CN115907307B - 面向电网实时数据交互的电力系统碳排放流在线分析方法 - Google Patents
面向电网实时数据交互的电力系统碳排放流在线分析方法 Download PDFInfo
- Publication number
- CN115907307B CN115907307B CN202310006843.1A CN202310006843A CN115907307B CN 115907307 B CN115907307 B CN 115907307B CN 202310006843 A CN202310006843 A CN 202310006843A CN 115907307 B CN115907307 B CN 115907307B
- Authority
- CN
- China
- Prior art keywords
- data
- power
- target
- suspicious
- initial
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 88
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 87
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 142
- 238000012545 processing Methods 0.000 claims abstract description 116
- 230000005611 electricity Effects 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000005206 flow analysis Methods 0.000 claims abstract description 36
- 230000005856 abnormality Effects 0.000 claims abstract description 30
- 230000003993 interaction Effects 0.000 claims abstract description 27
- 238000003860 storage Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 80
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 22
- 238000005096 rolling process Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 22
- 238000009826 distribution Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003763 carbonization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本申请涉及一种面向电网实时数据交互的电力系统碳排放流在线分析方法、装置、计算机设备和存储介质。包括：获取当前时间段内的电力相关数据；对电力相关数据进行异常识别处理，若存在第一可疑数据，则对第一可疑数据进行异常识别，并对识别的异常数据进行替补处理，获得目标光伏机组出力数据；若存在第二可疑数据，则对第二可疑数据进行异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据；若存在第三可疑数据，则对第三可疑数据进行异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据；基于目标光伏机组出力数据、目标用电负荷数据以及目标风电机组功率数据进行碳流分析。采用本方法能够提高碳流分析精度。
Description
技术领域
本申请涉及电力系统技术领域，特别是涉及一种面向电网实时数据交互的电力系统碳排放流在线分析方法、装置和计算机设备。
背景技术
电力系统在运行过程中会涉及到碳排放，为了实现电力系统的低碳化，了解电力系统中的碳排放情况尤为重要。目前电力系统碳排放计算主要有宏观统计法和碳流分析法，这些碳流计算中存在部分数据具有随机性、不确定性特点，容易受极端复合事件等的影响而产生波动，在目前的研究中由于没有充分考虑随机波动性数据，由此导致碳流计算的精度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高碳流计算精度的面向电网实时数据交互的电力系统碳排放流在线分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种面向电网实时数据交互的电力系统碳排放流在线分析方法。所述方法包括：
获取电力系统在当前时间段内的电力相关数据，所述电力相关数据包括初始光伏机组出力数据 、初始用电负荷数据和初始风电机组功率数据；
对所述电力相关数据进行滚动式异常识别处理，获得异常识别结果；
若所述异常识别结果表征所述初始光伏机组出力数据中存在第一可疑数据，则基于多个第一气象因子对所述第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据；
若所述异常识别结果表征所述初始用电负荷数据中存在第二可疑数据，则基于多个第二气象因子对所述第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据；
若所述异常识别结果表征所述初始风电机组功率数据中存在第三可疑数据，则基于风力功率曲线对所述第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据；
基于所述目标光伏机组出力数据、所述目标用电负荷数据、以及目标风电机组功率数据进行碳流分析，得到碳流分析结果。
在其中一个实施例中，所述当前时间段包括多个时刻，所述对所述电力相关数据进行滚动式异常识别处理，获得异常识别结果，包括：
对于所述多个时刻中的任一目标时刻，获得所述目标时刻的当前电力相关数据、所述目标时刻的上一个时刻的第一电力相关数据和所述目标时刻的上两个时刻的第二电力相关数据；
基于所述当前电力相关数据和所述第一电力相关数据，获得第一变化值；
基于所述当前电力相关数据和所述第二电力相关数据，获得第二变化值；
将所述第一变化值和所述第二变化值，作为所述目标时刻的目标变化值；
基于各个时刻的目标变化值与预设阈值间的大小关系，确定所述电力相关数据中的可疑数据，以得到异常识别结果。
在其中一个实施例中，所述基于多个第一气象因子对所述第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据，包括：
确定与所述初始光伏机组出力数据相关的多个第一气象因子；
确定各第一气象因子分别与所述初始光伏机组出力数据之间的第一关联权重；
获取当前时间段内所述第一可疑数据所在时刻对应的第一目标气象因子；
获取在电力系统的历史时间段内各历史时刻的第一历史气象因子；
根据所述第一关联权重，计算所述第一目标气象因子分别与各历史时刻的第一历史气象因子之间的第一匹配程度；
根据所述第一匹配程度从所述第一可疑数据中确定异常数据，并对所述异常数据进行替补处理，获得目标光伏机组出力数据。
在其中一个实施例中，所述确定各第一气象因子分别与所述初始光伏机组出力数据之间的第一关联权重，包括：
基于各时刻的第一气象因子和各时刻的初始光伏机组出力数据，构建气象序列矩阵；
对所述气象序列矩阵进行无量纲处理，获得无量纲气象矩阵；
