CN114819058A - 一种基于实时能耗数据的企业综合碳排测算方法 - Google Patents
一种基于实时能耗数据的企业综合碳排测算方法 Download PDFInfo
- Publication number
- CN114819058A CN114819058A CN202210311094.9A CN202210311094A CN114819058A CN 114819058 A CN114819058 A CN 114819058A CN 202210311094 A CN202210311094 A CN 202210311094A CN 114819058 A CN114819058 A CN 114819058A
- Authority
- CN
- China
- Prior art keywords
- data
- carbon emission
- enterprise
- energy consumption
- consumption data
- 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
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 108
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 101
- 238000005265 energy consumption Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000005259 measurement Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 22
- 238000000513 principal component analysis Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010835 comparative analysis Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- -1 heat Substances 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 5
- 238000006386 neutralization reaction Methods 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于实时能耗数据的企业综合碳排测算方法,采集基础能耗数据、绿色新能源数据以及非能耗数据,使得数据来源丰富,进行补偿来达到反向校正,进一步修正企业碳排测算结果,实现了对企业多元用能数据的分析,搭建深度学习分类模型,并结合反向校正测算结果的方式,实现企业综合碳排总量的合理、精准测算;对高碳排、超碳排企业实现降耗预警,改变企业用能行为,指导企业精准碳降,引导其升级转型具有重大实质性意义,从而保证了地区宏观碳排总量运行在合理区间。
Description
技术领域
本发明属于企业碳排放测算技术领域,尤其涉及一种基于实时能耗数据的企业综合碳排测算方法。
背景技术
当前,中国已经明确提出实现碳中和的时间点,二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和;国家电网公司发也布碳达峰碳中和行动方案,提出加快构建清洁低碳、安全高效能源体系,持续推进碳减排,明确了推动能源电力转型主要实践、研究路径以及行动方案,从多方助力碳达峰、碳中和的实现。但现有的企业碳排放测算技术存在的客观缺点在于:1)测算所用数据仅为数据样本,数据的规模小、实效性差、可靠性低、精准度难以保证,影响最终测算结果;2)数据来源仅包含基础能耗数据,缺少其他非能耗数据,数据来源较为单一;3)目前的测算方法不能实现针对企业本身特点,实现个性化精准测算,无法指导管理部门进行科学、合理、有针对性的碳管控策略。因此,设计一种采集规模完善,数据来源丰富,贴合企业特点的基于实时能耗数据的企业综合碳排测算方法成为了急需解决的技术问题。
发明内容
本发明为解决上述问题,提供了一种基于实时能耗数据的企业综合碳排测算方法。
