CN114239292B - 面向低碳经济运行的多能需求园区综合评价方法及系统 - Google Patents
面向低碳经济运行的多能需求园区综合评价方法及系统 Download PDFInfo
- Publication number
- CN114239292B CN114239292B CN202111569568.1A CN202111569568A CN114239292B CN 114239292 B CN114239292 B CN 114239292B CN 202111569568 A CN202111569568 A CN 202111569568A CN 114239292 B CN114239292 B CN 114239292B
- Authority
- CN
- China
- Prior art keywords
- energy
- mathematical model
- data
- key
- demand
- 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
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 66
- 238000011156 evaluation Methods 0.000 title claims abstract description 63
- 238000013178 mathematical model Methods 0.000 claims abstract description 79
- 238000011157 data evaluation Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 11
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 64
- 238000004364 calculation method Methods 0.000 claims description 40
- 239000003345 natural gas Substances 0.000 claims description 32
- 239000003344 environmental pollutant Substances 0.000 claims description 29
- 231100000719 pollutant Toxicity 0.000 claims description 29
- 230000005611 electricity Effects 0.000 claims description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 22
- 238000003912 environmental pollution Methods 0.000 claims description 18
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 239000003208 petroleum Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 238000012106 screening analysis Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 239000000356 contaminant Substances 0.000 claims 1
- 239000008204 material by function Substances 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 6
- 239000000126 substance Substances 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向低碳经济运行的多能需求园区综合评价方法及系统，综合能效评估技术领域，其中该方法包括获取园区历史时长内各个时段的电能、冷能和热能需求量和供应量，同时获取供需成本数据，构建由所有多能数据样本构成的数据评判集；基于数据评判集进行筛选分析获得关键数据评判集；根据园区多能系统的计价供能物质种类，分别构建能量利用效率数学模型和低碳损失数学模型；基于关键数据评判集，利用能量利用效率数学模型和低碳损失数学模型，获得对园区低碳多能运行管理平台的综合评价值。本发明能够获得园区的低碳多能系统的更加全面、可靠的综合评价结果，更具有实际参考价值。
Description
技术领域
本发明涉及综合能效评估技术领域，具体涉及一种面向低碳经济运行的多能需求园区综合评价方法及系统。
背景技术
随着传统化石能源的日益枯竭以及自然环境的不断恶化，如何高效清洁地利用能源逐渐成为诸多学者关注的焦点。综合能源(多能)系统涉及电、热、冷、气等多种能源的生产、转移和消费。多能需求园区可实现多种能源间的相互转化，实现不同能源的优势互补，有利于降低园区运行经济成本、提升能源利用效率及环境效益等。
多场景分析技术通过数据分析减少相应时间尺度内的相似场景，有效地提取了若干个典型场景，收敛效果较好，避免了繁琐的计算，减轻了系统计算分析的负担。目前对多能系统主要通过丰大、丰小、枯大、枯小以及夏大、夏小、冬大、冬小等极端场景来评价多能系统在不同需求下的运行经济成本、能源利用效率及环境效益等，但是这种方式考虑问题过于保守，对于追求低碳、经济效益等多方面的多能系统仅在极端事件下进行评价分析所获得的结果，并不全面，难以得到概率上贴近实际的解。
