CN115879726A - 一种企业用电量与排放量数据相互优化筛选方法 - Google Patents
一种企业用电量与排放量数据相互优化筛选方法 Download PDFInfo
- Publication number
- CN115879726A CN115879726A CN202211669000.1A CN202211669000A CN115879726A CN 115879726 A CN115879726 A CN 115879726A CN 202211669000 A CN202211669000 A CN 202211669000A CN 115879726 A CN115879726 A CN 115879726A
- Authority
- CN
- China
- Prior art keywords
- data
- enterprise
- screening
- power consumption
- emission
- 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.)
- Granted
Links
- 238000012216 screening Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 50
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 36
- 239000003546 flue gas Substances 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 5
- 239000001301 oxygen Substances 0.000 claims abstract description 5
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 5
- 230000005611 electricity Effects 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 239000013618 particulate matter Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 14
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 238000010835 comparative analysis Methods 0.000 abstract description 4
- 238000007619 statistical method Methods 0.000 abstract description 4
- 238000003915 air pollution Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的企业用电量与排放量数据相互优化筛选方法，通过多参数CEMs排放报表，根据用电量、排放量的特点，将疑似停产、无效、故障数据进行优化剔除；根据统计学原理，对企业烟气含氧量、烟气流量、烟气温度、烟气湿度等指标进行筛选，根据不同数据区间内数据频数，判断数据区间，根据超几何分布计算数据概率，选取μ±2σ作为正常生产区间；最后，根据用电量，根据不同数据区间的频数，判断数据为离散型或连续型，对数据最终筛选，采用对比分析、统计分析、逻辑判断、物理量验证等多手段，建立企业用电量和排放量的互相优化验证方法，准确地把握企业的生产状况和排放情况；通过多参数耦合验证，对数据进行优化，操作简单，应用性好。
Description
技术领域
本发明涉及大气环境科学领域和电网技术领域，尤其涉及一种企业用电量与排放量数据相互优化筛选方法。
背景技术
当前，大气污染防治正向PM2.5与臭氧协同控制方向迈进，工业污染物排放为造成大气污染的重要因素。目前，根据生态环境部统一要求，重点排污企业均新上企业烟气在线监控(CEMs)设备和用电监控设备，可以实现对企业生产状态和排污状况开展实时监控。
当前，企业烟气在线监控(CEMs)数据目前虽已建立质控标准，但目前该标准依然不够优化，数据依然存在一系列问题，且烟气排口并非与生产设施完全耦合。另一方面，用电监控数据可以更加精准的定位到企业的生产环节，且分辨率能够达到15分钟，但目前数据质控手段严重不足，企业用电量数据亟需优化。
另一方面，当前尚缺乏基于电力和排放数据互相优化筛选的方法，用电和排放数据并非完全同步，单纯从企业用电量和排放量角度，均无法准确地把握企业的生产状况和排放情况。需要结合用电量和排放量，通过多参数耦合验证，对二者数据进行优化，并识别和标记企业排放和用电不同工况。
