CN115062872B - 基于电力大数据的行业能耗预测方法及预测系统 - Google Patents

基于电力大数据的行业能耗预测方法及预测系统 Download PDF

Info

Publication number
CN115062872B
CN115062872B CN202210963853.XA CN202210963853A CN115062872B CN 115062872 B CN115062872 B CN 115062872B CN 202210963853 A CN202210963853 A CN 202210963853A CN 115062872 B CN115062872 B CN 115062872B
Authority
CN
China
Prior art keywords
energy consumption
prediction
data
industry
upstream
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
CN202210963853.XA
Other languages
English (en)
Other versions
CN115062872A (zh
Inventor
徐嘉龙
陈嵘
王谊
沈百强
王伟福
应肖磊
王荣历
龚明波
方云辉
徐杰
李磊
卓璐姗
黄琰波
童贵章
张甜
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 Ningbo Comprehensive Energy Service Co ltd
Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Ningbo Comprehensive Energy Service Co ltd
Ningbo Power Supply Co 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 Ningbo Comprehensive Energy Service Co ltd, Ningbo Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Ningbo Comprehensive Energy Service Co ltd
Priority to CN202210963853.XA priority Critical patent/CN115062872B/zh
Publication of CN115062872A publication Critical patent/CN115062872A/zh
Application granted granted Critical
Publication of CN115062872B publication Critical patent/CN115062872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于电力大数据的行业能耗预测方法及预测系统，服务器根据预测请求选中行业能耗路径中的一个节点作为预测目标节点，获取预测目标节点的所有上游节点和下游节点的上游能耗数据和下游能耗数据；服务器根据调控配置信息对上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，得到预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据；基于行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息。本发明可以相对准确的对某一个行业、以及行业下某一个企业的能耗进行相应的预测。

