获得基准频域拟合曲线。在本发明中，时域频域变换的过程中，本发明不限制任意的变换形式，可以是小波傅里叶变换、快速傅里叶变换、窗口傅里叶变换等任意形式的变换。由于时域频域变换的计算量较大，一般只需选取部分有限长度的基准时域曲线即可达到相应的目标，这里的有限长度的基准时域曲线即为根据设定函数选取的部分曲线。
作为优选，通过选取每个聚类中心附近目标的所有历史数据的时域曲线，并将所有的历史数据的时域曲线中选取统一的时域区间做频域变换，将所有变换后的频域数据进行平均计算，获得基准频域拟合曲线。此步骤与中历史数据的时域曲线，也可以通过设定函数选取的部分曲线，然后选取的基准时域曲线为有限长度的基准时域曲线。
作为优选，在所述步骤二中，根据时域数值变化度选取目标的当前时域曲线的截取位置，并以当前时域曲线的截取位置以固定区间长度进行取值，在所述步骤四中，以取值区间内的时域曲线作为目标的当前时域曲线，并根据取值区间内的时域曲线做出基准频域拟合曲线然后执行步骤三。以上所述为最为常用的一种部分曲线选取方式。
作为优选，利用损失函数计算基准时域曲线和当前时域曲线的时域面积差值时，采用近似差值计算的方式，包括以下步骤，选取等间距为Lt的n个检测点，每个检测点上计算时域曲线与基准时域曲线之间的Y轴差值的绝对值丨Yti丨，然后将计算值作为时域面积差值St：
Figure 131494DEST_PATH_IMAGE001
；
利用损失函数计算基准频域拟合曲线和当前频域拟合曲线的时域面积差值时，也采用近似差值计算的方式，包括以下步骤，选取等间距为Lf的n个检测点，每个检测点上计算时域曲线与基准时域曲线之间的Y轴差值的绝对值丨Yfi丨，然后将计算值作为频域面积差值Sf：
Figure 295760DEST_PATH_IMAGE002
；
作为优选，在计算时域面积差值St的过程中，同时记录时域曲线与基准时域曲线之间的交叉点，将所有相邻交叉点之间X轴间距小于间距阈值的交叉点数量计为ct，并据此确定时域面积差值异常阈值，
Figure 271806DEST_PATH_IMAGE003
；
上式中，tr为设定的转换值，di表示交叉点ci与相邻交叉点ci+1之间小于间距阈值的X轴间距，di用交叉点ci与相邻交叉点ci+1之间检测点的个数进行表示，f为ct=0时，时域面积差值异常阈值的基础值，tr值随着ct的增长递减。
作为优选，在所述步骤六中，通过特征算法获取目标的时域曲线的时域特征值，通过特征算法获取目标的频域拟合曲线的频域特征值，然后将时域特征值、频域特征值、时域面积差值以及频域面积差值进行整合，形成具有至少4个维度的监测数据集合，通过特征算法获取目标的基准时域曲线的基准时域特征值，通过特征算法获取目标的基准频域拟合曲线的基准频域特征值，再补充时域面积差值为0以及频域面积差值为0两个维度，形成维度对应监测数据集合的基准数据集合，计算监测数据集合与基准数据集合之间的欧式距离，根据欧式距离的阈值进行碳排放监测。增加维度的方式有利于数据的准确性。
作为优选，若经过一段时间的监测运行后，目标出现在获取有碳排放监测异常报告后，对参与碳排放计量的目标的历史数据进行更新，同时对根据参与碳排放计量的目标的性质维度进行更新，然后再重新进行分类聚合，根据重新分类聚合的结果进行重新监测，若重新分类聚合后的欧式距离位移小于等于设定阈值，则在剔除异常数据后重新以原基准时域曲线和原基准频域拟合曲线作为基准进行监测，若重新分类聚合后的欧式距离位移大于设定阈值，则在剔除异常数据后重新选取基准时域曲线和基准频域拟合曲线作为基准进行监测。
作为优选，在所述步骤五中，对大于设定阈值的高次谐波进行排除。通过人工设定高次谐波的方式可以进行简化计算，由于高次谐波在计算中作用相对有限，因此可以将其排除。
本发明的实质性效果是：本发明通过频域变换的结果可以进一步的发现在频域方面出现异常的企业，特别是针对变换负荷种类或者是在申报负荷种类的时候存在异常的企业，即使是在一般时域情况下，加强人为控制，使得时域曲线符合一般判断的情况，但是由于负荷种类的变化，会导致的频域变化则会使得频域检测异常，从而使得监控更为有效。更进一步的，在步骤六中，可以设定包括目标的时域曲线、频域拟合曲线、时域面积差值以及频域面积差值进行整合，形成具有若干个维度在内的监测数据集合，通过进一步增加维度的方式来进行监控，当然由于这个监控检测计算难度较大，一般只适用于抽检或者是重点大型项目的监控。通过本发明的设计，能够有效的加强度企业负荷、能源使用方面的监控，通过在企业能耗方面的监控进一步加强企业碳排放异常监测。