因此，本领域的技术人员致力于开发一种企业用电量与排放量数据相互优化筛选方法，以解决上述现有技术的不足。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是目前尚缺乏基于电力和排放数据互相优化筛选的方法，无法准确地把握企业的生产状况和排放情况，数据质控手段严重不足，企业用电量数据亟需优化的缺陷问题。
为实现上述目的，本发明提供了一种企业用电量与排放量数据相互优化筛选方法，通过多参数CEMs排放报表，根据用电量、排放量的特点，将疑似停产、无效、故障数据进行优化剔除；根据统计学原理，对企业烟气含氧量、烟气流量、烟气温度、烟气湿度等指标进行筛选，根据不同数据区间内数据频数，判断数据区间，根据超几何分布计算数据概率，选取μ±2σ作为正常生产区间；最后，根据用电量，根据不同数据区间的频数，判断数据为离散型或连续型，对数据最终筛选；
所述一种企业用电量与排放量数据相互优化筛选方法，具体包括以下步骤：
步骤1、结合企业或工艺环节用电量和排放量，剔除企业停产、设备故障时段用电量和排污量数据；具体包括以下步骤，
步骤1-1、在数据符合国家、地方相应标准前提下，根据《固定污染源烟气(SO2、NOx、颗粒物)排放连续监测技术规范》(HJ75-2017)等用电、排污数据质控标准对数据进行初步筛选；
步骤1-2、整理排污环节和用电环节，使得用电数据指标A和排污数据指标B～E均为统一时刻、同一设备的监测值；所述用电数据指标A为企业用电量；所述排污数据指标B、C、D、E分别为，企业烟气含氧量、企业烟气流量、企业烟气温度、企业烟气湿度；
步骤1-3、根据企业生产状态构建映射关系，实现企业生产状态标记：
其中，Ai和Bi分别为任意时刻小时用电量和烟气流量值；
步骤1-4、根据步骤1-3所构建的映射关系进行数据筛选，剔除企业生产状态标记为企业/生产线停产、用电监控故障、在线监控故障的数据，得到优化后数据A1、B1～E1，作为初筛数据；
步骤2、根据企业烟气在线监控数据(CEMs)报表，确定企业正常生产时的相关参数范围，选出烟气工况聚集稳定的数据区间，筛选生产工况正常数据；具体包括以下步骤，
步骤2-1、基于步骤1-4所得数据A1～E1，对B1～E1数据进行统计整理，根据数据分布范围得到各参数值频数分布直方图；
步骤2-2、基于步骤2-1所得直方图，找出B1～E1数据分布规律，判断数据离散性或连续性：
步骤2-3、根据步骤2-2判断所得的数据类型分别进行处理，数据离散型进行步骤2-3-1，数据连续型进行2-3-2；
步骤2-3-1、基于步骤2-2，离散型排放数据根据离散变量概率分布，将距离平均值2倍标准偏差(μ±2σ)作为正常稳定生产时段数据，确定稳定生产数据范围；
其中，μ为数据参数平均值，σ为所选数据的标准偏差；
步骤2-3-2、基于步骤2-2，连续型排放数据根据连续概率分布，对每个峰值附近数据，采用正态分布、t概率分布方法，确定每个峰值数据时段数据正常分布范围；
步骤2-4、基于步骤2-3-1或步骤2-3-2得到的参数范围，对数据进行筛选优化：
其中，
Bi～Ei为任意时刻小时排放代表参数值，Bt～Et为稳定生产时段的参数代表值范围；
步骤2-5、输出优化后数据A2、B2～E2，作为次筛数据；
步骤3、以企业小时用电量为基础，根据用电量规律，筛选用电工况正常时，用电量和烟气流量均稳定生产的数据；具体包括以下步骤，
步骤3-1、基于步骤2-5所得数据A2～E2，对A2数据进行统计整理，根据数据分布范围得到用电数据值频数分布直方图；
步骤3-2、根据步骤3-1所得直方图，找出A2数据分布规律，判断数据离散性或连续性：
步骤3-3、根据步骤3-2判断所得的数据类型分别进行处理，数据离散型进行步骤3-3-1，数据连续型进行3-3-2；
步骤3-3-1、基于步骤3-2，离散型用电数据根据离散变量概率分布，将距离平均值1倍标准偏差(μ±σ)作为正常稳定生产时段数据，确定稳定生产数据范围；
其中，μ为数据参数平均值，σ为所选数据的标准偏差；
步骤3-3-2、基于步骤3-2，连续型用电数据根据连续概率分布，对每个峰值附近数据，采用正态分布、t概率分布方法，确定每个峰值数据时段数据正常分布范围；
步骤3-4、基于步骤3-3-1或步骤3-3-2得到的参数范围，对数据进行筛选优化：
其中，
Ai为任意时刻小时用电代表参数值，At为稳定生产时段的用电参数代表值范围；
步骤3-5、输出优化后数据A3、B3～E3，作为终筛数据；
采用以上方案，本发明公开的企业用电量与排放量数据相互优化筛选方法，具有以下优点：
(1)本发明的企业用电量与排放量数据相互优化筛选方法，采用对比分析、统计分析、逻辑判断、物理量验证等多手段，建立企业用电量和排放量的互相优化验证方法；
(2)本发明的企业用电量与排放量数据相互优化筛选方法，基于电力和排放数据互相优化筛选的方法，准确地把握企业的生产状况和排放情况；结合用电量和排放量，通过多参数耦合验证，对二者数据进行优化，并识别和标记企业排放和用电不同工况；
