CN114912700A - 一种工厂车间电力能耗的评估方法及其系统 - Google Patents
一种工厂车间电力能耗的评估方法及其系统 Download PDFInfo
- Publication number
- CN114912700A CN114912700A CN202210588395.6A CN202210588395A CN114912700A CN 114912700 A CN114912700 A CN 114912700A CN 202210588395 A CN202210588395 A CN 202210588395A CN 114912700 A CN114912700 A CN 114912700A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- month
- fitting coefficient
- predicted
- months
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 12
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 10
- 229910052799 carbon Inorganic materials 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
-
- 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
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- G06F2111/04—Constraint-based CAD
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种工厂车间电力能耗的评估方法及其系统，包括：采集工厂车间在历史时间段中月份的能耗数据样本；采用预设神经网络对历史月份与能耗数据样本的映射集合进行深度学习，得到能耗初始模型；将月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束，计算所述能耗初始模型的能耗预测值与实际能耗值的拟合系数，根据拟合系数更新目标约束准则，直至拟合系数满足预设的收敛条件时，得到能耗指标模型；根据待预测月份前预定月数的生产计划表，获取待预测各月份的产量、产品工序和能耗设备负荷特性；将待预测各月份的产量、产品工序和能耗设备负荷特性输入所述能耗指标模型，确定工厂车间在预定月数内的预测总电力负荷。
Description
技术领域
本发明属于能耗评估诊断技术领域，特别是涉及一种工厂车间电力能耗的评估方法及其系统。
背景技术
目前，电力行业是我国能源消耗和污染排放的主要行业之一。在工业化的快速发展过程中，我国的电力需求规模也随之扩大，此过程带来的能源消耗和环境污染等问题也日益突出。当前的企业能耗监督、管理过程中，由于企业能耗信息上报存在一定的滞后，无法及时获取下一年度的企业各月能耗总体情况，为了应对这一问题，需要进行企业能耗的阶段性预测方法研究。在当前节能减排的政策下，及时准确的企业能耗预测有利于优化电力行业结构和资源配置，对能耗监管方面有重要意义。
目前，单个预测模型在企业能耗预测领域应用较为广泛，但是单个预测模型的鲁棒性不强，无法取得较好的预测效果。虽然，集成学习方法在企业能耗预测中也得到了应用，但是由于企业能耗数据具有较强的随机性和波动性，因此预测精度仍有待提升。
发明内容
基于此，针对现有技术的不足，本发明的第一个目的在于提供一种工厂车间电力能耗的评估方法。
为达到上述目的，本发明采用的技术方案是：
一种工厂车间电力能耗的评估方法，包括：采集工厂车间在历史时间段中月份的能耗数据样本；采用预设神经网络对历史月份与能耗数据样本的映射集合进行深度学习，得到能耗初始模型；将月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束，计算所述能耗初始模型的能耗预测值与实际能耗值的拟合系数，根据拟合系数更新目标约束准则，直至拟合系数满足预设的收敛条件时，得到能耗指标模型；根据待预测月份前预定月数的生产计划表，获取待预测各月份的产量、产品工序和能耗设备负荷特性；将待预测各月份的产量、产品工序和能耗设备负荷特性输入所述能耗指标模型，确定工厂车间在预定月数内的预测总电力负荷。
较佳地，所述将月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束，计算所述能耗初始模型的能耗预测值与实际能耗值的拟合系数，根据拟合系数更新目标约束准则，直至拟合系数满足预设的收敛条件时，得到能耗指标模型，包括：
采用历史时间段中各月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束；获取历史时间段内各月份的实际能耗样本数据和所述能耗初始模型预测不同月份对应的所述能耗指标模型的能耗预测样本数据；计算实际能耗样本数据与能耗预测样本数据的拟合系数，根据拟合系数更新目标约束准则；直到拟合系数满足预设的约束终止条件，此时的目标约束准则作为能耗初始模型的收敛学习结果。
较佳地，所述拟合系数满足预设的约束条件为拟合系数R2大于0.8，其拟合系数的函数如下：
其中，n为月份数量，yi为真实值，
为预测值，
为实际能耗值的均值。