Description

基于电力大数据的行业能耗预测方法及预测系统
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于电力大数据的行业能耗预测方法及预测系统。
背景技术
2013年发布的《电力大数据发展白皮书》中概括了电力大数据的特征，电力大数据的特征可以概括为五点：体量大，类型多，价值高，速度快，准确性高。电力大数据贯穿“源网荷储”以及企业经营管理全环节，规模巨大、类型繁多，且主要伴随电力生产和消费实时产生，数据真实性高。
同时，由于电力行业自动化、信息化水平较高，数据基础相对理想，用于大数据采集、传输和应用的基础设施基本具备，随着电力物联网的建设，电力大数据的覆盖范围、感知深度、数据质量将持续提升，应用基础日趋完善。
通过电力大数据，可以进行能耗的预测，使得具有规律性用电周期的用电行为能够被进行相应的预测，进而根据相应的预测进一步的决策，保障用电供给。但是在当前的能耗使用预测过程中，都是按照公司为目标、地区为目标进行预测，无法以行业为目标为单位进行预测，导致管控部门无法根据行业的能耗行为对相应行业进行一体化的管控、治理。
在实际的生产过程中，一个企业的生产可能会涉及多个行业，例如一个制造企业，其可能会具有石油加工、石油副产品的制作，石油加工涉及的行业可能是石油、煤炭及其他燃料加工业，石油副产品的制作涉及的行业可能是橡胶和塑料制品业，同时石油副产品的制作也是依赖于石油加工的，如果石油加工被调控，则相对应的石油副产品的生产也会被影响，此时的能耗的预测是需要结合整个产业链的，所以对于某一个行业、企业的能耗预测需要根据上游行业的生产、下游行业的需求，企业的生产属性来进行确定，才能够相对准确的对某一个行业、以及行业下某一个企业的能耗进行相应的预测。
发明内容
本发明实施例提供一种基于电力大数据的行业能耗预测方法及预测系统，可以相对准确的对某一个行业、以及行业下某一个企业的能耗进行相应的预测。
为解决上述问题，本发明提供以下技术方案：
第一方面，本发明实施例提供的基于电力大数据的行业能耗预测方法，包括设置于目标区域的服务器以及在目标区域内每个企业设置的至少一个采集端，通过以下步骤对行业能耗进行预测，具体包括：
服务器若判断目标区域内的企业只具有一种企业属性则生成相对应的第一行业标签，若判断目标区域内的企业具有多种企业属性则生成相对应的第二行业标签和第三行业标签，所述第二行业标签为所述第三行业标签的上游行业；
采集端根据企业的第一行业标签、第二行业标签以及第三行业标签获取每一个企业在预设时间段内的能耗行为，得到具有相应企业标签的第一能耗信息、第二能耗信息以及第三能耗信息；
服务器对所有的第一能耗信息、第二能耗信息以及第三能耗信息按照行业属性进行分类得到多个行业能耗集合，根据行业的上下游关系生成行业能耗路径，每个行业能耗集合为行业能耗路径中的其中一个节点；
服务器根据预测请求选中所述行业能耗路径中的一个节点作为预测目标节点，获取所述预测目标节点的所有上游节点的上游能耗数据，以及所有下游节点的下游能耗数据，所述上游能耗数据和下游能耗数据均包括第一能耗信息、第二能耗信息以及第三能耗信息中的任意一种或多种；
服务器若判断上游节点和/或下游节点具有相对应的调控配置信息，则根据所述调控配置信息对所述上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，根据所述第一计算数据和/或第二计算数据得到预测偏移值，根据所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据；
基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息。
进一步地，所述服务器根据预测请求选中所述行业能耗路径中的一个节点作为预测目标节点，获取所述预测目标节点的所有上游节点的上游能耗数据，以及所有下游节点的下游能耗数据具体包括：
根据所述预测请求选中的预测行业在行业能耗路径中得到相对应的预测目标节点；
若判断所述上游节点为多个，则分别计算多个上游节点的能耗数据之和得到上游能耗数据；
若判断所述下游节点为多个，则分别计算多个下游节点的能耗数据之和得到下游能耗数据。
进一步地，所述服务器若判断上游节点和/或下游节点具有相对应的调控配置信息，根据所述调控配置信息对所述上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，根据所述第一计算数据和/或第二计算数据得到预测偏移值，根据所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据具体包括：
若所述上游节点和/或下游节点为多个，则获取所述调控配置信息中所对应的调控配置比例以及调控目标行业，根据所述调控目标行业确定待调控的上游节点和/或下游节点；
根据所述调控配置比例对待调控的上游节点和/或下游节点的上游能耗数据和/或下游能耗数据进行调控处理，得到上游子调控数据和/或下游子调控数据；
根据对非待调控的上游节点和/或下游节点历史的上游能耗数据和/或下游能耗数据进行生产预测，得到上游预测数据和/或下游预测数据；
根据所述上游子调控数据和/或上游预测数据计算得到第一计算数据，根据所述下游子调控数据和/或下游预测数据进行计算得到第二计算数据；
将所述第一计算数据、第二计算数据分别与上游节点和下游节点的当前能耗数据进行比对得到第一差值数据和第二差值数据；
获取所述第一差值数据和第二差值数据分别对应的上游影响系数和下游影响系数，根据所述第一差值数据、第二差值数据、上游影响系数和下游影响系数得到预测偏移值，基于所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据。
进一步地，所述获取所述第一计算数据和/或第二计算数据分别对应的上游影响系数和下游影响系数，根据所述第一计算数据和/或第二计算数据、上游影响系数和下游影响系数得到预测偏移值，基于所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据具体包括：
根据待调控的上游节点的数量、每个待调控的上游节点的生产量、非待调控的上游节点的数量、每个非待调控的上游节点的生产量进行计算得到上游影响系数；
根据待调控的下游节点的数量、每个待调控的下游节点的生产量、非待调控的下游节点的数量、每个非待调控的下游节点的生产量进行计算得到下游影响系数；
根据所述上游影响系数、下游影响系数进行融合计算得到预测偏移值，通过预测偏移值对目标能耗数据进行偏移计算得到行业能耗预测数据。
进一步地，所述基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息具体包括：
若判断预测目标节点内每个企业分别只具有第一行业标签，则将预测目标节点内所有的企业作为第一类型企业，根据第一类型企业在预测目标节点内当前时刻的第一能耗信息进行计算得到每个第一类型企业的行业能耗占比；
根据所述行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻第一类型企业的能耗预测信息。
进一步地，所述基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息，还包括：
将预测目标节点内存在第二行业标签的企业作为第二类型企业，根据所述第二类型企业在预测目标节点内当前时刻的行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻该企业的第一子能耗预测信息；
获取第二类型企业所对应的第三行业标签在行业能耗路径的下一个节点处当前时刻的第三能耗信息，根据第一子能耗预测信息、预测目标节点内第二行业标签的企业的第二耗能信息进行计算得到正向路径预测降低比例，根据所述正向路径预测降低比例、当前时刻的第三能耗信息进行计算得到第二子能耗预测信息；
根据所述第一子能耗预测信息、第二子能耗预测信息得到所述第二类型企业所对应的能耗预测信息。
进一步地，所述基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息，还包括：
将预测目标节点内存在第三行业标签的企业作为第三类型企业，根据所述第三类型企业在预测目标节点内当前时刻的行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻该企业的第三子能耗预测信息；
获取第三类型企业所对应的第二行业标签在行业能耗路径的上一个节点处当前时刻的第二能耗信息，根据第三子能耗预测信息、预测目标节点内第三行业标签的企业的第三耗能信息进行计算得到反向路径预测降低比例，根据所述反向路径预测降低比例、当前时刻的第二能耗信息进行计算得到第四子能耗预测信息；
根据所述第三子能耗预测信息、第四子能耗预测信息得到所述第三类型企业所对应的能耗预测信息。
进一步地，还包括：
统计行业能耗路径中所有节点分别对应的行业能耗预测数据得到在下一个时刻的总能耗预测数据；
获取目标区域内的电碳因子，根据所述电碳因子、总能耗预测数据得到目标区域内的不可再生能耗需求的碳排放量；
若所述不可再生能耗需求的碳排放量大于预设排放量，则根据不可再生能耗需求的碳排放量和预设排放量的差值进行计算得到可再生能源的碳排放降低量；
根据行业能耗路径中每个行业能耗预测数据占总能耗预测数据的比例、可再生能源的碳排放降低量得到每个行业的可再生能源配置第一子量。
进一步地，还包括：
获取每个行业的行业属性以及企业的地理属性，根据所述行业属性、地理属性确定每一个行业的清洁能源制造行为；
确定所述清洁能源制造行为所对应的单位时间的碳排放降低量，根据单位时间的碳排放降低量、预设时间段、可再生能源配置第一子量得到每个行业所对应的产能设备数量。
第二方面，本发明实施例提供一种基于电力大数据的行业能耗预测系统，包括设置于目标区域的服务器以及在目标区域内每个企业设置的至少一个采集端，通过以下模块对行业能耗进行预测，具体包括：
标签生成模块，用于使服务器若判断目标区域内的企业只具有一种企业属性则生成相对应的第一行业标签，若判断目标区域内的企业具有多种企业属性则生成相对应的第二行业标签和第三行业标签，所述第二行业标签为所述第三行业标签的上游行业；