(3)本发明的企业用电量与排放量数据相互优化筛选方法，操作简单，应用性好；
综上所述，本发明公开的企业用电量与排放量数据相互优化筛选方法，采用对比分析、统计分析、逻辑判断、物理量验证等多手段，建立企业用电量和排放量的互相优化验证方法，基于电力和排放数据互相优化筛选的方法，准确地把握企业的生产状况和排放情况；结合用电量和排放量，通过多参数耦合验证，对二者数据进行优化，并识别和标记企业排放和用电不同工况，操作简单，应用性好。
以下将结合具体实施方式对本发明的构思、具体技术方案及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明一种企业用电量与排放量数据相互优化筛选方法流程图；
图2是本发明一种企业用电量与排放量数据相互优化筛选方法的数据筛选方法逻辑图；
图3是本发明一种企业用电量与排放量数据相互优化筛选方法实施例1的不同筛选阶段数据关系热密度图；
图4是本发明一种企业用电量与排放量数据相互优化筛选方法实施例1的验证参数合理性情况图；
具体实施方式
以下介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，这些实施例为示例性描述，本发明的保护范围并非仅限于文中提到的实施例。
实施例1、采用一种企业用电量与排放量数据相互优化筛选方法进行某企业数据相互优化
步骤1、结合企业或工艺环节用电量和排放量，剔除企业停产、设备故障时段用电量和排污量数据；具体包括以下步骤，
步骤1-1、在数据符合国家、地方相应标准前提下，根据《固定污染源烟气(SO2、NOx、颗粒物)排放连续监测技术规范》(HJ75-2017)等用电、排污数据质控标准对数据进行初步筛选；
步骤1-2、匹配排污环节和用电环节，使得用电数据指标A和排污数据指标B～E均为统一时刻、同一设备的监测值；所述用电数据指标A为企业用电量；所述排污数据指标B、C、D、E分别为，企业烟气流量、企业烟气含氧量、企业烟气温度、企业烟气湿度；
步骤1-3、根据企业生产状态构建映射关系，实现企业生产状态标记：
其中，Ai和Bi分别为任意时刻小时用电量和烟气流量值；
步骤1-4、根据步骤1-3所构建的映射关系进行数据筛选，剔除企业生产状态标记为企业/生产线停产、用电监控故障、在线监控故障的数据，得到优化后数据A1、B1～E1，作为初筛数据；
步骤2、根据企业烟气在线监控数据(CEMs)报表，确定企业正常生产时的相关参数范围，选出烟气工况聚集稳定的数据区间，筛选生产工况正常数据；具体包括以下步骤，
步骤2-1、基于步骤1-4所得数据A1～E1，对B1～E1数据进行统计整理，根据数据分布范围得到各参数值频数分布直方图；
步骤2-2、基于步骤2-1所得直方图，找出B1～E1数据分布规律，判断数据离散性或连续性：
步骤2-3、根据步骤2-2判断所得的数据类型分别进行处理，数据离散型进行步骤2-3-1，数据连续型进行2-3-2；
步骤2-3-1、基于步骤2-2，离散型排放数据根据离散变量概率分布，将距离平均值2倍标准偏差(μ±2σ)作为正常稳定生产时段数据，确定稳定生产数据范围；
其中，μ为数据参数平均值，σ为所选数据的标准偏差；
步骤2-3-2、基于步骤2-2，连续型排放数据根据连续概率分布，对每个峰值附近数据，采用正态分布、t概率分布方法，确定每个峰值数据时段数据正常分布范围；
步骤2-4、基于步骤2-3-1或步骤2-3-2得到的参数范围，对数据进行筛选优化：
其中，
Bi～Ei为任意时刻小时排放代表参数值，Bt～Et为稳定生产时段的参数代表值范围；
步骤2-5、输出优化后数据A2、B2～E2，作为次筛数据；
步骤3、以企业小时用电量为基础，根据用电量规律，筛选用电工况正常时，用电量和烟气流量均稳定生产的数据；具体包括以下步骤，
步骤3-1、基于步骤2-5所得数据A2～E2，对A2数据进行统计整理，根据数据分布范围得到用电数据值频数分布直方图；
步骤3-2、根据步骤3-1所得直方图，找出A2数据分布规律，判断数据离散性或连续性：
步骤3-3、根据步骤3-2判断所得的数据类型分别进行处理，数据离散型进行步骤3-3-1，数据连续型进行3-3-2；
步骤3-3-1、基于步骤3-2，离散型用电数据根据离散变量概率分布，将距离平均值1倍标准偏差(μ±σ)作为正常稳定生产时段数据，确定稳定生产数据范围；
其中，μ为数据参数平均值，σ为所选数据的标准偏差；
步骤3-3-2、基于步骤3-2，连续型用电数据根据连续概率分布，对每个峰值附近数据，采用正态分布、t概率分布方法，确定每个峰值数据时段数据正常分布范围；
步骤3-4、基于步骤3-3-1或步骤3-3-2得到的参数范围，对数据进行筛选优化：
其中，
Ai为任意时刻小时用电代表参数值，At为稳定生产时段的用电参数代表值范围；
步骤3-5、输出优化后数据A3、B3～E3，作为终筛数据；