较佳地，所述将待预测各月份的产量、产品工序和能耗设备负荷特性输入所述能耗指标模型，确定工厂车间在预定月数内的预测总电力负荷之后，还包括：
将所述预测总电力负荷转换为碳排放量，获得工厂车间总体碳排放量；若工厂车间总体碳排放量大于期望需求，拟合各个能耗设备在所述预设未来时间段内的效能函数；调整产品工序，优化各个能耗设备对应的电力负荷。
本发明的第二个目的在于提供一种用于实现前述评估方法的工厂车间电力能耗的评估系统，所述评估系统包括：
历史能耗采集模块，用于采集工厂车间在历史时间段中月份的能耗数据样本；
能耗初始模型构建模块，用于采用预设神经网络对历史月份与能耗数据样本的映射集合进行深度学习，得到能耗初始模型；
能耗指标模型生成模块，用于将月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束，计算所述能耗初始模型的能耗预测值与实际能耗值的拟合系数，根据拟合系数更新目标约束准则，直至拟合系数满足预设的收敛条件时，得到能耗指标模型；
评估参数获取模块，用于根据待预测月份前预定月数的生产计划表，获取待预测各月份的产量、产品工序和能耗设备负荷特性；
电力负荷评估模块，用于将待预测各月份的产量、产品工序和能耗设备负荷特性输入所述能耗指标模型，确定工厂车间在预定月数内的预测总电力负荷。
可选地，所述能耗指标模型生成模块包括：
约束准则子模块，用于采用历史时间段中各月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束；
能耗预测与实际能耗样本数据子模块，用于获取历史时间段内各月份的实际能耗样本数据和所述能耗初始模型预测不同月份对应的所述能耗指标模型的能耗预测样本数据；
约束更新子模块，用于计算实际能耗样本数据与能耗预测样本数据的拟合系数，根据拟合系数更新目标约束准则；目标约束生成模块，用于直到拟合系数满足预设的约束终止条件，此时的目标约束准则作为能耗初始模型的收敛学习结果。
由于采用了上述技术方案，本发明获得的有益效果包括：本发明能够考虑企业能耗数据具有较强的随机性和波动性，把各种可控电力耗能因素进行分析，对工厂车间待测月份的能耗进行合理评估，使得计算得到的电力能耗更加准确、客观、真实，因而更加具有评估价值。同时可以帮助用户了解电力资源的供求关系，调整产品工序，优化各个能耗设备对应的电力负荷。减少能源浪费，从而促进企业生产符合碳达峰要求。
附图说明
图1为本发明的流程步骤图。
具体实施方式
以下结合附图及实施例对本发明作进一步的说明。
<一种工厂车间电力能耗的评估方法>
请参阅图1，一种工厂车间电力能耗的评估方法，包括：
S1、采集工厂车间在历史时间段中月份的能耗数据样本；
具体的，获取工厂车间历史时间段中每月份的基本负荷及生产负荷，其中，基本负荷及生产负荷分别为工业设备待机状态、工业设备生产状态，即非生产时间段电力负荷和生产时间段的电力负荷，将基本负荷和生产负荷之和作为能耗样本，建立历史月份与能耗数据样本的映射集合数据库。
S2、采用预设神经网络对历史月份与能耗数据样本的映射集合进行深度学习，得到能耗初始模型；
具体的，通过神经网络对历史月份与能耗数据样本的映射集合进行深度学习，识别出可测状态变量与输出量之间的非线性映射关系，以形成能耗初始模型。
S3、将月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束，计算所述能耗初始模型的能耗预测值与实际能耗值的拟合系数，根据拟合系数更新目标约束准则，直至拟合系数满足预设的收敛条件时，得到能耗指标模型；
具体的，考虑可测状态变量中波动因素，将月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束，计算所述能耗初始模型的能耗预测值与实际能耗值的拟合系数，根据拟合系数更新可测状态变量与输出量之间的非线性映射关系，直至拟合系数满足预设的收敛条件时，即确定非线性映射关系，得到能耗指标模型；
S4、根据待预测月份前预定月数的生产计划表，获取待预测各月份的产量、产品工序和能耗设备负荷特性；
S5、将待预测各月份的产量、产品工序和能耗设备负荷特性输入所述能耗指标模型，确定工厂车间在预定月数内的预测总电力负荷。
本实施例中，所述将月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束，计算所述能耗初始模型的能耗预测值与实际能耗值的拟合系数，根据拟合系数更新目标约束准则，直至拟合系数满足预设的收敛条件时，得到能耗指标模型，包括：
采用历史时间段中各月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束；获取历史时间段内各月份的实际能耗样本数据和所述能耗初始模型预测不同月份对应的所述能耗指标模型的能耗预测样本数据；计算实际能耗样本数据与能耗预测样本数据的拟合系数，根据拟合系数更新目标约束准则；直到拟合系数满足预设的约束终止条件，此时的目标约束准则作为能耗初始模型的收敛学习结果。
可选地，所述拟合系数满足预设的约束条件为拟合系数R2大于0.8，其拟合系数的函数如下：
其中，n为月份数量，yi为真实值，
为预测值，
为实际能耗值的均值。
可选地，所述将待预测各月份的产量、产品工序和能耗设备负荷特性输入所述能耗指标模型，确定工厂车间在预定月数内的预测总电力负荷之后，还包括：
将所述预测总电力负荷转换为碳排放量，获得工厂车间总体碳排放量；若工厂车间总体碳排放量大于期望需求，拟合各个能耗设备在所述预设未来时间段内的效能函数；调整产品工序，优化各个能耗设备对应的电力负荷。