能耗获取模块，用于使采集端根据企业的第一行业标签、第二行业标签以及第三行业标签获取每一个企业在预设时间段内的能耗行为，得到具有相应企业标签的第一能耗信息、第二能耗信息以及第三能耗信息；
分类模块，用于使服务器对所有的第一能耗信息、第二能耗信息以及第三能耗信息按照行业属性进行分类得到多个行业能耗集合，根据行业的上下游关系生成行业能耗路径，每个行业能耗集合为行业能耗路径中的其中一个节点；
选中模块，用于使服务器根据预测请求选中所述行业能耗路径中的一个节点作为预测目标节点，获取所述预测目标节点的所有上游节点的上游能耗数据，以及所有下游节点的下游能耗数据，所述上游能耗数据和下游能耗数据包括第一能耗信息、第二能耗信息以及第三能耗信息中的任意一种或多种；
调控计算模块，用于使服务器若判断上游节点和/或下游节点具有相对应的调控配置信息，根据所述调控配置信息对所述上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，根据所述第一计算数据和/或第二计算数据得到预测偏移值，根据所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据；
预测模块，用于基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息。
本发明具有以下有益效果：
1、本发明对于某一个行业、企业的能耗预测时，根据上游行业的生产、下游行业的需求以及企业的生产属性来进行确定，可以相对准确地对某一个行业、以及行业下某一个企业的能耗进行相应的预测，综合了调控配置信息对上游节点和下游节点的影响，得到对应的第一计算数据和/或第二计算数据，然后得到对预测目标节点的预测偏移值，利用预测偏移值对目标能耗数据进行偏移计算，得到较为精准的行业能耗预测数据；
2、本发明计算上游影响系数时，会综合考虑待调控的上游节点的数量、每个待调控的上游节点的生产量、非待调控的上游节点的数量、每个非待调控的上游节点的生产量进行计算，计算下游影响系数时，会综合考虑待调控的下游节点的数量、每个待调控的下游节点的生产量、非待调控的下游节点的数量、每个非待调控的下游节点的生产量进行计算；使得到的上游影响系数和下游影响系数较为准确，从而可以相对准确的对某一个行业、以及行业下某一个企业的能耗进行相应的预测；
3、本发明对第二类型企业和第三类型企业的能耗进行预测时，采用了正向路径预测降低比例和反向路径预测降低比例进行计算，综合考虑上下游节点的调控影响，使第二类型企业和第三类型企业的预测能耗相对准确；
4、本发明在目标区域内不可再生能耗需求的碳排放量大于预设排放量时，会计算出每个行业需要降低的碳排放量，然后结合行业地理位置、属性等数据确定每一个行业的清洁能源制造行为，利用清洁能源制造行为实现需要降低的碳排放量，并计算出每个行业所对应的产能设备数量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明实施例提供的一种应用场景的示意图；
图2是本发明实施例提供的一种基于电力大数据的行业能耗预测方法的流程示意图；
图3是本发明实施例提供的一种基于电力大数据的行业能耗预测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
参见图1，是本发明实施例提供的一种应用场景的示意图，包括设置于目标区域的服务器以及在目标区域内每个企业设置的至少一个采集端。其中，目标区域可以是指一个城镇、城市或者一个国家，本方案会对目标区域内的企业进行行业能耗预测。本方案会在每个目标区域都配置一个服务器，并为目标区域内的每个企业配置一个采集端，采集端可以是电能采集装置等，采集端需要将采集的数据发送给对应的服务器进行处理。
图2是本发明实施例提供的一种基于电力大数据的行业能耗预测方法的流程示意图，图2所示方法的执行主体可以是软件和/或硬件装置，本实施例对此不做限制。该方法包括步骤S1至步骤S6，具体如下：
S1，服务器若判断目标区域内的企业只具有一种企业属性则生成相对应的第一行业标签，若判断目标区域内的企业具有多种企业属性则生成相对应的第二行业标签和第三行业标签，所述第二行业标签为所述第三行业标签的上游行业。
在实际的生产过程中，一个企业的生产可能会涉及多个行业，例如一个制造企业，其可能会具有石油加工、石油副产品的制作，石油加工涉及的行业可能是石油、煤炭及其他燃料加工业，石油副产品的制作涉及的行业可能是橡胶和塑料制品业，同时石油副产品的制作也是依赖于石油加工的，如果石油加工被调控，则相对应的石油副产品的生产也会被影响，此时的能耗的预测是需要结合整个产业链的。
因此，本方案会结合企业属性来进行相应的数据处理，本方案中的企业属性是指一个企业所涉及制造内容的属性。如果一个企业只具有一种企业属性，说明该企业的制造内容是单一的，例如该企业只制造塑料制品；如果该企业具有多种企业属性，说明该企业内具有多种制造内容，例如该企业既加工石油，又制备石油副产品，例如塑料制品。
本方案会为只具有一种企业属性的企业生成相对应的第一行业标签进行标记，为具有多种企业属性的企业生成相对应的第二行业标签和第三行业标签，第二行业标签为所述第三行业标签的上游行业。
示例性的，企业A只有一种企业属性，是石油副产品的制作，那么第一行业标签可以是石油副产品的制作；企业B有3种企业属性，一个是石油的加工，一个是石油副产品的制作，还有一个是石油副产品深加工，那么第二行业标签可以是石油的加工，第三行业标签可以是石油副产品的深加工，也就是说企业B具备两个行业标签，分别是第二行业标签和第三行业标签。
本方案通过第一行业标签、第二行业标签和第三行业标签可以对目前区域内的行业和企业进行归类。
S2，采集端根据企业的第一行业标签、第二行业标签以及第三行业标签获取每一个企业在预设时间段内的能耗行为，得到具有相应企业标签的第一能耗信息、第二能耗信息以及第三能耗信息。
采集端设置在企业处，可以实时采集企业在预设时间段内的能耗行为，预设时间段可以是1年，能耗行为可以是1年的能耗数值，然后与对应的第一行业标签、第二行业标签以及第三行业标签进行匹配，计算出具有相应企业标签的第一能耗信息、第二能耗信息以及第三能耗信息。
示例性的，第一能耗信息可以是石油副产品的制作的能耗信息，第二能耗信息可以是石油加工的能耗信息，第三能耗信息可以是石油副产品深加工的能耗信息。
S3，服务器对所有的第一能耗信息、第二能耗信息以及第三能耗信息按照行业属性进行分类得到多个行业能耗集合，根据行业的上下游关系生成行业能耗路径，每个行业能耗集合为行业能耗路径中的其中一个节点。
能耗的预测是需要结合整个产业链的，所以对于某一个行业、企业的能耗预测需要根据上游行业的生产、下游行业的需求，企业的生产属性来进行确定，才能够相对准确的对某一个行业、以及行业下某一个企业的能耗进行相应的预测。
本方案在步骤S2得到第一能耗信息、第二能耗信息以及第三能耗信息后，服务器会对所有的第一能耗信息、第二能耗信息以及第三能耗信息分类处理，得到多个行业能耗集合。可以理解的是，每个行业能耗集合内的能耗信息类型是相同的。
示例性的，行业能耗集合A内都是相同类型的第二能耗信息，行业能耗集合B内都是相同类型的第一能耗信息，行业能耗集合C内都是相同类型的第三能耗信息。
本方案在得到行业能耗集合后，需要结合行业的上下游关系生成行业能耗路径，每个行业能耗集合为行业能耗路径中的其中一个节点。
示例性的，以石油行业为例，一个行业的上下游关系可以是：石油加工-石油副产品-石油副产品深加工，本方案会利用该上下游关系形成一个行业能耗路径，行业能耗路径可以是：行业能耗集合A-行业能耗集合B-行业能耗集合C。
S4，服务器根据预测请求选中所述行业能耗路径中的一个节点作为预测目标节点，获取所述预测目标节点的所有上游节点的上游能耗数据，以及所有下游节点的下游能耗数据，所述上游能耗数据和下游能耗数据均包括第一能耗信息、第二能耗信息以及第三能耗信息中的任意一种或多种。
其中，预测请求可以是用户向服务器输入的查询请求，例如是石油副产品预测请求，服务器接收到预测请求后，会对预测请求进行处理，找到行业能耗路径中的一个节点作为预测目标节点，预测目标节点例如是上述的石油副产品节点。
本方案会获取到预测目标节点的所有上游节点和下游节点的上游能耗数据和下游能耗数据，其中，上游能耗数据可以是对应上游节点的能耗数据，下游能耗数据可以是对应下游节点的能耗数据。
在一些实施例中，所述服务器根据预测请求选中所述行业能耗路径中的一个节点作为预测目标节点，获取所述预测目标节点的所有上游节点的上游能耗数据，以及所有下游节点的下游能耗数据具体包括：
根据所述预测请求选中的预测行业在行业能耗路径中得到相对应的预测目标节点。本方案的服务器在接收到预测请求后，会对预测请求进行处理，找到行业能耗路径中的一个节点作为预测目标节点，预测目标节点例如是上述的石油副产品节点。
若判断所述上游节点为多个，则分别计算多个上游节点的能耗数据之和得到上游能耗数据。可以理解的是，上游节点可能会存在多个的情况，例如针对炼钢行业，其上游节点可以有矿开发节点、钢回收节点等等。此时，本方案会分别计算多个上游节点的能耗数据之和得到上游能耗数据。本方案对多个上游节点的能耗数据进行综合计算，可以得到更为精准的上游节点影响数据。
若判断所述下游节点为多个，则分别计算多个下游节点的能耗数据之和得到下游能耗数据。同理，下游节点可能会存在多个的情况，例如针对炼钢行业，其上游节点可以有钢零件、钢成品等等。此时，本方案会分别计算多个下游节点的能耗数据之和得到上游能耗数据。本方案对多个下游节点的能耗数据进行综合计算，可以得到更为精准的下游节点影响数据。
S5，服务器若判断上游节点和/或下游节点具有相对应的调控配置信息，则根据所述调控配置信息对所述上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，根据所述第一计算数据和/或第二计算数据得到预测偏移值，根据所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据。