发明内容
因此，为了克服上述缺陷，本发明实施例提供一种面向低碳经济运行的多能需求园区综合评价方法及系统，能够对园区的低碳多能系统进行全面、可靠的综合评价分析。
为此，本发明实施例的一种面向低碳经济运行的多能需求园区综合评价方法，包括以下步骤：
S1、获取园区历史时长内各个时段的电能需求量、冷能需求量和热能需求量，将每个时段的电能需求量、冷能需求量和热能需求量组成一个元素组合，作为一个多能数据样本，获得由所有多能数据样本构成的数据评判集；
S2、基于所述数据评判集进行筛选分析，获得关键数据评判集；
S3、根据园区多能系统的计价供能物质种类，分别构建能量利用效率数学模型和低碳损失数学模型，所述能量利用效率数学模型用于计算园区多能系统的能量利用效率，所述低碳损失数学模型用于计算园区多能系统的污染物排放量；
S4、基于所述关键数据评判集，利用所述能量利用效率数学模型和低碳损失数学模型，获得对园区低碳多能运行管理平台的综合评价值。
优选地，所述S2的步骤包括：
S21、对所述数据评判集中的每个多能数据样本，分别计算其与其他各多能数据样本之间的欧式距离，将计算得到的各个欧式距离按从小到大的顺序进行排序，获得每个多能数据样本的欧氏距离有序队列；
S22、从每个欧式距离有序队列中分别选出预设位置处的一个值，和选出与该值对应的多能数据样本，组成候选数据评判集，并按照该值从小到大的顺序，将对应的多能数据样本进行排序，获得该值最小的多能数据样本，作为第1个关键多能数据样本；
S23、计算候选数据评判集中的每个样本分别与各个关键多能数据样本之间的欧氏距离，并选出所得欧氏距离中的最小距离；从每个样本对应的所述最小距离中选出最大值，将所述最大值对应的样本作为新增的关键多能数据样本；
S24、重复步骤S23，直至所获得的关键多能数据样本的个数为预设个数为止，获得由所有关键多能数据样本组成的关键数据评判集。
优选地，所述园区多能系统的计价功能物质种类包括天然气、石油、电和水。
优选地，所述能量利用效率数学模型的公式为：
其中，η为能量利用效率，αe为电能需求量权重系数，αc为冷能需求量权重系数，αh为热能需求量权重系数，Qe(t)为电能需求量，Qc(t)为冷能需求量，Qh(t)为热能需求量，βg为天然气利用损耗率，βo为石油利用损耗率，βw为水利用损耗率，Wg为天然气对电的单价折算系数，Wo为石油对电的单价折算系数，Ww为水对电的单价折算系数，qg为天然气单位能量转换率，qo为石油单位能量转换率，qw为水单位能量转换率，qe为电单位能量转换率，Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量。
优选地，所述低碳损失数学模型的公式为：
其中，L为环境污染指标值，wi为第i种环境效应的权重系数，λij第j种污染物产生第i种环境效应的效果因子，ξj为天然气消耗致产生第j种污染物的排放系数，δj为石油消耗致产生第j种污染物的排放系数，κj为水消耗致产生第j种污染物的排放系数，γj为电消耗致产生第j种污染物的排放系数，Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量，m为污染物种类数量，n为环境效应种类数量。
优选地，所述S4的步骤包括：
S41、将所述关键数据评判集输入根据能量利用效率数学模型计算获得的能量利用效率的倒数和低碳损失数学模型计算获得的环境污染指标值构建的综合评价的数学模型进行计算，选出计算所得各能量利用效率的倒数和环境污染指标值中的最小值作为综合评价值。
本发明实施例的一种面向低碳经济运行的多能需求园区综合评价系统，包括：
多能需求量获取装置，用于获取园区历史时长内各个时段的电能需求量、冷能需求量和热能需求量，将每个时段的电能需求量、冷能需求量和热能需求量组成一个元素组合，作为一个多能数据样本，获得由所有多能数据样本构成的数据评判集；
关键数据评判集获得装置，用于基于所述数据评判集进行筛选分析，获得关键数据评判集；
数学模型构建装置，用于根据园区多能系统的计价供能物质种类，分别构建能量利用效率数学模型和低碳损失数学模型，所述能量利用效率数学模型用于计算园区多能系统的能量利用效率，所述低碳损失数学模型用于计算园区多能系统的污染物排放量；
综合评价值获得装置，用于基于所述关键数据评判集，利用所述能量利用效率数学模型和低碳损失数学模型，获得对园区低碳多能运行管理平台的综合评价值。
优选地，所述关键数据评判集获得装置包括：
距离排序单元，用于对所述数据评判集中的每个多能数据样本，分别计算其与其他各多能数据样本之间的欧式距离，将计算得到的各个欧式距离按从小到大的顺序进行排序，获得每个多能数据样本的欧氏距离有序队列；
候选数据评判集获得单元，用于从每个欧式距离有序队列中分别选出预设位置处的一个值，和选出与该值对应的多能数据样本，组成候选数据评判集，并按照该值从小到大的顺序，将对应的多能数据样本进行排序，获得该值最小的多能数据样本，作为第1个关键多能数据样本；
关键多能数据样本获得单元，用于计算候选数据评判集中的每个样本分别与各个关键多能数据样本之间的欧氏距离，并选出所得欧氏距离中的最小距离；从每个样本对应的所述最小距离中选出最大值，将所述最大值对应的样本作为新增的关键多能数据样本；进行反复以计算得到更多个关键多能数据样本；
关键数据评判集获得单元，用于判断所获得的关键多能数据样本的个数是否达到预设个数，当达到时，获得由所有关键多能数据样本组成的关键数据评判集。
优选地，所述综合评价值获得装置包括：