基于所述无量纲气象矩阵，确定在各时刻各类第一气象因子对应的初始关联参数；
对相同类别的第一气象因子在不同时刻的初始关联参数进行平均集中处理，确定每一种第一气象因子对应的目标关联参数；
根据各所述目标关联参数，确定各所述第一气象因子的关联权重。
在其中一个实施例中，所述根据所述第一匹配程度从所述第一可疑数据中确定异常数据，并对所述异常数据进行替补处理，获得目标光伏机组出力数据，包括：
从所述第一匹配程度中选取匹配程度最高的历史时刻对应的历史光伏机组出力数据；
将选取出的历史光伏机组出力数据与第一可疑数据进行比较，获得出力比较结果；
若所述出力比较结果达到预设出力误差阈值，则确定所述第一可疑数据为异常数据，并采用所述历史光伏机组出力数据替补所述异常数据，获得目标光伏机组出力数据。
在其中一个实施例中，所述基于多个第二气象因子对所述第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据，包括：
确定与所述初始用电负荷数据相关的多个第二气象因子；
确定各第二气象因子分别与所述初始用电负荷数据之间的第二关联权重；
获取当前时间段内所述第二可疑数据所在时刻对应的第二目标气象因子；
获取在电力系统的历史时间段内各历史时刻的第二历史气象因子；
根据所述第二关联权重，计算所述第二目标气象因子分别与各历史时刻的第二历史气象因子之间的第二匹配程度；
根据所述第二匹配程度从所述第二可疑数据中确定异常数据，并对确定出的异常数据进行替补处理，获得目标用电负荷数据。
在其中一个实施例中，所述基于风力功率曲线对所述第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据，包括：
获取所述第三可疑数据所在时刻对应的测风数据；
基于所述测风数据和所述风力功率曲线，确定出所述第三可疑数据所在时刻的功率理论值；
将所述功率理论值与第三可疑数据进行比较，获得功率比较结果；
若所述功率比较结果达到预设功率误差阈值，则确定所述第三可疑数据为异常数据，并采用所述功率理论值替补所述异常数据，获得目标风电机组功率数据。
第二方面，本申请还提供了一种面向电网实时数据交互的电力系统碳排放流在线分析装置。所述装置包括：
数据获取模块，用于获取电力系统在当前时间段内的电力相关数据，所述电力相关数据包括初始光伏机组出力数据、初始用电负荷数据和初始风电机组功率数据；
第一数据处理模块，用于对所述电力相关数据进行滚动式异常识别处理，获得异常识别结果；
第二数据处理模块，用于若所述异常识别结果表征所述初始光伏机组出力数据中存在第一可疑数据，则基于多个第一气象因子对所述第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据；
第三数据处理模块，用于若所述异常识别结果表征所述初始用电负荷数据中存在第二可疑数据，则基于多个第二气象因子对所述第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据；
第四数据处理模块，用于若所述异常识别结果表征所述初始风电机组功率数据中存在第三可疑数据，则基于风力功率曲线对所述第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据；
碳流分析模块，用于基于所述目标光伏机组出力数据、所述目标用电负荷数据、以及目标风电机组功率数据进行碳流分析，得到碳流分析结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述面向电网实时数据交互的电力系统碳排放流在线分析方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述面向电网实时数据交互的电力系统碳排放流在线分析方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述面向电网实时数据交互的电力系统碳排放流在线分析方法的步骤。
上述面向电网实时数据交互的电力系统碳排放流在线分析方法、装置、计算机设备、存储介质和计算机程序产品，获取电力系统在当前时间段内的电力相关数据，电力相关数据包括初始光伏机组出力数据、初始用电负荷数据和初始风电机组功率数据；对电力相关数据进行滚动式异常识别处理，获得异常识别结果；若异常识别结果表征初始光伏机组出力数据中存在第一可疑数据，则基于多个第一气象因子对第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据；若异常识别结果表征初始用电负荷数据中存在第二可疑数据，则基于多个第二气象因子对第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据；若异常识别结果表征初始风电机组功率数据中存在第三可疑数据，则基于风力功率曲线对第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据；基于目标光伏机组出力数据、目标用电负荷数据、以及目标风电机组功率数据进行碳流分析，得到碳流分析结果。其中，首先对电力相关数据进行滚动式异常识别处理，获得初步的异常识别结果，在此基础上，再分别针对异常识别结果中表征初始光伏机组出力数据中存在第一可疑数据、表征初始用电负荷数据中存在第二可疑数据以及表征初始风电机组功率数据中存在第三可疑数据的情况，进行再次异常识别处理，从而确定出异常数据，并对异常数据进行替补处理，获得目标光伏机组出力数据、目标用电负荷数据、以及目标风电机组功率数据，最后通过获得的目标光伏机组出力数据、目标用电负荷数据、以及目标风电机组功率数据进行碳流分析，进行了两次的异常识别来准确的确定出异常数据，并对异常数据进行了替补处理，可以很好的避免掉电力相关数据中异常数据所带来的影响，进而可以有效的提升碳流分析精度。
附图说明
图1为一个实施例中面向电网实时数据交互的电力系统碳排放流在线分析方法的流程示意图；
图2为另一个实施例中面向电网实时数据交互的电力系统碳排放流在线分析方法的流程示意图；
图3为一个实施例中面向电网实时数据交互的电力系统碳排放流在线分析步骤的流程示意图；
图4为另一个实施例中面向电网实时数据交互的电力系统碳排放流在线分析方法的流程示意图；
图5为一个实施例中面向电网实时数据交互的电力系统碳排放流在线分析装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的面向电网实时数据交互的电力系统碳排放流在线分析方法，可以应用于终端中，也可以应用于服务器中。其中，终端或者服务器可以获取电力系统在当前时间段内的电力相关数据，电力相关数据包括初始光伏机组出力数据、初始用电负荷数据和初始风电机组功率数据；对电力相关数据进行滚动式异常识别处理，获得异常识别结果；若异常识别结果表征初始光伏机组出力数据中存在第一可疑数据，则基于多个第一气象因子对第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据；若异常识别结果表征初始用电负荷数据中存在第二可疑数据，则基于多个第二气象因子对第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据；若异常识别结果表征初始风电机组功率数据中存在第三可疑数据，则基于风力功率曲线对第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据；基于目标光伏机组出力数据、目标用电负荷数据、以及目标风电机组功率数据进行碳流分析，得到碳流分析结果。