本发明的技术方案,一种基于实时能耗数据的企业综合碳排测算方法,包括以下测算步骤,第一步,以企业为单位实时采集企业碳排测算数据,该企业碳排测算数据包括基础能耗数据、绿色新能源数据以及非能耗数据;第二步,对基础能耗数据进行初步预处理;第三步,通过大数据工具对基础能耗数据进行数据预处理;第四步,使用CNN(卷积神经网络)分类模型对基础能耗数据进行分类,得到分类结果;第五步,对分类结果进行异常分析排查,将结果不理想或明显偏离历史值的数据筛选导出;第六步,对企业进行编号,并与分类结果对应后建立碳排数据库;第七步,通过绿色新能源数据以及非能耗数据对基础能耗数据进行反向校正;第八步,将碳排数据库中数据作为企业综合碳排测算结果进行导出。
采用上述方法后,通过在分类模型中输入的所有企业数据集均为实时采集,数据规模和时效性得以保证,而企业碳排的测算又多以用电数据为主,其他多元用能数据为辅的形式,达到企业综合碳排的精准测算;通过使用CNN(卷积神经网络)分类模型,能最大程度的保留数据重要特征之间的关联性,可精准实现综合碳排的计算分类;通过采集基础能耗数据、绿色新能源数据以及非能耗数据,使得数据来源丰富,绿色新能源数据以及非能耗数据对基础能耗数据进行补偿来达到反向校正,进一步修正企业碳排测算结果;通过企业编号后与分类结果对应建立碳排数据库,实现一企一数据一方法,有助于抓住企业特点,更具针对性的精准测算企业碳排,指导政府部门落实相关政策;实现了对企业多元用能数据的分析,搭建深度学习分类模型,并结合反向校正测算结果的方式,实现企业综合碳排总量的合理、精准测算;对高碳排、超碳排企业实现降耗预警,改变企业用能行为,指导企业精准碳降,引导其升级转型具有重大实质性意义,从而保证了地区宏观碳排总量运行在合理区间。
作为本发明的进一步改进,所述基础能耗数据包括企业用电数据以及综合用能数据,所述企业用电数据通过检测变压器低压侧进行采集,包括企业产线用电实时数据;所述综合用能数据包括企业用水、用气、用热、用油以及用煤的数据;所述绿色新能源数据采集水电、光伏、储能以及充电桩的新能源站点信息生成绿色新能源站点清单,该绿色新能源站点清单包括绿色新能源站点的名称、电压等级、装机容量、含电量以及地址;所述非能耗数据包括不可控能耗、相关环节耗能以及其他数据,所述不可控能耗包括企业在生产过程以及制冷过程中直接排放到大气的气体消耗数据;所述相关环节耗能包括企业原材料投入、废弃物、物流、差旅以及员工通勤的消耗数据,所述其他数据包括企业在交通、住建以及经信领域的消耗数据。
采用上述方法后,通过基础能耗数据、绿色新能源数据以及非能耗数据涉及能源、工业、建筑、交通、居民生活等多个领域,涵盖企业能源消费量、新能源项目、用地、产值等相关数据,使企业碳排测算数据规模大,可靠性高,保证企业综合碳排总量的全面测算。
作为本发明的进一步改进,所述数据预处理包括人工修改处理、数据归一化处理以及数据降维,所述人工修改处理的对象包括多用电户名数据、缺失数据以及离群数据,所述多用电户名数据包括企业存在多户名、多条记录的数据,所述数据归一化处理对数据进行线性变换,使结果值映射到[0-1]之间;所述数据降维利用PCA(主成分分析)算法进行降维。
采用上述方法后,通过数据预处理提高基础能耗数据的质量,通过归一化处理将数量级、大小方面的不同的基础能耗数据映射到相同的数值区间内,便于对不同企业的数据进行比较,通过PCA(主成分分析)算法找出基础能耗数据的主要特征进行分析,同时保留尽可能多的数据特征,使得数据更容易进行分类。
其中x(k)为人工神经网络的数据神经元,E[x(k)]是每一批训练数据神经元x(k)的平均值,Var[x(k)]是每一批数据神经元x(k)的激活度。
采用上述方法后,通过BatchNormalization函数进行归一化处理,可以降低权重初始化的值的分布的影响,使得网络很好的收敛;还可以加快收敛速度,降低计算复杂性,提高计算速度,提高最后的数据输出准确率,增加测算结果可靠性。
作为本发明的进一步改进,所述PCA(主成分分析)算法的降维步骤包括,第1步,将企业碳排测算数据按列组成矩阵X;第2步,将矩阵X的每一行进行零均值化,第3步,计算得到矩阵X的协方差矩阵C;第4步,计算得出协方差矩阵C的特征值及对应的特征向量;第5步,特征向量按对应特征值大小从上到下按行排列成新矩阵,取前k行组成矩阵P;第6步,矩阵P为矩阵X降维到k维后的数据。
采用上述方法后,通过PCA(主成分分析)算法对归一化处理之后的高维数据进行降维,可以实现在压缩数据维度的同时,保留更多数据特征,防止过拟合现象和维数灾难的出现。
作为本发明的进一步改进,还包括企业碳排放展示平台,该企业碳排放展示平台设有企业碳排评价模块,所述企业碳排评价模块将企业综合碳排测算结果与国家相关的企业碳排放标准进行比较评价,所述比较评价包括高碳排、低碳排以及正常碳排。