综合评价计算单元，用于将所述关键数据评判集输入根据能量利用效率数学模型计算获得的能量利用效率的倒数和低碳损失数学模型计算获得的环境污染指标值构建的综合评价的数学模型进行计算，选出计算所得各能量利用效率的倒数和环境污染指标值中的最小值作为综合评价值。
本发明实施例的技术方案，具有如下优点：
1.通过面向历史时长内各个时段的电能、冷能和热能需求量和供应量进行分析，全面的获得了各种能量需求情况下的样本数据，从而基于这样的样本数据进行的分析计算，能够获得园区的低碳多能系统的更加全面、可靠的综合评价结果，更具有实际参考价值。
2.通过对样本进行筛选，提高了样本价值，从而进一步提高了综合评价结果的可靠性，并且还提高了分析运算速度和效率，提高分析时效性。
3.通过能量利用效率数学模型和低碳损失数学模型共同构成综合评价模型，提高了综合评价结果的实用性，更适于工程实际使用。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例1中面向低碳经济运行的多能需求园区综合评价方法的一个具体示例的流程图；
图2为本发明实施例1中面向低碳经济运行的多能需求园区综合评价方法的另一个具体示例的流程图；
图3为本发明实施例2中面向低碳经济运行的多能需求园区综合评价系统的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。
此外，本说明书中的某些图式是用于例示方法的流程图。应了解，这些流程图中的每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器，以使在所述计算机或其他可编程设备上执行的指令形成用于实施在所述流程图方块中所规定功能的结构。这些计算机程序指令也可储存于一计算机可读存储器中，所述计算机可读存储器可指令一计算机或其他可编程设备以一特定方式工作，以使储存于所述计算机可读存储器中的指令形成一包含用于实施在所述流程图方块中所规定功能的指令结构的制品。所述计算机程序指令也可加载至一计算机或其他可编程设备上，以便在所述计算机或其他可编程设备上执行一系列操作步骤来形成一由计算机实施的过程，从而使在所述计算机或其他可编程设备上执行的指令提供用于实施在所述流程图方块中所规定功能的步骤。
相应地，各流程图中的方块支持用于执行所规定功能的结构的组合及用于执行所规定功能的步骤的组合。还应了解，所述流程图中的每一个方块、及所述流程图中方块的组合可由执行所规定功能或步骤的基于专用硬件的计算机系统、或者专用硬件与计算机指令的组合来实施。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种面向低碳经济运行的多能需求园区综合评价方法，如图1所示，包括以下步骤：
S1、获取园区历史时长内各个时段的电能需求量、冷能需求量和热能需求量，将每个时段的电能需求量、冷能需求量和热能需求量组成一个元素组合，作为一个多能数据样本，获得由所有多能数据样本构成的数据评判集；例如，所述历史时长可以设为一个月、几个月或一年、几年等，所述时段可以设为一天、一周等。
S2、基于所述数据评判集进行筛选分析，获得关键数据评判集；
优选地，如图2所示，S2的步骤包括：
S21、对所述数据评判集中的每个多能数据样本，分别计算其与其他各多能数据样本之间的欧式距离，将计算得到的各个欧式距离按从小到大的顺序进行排序，获得每个多能数据样本的欧氏距离有序队列；
S22、从每个欧式距离有序队列中分别选出预设位置处的一个值，和选出与该值对应的多能数据样本，组成候选数据评判集，并按照该值从小到大的顺序，将对应的多能数据样本进行排序，获得该值最小的多能数据样本，作为第1个关键多能数据样本；优选地，预设位置处可根据实际需求进行设置；
S23、计算候选数据评判集中的每个样本分别与各个关键多能数据样本之间的欧氏距离，并选出所得欧氏距离中的最小距离；从每个样本对应的所述最小距离中选出最大值，将所述最大值对应的样本作为新增的关键多能数据样本；
S24、重复步骤S23，直至所获得的关键多能数据样本的个数为预设个数为止，获得由所有关键多能数据样本组成的关键数据评判集。优选地，预设个数可依据实际需求进行设置。通过依据欧氏距离进行样本的筛选，能够得到表现为能源需求量更多、更密集使用时段的样本，从而提高了样本价值，使得依据它进行分析评估所得的结果更加有效及可靠。并且通过降低样本数量，可以提高运算速度和效率，提高分析时效性。
S3、根据园区多能系统的计价供能物质种类，分别构建能量利用效率数学模型和低碳损失数学模型，所述能量利用效率数学模型用于计算园区多能系统的能量利用效率，所述低碳损失数学模型用于计算园区多能系统的污染物排放量；
优选地，园区多能系统的计价功能物质种类包括天然气、石油、电和水。
优选地，能量利用效率数学模型的公式为：
其中，η为能量利用效率，αe为电能需求量权重系数，αc为冷能需求量权重系数，αh为热能需求量权重系数，Qe(t)为电能需求量，Qc(t)为冷能需求量，Qh(t)为热能需求量，βg为天然气利用损耗率，βo为石油利用损耗率，βw为水利用损耗率，Wg为天然气对电的单价折算系数，Wo为石油对电的单价折算系数，Ww为水对电的单价折算系数，qg为天然气单位能量转换率，qo为石油单位能量转换率，qw为水单位能量转换率，qe为电单位能量转换率，Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量。优选地，各利用损耗率、单价折算系数、单位能量转换率均为预设常数。通过单价折算系数，在能量利用效率的计算中增加了经济因素影响的考虑，使得计算更符合实际情况。