其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图1所示，提供了一种面向电网实时数据交互的电力系统碳排放流在线分析方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S102，获取电力系统在当前时间段内的电力相关数据，电力相关数据包括初始光伏机组出力数据、初始用电负荷数据和初始风电机组功率数据。
其中，当前时间段由多个时刻组成，当终端需要进行碳流分析时，可以获取当前时间段内的电力相关数据进行处理。电力相关数据是指与碳流分析相关的电力数据，电力相关数据可以包括初始光伏机组出力数据、初始用电负荷数据和初始风电机组功率数据。初始光伏机组出力数据可以是用于表示光伏机组在当前时间段内产生的电量情况的数据，初始用电负荷数据可以是用于表示在当前时间段内用户侧的负荷情况的数据，初始风电机组功率数据可以是用于表示在当前时间段内风电机组输入功率情况的数据。
步骤S104，对电力相关数据进行滚动式异常识别处理，获得异常识别结果。
其中，滚动式异常识别处理是指识别出电力相关数据中是否存在可疑数据的一种处理方式，终端可以分别对初始光伏机组出力数据、初始用电负荷数据和初始风电机组功率数据均进行滚动式异常识别处理，获得相应的异常识别结果。
步骤S106，若异常识别结果表征初始光伏机组出力数据中存在第一可疑数据，则基于多个第一气象因子对第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据。
其中，第一可疑数据可以为初始光伏机组出力数据中存在的可能异常的数据，第一气象因子可以是对初始光伏机组出力数据产生影响的气象因素，例如，第一气象因子可以包括温度、风速和湿度等。
其中，异常数据是终端通过对第一可疑数据再次异常识别之后，确定其仍为异常的数据，替补处理可以是终端对异常数据进行替换的过程，目标光伏机组数据可以是终端对初始光伏机组出力数据中的异常数据进行替补处理之后得到的数据。
具体的，终端若确定异常识别结果表征初始光伏机组出力数据中存在第一可疑数据，则可以基于温度、风速和湿度等对第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据。
步骤S108，若异常识别结果表征初始用电负荷数据中存在第二可疑数据，则基于多个第二气象因子对第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据。
其中，第二可疑数据可以是初始用电负荷数据中存在的可能异常的数据，第二气象因子可以是对初始用电负荷数据产生影响的气象因素，第二气象因子可以与第一气象因子完全不同，也可以完全相同，还可以部分相同、部分不同，例如，第二气象因子可以包括降水、温度、风速和湿度等。目标用电负荷数据可以是终端对初始用电负荷数据中的异常数据进行替补处理之后得到的数据。
具体的，终端若确定异常识别结果表征初始用电负荷数据中存在第二可疑数据，则可以基于降水、温度、风速和湿度等对第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据。
步骤S110，若异常识别结果表征初始风电机组功率数据中存在第三可疑数据，则基于风力功率曲线对第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据。
其中，第三可疑数据可以是指初始风电机组功率数据中存在的可能异常的数据，风力功率曲线可以是表示风电场中风力和功率拟合关系的曲线。具体的，终端若确定异常识别结果表征初始风电机组功率数据中存在第三可疑数据，则可以基于风力功率曲线对第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据。
步骤S112，基于目标光伏机组出力数据、目标用电负荷数据、以及目标风电机组功率数据进行碳流分析，得到碳流分析结果。
其中，终端在得到目标光伏机组出力数据、目标用电负荷数据、以及目标风电机组功率数据之后，则可以进行碳流分析，得到碳流分析结果。
具体的，终端在进行碳流分析时，可以先根据目标光伏机组出力数据、目标用电负荷数据、以及目标风电机组功率数据进行潮流计算，得到电网设备、负荷功率和支路传输功率等潮流计算结果，在潮流计算结果的基础上，生成机组注入分布矩阵、支路潮流分布矩阵、负荷分布矩阵，进一步计算节点有功通量矩阵和节点碳势向量，得到支路碳流率分布矩阵和负荷碳流率向量，最后建立碳流计算模型，完成碳流分析。
上述面向电网实时数据交互的电力系统碳排放流在线分析方法中，获取电力系统在当前时间段内电力相关数据，电力相关数据包括初始光伏机组出力数据 、初始用电负荷数据和初始风电机组功率数据；对电力相关数据进行滚动式异常识别处理，获得异常识别结果；若异常识别结果表征初始光伏机组出力数据中存在第一可疑数据，则基于多个第一气象因子对第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据；若异常识别结果表征初始用电负荷数据中存在第二可疑数据，则基于多个第二气象因子对第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据；若异常识别结果表征初始风电机组功率数据中存在第三可疑数据，则基于风力功率曲线对第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据；基于目标光伏机组出力数据、目标用电负荷数据、以及目标风电机组功率数据进行碳流分析，得到碳流分析结果。其中，首先对电力相关数据进行滚动式异常识别处理，获得异常识别结果，在此基础上，再分别针对异常识别结果表征初始光伏机组出力数据中存在第一可疑数据、异常识别结果表征初始用电负荷数据中存在第二可疑数据以及异常识别结果表征初始风电机组功率数据中存在第三可疑数据的情况，进行再次异常识别处理，从而确定出异常数据，并对异常数据进行替补处理，获得目标光伏机组出力数据、所述目标用电负荷数据、以及目标风电机组功率数据，最后通过获得的目标光伏机组出力数据、目标用电负荷数据、以及目标风电机组功率数据进行碳流分析，由于进行了两次的异常识别来确定出异常数据，且对异常数据进行了替补处理，因此可以有效的提升碳流分析精度。
在其中一个实施例中，如图2所示，当前时间段包括多个时刻，对电力相关数据进行滚动式异常识别处理，获得异常识别结果，包括以下步骤：
步骤S202，对于多个时刻中的任一目标时刻，获得目标时刻的当前电力相关数据、目标时刻的上一个时刻的第一电力相关数据和目标时刻的上两个时刻的第二电力相关数据。
其中，当前时间段包括多个时刻，针对每一个时刻，终端都可以计算出该时刻的变化值，因此，终端在计算各时刻的变化值的过程中，可以先选取多个时刻中的任意一个时刻作为目标时刻，然后获取目标时刻的当前电力相关数据、目标时刻的上一个时刻的第一电力相关数据以及目标时刻的上两个时刻的第二电力相关数据。
步骤S204，基于当前电力相关数据和第一电力相关数据，获得第一变化值。
其中，第一变化值是指终端根据电力相关数据和第一电力相关数据计算出的电力相关数据动态变化值，具体的，终端在获得第一变化值时，可以采用以下公式计算：
其中，L 1 表示第一变化值，L t 可以表示当前电力相关数据，L t-1 可以表示第一电力相关数据。
步骤S206，基于当前电力相关数据和第二电力相关数据，获得第二变化值。
其中，第二变化值是指终端根据电力相关数据和第二电力相关数据计算出的电力相关数据动态变化值，具体的，终端在获得第二变化值时，可以采用以下公式计算：
其中，L 2 表示第二变化值，L t 可以表示当前电力相关数据，L t-2 可以表示第二电力相关数据。