附图说明
图1为本发明中三维模型与验证码的一种初始关系对照关系示意图。
具体实施方式
下面通过具体实施例，对本发明的技术方案作进一步的具体说明。
实施例1：
一种基于电力大数据的企业碳排放异常监测方法（参见附图1），包括以下步骤：
步骤一，获取参与碳排放计量的目标的历史数据，将获取到的目标当前时域数据进行整合，然后将整合后的时域曲线传输至大数据平台中，根据参与碳排放计量的目标的性质维度进行分类聚合，获取至少一条基准时域曲线和一条基准频域拟合曲线，基准时域曲线和时域曲线中X轴为时间轴，Y轴为数据轴，基准频域拟合曲线和频域拟合曲线中，X轴为频率值，Y轴为幅值；
步骤二，根据设定函数选取目标的当前时域曲线并与从基准时域曲线中截取对应的基准时域曲线；在步骤二中，其中通过设定函数，可以是通过导数的计算，获知时域曲线大幅度变动时的基准曲线，也可以是通过设定函数的方式，截取长时间处于稳态的时域曲线，通过当前目标的时域曲线与目标的基准时域曲线进行对比，各种方式可以由人工进行选择，本实施例中，采用了截取稳定状态时的时域曲线，所谓稳定状态指曲线波动小于设定值的曲线，或者是周期性波动的曲线。
步骤三，利用损失函数计算基准时域曲线和当前时域曲线的时域面积差值，进行一次时域曲线异常检测，直接对未通过时域曲线异常检测的目标进行碳排放监测异常报告；利用步骤三的计算方法，可以快速获取时域方面的差异，从而在时域方面直接查出异常。
步骤四，在符合一次时域曲线异常检测的时域曲线中，获取对应的频域信号，所述的频域信号获取的方式包括通过大数据平台将时域信号转换频域信号；
步骤五，利用损失函数计算基准频域拟合曲线和当前频域拟合曲线的频域面积差值，进行一次频域曲线异常检测，直接对未通过频域曲线异常检测的目标进行碳排放监测异常报告；对于设定阈值的高次谐波进行排除，通过人工设定高次谐波的方式可以进行简化计算，由于高次谐波在计算中作用相对有限，因此可以将其排除。
步骤六，将目标的时域曲线、频域拟合曲线、时域面积差值以及频域面积差值进行整合，形成具有若干个维度的监测数据集合；
步骤七，计算监测数据集合与基准数据集合的差异度，对差异度大于设定值的目标进行碳排放监测异常报告。
在所述步骤一中，将目标的性质作为维度，将维度所对应的历史数据进行统一化转换，形成带有维度的历史数据集合，利用所有目标的带有维度的历史数据集合进行若干轮的聚类，初次聚类的中心点由人工根据预定的目标性质进行设定，每轮聚类结束后都需要进行一次聚类中心的迭代替换，当聚类完成后，选取欧式距离在聚类中心附近的目标，选取每个聚类中心附近目标，通过计算这些目标的所有历史数据的平均值的方式获取至少一条基准时域曲线。目标的性质包括企业规模、负荷类型、能耗类型等在内的各项数据，数据来源为电力大数据库和政府数据库授权获取，通过越多维度的企业数据能够将企业的特性表述的越多，那么通过维度聚合的方式越能够获取一个越接近企业特征的聚类中心，通过聚类中心和企业的差值，可以将聚类中心的历史数据的平均值直接作为基准曲线。在步骤一中，选取的基准时域曲线为有限长度的基准时域曲线，根据基准时域曲线直接进行频域变换从而获取频域坐标图，根据频域坐标图通过拟合方式获得基准频域拟合曲线。在本实施例中，时域频域变换的过程中，本实施例不限制任意的变换形式，可以是小波傅里叶变换、快速傅里叶变换、窗口傅里叶变换等任意形式的变换。具体频域信号检测的方法包括，将时域模拟信号转换为离散数字信号，对所述离散数字信号进行压缩采样，生成感知矩阵其中一行的行元素，并完成对所述离散数字信号进行感知的一次内积运算，将所述压缩采样的结果进行频域信号重构。由于时域频域变换的计算量较大，一般只需选取部分有限长度的基准时域曲线即可达到相应的目标，这里的有限长度的基准时域曲线即为根据设定函数选取的部分曲线。通过选取每个聚类中心附近目标的所有历史数据的时域曲线，并将所有的历史数据的时域曲线中选取统一的时域区间做频域变换，将所有变换后的频域数据进行平均计算，获得基准频域拟合曲线。此步骤与中历史数据的时域曲线，也可以通过设定函数选取的部分曲线，然后选取的基准时域曲线为有限长度的基准时域曲线。本实施例中，由于是基准曲线，针对的企业较多，且应用时间较长，往往更新需求较低，因此频域曲线可以由大数据平台通过前期计算的方式获取，或者是在时域曲线转换后增补以人工方式进行获取。