优选地，电能需求量权重系数αe、冷能需求量权重系数αc、热能需求量权重系数αh可采用神经网络算法进行计算获得。首先利用训练样本集对神经网络模型进行训练，获得训练好的神经网络模型，模型输入为Qe(t)为电能需求量，Qc(t)为冷能需求量，Qh(t)为热能需求量，Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量，模型输出为电能需求量权重系数αe、冷能需求量权重系数αc、热能需求量权重系数αh；然后利用测试样本集对训练好的神经网络模型进行测试，获得测试好的神经网络模型，最终获得电能需求量权重系数αe、冷能需求量权重系数αc、热能需求量权重系数αh的值。优选地，神经网络模型包括一个输入层、若干个隐含层和一个输出层，例如隐含层为3层。
优选地，低碳损失数学模型的公式为：
其中，L为环境污染指标值，wi为第i种环境效应的权重系数，λij第j种污染物产生第i种环境效应的效果因子，ξj为天然气消耗致产生第j种污染物的排放系数，δj为石油消耗致产生第j种污染物的排放系数，κj为水消耗致产生第j种污染物的排放系数，γj为电消耗致产生第j种污染物的排放系数，Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量，m为污染物种类数量，n为环境效应种类数量。优选地，各效果因子、排放系数为预设常数。
优选地，第i种环境效应的权重系数wi可采用神经网络算法进行计算获得。首先利用训练样本集对神经网络模型进行训练，获得训练好的神经网络模型，模型输入为Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量，模型输出为第i种环境效应的权重系数wi；然后利用测试样本集对训练好的神经网络模型进行测试，获得测试好的神经网络模型，最终获得第i种环境效应的权重系数wi的值。
S4、基于所述关键数据评判集，利用所述能量利用效率数学模型和低碳损失数学模型，获得对园区低碳多能运行管理平台的综合评价值。
优选地，S4的步骤包括：
S41、将所述关键数据评判集输入根据能量利用效率数学模型计算获得的能量利用效率的倒数和低碳损失数学模型计算获得的环境污染指标值构建的综合评价的数学模型进行计算，选出计算所得各能量利用效率的倒数和环境污染指标值中的最小值作为综合评价值。能量利用效率的值越大，表示园区多能系统越经济节能；环境污染指标值越小，表示园区多能系统越低碳环保。
上述面向低碳经济运行的多能需求园区综合评价方法，通过面向历史时长内各个时段的电能、冷能和热能需求量和供应量进行分析，全面的获得了各种能量需求情况下的样本数据，从而基于这样的样本数据进行的分析计算，能够获得园区的低碳多能系统的更加全面、可靠的综合评价结果，更具有实际参考价值。通过对样本进行筛选，提高了样本价值，从而进一步提高了综合评价结果的可靠性，并且还提高了分析运算速度和效率，提高分析时效性。通过能量利用效率数学模型和低碳损失数学模型共同构成综合评价模型，提高了综合评价结果的实用性，更适于工程实际使用。
实施例2
本实施例提供一种面向低碳经济运行的多能需求园区综合评价系统，如图3所示，包括：
多能需求量获取装置001，用于获取园区历史时长内各个时段的电能需求量、冷能需求量和热能需求量，将每个时段的电能需求量、冷能需求量和热能需求量组成一个元素组合，作为一个多能数据样本，获得由所有多能数据样本构成的数据评判集；例如，所述历史时长可以设为一个月、几个月或一年、几年等，所述时段可以设为一天、一周等。
关键数据评判集获得装置002，用于基于所述数据评判集进行筛选分析，获得关键数据评判集；
数学模型构建装置003，用于根据园区多能系统的计价供能物质种类，分别构建能量利用效率数学模型和低碳损失数学模型，所述能量利用效率数学模型用于计算园区多能系统的能量利用效率，所述低碳损失数学模型用于计算园区多能系统的污染物排放量；
综合评价值获得装置004，用于基于所述关键数据评判集，利用所述能量利用效率数学模型和低碳损失数学模型，获得对园区低碳多能运行管理平台的综合评价值。
上述面向低碳经济运行的多能需求园区综合评价系统，通过面向历史时长内各个时段的电能、冷能和热能需求量和供应量进行分析，全面的获得了各种能量需求情况下的样本数据，从而基于这样的样本数据进行的分析计算，能够获得园区的低碳多能系统的更加全面、可靠的综合评价结果，更具有实际参考价值。通过对样本进行筛选，提高了样本价值，从而进一步提高了综合评价结果的可靠性，并且还提高了分析运算速度和效率，提高分析时效性。通过能量利用效率数学模型和低碳损失数学模型共同构成综合评价模型，提高了综合评价结果的实用性，更适于工程实际使用。
优选地，所述关键数据评判集获得装置包括：
距离排序单元，用于对所述数据评判集中的每个多能数据样本，分别计算其与其他各多能数据样本之间的欧式距离，将计算得到的各个欧式距离按从小到大的顺序进行排序，获得每个多能数据样本的欧氏距离有序队列；
候选数据评判集获得单元，用于从每个欧式距离有序队列中分别选出预设位置处的一个值，和选出与该值对应的多能数据样本，组成候选数据评判集，并按照该值从小到大的顺序，将对应的多能数据样本进行排序，获得该值最小的多能数据样本，作为第1个关键多能数据样本；优选地，预设位置处可根据实际需求进行设置；
关键多能数据样本获得单元，用于计算候选数据评判集中的每个样本分别与各个关键多能数据样本之间的欧氏距离，并选出所得欧氏距离中的最小距离；从每个样本对应的所述最小距离中选出最大值，将所述最大值对应的样本作为新增的关键多能数据样本；进行反复以计算得到更多个关键多能数据样本；