步骤S208，将第一变化值和第二变化值，作为目标时刻的目标变化值。
其中，目标变化值可以包括第一变化值和第二变化值。
步骤S210，基于各个时刻的目标变化值与预设阈值间的大小关系，确定电力相关数据中的可疑数据，以得到异常识别结果。
其中，预设阈值是指设定的用来确定电力相关数据中是否存在可疑数据的阈值，终端通过将目标变化值和预设阈值进行比较，从而可以得到异常识别结果。
在其中一个实施例中，针对初始光伏机组出力数据，终端可以通过上述计算第一变化值的公式，计算得到在每一个目标时刻，初始光伏机组出力数据的第一变化值，通过上述计算第二变化值的公式，计算得到在每一个目标时刻，初始光伏机组出力数据的第二变化值，然后将第一变化值以及第二变化值，作为初始光伏机组出力数据在目标时刻的目标变化值，从而终端可以根据目标变化值，确定初始光伏机组出力数据中是否存在第一可疑数据。具体的，终端在根据目标变化值确定初始光伏机组出力数据中是否存在第一可疑数据时，可以将第一变化值、第二变化值与设定的光伏机组出力变化阈值进行比较，若第一变化值和第二变化值均大于光伏机组出力变化阈值，则表示初始光伏机组出力数据中存在第一可疑数据，若第一变化值和第二变化值中的任意一个小于光伏机组出力变化阈值，则表示初始光伏机组出力数据中不存在第一可疑数据。
在其中一个实施例中，针对初始用电负荷数据，终端可以通过上述计算第一变化值的公式，计算得到在每一个目标时刻，初始用电负荷数据的第一变化值，通过上述计算第二变化值的公式，计算得到在每一个目标时刻，初始用电负荷数据的第二变化值，然后将第一变化值以及第二变化值，作为初始用电负荷数据在目标时刻的目标变化值，从而终端可以根据目标变化值，确定初始用电负荷数据中是否存在第二可疑数据。具体的，终端在根据目标变化值确定初始用电负荷数据中是否存在第二可疑数据时，可以将第一变化值、第二变化值与设定的用电负荷变化阈值进行比较，若第一变化值和第二变化值均大于用电负荷变化阈值，则表示初始用电负荷数据中存在第二可疑数据，若第一变化值和第二变化值中的任意一个小于用电负荷变化阈值，则表示初始用电负荷数据中不存在第二可疑数据。
在其中一个实施例中，针对初始风电机组功率数据，终端可以通过上述计算第一变化值的公式，计算得到在每一个目标时刻，初始风电机组功率数据的第一变化值，通过上述计算第二变化值的公式，计算得到在每一个目标时刻，初始风电机组功率数据的第二变化值，然后将第一变化值以及第二变化值，作为初始风电机组功率数据在目标时刻的目标变化值，从而终端可以根据目标变化值，确定初始风电机组功率数据中是否存在第三可疑数据。具体的，终端在根据目标变化值确定初始风电机组功率数据中是否存在第三可疑数据时，可以将第一变化值、第二变化值与设定的风电机组功率阈值进行比较，若第一变化值和第二变化值均大于风电机组功率阈值，则表示初始风电机组功率数据中存在第三可疑数据，若第一变化值和第二变化值中的任意一个小于用风电机组功率阈值，则表示初始风电机组功率数据中不存在第三可疑数据。
上述实施例中，终端基于滚动阈值的异常值识别法，可以分别检测出初始光伏机组出力数据中是否存在第一可疑数据、初始用电负荷数据中是否存在第二可疑数据以及初始风电机组功率数据中是否存在第三可疑数据，从而可以提升后续碳流分析的准确性。
在其中一个实施例中，如图3所示，基于多个第一气象因子对第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据，包括以下步骤：
步骤S302，确定与初始光伏机组出力数据相关的多个第一气象因子。
其中，终端可以确定出对初始光伏机组出力数据产生影响的气象因素，例如，第一气象因子可以包括温度、风速和湿度等。
步骤S304，确定各第一气象因子分别与初始光伏机组出力数据之间的第一关联权重。
其中，第一关联权重可以是指用于表示第一气象因子与初始光伏机组出力数据的关联程度的值，具体的，终端可以根据获得的第一气象因子，计算得到第一关联权重。
步骤S306，获取当前时间段内第一可疑数据所在时刻对应的第一目标气象因子。
其中，第一目标气象因子是指第一可疑数据所在时刻对应的气象因子，例如，若第一可疑数据所在时刻为某一天的上午10点，则相应的，终端可以获取上午10点对应的温度、风速和湿度等气象因子。
步骤S308，获取在电力系统的历史时间段内各历史时刻的第一历史气象因子。
其中，第一历史气象因子是指电力系统在历史运行过程中，各历史时刻的气象因子。
步骤S310，根据第一关联权重，计算第一目标气象因子分别与各历史时刻的第一历史气象因子之间的第一匹配程度。
其中，第一匹配程度是指第一目标气象因子分别与各历史时刻的第一历史气象因子之间的关联程度，具体的，终端获得的第一目标气象因子可以为在某日上午十点的温度、风速以及湿度，相应的，终端获得的第一历史气象因子可以为在电力运行系统历史运行过程中，在各历史时刻的温度、风速以及湿度，则在计算第一匹配程度时，可以先计算各气象因子之间的单一因素匹配度，如先计算上午十点的温度与任意一个历史时刻的温度之间的单一因素匹配度、上午十点的风速与任意一个历史时刻的风速之间的单一因素匹配度以及上午十点的湿度与任意一个历史时刻的湿度之间的单一因素匹配度，具体的，在计算时，可以采用如下公式展开计算：
其中，ax可以是指第一目标气象因子和第一历史气象因子为温度时，两者之间的单一因素匹配度，Ayt可以为第一目标气象因子对应的温度值，Axt可以为第一历史气象因子对应的温度值，bx可以是指第一目标气象因子和第一历史气象因子为风速时，两者之间的单一因素匹配度，Byt可以为第一目标气象因子对应的风速值，Bxt可以为第一历史气象因子对应的风速值，cx可以是指第一目标气象因子和第一历史气象因子为湿度时，两者之间的单一因素匹配度，Cyt可以为第一目标气象因子对应的湿度值，Cxt可以为第一历史气象因子对应的湿度值，y可以是指当前时间段的总时长。
进一步的，终端在计算得到各气象因子之间的单一因素匹配度之后，则可以将单一因素匹配度与第一关联权重进行加权求和处理，得到第一目标气象因子分别与各历史时刻的第一历史气象因子之间的第一匹配程度，具体的，针对第一目标气象因子与任意一个历史时刻的第一历史气象因子之间的第一匹配程度的计算过程为例进行说明，终端可以将温度的单一因素匹配度与温度对应的第一关联权重相乘、将风速的单一因素匹配度与风速对应的第一关联权重相乘以及将湿度的单一因素匹配度与湿度对应的第一关联权重相乘之后再求和，得到第一匹配程度。
步骤S312，根据第一匹配程度从第一可疑数据中确定异常数据，并对异常数据进行替补处理，获得目标光伏机组出力数据。
其中，终端在得到第一目标气象因子分别与各历史时刻的第一历史气象因子之间的第一匹配程度之后，则可以根据各第一匹配程度，从第一可疑数据中确定异常数据，并对异常数据进行替补处理，获得目标光伏机组出力数据。
上述实施例中，终端通过充分考虑第一气象因子与初始光伏机组出力数据的关联关系，从而对第一可疑数据进行了再次异常识别处理，可以有效的提升初始光伏机组出力数据的精度，从而后续能够更好地对发电计划与运行方式的制定、电源电网规划优化决策和碳排放责任的定量分摊提供科学的指导。
在其中一个实施例中，如图4所示，确定各第一气象因子分别与初始光伏机组出力数据之间的第一关联权重，包括以下步骤：
步骤S402，基于各时刻的第一气象因子和各时刻的初始光伏机组出力数据，构建气象序列矩阵。
其中，气象序列矩阵可以是指各时刻的第一气象因子和初始光伏机组出力数据之间的序列矩阵，具体的，若第一气象因子包括温度、风速以及湿度，则终端根据温度、风速、湿度以及初始光伏机组出力数据构建的气象序列矩阵如下所示：