在所述步骤二中，根据时域数值变化度选取目标的当前时域曲线的截取位置，这里的时域数值变化度主要通过对曲线形式的判断，根据是稳态曲线中的种类进行对应的寻找，一般是以计算曲线斜率变化的方式获得，也可以采用其他的方法进行获取，例如针对周期性稳态曲线，是通过周期性中心点的方式来进行获取，而其他类型的曲线可通过寻找平均值集中点的方式进行获取，或者通过上述的方式，可以寻找到时域曲线的截取位置，并以当前时域曲线的截取位置以固定区间长度进行取值，在所述步骤四中，以取值区间内的时域曲线作为目标的当前时域曲线，并根据取值区间内的时域曲线做出基准频域拟合曲线然后执行步骤三。以上所述为最为常用的一种部分曲线选取方式。这样设置的一个主要的原因就在于，由于工厂企业生产时存在较大的实际变化，因此针对所有的启停状态次数等进行监控，可以通过时域方式直观监控，各类监控的手段和方法都较为完善，且在算力上也不允许这么做，因此本实施例中，只需针对长时间稳态动作的曲线进行监控，根据这个监控的结果可以代表较长时间生产状态，计算结构也更有意义。
利用损失函数计算基准时域曲线和当前时域曲线的时域面积差值时，采用近似差值计算的方式，包括以下步骤，选取等间距为Lt的n个检测点，每个检测点上计算时域曲线与基准时域曲线之间的Y轴差值的绝对值丨Yti丨，然后将计算值作为时域面积差值St
Figure 281350DEST_PATH_IMAGE004
；
利用损失函数计算基准频域拟合曲线和当前频域拟合曲线的时域面积差值时，也采用近似差值计算的方式，包括以下步骤，选取等间距为Lf的n个检测点，每个检测点上计算时域曲线与基准时域曲线之间的Y轴差值的绝对值丨Yfi丨，然后将计算值作为频域面积差值Sf：
Figure 659242DEST_PATH_IMAGE005
；
在计算时域面积差值St的过程中，同时记录时域曲线与基准时域曲线之间的交叉点，将所有相邻交叉点之间X轴间距小于间距阈值的交叉点数量计为ct，并据此确定时域面积差值异常阈值，
Figure 463250DEST_PATH_IMAGE006
；
上式中，tr为设定的转换值，di表示交叉点ci与相邻交叉点ci+1之间小于间距阈值的X轴间距，di用交叉点ci与相邻交叉点ci+1之间检测点的个数进行表示，f为ct=0时，时域面积差值异常阈值的基础值，tr值随着ct的增长递减。本实施例中，利用频域面积差值Sf时、时域面积差值St时，可以通过XBOS算法AE算法LOF算法异常检测中常用的算法来进行计算，其中个算法之间的适配性为现有技术，本实施例中不做赘述。
在所述步骤六中，通过特征算法获取目标的时域曲线的时域特征值，通过特征算法获取目标的频域拟合曲线的频域特征值，然后将时域特征值、频域特征值、时域面积差值以及频域面积差值进行整合，形成具有至少4个维度的监测数据集合，通过特征算法获取目标的基准时域曲线的基准时域特征值，通过特征算法获取目标的基准频域拟合曲线的基准频域特征值，再补充时域面积差值为0以及频域面积差值为0两个维度，形成维度对应监测数据集合的基准数据集合。本实施例中的特征算法没有限制，只要能够统一对曲线的某些特征进行提取即可，最简单的实施方式就是直接统计曲线中波峰或波谷的个数。
在步骤七中，计算监测数据集合与基准数据集合之间的欧式距离，根据欧式距离的阈值进行碳排放监测。增加维度的方式有利于数据的准确性。若经过一段时间的监测运行后，目标出现在获取有碳排放监测异常报告后，对参与碳排放计量的目标的历史数据进行更新，同时对根据参与碳排放计量的目标的性质维度进行更新，然后再重新进行分类聚合，根据重新分类聚合的结果进行重新监测，若重新分类聚合后的欧式距离位移小于等于设定阈值，则在剔除异常数据后重新以原基准时域曲线和原基准频域拟合曲线作为基准进行监测，若重新分类聚合后的欧式距离位移大于设定阈值，则在剔除异常数据后重新选取基准时域曲线和基准频域拟合曲线作为基准进行监测。