关键数据评判集获得单元，用于判断所获得的关键多能数据样本的个数是否达到预设个数，当达到时，获得由所有关键多能数据样本组成的关键数据评判集。优选地，预设个数可依据实际需求进行设置。通过依据欧氏距离进行样本的筛选，能够得到表现为能源需求量更多、更密集使用时段的样本，从而提高了样本价值，使得依据它进行分析评估所得的结果更加有效及可靠。并且通过降低样本数量，可以提高运算速度和效率，提高分析时效性。
优选地，园区多能系统的计价功能物质种类包括天然气、石油、电和水。
优选地，能量利用效率数学模型的公式为：
其中，η为能量利用效率，αe为电能需求量权重系数，αc为冷能需求量权重系数，αh为热能需求量权重系数，Qe(t)为电能需求量，Qc(t)为冷能需求量，Qh(t)为热能需求量，βg为天然气利用损耗率，βo为石油利用损耗率，βw为水利用损耗率，Wg为天然气对电的单价折算系数，Wo为石油对电的单价折算系数，Ww为水对电的单价折算系数，qg为天然气单位能量转换率，qo为石油单位能量转换率，qw为水单位能量转换率，qe为电单位能量转换率，Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量。优选地，各利用损耗率、单价折算系数、单位能量转换率均为预设常数。通过单价折算系数，在能量利用效率的计算中增加了经济因素影响的考虑，使得计算更符合实际情况。
优选地，电能需求量权重系数αe、冷能需求量权重系数αc、热能需求量权重系数αh可采用神经网络算法进行计算获得。首先利用训练数据评判集对神经网络模型进行训练，获得训练好的神经网络模型，模型输入为Qe(t)为电能需求量，Qc(t)为冷能需求量，Qh(t)为热能需求量，Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量，模型输出为电能需求量权重系数αe、冷能需求量权重系数αc、热能需求量权重系数αh；然后利用测试数据评判集对训练好的神经网络模型进行测试，获得测试好的神经网络模型，最终获得电能需求量权重系数αe、冷能需求量权重系数αc、热能需求量权重系数αh的值。优选地，神经网络模型包括一个输入层、若干个隐含层和一个输出层，例如隐含层为3层。
优选地，低碳损失数学模型的公式为：
其中，L为环境污染指标值，wi为第i种环境效应的权重系数，λij第j种污染物产生第i种环境效应的效果因子，ξj为天然气消耗致产生第j种污染物的排放系数，δj为石油消耗致产生第j种污染物的排放系数，κj为水消耗致产生第j种污染物的排放系数，γj为电消耗致产生第j种污染物的排放系数，Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量，m为污染物种类数量，n为环境效应种类数量。优选地，各效果因子、排放系数为预设常数。
优选地，第i种环境效应的权重系数wi可采用神经网络算法进行计算获得。首先利用训练数据评判集对神经网络模型进行训练，获得训练好的神经网络模型，模型输入为Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量，模型输出为第i种环境效应的权重系数wi；然后利用测试数据评判集对训练好的神经网络模型进行测试，获得测试好的神经网络模型，最终获得第i种环境效应的权重系数wi的值。
优选地，所述综合评价值获得装置包括：
综合评价计算单元，用于将所述关键多能数据数据评判集输入根据能量利用效率数学模型计算获得的能量利用效率的倒数和低碳损失数学模型计算获得的环境污染指标值构建的综合评价的数学模型进行计算，选出计算所得各能量利用效率的倒数和环境污染指标值中的最小值作为综合评价值。能量利用效率的值越大，表示园区多能系统越经济节能；环境污染指标值越小，表示园区多能系统越低碳环保。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种面向低碳经济运行的多能需求园区综合评价方法，其特征在于，包括以下步骤：
S1、获取园区历史时长内各个时段的电能需求量、冷能需求量和热能需求量，将每个时段的电能需求量、冷能需求量和热能需求量组成一个元素组合，作为一个多能数据样本，获得由所有多能数据样本构成的数据评判集；
S2、基于所述数据评判集进行筛选分析，获得关键数据评判集；
S3、根据园区多能系统的计价供能物质种类，分别构建能量利用效率数学模型和低碳损失数学模型，所述能量利用效率数学模型用于计算园区多能系统的能量利用效率，所述低碳损失数学模型用于计算园区多能系统的污染物排放量；
S4、基于所述关键数据评判集，利用所述能量利用效率数学模型和低碳损失数学模型，获得对园区低碳多能运行管理平台的综合评价值。
2.根据权利要求1所述的方法，其特征在于，所述S2的步骤包括：
S21、对所述数据评判集中的每个多能数据样本，分别计算其与其他各多能数据样本之间的欧式距离，将计算得到的各个欧式距离按从小到大的顺序进行排序，获得每个多能数据样本的欧氏距离有序队列；
S22、从每个欧式距离有序队列中分别选出预设位置处的一个值，和选出与该值对应的多能数据样本，组成候选数据评判集，并按照该值从小到大的顺序，将对应的多能数据样本进行排序，获得该值最小的多能数据样本，作为第1个关键多能数据样本；
S23、计算候选数据评判集中的每个样本分别与各个关键多能数据样本之间的欧氏距离，并选出所得欧氏距离中的最小距离；从每个样本对应的所述最小距离中选出最大值，将所述最大值对应的样本作为新增的关键多能数据样本；
S24、重复步骤S23，直至所获得的关键多能数据样本的个数为预设个数为止，获得由所有关键多能数据样本组成的关键数据评判集。
3.根据权利要求1所述的方法，其特征在于，所述园区多能系统的计价功能物质种类包括天然气、石油、电和水。
4.根据权利要求3所述的方法，其特征在于，所述能量利用效率数学模型的公式为：