其中，Xxt为气象序列矩阵，Axt、Bxt、Mxt等可以表示第一气象因子，Lxt可以指初始光伏机组出力数据，则A1t…Axt可以是从第一个时刻到第x个时刻的温度，B1t…Bxt可以是指从第一个时刻到第x个时刻的风速，M1t…Mxt可以是指从第一个时刻到第x个时刻的湿度，L1t…Lxt可以是指从第一个时刻到第x个时刻的初始光伏机组出力数据。
步骤S404，对气象序列矩阵进行无量纲处理，获得无量纲气象矩阵。
其中，终端在得到气象序列之后，可以对气象序列矩阵进行无量纲处理，得到无量纲气象矩阵，具体的，无量纲气象矩阵可以由气象因子以及初始光伏机组出力数据进行无量纲处理之后得到的气象因子序列、初始光伏机组出力数据序列组成，具体可以如下所示：
其中，
为无量纲气象矩阵，
、
、
均表示气象因子序列，
表示初始光伏机组出力数据序列，其中， 
可以为温度均值，
可以为风速均值，
可以为湿度均值，
可以为由初始光伏机组出力数据计算得到的均值，其中，x的取值可以为1、2…等。
步骤S406，基于无量纲气象矩阵，确定在各时刻各类第一气象因子对应的初始关联参数。
其中，初始关联参数可以是表征在各时刻，第一气象因子与初始光伏机组出力数据的关联程度的参数，具体的，终端可以基于无量纲气象矩阵，获得各气象因子序列以及初始光伏机组出力数据序列之间的序列差值，然后根据序列差值，计算得到初始关联参数，其中，序列差值可以由如下矩阵所示：
其中，
表示系列差值矩阵，系列差值矩阵中的
、
、
等均可以表示序列差值。
进一步的，终端在获得系列差值矩阵之后，可以根据以下公式计算得到在任意一个时刻各类第一气象因子对应的初始关联参数：
其中，S i (A)可以表示第一气象因子为温度时，温度对应的初始关联参数，S i (B)可以表示第一气象因子为风速时，风速对应的初始关联参数，S i (M)可以表示第一气象因子为湿度时，湿度对应的初始关联参数。
其中，
其中，a可以为X’’ xt中的最小值，b可以为X’’ xt中的最大值，λ可以取0.5。
步骤S408，对相同类别的第一气象因子在不同时刻的初始关联参数进行平均集中处理，确定每一种第一气象因子对应的目标关联参数。
其中，目标关联参数是指由各个时刻的初始关联参数进行集中处理之后所得到的参数，其可以从整体上体现出第一气象因子和初始光伏机组出力数据之间的关联程度，终端针对相同类别的第一气象因子，将其对应的各个时刻的初始关联参数集中为一个值，即求其平均值，获得目标关联参数，具体的，在计算式涉及到的公式如下所示：
其中，ϕ为目标关联参数，t是指各个时刻的总时长，x是指第x个时刻，Si表示某一个时刻的初始关联参数。
步骤S410，根据各目标关联参数，确定各第一气象因子的关联权重。
其中，终端针对每一个第一气象因子，均可以对其在每一个时刻的初始关联参数进行平均集中处理，获得对应的目标关联参数，然后根据每一个第一气象因子对应的目标关联参数，确定出各关联权重，具体的，在计算关联权重时，可以采用如下公式：
其中，ω可以表示关联权重，φ表示任意一个第一气象因子的目标关联参数，
表示各第一气象因子的目标关联参数的和，j=A、B、C…M对应第一气象因子的种类。
上述实施例中，终端通过构建矩阵的方式，综合考虑了第一气象因子与电力系统单变量之间的关联性，确定出了第一气象因子与初始光伏机组出力数据之间的关联程度。
在其中一个实施例中，根据第一匹配程度从第一可疑数据中确定异常数据，并对异常数据进行替补处理，获得目标光伏机组出力数据，包括：从第一匹配程度中选取匹配程度最高的历史时刻对应的历史光伏机组出力数据；将选取出的历史光伏机组出力数据与第一可疑数据进行比较，获得出力比较结果；若出力比较结果达到预设出力误差阈值，则确定第一可疑数据为异常数据，并采用历史光伏机组出力数据替补所述异常数据，获得目标光伏机组出力数据。
其中，预设出力误差阈值是指预先设定的确定第一可疑数据是否为异常数据的阈值，终端获得各第一匹配程度之后，则可以从第一匹配程度中选取匹配程度最高（即数值最大）的历史时刻对应的历史光伏机组出力数据，将选取出的历史光伏机组出力数据与第一可疑数据进行比较，获得出力比较结果；若出力比较结果达到预设出力误差阈值，则确定第一可疑数据为异常数据，并采用历史光伏机组出力数据替换掉异常数据，从而获得目标光伏机组出力数据。
上述实施例中，终端根据第一可疑数据、历史光伏机组出力数据以及预设出力误差阈值，来确定第一可疑数据是否为异常数据，并在确定为异常数据时，对第一可疑数据进行替补处理，可以保证计算电力系统光伏机组出力的准确性。
在其中一个实施例中，基于多个第二气象因子对第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据，包括：确定与初始用电负荷数据相关的多个第二气象因子；确定各第二气象因子分别与初始用电负荷数据之间的第二关联权重；获取当前时间段内第二可疑数据所在时刻对应的第二目标气象因子；获取在电力系统的历史时间段内各历史时刻的第二历史气象因子；根据第二关联权重，计算第二目标气象因子分别与各历史时刻的第二历史气象因子之间的第二匹配程度；根据第二匹配程度从第二可疑数据中确定异常数据，并对确定出的异常数据进行替补处理，获得目标用电负荷数据。
其中，终端可以确定出对初始用电负荷数据产生影响的气象因素，例如，第二气象因子可以包括温度、降水和湿度等，第二关联权重可以是指用于表示第二气象因子与初始用电负荷数据的关联程度的值，具体的，终端可以根据获得的第二气象因子，计算得到第二关联权重。其中，第二目标气象因子是指第二可疑数据所在时刻的气象因子，例如，若第二可疑数据所在时刻为某一天的下午3点，则相应的，终端可以获取上午下午3点对应的温度、降水和湿度等气象因子，第二历史气象因子是指电力系统在历史运行过程中，各历史时刻的气象因子，第二匹配程度是指第二目标气象因子分别与各历史时刻的第二历史气象因子之间的关联程度，具体的，终端在计算第二关联权重、第二匹配程度时，可以采用上述关于计算第一关联权重、第一匹配程度的方式，在此不再赘述。
进一步的，终端在得到第二目标气象因子分别与各历史时刻的第二历史气象因子之间的第二匹配程度之后，则可以根据各第二匹配程度，从第二可疑数据中确定异常数据，并对异常数据进行替补处理，获得目标用电负荷数据。
在其中一个实施例中，终端获得各第二匹配程度之后，则可以从第二匹配程度中选取匹配程度最高（即数值最大）的历史时刻对应的历史用电负荷数据，将选取出的历史用电负荷数据与第二可疑数据进行比较，获得用电负荷比较结果；若用电负荷比较结果达到预设用电负荷误差阈值，其中，预设用电负荷误差阈值是指预先设定的确定第二可疑数据是否为异常数据的阈值，则确定第二可疑数据为异常数据，并采用历史用电负荷数据替换掉异常数据，从而获得目标用电负荷数据。
上述实施例中，终端根据第二可疑数据、历史用电负荷数据以及预设用电负荷误差阈值，来确定第二可疑数据是否为异常数据，并在确定为异常数据时，对第二可疑数据进行替补处理，可以保证计算电力系统用电负荷的准确性。
在其中一个实施例中，基于风力功率曲线对第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据，包括：获取第三可疑数据所在时刻对应的测风数据；基于测风数据和风力功率曲线，确定第三可疑数据所在时刻的功率理论值；将功率理论值与第三可疑数据进行比较，获得功率比较结果；若功率比较结果达到预设功率误差阈值，则确定第三可疑数据为异常数据，并采功率理论值替补异常数据，获得目标风电机组功率数据。
其中，测风数据可以是指测得的风电场的风力，预设功率误差阈值是指预先设定的确定第三可疑数据是否为异常数据的阈值，终端可以获取第三可疑数据所在时刻的测风数据，并将所在时刻的测风数据带入风力功率曲线，确定出功率理论值，进一步的，终端将功率理论值与第三可疑数据进行比较，如比较功率理论值和第三可疑数据的差值，若两者的差值达到预设功率误差阈值，则终端可以确定第三可疑数据为异常数据，并采用功率理论值替补异常数据，获得目标风电机组功率数据。