其中，调控配置信息可以是行业的调控需求，例如，针对石油加工-石油副产品-石油副产品深加工，调控配置信息可以是将石油加工由1000吨调整为800吨，也可以是将石油副产品深加工由10000件调整为8000件。
服务器会利用调控配置信息对所述上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，然后利用第一计算数据和/或第二计算数据得到预测偏移值，根据所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据。
可以理解的是，由于能耗的预测是需要结合整个产业链的，所以本方案对于某一个行业、企业的能耗预测时，根据上游行业的生产、下游行业的需求，企业的生产属性来进行确定，可以相对准确的对某一个行业、以及行业下某一个企业的能耗进行相应的预测。本方案综合了调控配置信息对上游节点和下游节点的影响，得到对应的第一计算数据和/或第二计算数据，然后得到对预测目标节点的预测偏移值，利用预测偏移值对目标能耗数据进行偏移计算，得到较为精准的行业能耗预测数据。
在一些实施例中，所述服务器若判断上游节点和/或下游节点具有相对应的调控配置信息，根据所述调控配置信息对所述上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，根据所述第一计算数据和/或第二计算数据得到预测偏移值，根据所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据具体包括：
若所述上游节点和/或下游节点为多个，则获取所述调控配置信息中所对应的调控配置比例以及调控目标行业，根据所述调控目标行业确定待调控的上游节点和/或下游节点。在上游节点和/或下游节点为多个时，本方案会对调控配置信息进行解析，得到对应的调控配置比例和调控目标行业，然后可以根据调控目标行业确定出待调控的上游节点和/或下游节点，即本方案会找到具有影响价值的上游节点和/或下游节点。
根据所述调控配置比例对待调控的上游节点和/或下游节点的上游能耗数据和/或下游能耗数据进行调控处理，得到上游子调控数据和/或下游子调控数据。可以理解的是，调控配置比例例如是80%，即将原有的生产量调整为80%，在得到调控配置比例后，本方案会对上游节点和/或下游节点的上游能耗数据和/或下游能耗数据进行调控处理，计算出上游子调控数据和/或下游子调控数据。例如，调控配置比例均为80%，上游能耗数据为100KW，则得到的上游子调控数据为80KW。
根据对非待调控的上游节点和/或下游节点历史的上游能耗数据和/或下游能耗数据进行生产预测，得到上游预测数据和/或下游预测数据。本方案还考虑到会有非待调控的上游节点和/或下游节点存在，但是非待调控的上游节点和/或下游节点也会收到调控信息的影响，本方案会将非待调控的上游节点和/或下游节点也综合进来，会对非待调控的上游节点和/或下游节点的上游能耗数据和/或下游能耗数据进行生产预测，得到上游预测数据和/或下游预测数据。
根据所述上游子调控数据和/或上游预测数据计算得到第一计算数据，根据所述下游子调控数据和/或下游预测数据进行计算得到第二计算数据。本方案会利用上游子调控数据和/或上游预测数据计算得到与上游节点相关的第一计算数据，以及会利用下游子调控数据和/或下游预测数据进行计算得到与下游节点相关的第二计算数据。
将所述第一计算数据、第二计算数据分别与上游节点和下游节点的当前能耗数据进行比对得到第一差值数据和第二差值数据。可以理解的是，第一计算数据、第二计算数据是预测数据，本方案会获取到预测数据与当前能耗数据的第一差值数据和第二差值数据，用于计算预测偏移值。
获取所述第一差值数据和第二差值数据分别对应的上游影响系数和下游影响系数，根据所述第一差值数据、第二差值数据、上游影响系数和下游影响系数得到预测偏移值，基于所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据。
在一些实施例中，获取所述第一计算数据和/或第二计算数据分别对应的上游影响系数和下游影响系数，根据所述第一计算数据和/或第二计算数据、上游影响系数和下游影响系数得到预测偏移值，基于所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据具体包括：
根据待调控的上游节点的数量、每个待调控的上游节点的生产量、非待调控的上游节点的数量、每个非待调控的上游节点的生产量进行计算得到上游影响系数。本方案考虑到待调控的上游节点的数量越多，上游影响系数会越大，每个待调控的上游节点的生产量越大，上游影响系数会越大，同理，非待调控的上游节点的数量越大，上游影响系数会越小，每个非待调控的上游节点的生产量越大，上游影响系数会越小。
根据待调控的下游节点的数量、每个待调控的下游节点的生产量、非待调控的下游节点的数量、每个非待调控的下游节点的生产量进行计算得到下游影响系数。本方案考虑到待调控的下游节点的数量越多，下游影响系数会越大，每个待调控的下游节点的生产量越大，下游影响系数会越大，同理，非待调控的下游节点的数量越大，下游影响系数会越小，每个非待调控的下游节点的生产量越大，下游影响系数会越小。
根据所述上游影响系数、下游影响系数进行融合计算得到预测偏移值，通过预测偏移值对目标能耗数据进行偏移计算得到行业能耗预测数据。
其中，根据所述上游影响系数、下游影响系数进行融合计算得到预测偏移值，通过预测偏移值对目标能耗数据进行偏移计算得到行业能耗预测数据包括：
通过以下公式进行计算得到行业能耗预测数据:
Figure 354321DEST_PATH_IMAGE001
其中，
Figure 537040DEST_PATH_IMAGE002
为第一计算数据，
Figure 316778DEST_PATH_IMAGE003
为第
Figure 915249DEST_PATH_IMAGE004
个待调控的上游节点的上游能耗数据，
Figure 995201DEST_PATH_IMAGE005
为 待调控的上游节点的上限值，
Figure 817663DEST_PATH_IMAGE006
为上游节点的调控配置比例，
Figure 287959DEST_PATH_IMAGE007
为第
Figure 486859DEST_PATH_IMAGE008
个非待调控的上 游节点在当前时刻的上游能耗数据，
Figure 421317DEST_PATH_IMAGE009
为非待调控的上游节点的上限值，
Figure 617943DEST_PATH_IMAGE010
为第
Figure 372272DEST_PATH_IMAGE011
个非 待调控的上游节点的第一增长率，
Figure 374863DEST_PATH_IMAGE012
为第一计算权重。本方案计算第一计算数据
Figure 101511DEST_PATH_IMAGE013
时， 首先利用待调控的上游节点的上游能耗数据和上游节点的调控配置比例
Figure 531355DEST_PATH_IMAGE006
计算出被调控 的一个或多个上游节点的数据，然后对多个节点进行求和；然后利用非待调控的上游节点 在当前时刻的上游能耗数据与非待调控的上游节点的第一增长率，计算非调控上游节点的 数据，然后对多个节点进行求和；最后综合被调控上游节点的数据和非调控上游节点的数 据得到第一计算数据，其中，第一计算权重
Figure 38560DEST_PATH_IMAGE012
可以是人为设置的，用于对第一计算数据调 整，得到较为精准的第一计算数据。
Figure 313684DEST_PATH_IMAGE014
为第二计算数据，
Figure 160417DEST_PATH_IMAGE015
为第
Figure 761162DEST_PATH_IMAGE016
个待调控的下游节点的下游能耗数据，
Figure 490084DEST_PATH_IMAGE017
为待调 控的下游节点的上限值，
Figure 772161DEST_PATH_IMAGE018
为下游节点的调控配置比例，
Figure 535717DEST_PATH_IMAGE019
为第
Figure 307364DEST_PATH_IMAGE020
个非待调控的下游节 点在当前时刻的下游能耗数据，
Figure 461265DEST_PATH_IMAGE021
为非待调控的下游节点的上限值，
Figure 609350DEST_PATH_IMAGE022
为第
Figure 961834DEST_PATH_IMAGE020
个非待调控 的下游节点的第一增长率，
Figure 606179DEST_PATH_IMAGE023
为第二计算权重。本方案计算第二计算数据
Figure 309693DEST_PATH_IMAGE024
时，首先利 用待调控的下游节点的下游能耗数据和下游节点的调控配置比例
Figure 730310DEST_PATH_IMAGE018
计算出被调控的一个 或多个下游节点的数据，然后对多个节点进行求和；然后利用非待调控的下游节点在当前 时刻的下游能耗数据与非待调控的下游节点的第一增长率，计算非调控下游节点的数据， 然后对多个节点进行求和；最后综合被调控下游节点的数据和非调控下游节点的数据得到 第二计算数据，其中，第二计算权重
Figure 406142DEST_PATH_IMAGE023
可以是人为设置的，用于对第二计算数据
Figure 519592DEST_PATH_IMAGE024
调整， 得到较为精准的第二计算数据
Figure 710402DEST_PATH_IMAGE024
。
Figure 137972DEST_PATH_IMAGE025
为第
Figure 199469DEST_PATH_IMAGE026
个非待调控的上游节点在
Figure 749399DEST_PATH_IMAGE027
个时间点的上游能耗数据，
Figure 365188DEST_PATH_IMAGE028
为 第
Figure 393187DEST_PATH_IMAGE026
个非待调控的上游节点在d个时间点的上游能耗数据，
Figure 840349DEST_PATH_IMAGE029