其中，η为能量利用效率，αe为电能需求量权重系数，αc为冷能需求量权重系数，αh为热能需求量权重系数，Qe(t)为电能需求量，Qc(t)为冷能需求量，Qh(t)为热能需求量，βg为天然气利用损耗率，βo为石油利用损耗率，βw为水利用损耗率，Wg为天然气对电的单价折算系数，Wo为石油对电的单价折算系数，Ww为水对电的单价折算系数，qg为天然气单位能量转换率，qo为石油单位能量转换率，qw为水单位能量转换率，qe为电单位能量转换率，Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量。
5.根据权利要求3所述的方法，其特征在于，所述低碳损失数学模型的公式为：
其中，L为环境污染指标值，wi为第i种环境效应的权重系数，λij第j种污染物产生第i种环境效应的效果因子，ξj为天然气消耗致产生第j种污染物的排放系数，δj为石油消耗致产生第j种污染物的排放系数，κj为水消耗致产生第j种污染物的排放系数，γj为电消耗致产生第j种污染物的排放系数，Pg(t)为天然气消耗量，Po(t)为石油消耗量，Pw(t)为水消耗量，Pe(t)为电消耗量，m为污染物种类数量，n为环境效应种类数量。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述S4的步骤包括：
S41、将所述关键数据评判集输入根据能量利用效率数学模型计算获得的能量利用效率的倒数和低碳损失数学模型计算获得的环境污染指标值构建的综合评价的数学模型进行计算，选出计算所得各能量利用效率的倒数和环境污染指标值中的最小值作为综合评价值。
7.一种面向低碳经济运行的多能需求园区综合评价系统，其特征在于，包括：
多能需求量获取装置，用于获取园区历史时长内各个时段的电能需求量、冷能需求量和热能需求量，将每个时段的电能需求量、冷能需求量和热能需求量组成一个元素组合，作为一个多能数据样本，获得由所有多能数据样本构成的数据评判集；
关键数据评判集获得装置，用于基于所述数据评判集进行筛选分析，获得关键数据评判集；
数学模型构建装置，用于根据园区多能系统的计价供能物质种类，分别构建能量利用效率数学模型和低碳损失数学模型，所述能量利用效率数学模型用于计算园区多能系统的能量利用效率，所述低碳损失数学模型用于计算园区多能系统的污染物排放量；
综合评价值获得装置，用于基于所述关键数据评判集，利用所述能量利用效率数学模型和低碳损失数学模型，获得对园区低碳多能运行管理平台的综合评价值。
8.根据权利要求7所述的系统，其特征在于，所述关键数据评判集获得装置包括：
距离排序单元，用于对所述数据评判集中的每个多能数据样本，分别计算其与其他各多能数据样本之间的欧式距离，将计算得到的各个欧式距离按从小到大的顺序进行排序，获得每个多能数据样本的欧氏距离有序队列；
候选数据评判集获得单元，用于从每个欧式距离有序队列中分别选出预设位置处的一个值，和选出与该值对应的多能数据样本，组成候选数据评判集，并按照该值从小到大的顺序，将对应的多能数据样本进行排序，获得该值最小的多能数据样本，作为第1个关键多能数据样本；
关键多能数据样本获得单元，用于计算候选数据评判集中的每个样本分别与各个关键多能数据样本之间的欧氏距离，并选出所得欧氏距离中的最小距离；从每个样本对应的所述最小距离中选出最大值，将所述最大值对应的样本作为新增的关键多能数据样本；进行反复以计算得到更多个关键多能数据样本；
关键数据评判集获得单元，用于判断所获得的关键多能数据样本的个数是否达到预设个数，当达到时，获得由所有关键多能数据样本组成的关键数据评判集。
9.根据权利要求7或8所述的系统，其特征在于，所述综合评价值获得装置包括：
综合评价计算单元，用于将所述关键数据评判集输入根据能量利用效率数学模型计算获得的能量利用效率的倒数和低碳损失数学模型计算获得的环境污染指标值构建的综合评价的数学模型进行计算，选出计算所得各能量利用效率的倒数和环境污染指标值中的最小值作为综合评价值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111569568.1A CN114239292B (zh) | 2021-12-21 | 2021-12-21 | 面向低碳经济运行的多能需求园区综合评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111569568.1A CN114239292B (zh) | 2021-12-21 | 2021-12-21 | 面向低碳经济运行的多能需求园区综合评价方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114239292A CN114239292A (zh) | 2022-03-25 |
| CN114239292B true CN114239292B (zh) | 2022-05-31 |
Family
ID=80760075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111569568.1A Active CN114239292B (zh) | 2021-12-21 | 2021-12-21 | 面向低碳经济运行的多能需求园区综合评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114239292B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115044394B (zh) * | 2022-05-25 | 2023-06-16 | 华中科技大学 | 一种低质生物质气化合成低碳醇的能效估计方法、系统 |