本实施例通过频域变换的结果可以进一步的发现在频域方面出现异常的企业，特别是针对变换负荷种类或者是在申报负荷种类的时候存在异常的企业，即使是在一般时域情况下，加强认为控制，符合时域曲线，但是由于负荷种类的变化，导致的频域变化则会使得监控更为有效。更进一步的，在步骤六中，可以设定包括目标的时域曲线、频域拟合曲线、时域面积差值以及频域面积差值进行整合，形成具有若干个维度在内的监测数据集合，通过进一步增加维度的方式来进行监控，当然由于这个监控检测计算难度较大，一般只适用于抽检或者是重点大型项目的监控。通过本实施例的设计，能够有效的加强度企业负荷、能源使用方面的监控，通过在企业能耗方面的监控进一步加强企业碳排放异常监测。
实施例2：
所述步骤一中，如果为了提高监测精度，并在计量允许的情况下，还可以再通过聚类中心与企业的距离通过换算的方式来获取企业的一条基准时域曲线，使得每个企业都对应一条根据基准曲线变换而来的唯一对应的基准曲线，本实施例中简单举例为：在做维度的时候设定维度的正向差值和负向差值，甲企业所在聚类中心A在企业规模的正向（扩大）方向相邻聚类中心B企业规模的距离是100%L，而甲企业距离聚类中心A的距离是10%L，那么若聚类中心A和相邻聚类中心B其他均不做考量时，在做基准时域曲线时，甲企业在数据轴上的体现则需要对基准时域曲线数据轴数据进行变动，具体为增加聚类中心B与聚类中心A数据差值的0.1倍。进一步的，需要将所有维度转换成百分比，然后根据目标的每个维度在对应维度正向、负向的位置来获取折算的比例，并根据折算的比例，来进行连乘，从而获得一个较为准确的结果。通过本实施例的方法，针对每一个目标都有一条对应的基准时域曲线和一条对应的频域拟合曲线，因此准确性相比实施例1来说有更大的提高。实施例1在应用的过程中，需要聚类的维度较多且欧式距离必须符合一定的要求，即目标与聚类中心的欧式距离值必须要小于人工设定值，且此设定值的数值是较小的，此时，上述实施例的异常判断才是有效的，因此，上述实施例要求数据量较大、在初期的维度分类上较多，需要大量的聚类中心点以供选择使用。而本实施例中，由于增加了聚类中心点和目标聚类的偏移计算，更进一步的，对应各维度之间的数据正向、负向（减少）的距离意义进行了利用，因此，每个目标的基准曲线相比于使用聚类中心的基准曲线而言，准确性上有了更大的提高。
实施例3：
本实施例与实施例1基本相同，不同之处在于，本实施例中，通过时域曲线进行转换获取的频域信号是允许引入外置频率检测设备的频域信号来替换的。进一步的，本实施例中，目标时域曲线的获取是通过检测终端获取的，而目标频域曲线的获取也是通过检测终端获取的，时域曲线和频域曲线的检测终端可以是不同设备，例如大量的机械设备是配置有频率检测设备来进行损坏检测的，在本实施例中，允许应用此类设备获取的频率信号，那么设备供能由电力系统进行供给，此时时域信号由电力大数据来提供，那么基准频率信号则由企业自身根据其历史数据进行获取并上传，通过电力大数据平台根据历史数据的平均值的方式来进行获取。由于本实施例中，时域曲线和频域曲线的获取不属于转换方式获得，因此两者需要进行时间上对应，一般采用时间戳对应的方式进行完成即可。具体为：
一种基于电力大数据的企业碳排放异常监测方法，包括以下步骤：
步骤一，获取参与碳排放计量的目标的历史数据，将获取到的目标当前时域数据进行整合，然后将整合后的时域曲线和频域拟合曲线传输至大数据平台中，根据参与碳排放计量的目标的性质维度进行分类聚合，获取至少一条基准时域曲线，通过目标的历史数据拟合形成一条基准频域拟合曲线，基准时域曲线和时域曲线中X轴为时间轴，Y轴为数据轴，基准频域拟合曲线和频域拟合曲线中，X轴为频率值，Y轴为幅值；
步骤二，根据设定函数选取目标的当前时域曲线并与从基准时域曲线中截取对应的一段基准时域曲线；
步骤三，利用损失函数计算步骤二中截取的一段基准时域曲线和当前时域曲线的时域面积差值，进行一次时域曲线异常检测，直接对未通过时域曲线异常检测的目标进行碳排放监测异常报告；
步骤四，在符合一次时域曲线异常检测的时域曲线中，获取对应的频域信号，所述的频域信号获取的方式为通过目标现有的频域检测终端获取，通过检测终端获取的频域曲线应当与时域曲线截取的时间点进行对应，即频域曲线获得的时间点为根据时域数值变化度选取目标的当前时域曲线的截取位置；