为第
Figure 30022DEST_PATH_IMAGE026
个非待调控的上游节 点的时间点的上限值，
Figure 133107DEST_PATH_IMAGE030
为第
Figure 964797DEST_PATH_IMAGE031
个非待调控的上游节点的时间点的数量值，
Figure 266465DEST_PATH_IMAGE032
为第
Figure 830301DEST_PATH_IMAGE020
个非待调控的下游节点在
Figure 483000DEST_PATH_IMAGE033
个时间点的下游能耗数据，
Figure 852801DEST_PATH_IMAGE034
为第
Figure 946659DEST_PATH_IMAGE020
个非待调控的下游 节点在
Figure 9293DEST_PATH_IMAGE035
个时间点的上游能耗数据，
Figure 821391DEST_PATH_IMAGE036
为第
Figure 994884DEST_PATH_IMAGE020
个非待调控的下游节点的时间点的上限值，
Figure 271144DEST_PATH_IMAGE037
为第
Figure 940898DEST_PATH_IMAGE020
个非待调控的下游节点的时间点的数量值。本方案计算第
Figure 37030DEST_PATH_IMAGE031
个非待调控的上游节 点的第一增长率
Figure 14213DEST_PATH_IMAGE038
时，会计算多个时间区间的数据，利用
Figure 82663DEST_PATH_IMAGE039
计算出第
Figure 221520DEST_PATH_IMAGE031
个非 待调控的上游节点的第一增长率
Figure 70528DEST_PATH_IMAGE038
。
Figure 320243DEST_PATH_IMAGE040
为上游影响系数，
Figure 508779DEST_PATH_IMAGE041
为上游节点的当前能耗数据，
Figure 84117DEST_PATH_IMAGE042
为待调控的上游节点的 数量，
Figure 154841DEST_PATH_IMAGE043
为非待调控的上游节点的数量，
Figure 411510DEST_PATH_IMAGE044
为待调控的上游节点的生产量，
Figure 516869DEST_PATH_IMAGE045
为非待调控 的上游节点的生产量，
Figure 997529DEST_PATH_IMAGE046
为第三计算权重，
Figure 493233DEST_PATH_IMAGE047
为下游影响系数，
Figure 350330DEST_PATH_IMAGE048
为下游节点的当前能 耗数据，
Figure 310196DEST_PATH_IMAGE049
为待调控的下游节点的数量，
Figure 165020DEST_PATH_IMAGE050
为非待调控的下游节点的数量，
Figure 210336DEST_PATH_IMAGE051
为待调控 的下游节点的生产量，
Figure 871125DEST_PATH_IMAGE052
为非待调控的下游节点的生产量，
Figure 623180DEST_PATH_IMAGE053
为第四计算权重。可以理 解的是，待调控的上游节点的数量
Figure 711222DEST_PATH_IMAGE054
越多，上游影响系数
Figure 243834DEST_PATH_IMAGE055
会越大，同理，非待调控的上 游节点的数量
Figure 442734DEST_PATH_IMAGE043
越大，上游影响系数
Figure 49296DEST_PATH_IMAGE040
会越小，每个非待调控的上游节点的生产量越大， 上游影响系数
Figure 573818DEST_PATH_IMAGE040
会越小；同理，待调控的下游节点的数量
Figure 328148DEST_PATH_IMAGE049
越多，下游影响系数
Figure 766957DEST_PATH_IMAGE047
会越 大，每个待调控的下游节点的生产量越大，下游影响系数
Figure 555921DEST_PATH_IMAGE047
会越大，非待调控的下游节点 的数量
Figure 985766DEST_PATH_IMAGE050
越大，下游影响系数
Figure 165074DEST_PATH_IMAGE047
会越小，每个非待调控的下游节点的生产量越大，下游影 响系数
Figure 705777DEST_PATH_IMAGE047
会越小；其中，第三计算权重
Figure 614827DEST_PATH_IMAGE046
可以是人为设置的，用于调整上游影响系数
Figure 153256DEST_PATH_IMAGE040
，第四计算权重
Figure 882178DEST_PATH_IMAGE053
可以是人为设置的，用于调整上游影响系数
Figure 226571DEST_PATH_IMAGE047
。
Figure 927811DEST_PATH_IMAGE056
为行业能耗预测数据，
Figure 433879DEST_PATH_IMAGE057
为目标能耗数据，
Figure 915676DEST_PATH_IMAGE058
为行业能耗预测权重，
Figure 798181DEST_PATH_IMAGE059
为预测偏移值。
S6，基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业下相应企业的能耗预测信息。
本方案为了对行业下某一个企业的能耗进行相应的预测，在得到行业能耗预测数据后，会对预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业下相应企业的能耗预测信息。
针对第一类型企业：
在一些实施例中，若判断预测目标节点内每个企业分别只具有第一行业标签，则将预测目标节点内所有的企业作为第一类型企业，根据第一类型企业在预测目标节点内当前时刻的第一能耗信息进行计算得到每个第一类型企业的行业能耗占比；根据所述行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻第一类型企业的能耗预测信息。
可以理解的是，当所有的企业为第一类型企业时，说明该企业只有一个行业，上述实施例已经得到了行业能耗预测数据，本方案只需要利用当前时刻的第一能耗信息进行计算得到每个第一类型企业的行业能耗占比，然后利用行业能耗占比和行业能耗预测数据计算出下一个时刻第一类型企业的能耗预测信息即可。
针对第二类型企业和第三类型企业：
本方案计算企业下相应企业的能耗预测信息时，采用了正向路径预测和反向路径预测两种方式，分别精准的得到第二类型企业和第三类型企业的能耗预测信息。
针对第二类型企业（包括第二行业标签和第三行业标签的企业）的能耗预测信息：
在一些实施例中，所述基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息具体包括：
将预测目标节点内存在第二行业标签的企业作为第二类型企业，根据所述第二类型企业在预测目标节点内当前时刻的行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻该企业的第一子能耗预测信息。
首先，本方案会依据第二行业标签找到所有的第二类型企业，然后确定第二类型企业在预测目标节点内当前时刻的行业能耗占比（例如第二类型企业A在预测目标节点内当前时刻的行业能耗占比为10%），然后与行业能耗预测数据（预测数据例如是1000KW）进行计算，得到下一个时刻该企业的第一子能耗预测信息（例如是100 KW）。
计算公式如下：
Figure 353927DEST_PATH_IMAGE060
其中，
Figure 562055DEST_PATH_IMAGE061
为第
Figure 999989DEST_PATH_IMAGE062
个企业在下一个时刻的第一子能耗预测信息，
Figure 623869DEST_PATH_IMAGE063
为行业能耗预 测数据，
Figure 362018DEST_PATH_IMAGE064
为第
Figure 209888DEST_PATH_IMAGE062
个企业在当前时刻的第二耗能信息。通过
Figure 338381DEST_PATH_IMAGE065
可以得到第
Figure 828268DEST_PATH_IMAGE062
个企业在预 测目标节点内当前时刻的行业能耗占比。
获取第二类型企业所对应的第三行业标签在行业能耗路径的下一个节点处当前时刻的第三能耗信息，根据第一子能耗预测信息、预测目标节点内第二行业标签的企业的第二耗能信息进行计算得到正向路径预测降低比例，根据所述正向路径预测降低比例、当前时刻的第三能耗信息进行计算得到第二子能耗预测信息。
本方案会计算出第二类型企业所对应的第三行业标签在行业能耗路径的下一个节点处当前时刻的第三能耗信息（相关下游行业的第三能耗信息，例如是10 KW），然后利用第一子能耗预测信息（例如是100 KW）、预测目标节点内第二行业标签的企业的第二耗能信息（现在的能耗值，例如是200 KW）进行计算得到正向路径预测降低比例，可以理解的是，在调控的影响（一般是向下调控）下，本方案中的第一子能耗预测信息是小于第二耗能信息的，因此，本方案会得到一个正向路径预测降低比例。
例如，第一子能耗预测信息例如是100 KW，第二耗能信息例如是200 KW，那么正向路径预测降低比例为50%。
在得到正向路径预测降低比例后，会利用正向路径预测降低比例对当前时刻的第三能耗信息进行计算得到第二子能耗预测信息。
例如，正向路径预测降低比例为50%，第三能耗信息（相关下游行业的第三能耗信息，例如是10 KW），那么第二子能耗预测信息为5KW。
计算公式如下：
Figure 155344DEST_PATH_IMAGE066
其中，
Figure 642957DEST_PATH_IMAGE067
为正向路径预测降低比例，