| CN114722329B (zh) * | 2022-06-10 | 2022-08-26 | 国网智能电网研究院有限公司 | 电动汽车碳减排量核算方法、装置及电子设备 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967560A (zh) * | 2017-11-24 | 2018-04-27 | 清华-伯克利深圳学院筹备办公室 | 多能互补分布式能源系统的评价方法、装置、设备和介质 |
| CN108416697A (zh) * | 2018-03-01 | 2018-08-17 | 国网上海市电力公司 | 一种多能源互补的分布式能源站优化运行评价指标体系构建方法 |
| CN109345012A (zh) * | 2018-08-29 | 2019-02-15 | 华南理工大学 | 基于综合评价指标的园区能源互联网运行优化方法 |
| CN110147568A (zh) * | 2019-04-04 | 2019-08-20 | 清华大学 | 综合能源系统能效评估方法及装置 |
| CN110298556A (zh) * | 2019-06-06 | 2019-10-01 | 天津大学 | 一种基于能量价值的多能协同园区能源利用效率控制方法 |
| CN111030094A (zh) * | 2019-12-05 | 2020-04-17 | 广东电网有限责任公司 | 一种多能互补园区供能可靠性评估方法 |
| CN111967776A (zh) * | 2020-08-19 | 2020-11-20 | 国网河南省电力公司经济技术研究院 | 一种园区综合能源系统运营价值链的评估方法 |
| CN111985702A (zh) * | 2020-08-10 | 2020-11-24 | 华北电力大学 | 一种计及电能替代效果的园区级综合能源系统优化方法 |
| CN112580927A (zh) * | 2020-11-18 | 2021-03-30 | 国网浙江省电力有限公司台州供电公司 | 一种基于物联网的工商业园区综合能效评估方法 |
| CN113033900A (zh) * | 2021-03-30 | 2021-06-25 | 中国电力科学研究院有限公司 | 一种园区级综合能源系统容量优化配置方法和系统 |
| CN113516269A (zh) * | 2020-04-10 | 2021-10-19 | 中国电力科学研究院有限公司 | 一种多能互补能源枢纽设备的管理方法 |
| CN113554296A (zh) * | 2021-07-16 | 2021-10-26 | 国网江苏省电力有限公司经济技术研究院 | 园区综合能源系统规划的多指标评价方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130132148A1 (en) * | 2011-11-07 | 2013-05-23 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method for multi-objective quality-driven service selection |
| CN111275240B (zh) * | 2019-12-27 | 2023-06-09 | 华北电力大学 | 一种基于多能耦合场景下的负荷预测方法 |
-
2021
- 2021-12-21 CN CN202111569568.1A patent/CN114239292B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967560A (zh) * | 2017-11-24 | 2018-04-27 | 清华-伯克利深圳学院筹备办公室 | 多能互补分布式能源系统的评价方法、装置、设备和介质 |
| CN108416697A (zh) * | 2018-03-01 | 2018-08-17 | 国网上海市电力公司 | 一种多能源互补的分布式能源站优化运行评价指标体系构建方法 |
| CN109345012A (zh) * | 2018-08-29 | 2019-02-15 | 华南理工大学 | 基于综合评价指标的园区能源互联网运行优化方法 |
| CN110147568A (zh) * | 2019-04-04 | 2019-08-20 | 清华大学 | 综合能源系统能效评估方法及装置 |
| CN110298556A (zh) * | 2019-06-06 | 2019-10-01 | 天津大学 | 一种基于能量价值的多能协同园区能源利用效率控制方法 |
| CN111030094A (zh) * | 2019-12-05 | 2020-04-17 | 广东电网有限责任公司 | 一种多能互补园区供能可靠性评估方法 |
| CN113516269A (zh) * | 2020-04-10 | 2021-10-19 | 中国电力科学研究院有限公司 | 一种多能互补能源枢纽设备的管理方法 |
| CN111985702A (zh) * | 2020-08-10 | 2020-11-24 | 华北电力大学 | 一种计及电能替代效果的园区级综合能源系统优化方法 |
| CN111967776A (zh) * | 2020-08-19 | 2020-11-20 | 国网河南省电力公司经济技术研究院 | 一种园区综合能源系统运营价值链的评估方法 |