采用上述方法后,通过建立企业碳排放展示平台,便于对企业碳排放进行可视化监管预警,同时便于企业依据比较评价直观了解自身碳排情况,有助于引导企业降低碳排放量。
具体实施方式
一种基于实时能耗数据的企业综合碳排测算方法,包括以下测算步骤,第一步,以企业为单位实时采集企业碳排测算数据,该企业碳排测算数据包括基础能耗数据、绿色新能源数据以及非能耗数据;第二步,对基础能耗数据进行初步预处理;第三步,通过大数据工具对基础能耗数据进行数据预处理;第四步,使用CNN(卷积神经网络)分类模型对基础能耗数据进行分类,得到分类结果;第五步,对分类结果进行异常分析排查,将结果不理想或明显偏离历史值的数据筛选导出;第六步,对企业进行编号,并与分类结果对应后建立碳排数据库;第七步,通过绿色新能源数据以及非能耗数据对基础能耗数据进行反向校正;第八步,将碳排数据库中数据作为企业综合碳排测算结果进行导出。
通过在分类模型中输入的所有企业数据集均为实时采集,数据规模和时效性得以保证,而企业碳排的测算又多以用电数据为主,其他多元用能数据为辅的形式,达到企业综合碳排的精准测算;通过使用CNN(卷积神经网络)分类模型,能最大程度的保留数据重要特征之间的关联性,可精准实现综合碳排的计算分类;通过采集基础能耗数据、绿色新能源数据以及非能耗数据,使得数据来源丰富,绿色新能源数据以及非能耗数据对基础能耗数据进行补偿来达到反向校正,进一步修正企业碳排测算结果;通过企业编号后与分类结果对应建立碳排数据库,实现一企一数据一方法,有助于抓住企业特点,更具针对性的精准测算企业碳排,指导政府部门落实相关政策;实现了对企业多元用能数据的分析,搭建深度学习分类模型,并结合反向校正测算结果的方式,实现企业综合碳排总量的合理、精准测算;对高碳排、超碳排企业实现降耗预警,改变企业用能行为,指导企业精准碳降,引导其升级转型具有重大实质性意义,从而保证了地区宏观碳排总量运行在合理区间。
所述基础能耗数据包括企业用电数据以及综合用能数据,所述企业用电数据通过检测变压器低压侧进行采集,包括企业产线用电实时数据;所述综合用能数据包括企业用水、用气、用热、用油以及用煤的数据;所述绿色新能源数据采集水电、光伏、储能以及充电桩的新能源站点信息生成绿色新能源站点清单,该绿色新能源站点清单包括绿色新能源站点的名称、电压等级、装机容量、含电量以及地址;所述非能耗数据包括不可控能耗、相关环节耗能以及其他数据,所述不可控能耗包括企业在生产过程以及制冷过程中直接排放到大气的气体消耗数据;所述相关环节耗能包括企业原材料投入、废弃物、物流、差旅以及员工通勤的消耗数据,所述其他数据包括企业在交通、住建以及经信领域的消耗数据。
通过基础能耗数据、绿色新能源数据以及非能耗数据涉及能源、工业、建筑、交通、居民生活等多个领域,涵盖企业能源消费量、新能源项目、用地、产值等相关数据,使企业碳排测算数据规模大,可靠性高,保证企业综合碳排总量的全面测算。
所述数据预处理包括人工修改处理、数据归一化处理以及数据降维,所述人工修改处理的对象包括多用电户名数据、缺失数据以及离群数据,所述多用电户名数据包括企业存在多户名、多条记录的数据,所述数据归一化处理对数据进行线性变换,使结果值映射到[0-1]之间;所述数据降维利用PCA(主成分分析)算法进行降维。
通过数据预处理提高基础能耗数据的质量,通过归一化处理将数量级、大小方面的不同的基础能耗数据映射到相同的数值区间内,便于对不同企业的数据进行比较,通过PCA(主成分分析)算法找出基础能耗数据的主要特征进行分析,同时保留尽可能多的数据特征,使得数据更容易进行分类。
所述数据归一化处理利用建立人工神经网络,
其中x(k)为人工神经网络的数据神经元,E[x(k)]是每一批训练数据神经元x(k)的平均值,Var[x(k)]是每一批数据神经元x(k)的激活度。
通过BatchNormalization函数进行归一化处理,可以降低权重初始化的值的分布的影响,使得网络很好的收敛;还可以加快收敛速度,降低计算复杂性,提高计算速度,提高最后的数据输出准确率,增加测算结果可靠性。
所述PCA(主成分分析)算法的降维步骤包括,第1步,将企业碳排测算数据按列组成矩阵X;第2步,将矩阵X的每一行进行零均值化,第3步,计算得到矩阵X的协方差矩阵C;第4步,计算得出协方差矩阵C的特征值及对应的特征向量;第5步,特征向量按对应特征值大小从上到下按行排列成新矩阵,取前k行组成矩阵P;第6步,矩阵P为矩阵X降维到k维后的数据。
通过PCA(主成分分析)算法对归一化处理之后的高维数据进行降维,可以实现在压缩数据维度的同时,保留更多数据特征,防止过拟合现象和维数灾难的出现。