步骤五，利用损失函数计算基准频域拟合曲线和当前频域拟合曲线的频域面积差值，进行一次频域曲线异常检测，直接对未通过频域曲线异常检测的目标进行碳排放监测异常报告；
步骤六，将目标的时域曲线、频域拟合曲线、时域面积差值以及频域面积差值进行整合，形成具有若干个维度的监测数据集合；
步骤七，计算监测数据集合与基准数据集合的差异度，对差异度大于设定值的目标进行碳排放监测异常报告。
以上实施例通过频域变换的结果可以进一步的发现在频域方面出现异常的企业，特别是针对变换负荷种类或者是在申报负荷种类的时候存在异常的企业，即使是在一般时域情况下，加强人为控制，使得时域曲线符合一般判断的情况，但是由于负荷种类的变化，会导致的频域变化则会使得频域检测异常，从而使得监控更为有效。更进一步的，在步骤六中，可以设定包括目标的时域曲线、频域拟合曲线、时域面积差值以及频域面积差值进行整合，形成具有若干个维度在内的监测数据集合，通过进一步增加维度的方式来进行监控，当然由于这个监控检测计算难度较大，一般只适用于抽检或者是重点大型项目的监控。通过本实施例的设计，能够有效的加强度企业负荷、能源使用方面的监控，通过在企业能耗方面的监控进一步加强企业碳排放异常监测。
以上所述的实施例只是本实施例的一种较佳的方案，并非对本实施例作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (7)

1.一种基于电力大数据的企业碳排放异常监测方法，其特征是，包括以下步骤：
步骤一，获取参与碳排放计量的目标的历史数据，将获取到的目标当前时域数据进行整合，然后将整合后的时域曲线传输至大数据平台中，根据参与碳排放计量的目标的性质维度进行分类聚合，获取至少一条基准时域曲线和一条基准频域拟合曲线，基准时域曲线和时域曲线中X轴为时间轴，Y轴为数据轴，基准频域拟合曲线和频域拟合曲线中，X轴为频率值，Y轴为幅值；在所述步骤一中，将目标的性质作为维度，将维度所对应的历史数据进行统一化转换，形成带有维度的历史数据集合，利用所有目标的带有维度的历史数据集合进行若干轮的聚类，初次聚类的中心点由人工根据预定的目标性质进行设定，每轮聚类结束后都需要进行一次聚类中心的迭代替换，当聚类完成后，选取欧式距离在聚类中心附近的目标，选取每个聚类中心附近目标，通过计算这些目标的所有历史数据的平均值的方式获取至少一条基准时域曲线；选取的基准时域曲线为有限长度的基准时域曲线，根据基准时域曲线直接进行频域变换从而获取频域坐标图，根据频域坐标图通过拟合方式获得基准频域拟合曲线；
步骤二，根据设定函数选取目标的当前时域曲线，并从基准时域曲线中截取与目标的当前时域曲线相对应的一段基准时域曲线；
步骤三，利用损失函数计算步骤二中截取的一段基准时域曲线和当前时域曲线的时域面积差值，进行一次时域曲线异常检测，直接对未通过时域曲线异常检测的目标进行碳排放监测异常报告；
步骤四，在符合一次时域曲线异常检测的时域曲线中，获取对应的频域信号，所述的频域信号获取的方式包括通过大数据平台将时域信号转换为频域信号；
步骤五，利用损失函数计算基准频域拟合曲线和当前频域拟合曲线的频域面积差值，进行一次频域曲线异常检测，直接对未通过频域曲线异常检测的目标进行碳排放监测异常报告；
步骤六，将目标的时域曲线、频域拟合曲线、时域面积差值以及频域面积差值进行整合，形成具有若干个维度的监测数据集合；在所述步骤六中，通过特征算法获取目标的时域曲线的时域特征值，通过特征算法获取目标的频域拟合曲线的频域特征值，然后将时域特征值、频域特征值、时域面积差值以及频域面积差值进行整合，形成具有至少4个维度的监测数据集合；
步骤七，计算监测数据集合与基准数据集合的差异度，通过特征算法获取目标的基准时域曲线的基准时域特征值，通过特征算法获取目标的基准频域拟合曲线的基准频域特征值，再补充时域面积差值为0以及频域面积差值为0两个维度，形成维度对应监测数据集合的基准数据集合，计算监测数据集合与基准数据集合之间的欧式距离，根据欧式距离的阈值进行碳排放监测；对差异度大于设定值的目标进行碳排放监测异常报告。
2.根据权利要求1所述的基于电力大数据的企业碳排放异常监测方法，其特征在于，通过选取每个聚类中心附近目标的所有历史数据的时域曲线，并将所有的历史数据的时域曲线中选取统一的时域区间做频域变换，将所有变换后的频域数据进行平均计算，获得基准频域拟合曲线。