<一种用于实现前述评估方法的工厂车间电力能耗的评估系统>
一种工厂车间电力能耗的评估系统，包括：
历史能耗采集模块，用于采集工厂车间在历史时间段中月份的能耗数据样本；能耗初始模型构建模块，用于采用预设神经网络对历史月份与能耗数据样本的映射集合进行深度学习，得到能耗初始模型；能耗指标模型生成模块，用于将月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束，计算所述能耗初始模型的能耗预测值与实际能耗值的拟合系数，根据拟合系数更新目标约束准则，直至拟合系数满足预设的收敛条件时，得到能耗指标模型；评估参数获取模块，用于根据待预测月份前预定月数的生产计划表，获取待预测各月份的产量、产品工序和能耗设备负荷特性；电力负荷评估模块，用于将待预测各月份的产量、产品工序和能耗设备负荷特性输入所述能耗指标模型，确定工厂车间在预定月数内的预测总电力负荷。
可选地，所述能耗指标模型生成模块包括：约束准则子模块，用于采用历史时间段中各月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束；能耗预测与实际能耗样本数据子模块，用于获取历史时间段内各月份的实际能耗样本数据和所述能耗初始模型预测不同月份对应的所述能耗指标模型的能耗预测样本数据；约束更新子模块，用于计算实际能耗样本数据与能耗预测样本数据的拟合系数，根据拟合系数更新目标约束准则；目标约束生成模块，用于直到拟合系数满足预设的约束终止条件，此时的目标约束准则作为能耗初始模型的收敛学习结果。
上述相关说明以及对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些内容做出各种修改，并把在此说明的一般原理应用到其它实施例中而不必经过创造性的劳动。因此，本发明不限于上述相关说明以及对实施例的描述，本领域的技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (6)
1.一种工厂车间电力能耗的评估方法，其特征在于，包括：
采集工厂车间在历史时间段中月份的能耗数据样本；
采用预设神经网络对历史月份与能耗数据样本的映射集合进行深度学习，得到能耗初始模型；
将月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束，计算所述能耗初始模型的能耗预测值与实际能耗值的拟合系数，根据拟合系数更新目标约束准则，直至拟合系数满足预设的收敛条件时，得到能耗指标模型；
根据待预测月份前预定月数的生产计划表，获取待预测各月份的产量、产品工序和能耗设备负荷特性；
将待预测各月份的产量、产品工序和能耗设备负荷特性输入所述能耗指标模型，确定工厂车间在预定月数内的预测总电力负荷。
2.根据权利要求1所述的工厂车间电力能耗的评估方法，其特征在于，所述将月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束，计算所述能耗初始模型的能耗预测值与实际能耗值的拟合系数，根据拟合系数更新目标约束准则，直至拟合系数满足预设的收敛条件时，得到能耗指标模型，包括：
采用历史时间段中各月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束；
获取历史时间段内各月份的实际能耗样本数据和所述能耗初始模型预测不同月份对应的所述能耗指标模型的能耗预测样本数据；
计算实际能耗样本数据与能耗预测样本数据的拟合系数，根据拟合系数更新目标约束准则；
直到拟合系数满足预设的约束终止条件，此时的目标约束准则作为能耗初始模型的收敛学习结果。
3.根据权利要求2所述的工厂车间电力能耗的评估方法，其特征在于，所述拟合系数满足预设的约束条件为拟合系数R2大于0.8，其拟合系数的函数如下：
其中，n为月份数量，yi为真实值，
为预测值，
为实际能耗值的均值。
4.根据权利要求1所述的工厂车间电力能耗的评估方法，其特征在于，所述将待预测各月份的产量、产品工序和能耗设备负荷特性输入所述能耗指标模型，确定工厂车间在预定月数内的预测总电力负荷之后，还包括：
将所述预测总电力负荷转换为碳排放量，获得工厂车间总体碳排放量；
若工厂车间总体碳排放量大于期望需求，拟合各个能耗设备在所述预设未来时间段内的效能函数；
调整产品工序，优化各个能耗设备对应的电力负荷。
5.一种工厂车间电力能耗的评估系统，其特征在于，包括：
历史能耗采集模块，用于采集工厂车间在历史时间段中月份的能耗数据样本；
能耗初始模型构建模块，用于采用预设神经网络对历史月份与能耗数据样本的映射集合进行深度学习，得到能耗初始模型；
能耗指标模型生成模块，用于将月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束，计算所述能耗初始模型的能耗预测值与实际能耗值的拟合系数，根据拟合系数更新目标约束准则，直至拟合系数满足预设的收敛条件时，得到能耗指标模型；
评估参数获取模块，用于根据待预测月份前预定月数的生产计划表，获取待预测各月份的产量、产品工序和能耗设备负荷特性；
电力负荷评估模块，用于将待预测各月份的产量、产品工序和能耗设备负荷特性输入所述能耗指标模型，确定工厂车间在预定月数内的预测总电力负荷。
6.根据权利要求5所述的工厂车间电力能耗的评估系统，其特征在于，所述能耗指标模型生成模块包括：
约束准则子模块，用于采用历史时间段中各月份中产量、产品工序和能耗设备负荷特性作为能耗初始模型的目标约束；