还包括企业碳排放展示平台,该企业碳排放展示平台设有企业碳排评价模块,所述企业碳排评价模块将企业综合碳排测算结果与国家相关的企业碳排放标准进行比较评价,所述比较评价包括高碳排、低碳排以及正常碳排。
通过建立企业碳排放展示平台,便于对企业碳排放进行可视化监管预警,同时便于企业依据比较评价直观了解自身碳排情况,有助于引导企业降低碳排放量。
Claims (6)
1.一种基于实时能耗数据的企业综合碳排测算方法,其特征在于:包括以下测算步骤,第一步,以企业为单位实时采集企业碳排测算数据,该企业碳排测算数据包括基础能耗数据、绿色新能源数据以及非能耗数据;第二步,对基础能耗数据进行初步预处理;第三步,通过大数据工具对基础能耗数据进行数据预处理;第四步,使用CNN(卷积神经网络)分类模型对基础能耗数据进行分类,得到分类结果;第五步,对分类结果进行异常分析排查,将结果不理想或明显偏离历史值的数据筛选导出;第六步,对企业进行编号,并与分类结果对应后建立碳排数据库;第七步,通过绿色新能源数据以及非能耗数据对基础能耗数据进行反向校正;第八步,将碳排数据库中数据作为企业综合碳排测算结果进行导出。
2.根据权利要求1所述一种基于实时能耗数据的企业综合碳排测算方法,其特征在于:所述基础能耗数据包括企业用电数据以及综合用能数据,所述企业用电数据通过检测变压器低压侧进行采集,包括企业产线用电实时数据;所述综合用能数据包括企业用水、用气、用热、用油以及用煤的数据;所述绿色新能源数据采集水电、光伏、储能以及充电桩的新能源站点信息生成绿色新能源站点清单,该绿色新能源站点清单包括绿色新能源站点的名称、电压等级、装机容量、含电量以及地址;所述非能耗数据包括不可控能耗、相关环节耗能以及其他数据,所述不可控能耗包括企业在生产过程以及制冷过程中直接排放到大气的气体消耗数据;所述相关环节耗能包括企业原材料投入、废弃物、物流、差旅以及员工通勤的消耗数据,所述其他数据包括企业在交通、住建以及经信领域的消耗数据。
3.根据权利要求1所述一种基于实时能耗数据的企业综合碳排测算方法,其特征在于:所述数据预处理包括人工修改处理、数据归一化处理以及数据降维,所述人工修改处理的对象包括多用电户名数据、缺失数据以及离群数据,所述多用电户名数据包括企业存在多户名、多条记录的数据,所述数据归一化处理对数据进行线性变换,使结果值映射到[0-1]之间;所述数据降维利用PCA(主成分分析)算法进行降维。
5.根据权利要求4所述一种基于实时能耗数据的企业综合碳排测算方法,其特征在于:所述PCA(主成分分析)算法的降维步骤包括,第1步,将企业碳排测算数据按列组成矩阵X;第2步,将矩阵X的每一行进行零均值化,第3步,计算得到矩阵X的协方差矩阵C;第4步,计算得出协方差矩阵C的特征值及对应的特征向量;第5步,特征向量按对应特征值大小从上到下按行排列成新矩阵,取前k行组成矩阵P;第6步,矩阵P为矩阵X降维到k维后的数据。
6.根据权利要求4所述一种基于实时能耗数据的企业综合碳排测算方法,其特征在于:还包括企业碳排放展示平台,该企业碳排放展示平台设有企业碳排评价模块,所述企业碳排评价模块将企业综合碳排测算结果与国家相关的企业碳排放标准进行比较评价,所述比较评价包括高碳排、低碳排以及正常碳排。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210311094.9A CN114819058A (zh) | 2022-03-28 | 2022-03-28 | 一种基于实时能耗数据的企业综合碳排测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210311094.9A CN114819058A (zh) | 2022-03-28 | 2022-03-28 | 一种基于实时能耗数据的企业综合碳排测算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819058A true CN114819058A (zh) | 2022-07-29 |
Family
ID=82531679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210311094.9A Pending CN114819058A (zh) | 2022-03-28 | 2022-03-28 | 一种基于实时能耗数据的企业综合碳排测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819058A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307066A (zh) * | 2023-01-09 | 2023-06-23 | 中国科学院空天信息创新研究院 | 一种低碳园区态势综合分析方法与系统 |