3.根据权利要求1或2所述的基于电力大数据的企业碳排放异常监测方法，其特征在于，在所述步骤二中，根据时域数值变化度选取目标的当前时域曲线的截取位置，并以当前时域曲线的截取位置以固定区间长度进行取值，在所述步骤四中，以取值区间内的时域曲线作为目标的当前时域曲线，并根据取值区间内的时域曲线做出基准频域拟合曲线然后执行步骤三。
4.根据权利要求3所述的基于电力大数据的企业碳排放异常监测方法，其特征在于，利用损失函数计算基准时域曲线和当前时域曲线的时域面积差值时，采用近似差值计算的方式，包括以下步骤，选取等间距为L t的n个检测点，每个检测点上计算时域曲线与基准时域曲线之间的Y轴差值的绝对值丨Yti丨，然后将计算值作为时域面积差值S t：
Figure 516430DEST_PATH_IMAGE001
；
利用损失函数计算基准频域拟合曲线和当前频域拟合曲线的时域面积差值时，也采用近似差值计算的方式，包括以下步骤，选取等间距为L f的n个检测点，每个检测点上计算时域曲线与基准时域曲线之间的Y轴差值的绝对值丨Yfi丨，然后将计算值作为频域面积差值S f：
Figure 246620DEST_PATH_IMAGE002
。
5.根据权利要求4所述的基于电力大数据的企业碳排放异常监测方法，其特征在于，在计算时域面积差值S t的过程中，同时记录时域曲线与基准时域曲线之间的交叉点，将所有相邻交叉点之间X轴间距小于间距阈值的交叉点数量计为ct，并据此确定时域面积差值异常阈值Tt，
Figure 354253DEST_PATH_IMAGE003
上式中，tr为设定的转换值，di表示交叉点ci与相邻交叉点ci+1之间小于间距阈值的X轴间距，di用交叉点ci与相邻交叉点ci+1之间检测点的个数进行表示，f为ct=0时，时域面积差值异常阈值的基础值，tr值随着ct的增长递减。
6.根据权利要求1所述的基于电力大数据的企业碳排放异常监测方法，其特征在于，若经过一段时间的监测运行后，目标出现在获取有碳排放监测异常报告后，对参与碳排放计量的目标的历史数据进行更新，同时对根据参与碳排放计量的目标的性质维度进行更新，然后再重新进行分类聚合，根据重新分类聚合的结果进行重新监测，若重新分类聚合后的欧式距离位移小于等于设定阈值，则在剔除异常数据后重新以原基准时域曲线和原基准频域拟合曲线作为基准进行监测，若重新分类聚合后的欧式距离位移大于设定阈值，则在剔除异常数据后重新选取基准时域曲线和基准频域拟合曲线作为基准进行监测。
7.根据权利要求1所述的基于电力大数据的企业碳排放异常监测方法，其特征在于，在所述步骤五中，对大于设定阈值的高次谐波进行排除。
CN202110866935.8A 2021-07-29 2021-07-29 基于电力大数据的企业碳排放异常监测方法 Active CN113312413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110866935.8A CN113312413B (zh) 2021-07-29 2021-07-29 基于电力大数据的企业碳排放异常监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110866935.8A CN113312413B (zh) 2021-07-29 2021-07-29 基于电力大数据的企业碳排放异常监测方法

Publications (2)

Publication Number Publication Date
CN113312413A CN113312413A (zh) 2021-08-27
CN113312413B true CN113312413B (zh) 2021-10-29

Family

ID=77382370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110866935.8A Active CN113312413B (zh) 2021-07-29 2021-07-29 基于电力大数据的企业碳排放异常监测方法

Country Status (1)

Country Link