上述实施例中，终端根据风电机组的运行特性，结合测风数据和功率曲线，来确定第三可疑数据是否为异常数据，并在确定为异常数据时，对第三可疑数据进行替补处理，可以保证计算电力系统风电机组出力准确性。
其中，为了对面向电网实时数据交互的电力系统碳排放流在线分析流程进行说明，下述为一个实施例中面向电网实时数据交互的电力系统碳排放流在线分析方法的完整步骤：
首先，终端可以构建双层时序数据检测模型，对电力系统中的初始光伏机组出力数据 、初始用电负荷数据和初始风电机组功率数据进行异常值检验及替补处理。
其中，终端可以利用双层时序数据检测模型的第一层，基于滚动阈值的异常值识别法，对初始光伏机组出力数据、初始用电负荷数据和初始风电机组功率数据进行初步的异常识别，获得异常识别结果。
针对异常识别结果表征初始光伏机组出力数据中存在第一可疑数据，以及初始用电负荷数据中存在第二可疑数据的情况，则终端可以在第二层调取关键要素数据（初始光伏机组出力数据对应的第一气象因子，初始用电负荷数据对应的第二气象因子），进行第一匹配度计算，基于此，筛选出与当前气象因子匹配程度最高的历史时刻对应的历史光伏机组出力数据、历史用电负荷数据，并对当前光伏机组出力数据与历史光伏机组出力数据进行比较，对当前用电负荷数据与历史用电负荷数据进行比较，进而对当前光伏机组出力数据、当前用电负荷数据进行异常值识别及替补，为后续进行碳流计算奠定基础。
考虑到风电可再生能源出力存在较大波动性和不确定性，在异常识别结果表征初始风电机组功率数据中存在第三可疑数据时，利用实时测风数据和功率曲线计算理论出力值，并与可疑测量数据进行比较，对可疑测量数据进行异常识别和填补，获得目标风电机组功率数据，保证计算电力系统机组出力准确性。
在获得目标光伏机组出力数据、目标用电负荷数据、以及目标风电机组功率数据的基础上进行潮流计算，得到电网设备、负荷功率和支路传输功率等潮流计算结果。
在潮流计算基础上，终端可以生成机组注入分布矩阵、支路潮流分布矩阵、负荷分布矩阵，计算节点有功通量矩阵和节点碳势向量，得到支路碳流率分布矩阵和负荷碳流率向量，进一步的，根据电力系统实时碳流分析与追踪的计算方式，构建电力系统实时碳流分析计算组件，设计相关的计算机流程与功能模块，提高碳流计算在实际中的应用价值。
最后，基于python（计算机编程语言），将面向电网实时数据交互的电力系统碳排放流在线分析进行编程，然后使用对程序进行封装，制作可重复使用的计算机组件，方便在第三方系统部署，也可避免源代码泄露，提高安全性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的面向电网实时数据交互的电力系统碳排放流在线分析方法的面向电网实时数据交互的电力系统碳排放流在线分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个面向电网实时数据交互的电力系统碳排放流在线分析装置实施例中的具体限定可以参见上文中对于面向电网实时数据交互的电力系统碳排放流在线分析方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种面向电网实时数据交互的电力系统碳排放流在线分析装置500，包括：数据获取模块、第一数据处理模块、第二数据处理模块、第三数据处理模块、第四数据处理模块和碳流分析模块，其中：
数据获取模块502，用于获取电力系统在当前时间段内电力相关数据，所述电力相关数据包括初始光伏机组出力数据、初始用电负荷数据和初始风电机组功率数据。
第一数据处理模块504，用于对电力相关数据进行滚动式异常识别处理，获得异常识别结果。
第二数据处理模块506，用于若异常识别结果表征初始光伏机组出力数据中存在第一可疑数据，则基于多个第一气象因子对第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据。
第三数据处理模块508，用于若异常识别结果表征初始用电负荷数据中存在第二可疑数据，则基于多个第二气象因子对第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据。
第四数据处理模块510，用于若异常识别结果表征初始风电机组功率数据中存在第三可疑数据，则基于风力功率曲线对第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据。
碳流分析模块512，用于基于目标光伏机组出力数据、目标用电负荷数据、以及目标风电机组功率数据进行碳流分析，得到碳流分析结果。
在其中一个实施例中，第一数据处理模块504，还用于对于多个时刻中的任一目标时刻，获得目标时刻的当前电力相关数据、目标时刻的上一个时刻的第一电力相关数据和所述目标时刻的上两个时刻的第二电力相关数据；基于当前电力相关数据和第一电力相关数据，获得第一变化值；基于当前电力相关数据和第二电力相关数据，获得第二变化值；将第一变化值和第二变化值，作为目标时刻的目标变化值；基于各个时刻的目标变化值与预设阈值间的大小关系，确定电力相关数据中的可疑数据，以得到异常识别结果，当前时间段包括多个时刻。
在其中一个实施例中，第二数据处理模块506，还用于确定与初始光伏机组出力数据相关的多个第一气象因子；确定各第一气象因子分别与所述初始光伏机组出力数据之间的第一关联权重；获取当前时间段内所述第一可疑数据所在时刻对应的第一目标气象因子；获取在电力系统的历史时间段内各历史时刻的第一历史气象因子；根据所述第一关联权重，计算所述第一目标气象因子分别与各历史时刻的第一历史气象因子之间的第一匹配程度；根据第一匹配程度从第一可疑数据中确定异常数据，并对异常数据进行替补处理，获得目标光伏机组出力数据。
在其中一个实施例中，第二数据处理模块506，还用于基于各时刻的第一气象因子和各时刻的初始光伏机组出力数据，构建气象序列矩阵；对气象序列矩阵进行无量纲处理，获得无量纲气象矩阵；基于无量纲气象矩阵，确定在各时刻各类第一气象因子对应的初始关联参数；对相同类别的第一气象因子在不同时刻的初始关联参数进行平均集中处理，确定每一种第一气象因子对应的目标关联参数；根据各目标关联参数，确定各第一气象因子的关联权重。
在其中一个实施例中，第二数据处理模块506，还用于从第一匹配程度中选取匹配程度最高的历史时刻对应的历史光伏机组出力数据；将选取出的历史光伏机组出力数据与第一可疑数据进行比较，获得出力比较结果；若出力比较结果达到预设出力误差阈值，则确定第一可疑数据为异常数据，并采用历史光伏机组出力数据替补所述异常数据，获得目标光伏机组出力数据。
在其中一个实施例中，第三数据处理模块508，还用于确定与初始用电负荷数据相关的多个第二气象因子；确定各第二气象因子分别与初始用电负荷数据之间的第二关联权重；获取当前时间段内第二可疑数据所在时刻对应的第二目标气象因子；获取在电力系统的历史时间段内各历史时刻的第二历史气象因子；根据第二关联权重，计算第二目标气象因子分别与各历史时刻的第二历史气象因子之间的第二匹配程度；根据第二匹配程度从所述第二可疑数据中确定异常数据，并对确定出的异常数据进行替补处理，获得目标用电负荷数据。
在其中一个实施例中，第三数据处理模块508，还用于获取第三可疑数据所在时刻对应的测风数据；基于测风数据和风力功率曲线，确定出第三可疑数据所在时刻的功率理论值；将功率理论值与第三可疑数据进行比较，获得功率比较结果；若功率比较结果达到预设功率误差阈值，则确定第三可疑数据为异常数据，并采用功率理论值替补所述异常数据，获得目标风电机组功率数据。