Figure 55484DEST_PATH_IMAGE068
为第三能耗信息，
Figure 83483DEST_PATH_IMAGE069
为第二子能耗预测 信息，
Figure 791082DEST_PATH_IMAGE070
为正向预测权重值。
可以理解的是，在上游产业（对应第二行业标签）出现调控时，必定会对下游产业（对应第三行业标签）产生影响，本方案会利用上游的正向路径预测降低比例，来对下游的能耗进行调整，得到下游影响后的第二子能耗预测信息，可以较为精准的计算出企业的预测能耗。
根据所述第一子能耗预测信息、第二子能耗预测信息得到所述第二类型企业所对应的能耗预测信息。本方案在计算出第一子能耗预测信息和第二子能耗预测信息后，会综合第一子能耗预测信息（对应第二行业标签）、第二子能耗预测信息（对应第三行业标签）计算出第二类型企业所对应的能耗预测信息，可以是将第一子能耗预测信与第二子能耗预测信息相加，本方案可以较为全面和准确的计算出第二类型企业的能耗预测信息。
针对下游企业（第三类型企业）的能耗预测信息：
在另一些实施例中，所述基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息具体包括：
将预测目标节点内存在第三行业标签的企业作为第三类型企业，根据所述第三类型企业在预测目标节点内当前时刻的行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻该企业的第三子能耗预测信息。
首先，本方案会依据第三行业标签找到所有的第三类型企业，然后确定第三类型企业在预测目标节点内当前时刻的行业能耗占比（例如第三类型企业B在预测目标节点内当前时刻的行业能耗占比为20%），然后与行业能耗预测数据（预测数据例如是1000KW）进行计算，得到下一个时刻该企业的第三子能耗预测信息（例如是200KW）。
计算公式如下：
Figure 246334DEST_PATH_IMAGE071
其中，
Figure 411736DEST_PATH_IMAGE072
为第
Figure 181109DEST_PATH_IMAGE073
个企业在下一个时刻的第三子能耗预测信息，
Figure 217198DEST_PATH_IMAGE074
为第三类型企 业在当前时刻的第三耗能信息。
获取第三类型企业所对应的第二行业标签在行业能耗路径的上一个节点处当前时刻的第二能耗信息，根据第三子能耗预测信息、预测目标节点内第三行业标签的企业的第三耗能信息进行计算得到反向路径预测降低比例，根据所述反向路径预测降低比例、当前时刻的第二能耗信息进行计算得到第四子能耗预测信息。
本方案会计算出第三类型企业所对应的第二行业标签在行业能耗路径的上一个节点处当前时刻的第二能耗信息（相关上游行业的第二能耗信息，例如是500KW），然后利用第三子能耗预测信息（例如是200KW）、预测目标节点内第三行业标签的企业的第三耗能信息（现在的能耗值，例如是100KW）进行计算得到反向路径预测降低比例，可以理解的是，在调控的影响（一般是向下调控）下，本方案中的第一子能耗预测信息是小于第二耗能信息的，因此，本方案会得到一个正向路径预测降低比例。
例如，第三子能耗预测信息例如是200KW，第三耗能信息例如是100KW，那么反向路径预测降低比例为50%。
在得到反向路径预测降低比例后，会利用反向路径预测降低比例对当前时刻的第二能耗信息进行计算得到第四子能耗预测信息。
例如，反向路径预测降低比例为50%，第三能耗信息（（相关上游行业的第二能耗信息，例如是500KW），那么第四子能耗预测信息为250KW。
计算公式如下：
Figure 108931DEST_PATH_IMAGE075
其中，
Figure 496050DEST_PATH_IMAGE076
为反向路径预测降低比例，
Figure 803534DEST_PATH_IMAGE077
为第四子能耗预测信息，
Figure 225288DEST_PATH_IMAGE078
为当前时刻的 第二能耗信息，
Figure 22343DEST_PATH_IMAGE079
为反向预测权重值。
可以理解的是，在下游产业（对应第三行业标签）出现调控时，必定会对上游产业（对应第二行业标签）产生影响，本方案会利用下游的反向路径预测降低比例，来对上游的能耗进行调整，得到上游影响后的第四子能耗预测信息，可以较为精准的计算出企业的预测能耗。
根据所述第三子能耗预测信息、第四子能耗预测信息得到所述第三类型企业所对应的能耗预测信息。本方案在计算出第三子能耗预测信息和第四子能耗预测信息后，会综合第三子能耗预测信息（对应第三行业标签）、第四子能耗预测信息（对应第二行业标签）计算出第三类型企业所对应的能耗预测信息，可以是将第三子能耗预测信息和第四子能耗预测信相加，本方案可以较为全面和准确的计算出第三类型企业的能耗预测信息。
在上述实施例的基础上，本方案还包括步骤a1-a4,具体如下：
a1，统计行业能耗路径中所有节点分别对应的行业能耗预测数据得到在下一个时刻的总能耗预测数据。
可以理解的是，本方案会统计目标区域内各节点分别对应的行业能耗预测数据得到在下一个时刻的总能耗预测数据。
a2，获取目标区域内的电碳因子，根据所述电碳因子、总能耗预测数据得到目标区域内的不可再生能耗需求的碳排放量。
其中，电碳因子是指每消耗一度电所产生的二氧化碳，每个目标区域的电碳因子都是可以不一样的，本方案会得到目标区域内的电碳因子，并利用电碳因子和总能耗预测数据，计算出目标区域内的不可再生能耗需求的碳排放量。
a3，若所述不可再生能耗需求的碳排放量大于预设排放量，则根据不可再生能耗需求的碳排放量和预设排放量的差值进行计算得到可再生能源的碳排放降低量。
本方案会对不可再生能耗需求的碳排放量进行监控，如果不可再生能耗需求的碳排放量大于了预设值，那么本方案会利用不可再生能耗需求的碳排放量和预设排放量的差值计算出可再生能源的碳排放降低量。
可以理解的是，本方案利用可再生能源的碳排放降低量来抵消不可再生能耗需求的碳排放量大于预设排放量的值，控制目标区域内的不可再生能耗需求的碳排放量在一定范围内。
a4，根据行业能耗路径中每个行业能耗预测数据占总能耗预测数据的比例、可再生能源的碳排放降低量得到每个行业的可再生能源配置第一子量。
在得到可再生能源的碳排放降低量之后，本方案会按照行业能耗路径中每个行业能耗预测数据占总能耗预测数据的比例，将可再生能源的碳排放降低量划分到每个行业的可再生能源配置第一子量。
示例性的，行业A的行业能耗预测数据占总能耗预测数据的比例为20%，行业B的行业能耗预测数据占总能耗预测数据的比例为50%，行业C的行业能耗预测数据占总能耗预测数据的比例为30%，可再生能源的碳排放降低量为1万吨，那么行业A的可再生能源配置第一子量为2000吨，行业B的可再生能源配置第一子量为5000吨，行业C的可再生能源配置第一子量为3000吨。
在一些实施例中，得到每个行业的可再生能源配置第一子量后，还获取每个行业的行业属性以及企业的地理属性，根据所述行业属性、地理属性确定每一个行业的清洁能源制造行为。例如，在沿海城市，制造业的企业，清洁能源制造行为可以是水利发电，再例如，在西北地区，制造业的企业，清洁能源制造行为可以是风力发电或者光伏发电。
确定所述清洁能源制造行为所对应的单位时间的碳排放降低量，根据单位时间的碳排放降低量、预设时间段、可再生能源配置第一子量得到每个行业所对应的产能设备数量。
在得到清洁能源制造行为后，本方案会确定清洁能源制造行为所对应的单位时间的碳排放降低量，例如，针对光伏发电行为，一个标准光伏发电设备1天生产10度电，可以降低20KG二氧化碳排放量。
本方案还会接收预设时间段（例如是100天），然后综合碳排放降低量、预设时间段、可再生能源配置第一子量得到每个行业所对应的产能设备数量。
示例性的，行业A的可再生能源配置第一子量为2000吨，一个标准光伏发电设备1天生产10度电，可以降低20KG二氧化碳量，需要在100天内完成可再生能源配置第一子量，那么就需要配置100台标准光伏发电设备。
参见图3，是本发明实施例提供的一种基于电力大数据的行业能耗预测系统的结构示意图，该基于电力大数据的行业能耗预测系统包括设置于目标区域的服务器以及在目标区域内每个企业设置的至少一个采集端，通过以下模块对行业能耗进行预测，具体包括：
标签生成模块，用于使服务器若判断目标区域内的企业只具有一种企业属性则生成相对应的第一行业标签，若判断目标区域内的企业具有多种企业属性则生成相对应的第二行业标签和第三行业标签，所述第二行业标签为所述第三行业标签的上游行业；
能耗获取模块，用于使采集端根据企业的第一行业标签、第二行业标签以及第三行业标签获取每一个企业在预设时间段内的能耗行为，得到具有相应企业标签的第一能耗信息、第二能耗信息以及第三能耗信息；
分类模块，用于使服务器对所有的第一能耗信息、第二能耗信息以及第三能耗信息按照行业属性进行分类得到多个行业能耗集合，根据行业的上下游关系生成行业能耗路径，每个行业能耗集合为行业能耗路径中的其中一个节点；
选中模块，用于使服务器根据预测请求选中所述行业能耗路径中的一个节点作为预测目标节点，获取所述预测目标节点的所有上游节点的上游能耗数据，以及所有下游节点的下游能耗数据，所述上游能耗数据和下游能耗数据包括第一能耗信息、第二能耗信息以及第三能耗信息中的任意一种或多种；
调控计算模块，用于使服务器若判断上游节点和/或下游节点具有相对应的调控配置信息，根据所述调控配置信息对所述上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，根据所述第一计算数据和/或第二计算数据得到预测偏移值，根据所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据；
预测模块，用于基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息。
图3所示实施例的装置对应地可用于执行图1所示方法实施例中的步骤，其实现原理和技术效果类似，此处不再赘述。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (4)