CN (1) CN113312413B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469470B (zh) * 2021-09-02 2021-12-03 国网浙江省电力有限公司杭州供电公司 基于电力大脑中枢的用能数据与碳排放量关联分析方法
CN114117350B (zh) * 2021-11-29 2024-06-21 特斯联科技集团有限公司 一种电力行业碳排放分析方法
CN115081795B (zh) * 2022-04-27 2024-09-27 国网山东省电力公司泰安供电公司 多维场景下企业能耗异常成因分析方法及系统
CN114897034B (zh) * 2022-07-14 2022-10-28 深圳市信润富联数字科技有限公司 冲压模具监管方法、装置、设备及存储介质
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
CN115792479B (zh) * 2023-02-08 2023-05-09 东营市建筑设计研究院 一种智能插座的用电智能监测方法及系统
CN116089846B (zh) * 2023-04-03 2023-07-25 北京智蚁杨帆科技有限公司 一种基于数据聚类的新能源结算数据异常检测与预警方法
CN116596703B (zh) * 2023-07-17 2023-09-19 吉林省骅涛科技有限公司 一种节电器及其智能控制方法
CN117614746B (zh) * 2024-01-23 2024-04-05 湖南恒茂信息技术有限公司 一种基于历史统计判定偏差行为的交换机防御攻击方法
CN117852779B (zh) * 2024-03-08 2024-07-09 广东立胜综合能源服务有限公司 一种工业园区碳排放计算方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776853A (zh) * 2018-03-22 2018-11-09 厦门奥普拓自控科技有限公司 一种在线碳排放传感检测系统和方法
WO2021050153A1 (en) * 2019-09-11 2021-03-18 BlueOwl, LLC Systems and methods for providing carbon offsets
CN112766342A (zh) * 2021-01-12 2021-05-07 安徽容知日新科技股份有限公司 一种电气设备的异常检测方法
CN112950405A (zh) * 2021-02-05 2021-06-11 国网浙江省电力有限公司杭州供电公司 基于电力数据的企业用电情况的监测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776853A (zh) * 2018-03-22 2018-11-09 厦门奥普拓自控科技有限公司 一种在线碳排放传感检测系统和方法
WO2021050153A1 (en) * 2019-09-11 2021-03-18 BlueOwl, LLC Systems and methods for providing carbon offsets
CN112766342A (zh) * 2021-01-12 2021-05-07 安徽容知日新科技股份有限公司 一种电气设备的异常检测方法
CN112950405A (zh) * 2021-02-05 2021-06-11 国网浙江省电力有限公司杭州供电公司 基于电力数据的企业用电情况的监测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Carbon nanotube based prototype as THz time domain sources/detectors;E.Decrossas等;《 2012 37th International Conference on Infrared, Millimeter, and Terahertz Waves》;20211213;第1-2页 *
基于电力大数据分析的电力消费指数研究与应用;郑斌等;《电气时代》;20210310(第3期);第28-40页 *

Also Published As