上述面向电网实时数据交互的电力系统碳排放流在线分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种面向电网实时数据交互的电力系统碳排放流在线分析方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述面向电网实时数据交互的电力系统碳排放流在线分析方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述面向电网实时数据交互的电力系统碳排放流在线分析方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述面向电网实时数据交互的电力系统碳排放流在线分析方法的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种面向电网实时数据交互的电力系统碳排放流在线分析方法，其特征在于，所述方法包括：
获取电力系统在当前时间段内的电力相关数据，所述电力相关数据包括初始光伏机组出力数据、初始用电负荷数据和初始风电机组功率数据；
对所述电力相关数据进行滚动式异常识别处理，获得异常识别结果；
若所述异常识别结果表征所述初始光伏机组出力数据中存在第一可疑数据，则基于多个第一气象因子对所述第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据；
若所述异常识别结果表征所述初始用电负荷数据中存在第二可疑数据，则基于多个第二气象因子对所述第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据；
若所述异常识别结果表征所述初始风电机组功率数据中存在第三可疑数据，则基于风力功率曲线对所述第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据；
基于所述目标光伏机组出力数据、所述目标用电负荷数据、以及目标风电机组功率数据进行碳流分析，得到碳流分析结果。
2.根据权利要求1所述的方法，其特征在于，所述当前时间段包括多个时刻，所述对所述电力相关数据进行滚动式异常识别处理，获得异常识别结果，包括：
对于所述多个时刻中的任一目标时刻，获得所述目标时刻的当前电力相关数据、所述目标时刻的上一个时刻的第一电力相关数据和所述目标时刻的上两个时刻的第二电力相关数据；
基于所述当前电力相关数据和所述第一电力相关数据，获得第一变化值；
基于所述当前电力相关数据和所述第二电力相关数据，获得第二变化值；
将所述第一变化值和所述第二变化值，作为所述目标时刻的目标变化值；
基于各个时刻的目标变化值与预设阈值间的大小关系，确定所述电力相关数据中的可疑数据，以得到异常识别结果。
3.根据权利要求1所述的方法，其特征在于，所述基于多个第一气象因子对所述第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据，包括：
确定与所述初始光伏机组出力数据相关的多个第一气象因子；
确定各第一气象因子分别与所述初始光伏机组出力数据之间的第一关联权重；
获取当前时间段内所述第一可疑数据所在时刻对应的第一目标气象因子；
获取在电力系统的历史时间段内各历史时刻的第一历史气象因子；
根据所述第一关联权重，计算所述第一目标气象因子分别与各历史时刻的第一历史气象因子之间的第一匹配程度；
根据所述第一匹配程度从所述第一可疑数据中确定异常数据，并对所述异常数据进行替补处理，获得目标光伏机组出力数据。
4.根据权利要求3所述的方法，其特征在于，所述确定各第一气象因子分别与所述初始光伏机组出力数据之间的第一关联权重，包括：
基于各时刻的第一气象因子和各时刻的初始光伏机组出力数据，构建气象序列矩阵；
对所述气象序列矩阵进行无量纲处理，获得无量纲气象矩阵；
基于所述无量纲气象矩阵，确定在各时刻各类第一气象因子对应的初始关联参数；
对相同类别的第一气象因子在不同时刻的初始关联参数进行平均集中处理，确定每一种第一气象因子对应的目标关联参数；
根据各所述目标关联参数，确定各所述第一气象因子的关联权重。
5.根据权利要求3所述的方法，其特征在于，所述根据所述第一匹配程度从所述第一可疑数据中确定异常数据，并对所述异常数据进行替补处理，获得目标光伏机组出力数据，包括：
从所述第一匹配程度中选取匹配程度最高的历史时刻对应的历史光伏机组出力数据；
将选取出的历史光伏机组出力数据与第一可疑数据进行比较，获得出力比较结果；
若所述出力比较结果达到预设出力误差阈值，则确定所述第一可疑数据为异常数据，并采用所述历史光伏机组出力数据替补所述异常数据，获得目标光伏机组出力数据。
6.根据权利要求1所述的方法，其特征在于，所述基于多个第二气象因子对所述第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据，包括：
确定与所述初始用电负荷数据相关的多个第二气象因子；
确定各第二气象因子分别与所述初始用电负荷数据之间的第二关联权重；
获取当前时间段内所述第二可疑数据所在时刻对应的第二目标气象因子；
获取在电力系统的历史时间段内各历史时刻的第二历史气象因子；
根据所述第二关联权重，计算所述第二目标气象因子分别与各历史时刻的第二历史气象因子之间的第二匹配程度；
根据所述第二匹配程度从所述第二可疑数据中确定异常数据，并对确定出的异常数据进行替补处理，获得目标用电负荷数据。
7.根据权利要求1所述的方法，其特征在于，所述基于风力功率曲线对所述第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据，包括：
获取所述第三可疑数据所在时刻对应的测风数据；
基于所述测风数据和所述风力功率曲线，确定出所述第三可疑数据所在时刻的功率理论值；
将所述功率理论值与第三可疑数据进行比较，获得功率比较结果；
若所述功率比较结果达到预设功率误差阈值，则确定所述第三可疑数据为异常数据，并采用所述功率理论值替补所述异常数据，获得目标风电机组功率数据。
8.一种面向电网实时数据交互的电力系统碳排放流在线分析装置，其特征在于，所述装置包括：
数据获取模块，用于获取电力系统在当前时间段内的电力相关数据，所述电力相关数据包括初始光伏机组出力数据、初始用电负荷数据和初始风电机组功率数据；
第一数据处理模块，用于对所述电力相关数据进行滚动式异常识别处理，获得异常识别结果；
第二数据处理模块，用于若所述异常识别结果表征所述初始光伏机组出力数据中存在第一可疑数据，则基于多个第一气象因子对所述第一可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标光伏机组出力数据；
第三数据处理模块，用于若所述异常识别结果表征所述初始用电负荷数据中存在第二可疑数据，则基于多个第二气象因子对所述第二可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标用电负荷数据；
第四数据处理模块，用于若所述异常识别结果表征所述初始风电机组功率数据中存在第三可疑数据，则基于风力功率曲线对所述第三可疑数据进行再次异常识别，并对识别出的异常数据进行替补处理，获得目标风电机组功率数据；