1.基于电力大数据的行业能耗预测方法，其特征在于，包括设置于目标区域的服务器以及在目标区域内每个企业设置的至少一个采集端，通过以下步骤对行业能耗进行预测，具体包括：
服务器若判断目标区域内的企业只具有一种企业属性则生成相对应的第一行业标签，若判断目标区域内的企业具有多种企业属性则生成相对应的第二行业标签和第三行业标签，所述第二行业标签为所述第三行业标签的上游行业；
采集端根据企业的第一行业标签、第二行业标签以及第三行业标签获取每一个企业在预设时间段内的能耗行为，得到具有相应企业标签的第一能耗信息、第二能耗信息以及第三能耗信息；
服务器对所有的第一能耗信息、第二能耗信息以及第三能耗信息按照行业属性进行分类得到多个行业能耗集合，根据行业的上下游关系生成行业能耗路径，每个行业能耗集合为行业能耗路径中的其中一个节点；
服务器根据预测请求选中所述行业能耗路径中的一个节点作为预测目标节点，获取所述预测目标节点的所有上游节点的上游能耗数据，以及所有下游节点的下游能耗数据，所述上游能耗数据和下游能耗数据均包括第一能耗信息、第二能耗信息以及第三能耗信息中的任意一种或多种；
服务器若判断上游节点和/或下游节点具有相对应的调控配置信息，则根据所述调控配置信息对所述上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，根据所述第一计算数据和/或第二计算数据得到预测偏移值，根据所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据；
基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息；
所述服务器根据预测请求选中所述行业能耗路径中的一个节点作为预测目标节点，获取所述预测目标节点的所有上游节点的上游能耗数据，以及所有下游节点的下游能耗数据具体包括：
根据所述预测请求选中的预测行业在行业能耗路径中得到相对应的预测目标节点；
若判断所述上游节点为多个，则分别计算多个上游节点的能耗数据之和得到上游能耗数据；
若判断所述下游节点为多个，则分别计算多个下游节点的能耗数据之和得到下游能耗数据；
所述服务器若判断上游节点和/或下游节点具有相对应的调控配置信息，根据所述调控配置信息对所述上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，根据所述第一计算数据和/或第二计算数据得到预测偏移值，根据所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据具体包括：
若所述上游节点和/或下游节点为多个，则获取所述调控配置信息中所对应的调控配置比例以及调控目标行业，根据所述调控目标行业确定待调控的上游节点和/或下游节点；
根据所述调控配置比例对待调控的上游节点和/或下游节点的上游能耗数据和/或下游能耗数据进行调控处理，得到上游子调控数据和/或下游子调控数据；
根据对非待调控的上游节点和/或下游节点历史的上游能耗数据和/或下游能耗数据进行生产预测，得到上游预测数据和/或下游预测数据；
根据所述上游子调控数据和/或上游预测数据计算得到第一计算数据，根据所述下游子调控数据和/或下游预测数据进行计算得到第二计算数据；
将所述第一计算数据、第二计算数据分别与上游节点和下游节点的当前能耗数据进行比对得到第一差值数据和第二差值数据；
获取所述第一差值数据和第二差值数据分别对应的上游影响系数和下游影响系数，根据所述第一差值数据、第二差值数据、上游影响系数和下游影响系数得到预测偏移值，基于所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据；
所述获取所述第一计算数据和/或第二计算数据分别对应的上游影响系数和下游影响系数，根据所述第一计算数据和/或第二计算数据、上游影响系数和下游影响系数得到预测偏移值，基于所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据具体包括：
根据待调控的上游节点的数量、每个待调控的上游节点的生产量、非待调控的上游节点的数量、每个非待调控的上游节点的生产量进行计算得到上游影响系数；
根据待调控的下游节点的数量、每个待调控的下游节点的生产量、非待调控的下游节点的数量、每个非待调控的下游节点的生产量进行计算得到下游影响系数；
根据所述上游影响系数、下游影响系数进行融合计算得到预测偏移值，通过预测偏移值对目标能耗数据进行偏移计算得到行业能耗预测数据；
所述基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息具体包括：
若判断预测目标节点内每个企业分别只具有第一行业标签，则将预测目标节点内所有的企业作为第一类型企业，根据第一类型企业在预测目标节点内当前时刻的第一能耗信息进行计算得到每个第一类型企业的行业能耗占比；
根据所述行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻第一类型企业的能耗预测信息；
所述基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息，还包括：
将预测目标节点内存在第二行业标签的企业作为第二类型企业，根据所述第二类型企业在预测目标节点内当前时刻的行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻该企业的第一子能耗预测信息；
获取第二类型企业所对应的第三行业标签在行业能耗路径的下一个节点处当前时刻的第三能耗信息，根据第一子能耗预测信息、预测目标节点内第二行业标签的企业的第二耗能信息进行计算得到正向路径预测降低比例，根据所述正向路径预测降低比例、当前时刻的第三能耗信息进行计算得到第二子能耗预测信息；
根据所述第一子能耗预测信息、第二子能耗预测信息得到所述第二类型企业所对应的能耗预测信息；
所述基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息，还包括：
将预测目标节点内存在第三行业标签的企业作为第三类型企业，根据所述第三类型企业在预测目标节点内当前时刻的行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻该企业的第三子能耗预测信息；
获取第三类型企业所对应的第二行业标签在行业能耗路径的上一个节点处当前时刻的第二能耗信息，根据第三子能耗预测信息、预测目标节点内第三行业标签的企业的第三耗能信息进行计算得到反向路径预测降低比例，根据所述反向路径预测降低比例、当前时刻的第二能耗信息进行计算得到第四子能耗预测信息；
根据所述第三子能耗预测信息、第四子能耗预测信息得到所述第三类型企业所对应的能耗预测信息。
2.根据权利要求1中所述的基于电力大数据的行业能耗预测方法，其特征在于，还包括：
统计行业能耗路径中所有节点分别对应的行业能耗预测数据得到下一个时刻的总能耗预测数据；
获取目标区域内的电碳因子，根据所述电碳因子、总能耗预测数据得到目标区域内的不可再生能耗需求的碳排放量；
若所述不可再生能耗需求的碳排放量大于预设排放量，则根据不可再生能耗需求的碳排放量和预设排放量的差值进行计算得到可再生能源的碳排放降低量；
根据行业能耗路径中每个行业能耗预测数据占总能耗预测数据的比例、可再生能源的碳排放降低量得到每个行业的可再生能源配置第一子量。
3.根据权利要求2所述的基于电力大数据的行业能耗预测方法，其特征在于，还包括：
获取每个行业的行业属性以及企业的地理属性，根据所述行业属性、地理属性确定每一个行业的清洁能源制造行为；
确定所述清洁能源制造行为所对应的单位时间的碳排放降低量，根据单位时间的碳排放降低量、预设时间段、可再生能源配置第一子量得到每个行业所对应的产能设备数量。
4.基于电力大数据的行业能耗预测系统，其特征在于，包括设置于目标区域的服务器以及在目标区域内每个企业设置的至少一个采集端，通过以下模块对行业能耗进行预测，具体包括：
标签生成模块，用于使服务器若判断目标区域内的企业只具有一种企业属性则生成相对应的第一行业标签，若判断目标区域内的企业具有多种企业属性则生成相对应的第二行业标签和第三行业标签，所述第二行业标签为所述第三行业标签的上游行业；
能耗获取模块，用于使采集端根据企业的第一行业标签、第二行业标签以及第三行业标签获取每一个企业在预设时间段内的能耗行为，得到具有相应企业标签的第一能耗信息、第二能耗信息以及第三能耗信息；
分类模块，用于使服务器对所有的第一能耗信息、第二能耗信息以及第三能耗信息按照行业属性进行分类得到多个行业能耗集合，根据行业的上下游关系生成行业能耗路径，每个行业能耗集合为行业能耗路径中的其中一个节点；
选中模块，用于使服务器根据预测请求选中所述行业能耗路径中的一个节点作为预测目标节点，获取所述预测目标节点的所有上游节点的上游能耗数据，以及所有下游节点的下游能耗数据，所述上游能耗数据和下游能耗数据均包括第一能耗信息、第二能耗信息以及第三能耗信息中的任意一种或多种；
调控计算模块，用于使服务器若判断上游节点和/或下游节点具有相对应的调控配置信息，则根据所述调控配置信息对所述上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，根据所述第一计算数据和/或第二计算数据得到预测偏移值，根据所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据；
预测模块，用于基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息；
所述服务器根据预测请求选中所述行业能耗路径中的一个节点作为预测目标节点，获取所述预测目标节点的所有上游节点的上游能耗数据，以及所有下游节点的下游能耗数据具体包括：
根据所述预测请求选中的预测行业在行业能耗路径中得到相对应的预测目标节点；
若判断所述上游节点为多个，则分别计算多个上游节点的能耗数据之和得到上游能耗数据；
若判断所述下游节点为多个，则分别计算多个下游节点的能耗数据之和得到下游能耗数据；
所述服务器若判断上游节点和/或下游节点具有相对应的调控配置信息，根据所述调控配置信息对所述上游能耗数据和/或下游能耗数据进行调控配置得到第一计算数据和/或第二计算数据，根据所述第一计算数据和/或第二计算数据得到预测偏移值，根据所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据具体包括：
若所述上游节点和/或下游节点为多个，则获取所述调控配置信息中所对应的调控配置比例以及调控目标行业，根据所述调控目标行业确定待调控的上游节点和/或下游节点；
根据所述调控配置比例对待调控的上游节点和/或下游节点的上游能耗数据和/或下游能耗数据进行调控处理，得到上游子调控数据和/或下游子调控数据；
根据对非待调控的上游节点和/或下游节点历史的上游能耗数据和/或下游能耗数据进行生产预测，得到上游预测数据和/或下游预测数据；
根据所述上游子调控数据和/或上游预测数据计算得到第一计算数据，根据所述下游子调控数据和/或下游预测数据进行计算得到第二计算数据；
将所述第一计算数据、第二计算数据分别与上游节点和下游节点的当前能耗数据进行比对得到第一差值数据和第二差值数据；
获取所述第一差值数据和第二差值数据分别对应的上游影响系数和下游影响系数，根据所述第一差值数据、第二差值数据、上游影响系数和下游影响系数得到预测偏移值，基于所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据；
所述获取所述第一计算数据和/或第二计算数据分别对应的上游影响系数和下游影响系数，根据所述第一计算数据和/或第二计算数据、上游影响系数和下游影响系数得到预测偏移值，基于所述预测偏移值对预测目标节点的目标能耗数据进行偏移计算，得到行业能耗预测数据具体包括：
根据待调控的上游节点的数量、每个待调控的上游节点的生产量、非待调控的上游节点的数量、每个非待调控的上游节点的生产量进行计算得到上游影响系数；
根据待调控的下游节点的数量、每个待调控的下游节点的生产量、非待调控的下游节点的数量、每个非待调控的下游节点的生产量进行计算得到下游影响系数；
根据所述上游影响系数、下游影响系数进行融合计算得到预测偏移值，通过预测偏移值对目标能耗数据进行偏移计算得到行业能耗预测数据；
所述基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息具体包括：
若判断预测目标节点内每个企业分别只具有第一行业标签，则将预测目标节点内所有的企业作为第一类型企业，根据第一类型企业在预测目标节点内当前时刻的第一能耗信息进行计算得到每个第一类型企业的行业能耗占比；
根据所述行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻第一类型企业的能耗预测信息；
所述基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息，还包括：
将预测目标节点内存在第二行业标签的企业作为第二类型企业，根据所述第二类型企业在预测目标节点内当前时刻的行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻该企业的第一子能耗预测信息；
获取第二类型企业所对应的第三行业标签在行业能耗路径的下一个节点处当前时刻的第三能耗信息，根据第一子能耗预测信息、预测目标节点内第二行业标签的企业的第二耗能信息进行计算得到正向路径预测降低比例，根据所述正向路径预测降低比例、当前时刻的第三能耗信息进行计算得到第二子能耗预测信息；
根据所述第一子能耗预测信息、第二子能耗预测信息得到所述第二类型企业所对应的能耗预测信息；
所述基于所述行业能耗预测数据，以及预测目标节点内每个企业的第一行业标签、第二行业标签以及第三行业标签进行预测，得到每个企业的能耗预测信息，还包括：
将预测目标节点内存在第三行业标签的企业作为第三类型企业，根据所述第三类型企业在预测目标节点内当前时刻的行业能耗占比、行业能耗预测数据进行计算，得到下一个时刻该企业的第三子能耗预测信息；
获取第三类型企业所对应的第二行业标签在行业能耗路径的上一个节点处当前时刻的第二能耗信息，根据第三子能耗预测信息、预测目标节点内第三行业标签的企业的第三耗能信息进行计算得到反向路径预测降低比例，根据所述反向路径预测降低比例、当前时刻的第二能耗信息进行计算得到第四子能耗预测信息；
根据所述第三子能耗预测信息、第四子能耗预测信息得到所述第三类型企业所对应的能耗预测信息。
CN202210963853.XA 2022-08-11 2022-08-11 基于电力大数据的行业能耗预测方法及预测系统 Active CN115062872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210963853.XA CN115062872B (zh) 2022-08-11 2022-08-11 基于电力大数据的行业能耗预测方法及预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210963853.XA CN115062872B (zh) 2022-08-11 2022-08-11 基于电力大数据的行业能耗预测方法及预测系统