CN117494063A (zh) * | 2023-09-08 | 2024-02-02 | 国网江苏省电力有限公司仪征市供电分公司 | 新型电力系统下企业碳排放监测方法、系统、终端及介质 |
-
2022
- 2022-03-28 CN CN202210311094.9A patent/CN114819058A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307066A (zh) * | 2023-01-09 | 2023-06-23 | 中国科学院空天信息创新研究院 | 一种低碳园区态势综合分析方法与系统 |
CN117494063A (zh) * | 2023-09-08 | 2024-02-02 | 国网江苏省电力有限公司仪征市供电分公司 | 新型电力系统下企业碳排放监测方法、系统、终端及介质 |
CN117494063B (zh) * | 2023-09-08 | 2024-06-07 | 国网江苏省电力有限公司仪征市供电分公司 | 新型电力系统下企业碳排放监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114819058A (zh) | 一种基于实时能耗数据的企业综合碳排测算方法 | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN107910863B (zh) | 综合考虑光伏出力和负荷需求预测区间的配电网调度方法 | |
CN109902874A (zh) | 一种基于深度学习的微电网光伏发电短期预测方法 | |
CN101728868B (zh) | 遥测电力负荷特性的分类和预测方法 | |
CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
CN109784582B (zh) | 一种区域经济部门配水均衡方法及系统 | |
CN104573947A (zh) | 区域智能配电网低压台区综合评价方法 | |
CN111880044B (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN110059891A (zh) | 一种基于vmd-svm-wsa-gm组合模型的光伏电站输出功率预测方法 | |
CN105303268A (zh) | 基于相似度理论的风力发电输出功率预测方法 | |
CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
CN116187836A (zh) | 一种电力物资质量评价及抽检方法 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
CN113505909B (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN112307675B (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 | |
CN112330089B (zh) | 装备制造类企业的综合能效监测方法及监测系统 | |
CN103279894A (zh) | 企业用户的电力能效Hopfield神经网络评估方法及系统 | |
Qiu et al. | Comprehensive evaluation of power quality based on improved TOPSIS-RSR method | |
CN106384307A (zh) | 一种县域配电网规划差异化评估方法 | |
Zeng et al. | Diagnosis System for Alumina Reduction Based on BP Neural Network. | |
Jun-Ma et al. | Photovoltaic power generation prediction based on MEA-BP neural network | |
CN111428780B (zh) | 基于数据驱动的电网异常运行状态识别方法 |
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 |