碳流分析模块，用于基于所述目标光伏机组出力数据、所述目标用电负荷数据、以及目标风电机组功率数据进行碳流分析，得到碳流分析结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310006843.1A CN115907307B (zh) | 2023-01-04 | 2023-01-04 | 面向电网实时数据交互的电力系统碳排放流在线分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310006843.1A CN115907307B (zh) | 2023-01-04 | 2023-01-04 | 面向电网实时数据交互的电力系统碳排放流在线分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115907307A CN115907307A (zh) | 2023-04-04 |
| CN115907307B true CN115907307B (zh) | 2023-06-27 |
Family
ID=86479006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310006843.1A Active CN115907307B (zh) | 2023-01-04 | 2023-01-04 | 面向电网实时数据交互的电力系统碳排放流在线分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115907307B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116930595B (zh) * | 2023-09-18 | 2023-11-24 | 法拉迪电气有限公司 | 一种用于新能源并网调压的精准数据计量方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111596A (zh) * | 2021-06-16 | 2021-07-13 | 国网浙江省电力有限公司杭州供电公司 | 基于电力大脑中枢的碳达峰实时可视化测算方法 |
| CN113312413A (zh) * | 2021-07-29 | 2021-08-27 | 国网浙江省电力有限公司营销服务中心 | 基于电力大数据的企业碳排放异常监测方法 |
| CN114282683A (zh) * | 2021-12-24 | 2022-04-05 | 宁夏中科嘉业新能源研究院（有限公司） | 一种光伏电站组件的预警方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001326375A (ja) * | 2000-03-10 | 2001-11-22 | Sanyo Electric Co Ltd | 太陽光発電システムの診断方法及び診断装置 |
-
2023
- 2023-01-04 CN CN202310006843.1A patent/CN115907307B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111596A (zh) * | 2021-06-16 | 2021-07-13 | 国网浙江省电力有限公司杭州供电公司 | 基于电力大脑中枢的碳达峰实时可视化测算方法 |
| CN113312413A (zh) * | 2021-07-29 | 2021-08-27 | 国网浙江省电力有限公司营销服务中心 | 基于电力大数据的企业碳排放异常监测方法 |
| CN114282683A (zh) * | 2021-12-24 | 2022-04-05 | 宁夏中科嘉业新能源研究院（有限公司） | 一种光伏电站组件的预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115907307A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Real-time corporate carbon footprint estimation methodology based on appliance identification | |
| JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
| CN114757457B (zh) | 基于电力大数据的电碳排放全过程监测方法和装置 | |
| CN114757602B (zh) | 供给侧电力碳排放风险预警方法、装置和计算机设备 | |
| CN115907307B (zh) | 面向电网实时数据交互的电力系统碳排放流在线分析方法 | |
| Yoon et al. | Deep learning-based method for the robust and efficient fault diagnosis in the electric power system | |
| CN117078480A (zh) | 碳排放量监测方法、装置、设备、存储介质和计算机产品 | |
| CN115147012A (zh) | 一种基于神经网络模型的碳排放量核算方法及装置 | |
| CN116316617A (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| US20240144004A1 (en) | Trained Models for Discovering Target Device Presence | |
| CN117374920A (zh) | 考虑环境因素的超短期预测方法、装置及介质 | |
| CN117056776A (zh) | 碳排放量监测方法、装置、设备、介质和计算机程序产品 | |
| Lu et al. | Residential Energy Consumption Forecasting Based on Federated Reinforcement Learning with Data Privacy Protection. | |
| CN112232886A (zh) | 一种电价概率预测方法、系统、计算机设备和存储介质 | |
| CN116049662A (zh) | 基于联邦学习的电力数据异常检测模型的训练方法和装置 | |
| CN113887676B (zh) | 设备故障预警方法、装置、设备和存储介质 | |
| CN115425648A (zh) | 配电网户变关系辨识方法、装置、设备、介质和程序产品 | |
| CN115481767A (zh) | 面向配电网检修的运行数据处理方法、装置和计算机设备 | |
| Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
| CN114441848A (zh) | 功耗确定方法、装置、电子设备和存储介质 | |
| CN113626492A (zh) | 周期规律检测方法、装置、计算机设备和存储介质 | |
| CN117726038B (zh) | 空间复合高温干旱事件的监测方法、装置和计算机设备 | |
| CN115330089B (zh) | 一种基于电力大数据的用户侧行企业动态碳监测分析方法 | |
| US20240054322A1 (en) | Targeted Energy Usage Device Presence Detection Using Multiple Trained Machine Learning Models | |
| CN115854495B (zh) | 空调电量确定方法、装置、计算机设备和存储介质 |
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 |