Publications (2)

Publication Number Publication Date
CN115062872A CN115062872A (zh) 2022-09-16
CN115062872B true CN115062872B (zh) 2022-11-08

Family

ID=83208333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210963853.XA Active CN115062872B (zh) 2022-08-11 2022-08-11 基于电力大数据的行业能耗预测方法及预测系统

Country Status (1)

Country Link
CN (1) CN115062872B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374404B (zh) * 2022-10-20 2023-01-24 国网(宁波)综合能源服务有限公司 基于多维数据对行业月度电能占比偏差的修正方法
CN115345532B (zh) * 2022-10-20 2022-12-20 中国建筑科学研究院有限公司 一种智能群控电供暖系统碳排放管理平台及方法
CN117458450B (zh) * 2023-10-25 2024-04-02 青岛德士朗电气有限公司 电力数据能耗预测分析方法及系统
CN117970890B (zh) * 2024-02-02 2024-07-23 太和气体（荆州）有限公司 基于数据分析的二氧化碳生产的人工智能控制系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657784A (zh) * 2014-12-24 2015-05-27 同济大学 基于企业生产与能耗耦合模型的能源优化方法
CN110134094A (zh) * 2019-06-07 2019-08-16 广州远正智能科技股份有限公司 一种工业企业能源消耗监测管理系统
CN113657661A (zh) * 2021-08-12 2021-11-16 南方电网数字电网研究院有限公司 一种企业碳排放预测方法、装置、计算机设备和存储介质
CN114065993A (zh) * 2020-08-07 2022-02-18 国网能源研究院有限公司 高耗能行业中行业单位产量能耗预测方法、系统及设备
CN114091980A (zh) * 2022-01-14 2022-02-25 国网浙江省电力有限公司 基于分布式监测的碳排放量计算方法、装置及存储介质
CN114722104A (zh) * 2022-06-07 2022-07-08 台州宏创电力集团有限公司科技分公司 基于区块链的企业碳排能耗数据管理运营系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382905A (zh) * 2020-03-04 2020-07-07 湖南城市学院 一种综合利用自然能源的能源利用系统及方法
CN111914090B (zh) * 2020-08-18 2021-05-04 生态环境部环境规划院 一种企业行业分类识别及其特征污染物识别的方法及装置
CN114399294B (zh) * 2022-03-25 2022-07-01 江苏擎天工业互联网有限公司 一种应用于碳排放计量仪的碳排放自动核算方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657784A (zh) * 2014-12-24 2015-05-27 同济大学 基于企业生产与能耗耦合模型的能源优化方法
CN110134094A (zh) * 2019-06-07 2019-08-16 广州远正智能科技股份有限公司 一种工业企业能源消耗监测管理系统
CN114065993A (zh) * 2020-08-07 2022-02-18 国网能源研究院有限公司 高耗能行业中行业单位产量能耗预测方法、系统及设备
CN113657661A (zh) * 2021-08-12 2021-11-16 南方电网数字电网研究院有限公司 一种企业碳排放预测方法、装置、计算机设备和存储介质
CN114091980A (zh) * 2022-01-14 2022-02-25 国网浙江省电力有限公司 基于分布式监测的碳排放量计算方法、装置及存储介质
CN114722104A (zh) * 2022-06-07 2022-07-08 台州宏创电力集团有限公司科技分公司 基于区块链的企业碳排能耗数据管理运营系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Energy consumption and potential of energy-saving of China based on industry classifications";Linbao Liu 等;《2011 International Conference on Remote Sensing, Environment and Transportation Engineering》;20110728;第293-299页 *
基于造纸企业月度数据的行业能耗及节能潜力分析;叶诺等;《中国造纸》;20160815(第08期);全文 *
电力行业对地区节能和碳排放强度下降目标贡献分析;田中华等;《中国电力》;20150305(第03期);全文 *

Also Published As

Publication number Publication date
CN115062872A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN115062872B (zh) 基于电力大数据的行业能耗预测方法及预测系统
Leader et al. The effect of critical material prices on the competitiveness of clean energy technologies
Saputra et al. Energy demand prediction with federated learning for electric vehicle networks
Guevara et al. A machine learning and distributionally robust optimization framework for strategic energy planning under uncertainty
Mao et al. A novel short-term wind speed prediction based on MFEC
CN102831489A (zh) 电力配网建设物资需求预测方法及装置
Sharmila et al. A hybrid technique of machine learning and data analytics for optimized distribution of renewable energy resources targeting smart energy management
Graber et al. Battery second-life for dedicated and shared energy storage systems supporting EV charging stations
Fatima et al. Oil demand forecasting for China: a fresh evidence from structural time series analysis
Manas Optimization of distributed generation based hybrid renewable energy system for a DC micro-grid using particle swarm optimization
Erdogan et al. A hybrid power Heronian function-based multicriteria decision-making model for workplace charging scheduling algorithms
Ramesh et al. Spatio-Temporal Deep Learning-Assisted Reduced Security-Constrained Unit Commitment
Chang et al. Segment‐condition‐based railway track maintenance schedule optimization
Akshay et al. Power consumption prediction for electric vehicle charging stations and forecasting income
Filipova-Petrakieva et al. Short-Term Forecasting of Hourly Electricity Power Demand: Reggresion and Cluster Methods for Short-Term Prognosis
Zhu et al. Multi-objective sizing optimization method of microgrid considering cost and carbon emissions
Liao et al. Probabilistic modeling of renewable energy sources in smart grids: A stochastic optimization perspective
Leiva et al. Data-driven flexibility prediction in low voltage power networks
Rajendran Pillai et al. Exploring the Potential of Microgrids in the Effective Utilisation of Renewable Energy: A Comprehensive Analysis of Evolving Themes and Future Priorities Using Main Path Analysis
Naveena et al. Elevating sustainability with a multi-renewable hydrogen generation system empowered by machine learning and multi-objective optimization
Charbonnier et al. Home electricity data generator (HEDGE): An open-access tool for the generation of electric vehicle, residential demand, and PV generation profiles
CN116432437A (zh) 一种光伏发电单元综合评价方法和系统
Sammar et al. Illuminating the Future: A Comprehensive Review of AI-Based Solar Irradiance Prediction Models
Onugha et al. Rethinking consumer-centric markets under uncertainty: a robust approach to community-based energy trades
Rasheed et al. Improving the efficiency of deep learning models using supervised approach for load forecasting of electric vehicles

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