步骤4、基于A～B，将A1～B1、A3～B3两组数据作为对比，进行验证；采用包括极差、标准差、IQR值、置信区间判别的方法，观察数据极差和标准偏差的差异，若数据优化后，数据极差和标准偏差均明显降低，则表明数据筛选优化必要且方法可行；
图3和图4为数据筛选优化前后用电量和排放参数的结果；
由图3可知，由原始数据A～B，到筛选优化后的数据A3～B3，异常数据筛除后，数据聚集度进一步增加，数据更能体现出规律性特征，可以明显的看出，企业/生产线正常生产时，用电监控环节用电量约为220-250kwh，此时排放量为175-190万m3；
图4为数据筛选优化不同阶段的数据极差和标准偏差；由图4可知，数据优化后，数据极差和标准偏差均明显降低，其中用电量极差由235kwh下降至88kwh，下降62.5％；标准偏差由22kwh下降至13kwh，下降40.9％。相应的，排放参数中的烟气流量极差由246万m3下降至202万m3，下降18％；标准偏差由42万m3下降至21万m3，下降50％；
综上所述，本专利技术方案，采用对比分析、统计分析、逻辑判断、物理量验证等多手段，建立企业用电量和排放量的互相优化验证方法，基于电力和排放数据互相优化筛选的方法，准确地把握企业的生产状况和排放情况；结合用电量和排放量，通过多参数耦合验证，对二者数据进行优化，并识别和标记企业排放和用电不同工况，操作简单，应用性好；
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (4)
1.一种企业用电量与排放量数据相互优化筛选方法，其特征在于，包括如下步骤：
步骤1、结合企业或工艺环节用电量和排放量，剔除企业停产、设备故障时段用电量和排污量数据；
步骤2、根据企业烟气在线监控数据(CEMs)报表，确定企业正常生产时的相关参数范围，选出烟气工况聚集稳定的数据区间，筛选生产工况正常数据；
步骤3、以企业小时用电量为基础，根据用电量规律，筛选用电工况正常时，用电量和烟气流量均稳定生产的数据。
2.如权利要求1所述相互优化筛选方法，所述步骤1中，其特征在于，具体包括以下步骤，
步骤1-1、在数据符合国家、地方相应标准前提下，根据《固定污染源烟气(SO2、NOx、颗粒物)排放连续监测技术规范》(HJ75-2017)等用电、排污数据质控标准对数据进行初步筛选；
步骤1-2、匹配排污环节和用电环节，使得用电数据指标A和排污数据指标B～E均为统一时刻、同一设备的监测值；所述用电数据指标A为企业用电量；所述排污数据指标B、C、D分别为，企业烟气流量、企业烟气含氧量、企业烟气温度和企业烟气湿度；
步骤1-3、根据企业生产状态构建映射关系，实现企业生产状态标记：
其中，Ai和Bi分别为任意时刻小时用电量和烟气流量值；
步骤1-4、根据步骤1-3所构建的映射关系进行数据筛选，剔除企业生产状态标记为企业/生产线停产、用电监控故障、在线监控故障的数据，得到优化后数据A1、B1～E1，作为初筛数据。
3.如权利要求1所述相互优化筛选方法，所述步骤2中，其特征在于，具体包括以下步骤，
步骤2-1、基于步骤1-4所得数据A1～E1，对B1～E1数据进行统计整理，根据数据分布范围得到各参数值频数分布直方图；
步骤2-2、基于步骤2-1所得直方图，找出B1～E1数据分布规律，判断数据离散性或连续性：
步骤2-3、根据步骤2-2判断所得的数据类型分别进行处理，数据离散型进行步骤2-3-1，数据连续型进行2-3-2；
步骤2-3-1、基于步骤2-2，离散型排放数据根据离散变量概率分布，将距离平均值2倍标准偏差(μ±2σ)作为正常稳定生产时段数据，确定稳定生产数据范围；
其中，μ为数据参数平均值，σ为所选数据的标准偏差；
步骤2-3-2、基于步骤2-2，连续型排放数据根据连续概率分布，对每个峰值附近数据，采用正态分布、t概率分布方法，确定每个峰值数据时段数据正常分布范围；
步骤2-4、基于步骤2-3-1或步骤2-3-2得到的参数范围，对数据进行筛选优化：
其中，
Bi～Ei为任意时刻小时排放代表参数值，Bt～Et为稳定生产时段的参数代表值范围；
步骤2-5、输出优化后数据A2、B2～E2，作为次筛数据。
4.如权利要求1所述相互优化筛选方法，所述步骤3中，其特征在于，具体包括以下步骤，
步骤3-1、基于步骤2-5所得数据A2～E2，对A2数据进行统计整理，根据数据分布范围得到用电数据值频数分布直方图；
步骤3-2、根据步骤3-1所得直方图，找出A2数据分布规律，判断数据离散性或连续性：
步骤3-3、根据步骤3-2判断所得的数据类型分别进行处理，数据离散型进行步骤3-3-1，数据连续型进行3-3-2；
步骤3-3-1、基于步骤3-2，离散型用电数据根据离散变量概率分布，将距离平均值1倍标准偏差(μ±σ)作为正常稳定生产时段数据，确定稳定生产数据范围；
其中，μ为数据参数平均值，σ为所选数据的标准偏差；
步骤3-3-2、基于步骤3-2，连续型用电数据根据连续概率分布，对每个峰值附近数据，采用正态分布、t概率分布方法，确定每个峰值数据时段数据正常分布范围；