Publication number Publication date
CN113312413A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN113312413B (zh) 基于电力大数据的企业碳排放异常监测方法
Tan et al. Ultra-short-term industrial power demand forecasting using LSTM based hybrid ensemble learning
Liu et al. A hybrid FCW-EMD and KF-BA-SVM based model for short-term load forecasting
WO2018214629A1 (zh) 售电量预测方法及装置、计算机存储介质
CN103559540B (zh) 基于自适应神经模糊推理系统的风速超短期在线预测方法
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
Liu et al. Real-time corporate carbon footprint estimation methodology based on appliance identification
Zou et al. A hybrid model based on multi-stage principal component extraction, GRU network and KELM for multi-step short-term wind speed forecasting
CN109447332A (zh) 一种适用于s型负荷曲线的中长期电力负荷组合预测方法
CN111242353A (zh) 风电功率组合预测建模和预测方法
CN109165770A (zh) 基于AFSA-Elman的新型光伏功率预测方法
CN117251672A (zh) 基于电力数据的区域行业多维能源碳排放计算方法和装置
CN115600722A (zh) 企业电碳因子长期预测方法
CN109193791B (zh) 一种基于改进shapley值的风电汇聚趋势性分状态量化方法
Han et al. Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing
CN118152836A (zh) 一种用于电能表运行过程的稳定性评估方法
CN110796292A (zh) 计及雾霾影响的光伏功率短期预测方法
CN117200241B (zh) 一种新能源并网智能调压系统
CN117592615A (zh) 一种基于iceemdan和集成lstm-tcn模型的短期电力负荷预测方法
Gu et al. Research on short-term load forecasting of distribution stations based on the clustering improvement fuzzy time series algorithm
CN116703022A (zh) 电力设备最优碳排放评估方法及系统
Deng et al. Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network
Li et al. Extraction of abnormal points from on-line operation data of intelligent meter based on LSTM
Zhang et al. Short-Term Prediction of Power Load for Urban Residents Based on VMD-SVR-PSO Model
Ye et al. A morphological filter-based local prediction method with multi-variable inputs for short-term load forecast

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