| CN112580927A (zh) * | 2020-11-18 | 2021-03-30 | 国网浙江省电力有限公司台州供电公司 | 一种基于物联网的工商业园区综合能效评估方法 |
| CN113033900A (zh) * | 2021-03-30 | 2021-06-25 | 中国电力科学研究院有限公司 | 一种园区级综合能源系统容量优化配置方法和系统 |
| CN113554296A (zh) * | 2021-07-16 | 2021-10-26 | 国网江苏省电力有限公司经济技术研究院 | 园区综合能源系统规划的多指标评价方法 |
Non-Patent Citations (11)
| Title |
|---|
| 刘晓鸥等.区域综合能源系统的能效定义及其相关性分析.《电力系统自动化》.2020,(第08期), * |
| 周鹏程等.面向智慧城市的多能源系统供需特性分析及综合效益评估.《山东电力技术》.2019,(第11期), * |
| 姬嘉琳等.工业园区能量梯级利用节能减排效益分析及其对城市空气质量影响评估.《环境科学学报》.2020,(第05期), * |
| 张世翔等.面向园区微电网的综合能源系统评价方法.《电网技术》.2018,(第08期), * |
| 张宁等.综合能源系统规划方法与工具.《电气时代》.2020,(第08期), * |
| 李顺昕等.城市能源战略发展指标评价体系研究.《中国工程科学》.2018,(第03期), * |
| 杨永标等.小型能源互联网多源优化综合评估技术研究.《电器与能效管理技术》.2017,(第08期), * |
| 臧宝志等.考虑环保与可靠性成本的园区综合能源系统经济运行技术.《分布式能源》.2020,(第04期), * |
| 赵鹏翔等.面向园区综合能源系统的评价方法.《电源技术》.2020,(第09期), * |
| 钟依庐等.适于工业园区综合能源类项目的综合评价指标体系.《电力需求侧管理》.2020,(第03期), * |
| 韩宇等.多能协同综合能源系统协调控制关键技术研究现状与展望.《电力建设》.2018,(第12期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114239292A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919370B (zh) | 一种电力负荷预测方法及预测装置 | |
| CN114239292B (zh) | 面向低碳经济运行的多能需求园区综合评价方法及系统 | |
| Madhukumar et al. | Regression model-based short-term load forecasting for university campus load | |
| Xiao et al. | Impacts of data preprocessing and selection on energy consumption prediction model of HVAC systems based on deep learning | |
| CN110222882A (zh) | 一种电力系统中长期负荷的预测方法和装置 | |
| CN102057396A (zh) | 用于节能减排的方法和装置 | |
| CN109389238B (zh) | 一种基于岭回归的短期负荷预测方法及装置 | |
| Toubeau et al. | Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices | |
| CN106779219A (zh) | 一种用电量预测方法及系统 | |
| CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
| CN109492818A (zh) | 基于能源发展与Shapley值赋权的用电量预测方法 | |
| Alanbar et al. | Energy Consumption Prediction Using Deep Learning Technique | |
| CN115471362A (zh) | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 | |
| CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
| CN105303268A (zh) | 基于相似度理论的风力发电输出功率预测方法 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
| Heydari et al. | Mid-term load power forecasting considering environment emission using a hybrid intelligent approach | |
| Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
| CN110414776B (zh) | 分行业用电特性快速响应分析系统 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
| CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 |
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 |