步骤3-4、基于步骤3-3-1或步骤3-3-2得到的参数范围，对数据进行筛选优化：
其中，
Ai为任意时刻小时用电代表参数值，At为稳定生产时段的用电参数代表值范围；
步骤3-5、输出优化后数据A3、B3～E3，作为终筛数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211669000.1A CN115879726B (zh) | 2022-12-23 | 2022-12-23 | 一种企业生产状况与排放量监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211669000.1A CN115879726B (zh) | 2022-12-23 | 2022-12-23 | 一种企业生产状况与排放量监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115879726A true CN115879726A (zh) | 2023-03-31 |
| CN115879726B CN115879726B (zh) | 2023-10-31 |
Family
ID=85754471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211669000.1A Active CN115879726B (zh) | 2022-12-23 | 2022-12-23 | 一种企业生产状况与排放量监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879726B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236971A (zh) * | 2023-09-21 | 2023-12-15 | 中节能天融科技有限公司 | 多工况排放数据造假检测方法、装置及系统和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190228374A1 (en) * | 2013-01-13 | 2019-07-25 | Retail Technologies Corporation | Mobile Tablet Gun System With Mobile Tablet Having A Mobile POS And Enterprise Resource Planning Application For Pos Customer Order Fulfillment And In-store Inventory Management For Retail Establishment |
| CN111523794A (zh) * | 2020-04-21 | 2020-08-11 | 国网四川省电力公司电力科学研究院 | 基于污染排放企业用电特性的环保管控措施响应研判方法 |
| WO2021129509A1 (zh) * | 2019-12-25 | 2021-07-01 | 国网能源研究院有限公司 | 一种大中型企业技术标准体系化实施效益评价方法 |
| CN113988711A (zh) * | 2021-11-22 | 2022-01-28 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的管控状态下排污企业停或限产监测方法 |
| CN114049033A (zh) * | 2021-11-22 | 2022-02-15 | 国网江苏省电力有限公司连云港供电分公司 | 一种基于用电数据分布的排污企业监测方法 |
| CN115146537A (zh) * | 2022-07-12 | 2022-10-04 | 四川大学 | 基于耗电量的大气污染物排放量估算模型构建方法及系统 |
-
2022
- 2022-12-23 CN CN202211669000.1A patent/CN115879726B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190228374A1 (en) * | 2013-01-13 | 2019-07-25 | Retail Technologies Corporation | Mobile Tablet Gun System With Mobile Tablet Having A Mobile POS And Enterprise Resource Planning Application For Pos Customer Order Fulfillment And In-store Inventory Management For Retail Establishment |