能耗预测与实际能耗样本数据子模块，用于获取历史时间段内各月份的实际能耗样本数据和所述能耗初始模型预测不同月份对应的所述能耗指标模型的能耗预测样本数据；
约束更新子模块，用于计算实际能耗样本数据与能耗预测样本数据的拟合系数，根据拟合系数更新目标约束准则；
目标约束生成模块，用于直到拟合系数满足预设的约束终止条件，此时的目标约束准则作为能耗初始模型的收敛学习结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210588395.6A CN114912700A (zh) | 2022-05-26 | 2022-05-26 | 一种工厂车间电力能耗的评估方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210588395.6A CN114912700A (zh) | 2022-05-26 | 2022-05-26 | 一种工厂车间电力能耗的评估方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114912700A true CN114912700A (zh) | 2022-08-16 |
Family
ID=82769380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210588395.6A Pending CN114912700A (zh) | 2022-05-26 | 2022-05-26 | 一种工厂车间电力能耗的评估方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114912700A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116805037A (zh) * | 2023-08-28 | 2023-09-26 | 深圳联友科技有限公司 | 一种基于数据分析的能源消耗预测方法和系统 |
-
2022
- 2022-05-26 CN CN202210588395.6A patent/CN114912700A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116805037A (zh) * | 2023-08-28 | 2023-09-26 | 深圳联友科技有限公司 | 一种基于数据分析的能源消耗预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
| 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 | |
| CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
| CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
| CN106022530A (zh) | 一种电力需求侧柔性负荷有功功率预测方法 | |
| CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
| CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及系统 | |
| CN116341796A (zh) | 能耗监测与评估系统及方法 | |
| CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
| CN116307076A (zh) | 一种基于物联网的工业园区能效管控方法 | |
| CN107977898B (zh) | 一种光伏电站的发电量保险定价评估方法 | |
| CN114912700A (zh) | 一种工厂车间电力能耗的评估方法及其系统 | |
| CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN116722605B (zh) | 一种基于物联网的配电网调度优化方法 | |
| CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
| CN106022542A (zh) | 一种基于工序负荷特性的企业关口负荷预测方法 | |
| CN117391391A (zh) | 一种基于碳排放双控的低碳用能优化系统及方法 | |
| CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
| CN116632836A (zh) | 一种基于温度敏感性的公变台区负载率预测系统 | |
| CN111708987A (zh) | 一种变电站多台并联变压器负荷预测方法 | |
| CN113822587B (zh) | 一种基于总线电流数据的工厂产能评估方法 | |
| CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 | |
| CN113642248B (zh) | 定位设备剩余使用时间的评估方法及装置 | |
| CN114862256A (zh) | 一种工厂车间水耗的评估方法及其系统 |
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 |