| WO2021129509A1 (zh) * | 2019-12-25 | 2021-07-01 | 国网能源研究院有限公司 | 一种大中型企业技术标准体系化实施效益评价方法 |
| CN111523794A (zh) * | 2020-04-21 | 2020-08-11 | 国网四川省电力公司电力科学研究院 | 基于污染排放企业用电特性的环保管控措施响应研判方法 |
| CN113988711A (zh) * | 2021-11-22 | 2022-01-28 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的管控状态下排污企业停或限产监测方法 |
| CN114049033A (zh) * | 2021-11-22 | 2022-02-15 | 国网江苏省电力有限公司连云港供电分公司 | 一种基于用电数据分布的排污企业监测方法 |
| CN115146537A (zh) * | 2022-07-12 | 2022-10-04 | 四川大学 | 基于耗电量的大气污染物排放量估算模型构建方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 柳瑞禹: "中国电力需求与行业因素 —基于高耗能行业的实证分析", 《武汉大学学报（工学版）》, vol. 44, no. 5, pages 638 - 664 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236971A (zh) * | 2023-09-21 | 2023-12-15 | 中节能天融科技有限公司 | 多工况排放数据造假检测方法、装置及系统和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115879726B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| CN110889088A (zh) | 一种应用电力模型辅助的企业排污监管方法 | |
| CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
| CN112434962B (zh) | 基于电力负荷数据的企业用户状态评估方法和系统 | |
| CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
| CN110994599B (zh) | 基于大数据的特高压交直流送出型电网稳定性判断方法 | |
| CN105548744A (zh) | 一种基于运检大数据的变电设备故障识别方法及其系统 | |
| CN115879726B (zh) | 一种企业生产状况与排放量监测方法 | |
| CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
| CN116742799A (zh) | 一种基于物联网技术的配电辅助监测预警系统 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN110930057A (zh) | 基于lof算法的配电变压器检验结果可信度的量化评判方法 | |
| CN113792988A (zh) | 一种企业在线监测数据异常识别方法 | |
| CN110750760B (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
| CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
| CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
| CN117691722A (zh) | 一种锂电池充电安全监测预警方法及系统 | |
| CN111241656B (zh) | 一种配电变压器出口电压异常点检测算法 | |
| CN117491787A (zh) | 一种芯片生产设备电磁干扰检测系统 | |
| CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
| CN114662981B (zh) | 基于大数据应用的污染源企业监管方法 | |
| CN112561230A (zh) | 基于电气特征的环保设备状态监测方法 | |
| CN114860808A (zh) | 基于大数据的配电网设备异常事件关联分析方法 | |
| CN113591909A (zh) | 电力系统的异常检测方法、异常检测装置以及存储介质 | |
| CN117849700B (zh) | 可控制测量的模块化电能计量系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |