CN116993854A - 一种碳排放量大数据可视化监控方法 - Google Patents
一种碳排放量大数据可视化监控方法 Download PDFInfo
- Publication number
- CN116993854A CN116993854A CN202310471983.6A CN202310471983A CN116993854A CN 116993854 A CN116993854 A CN 116993854A CN 202310471983 A CN202310471983 A CN 202310471983A CN 116993854 A CN116993854 A CN 116993854A
- Authority
- CN
- China
- Prior art keywords
- data
- carbon
- carbon emission
- region
- constructing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 106
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 230000000007 visual effect Effects 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 21
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 14
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 9
- 239000001569 carbon dioxide Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 241000512668 Eunectes Species 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 238000011897 real-time detection Methods 0.000 claims description 6
- 208000025174 PANDAS Diseases 0.000 claims description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 3
- 235000016496 Panda oleosa Nutrition 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013481 data capture Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 240000000220 Panda oleosa Species 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 24
- 238000013079 data visualisation Methods 0.000 abstract description 6
- 238000004040 coloring Methods 0.000 abstract 1
- 238000013499 data model Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 240000004718 Panda Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种碳排放量大数据可视化监控方法,包括如下步骤:步骤一、登录系统;步骤二、构建python运行环境;步骤三、收集数据;步骤四、使用pd.read_excel函数读取和存储数据;步骤五、整理数据后存储至至字典data_carbon中;步骤六、处理时间戳;步骤七、构建地图及上色;步骤八、构建折线图;步骤九、构建柱状图;步骤十、构建饼状图。基于大数据可视化开源框架Echarts结合Python语言,提出了一套可推广的碳排放量大数据可视化监控方法,通过建立基层电网公司所辖范围内的省、市电网数据模型,引入地图,建立负荷侧用户碳流模型,将各地区碳排放量数据可视化。
Description
技术领域
本发明涉及电力低碳减碳技术领域,具体涉及一种碳排放量大数据可视化监控方法。
背景技术
新型电力系统具有的典型特征就是大规模的新能源接入,因此电源出力和负荷都具有较传统电力系统很强的波动性以及不确定性。目前,国内学者致力于通过统计学方法研究新型电力系统的电源出力以及负荷预测,以保证正确的规划以及保障系统正常运行。就此而言,电力系统各方面数据量呈指数型增长,爆炸式的数据对研究新型电力系统产生阻力,因此,建立大数据可视化分析平台是有必要的。
现有的数据管理方案多是利用excel表格进行数据汇总和存储,需要大量的人工操作且效果并不直观和简洁。大量的数据在人工重复操作时,容易造成纰漏,会直接影响科研人员对于数据的使用以及后续的建模等工作,且excel表格中保存的数据对科研人员观察数据变化以及数据规律并不友好。在当前电力系统发展的情况下,科研院工作者以及电网公司人员需要对数据进行良好的可视化管理以及保持对数据变化的敏感度,从而为后续提高电网可靠性、保障电网高效持续运行打下基础。
发明内容
本发明所要解决的技术问题是提供一种碳排放量大数据可视化监控方法,基于大数据可视化开源框架Echarts结合Python语言,提出了一套可推广的碳排放量大数据可视化监控方法,通过建立基层电网公司所辖范围内的省、市电网数据模型,引入地图,建立负荷侧用户碳流模型,将各地区碳排放量数据可视化。
为解决上述技术问题,本发明所采用的技术方案是:
一种碳排放量大数据可视化监控方法,包括如下步骤:
步骤一、使用Application类构建登录注册系统,通过设置注册、登录界面防止信息外露风险;
步骤二、构建python运行环境,通过Windows命令提示符下载安装python3.8以及anaconda,python3.8和anaconda为python包管理工具,并安装API函数包中的pypower、pyecharts、numpy、pandas、os、openyxl;
步骤三、通过统计各电网公司所辖范围内电网历史数据,包括发电厂数量、类型、发电量、碳排放强度以及不同地区的碳排放总量;
步骤四、使用pd.read_excel函数读取本地excel表格中的地区、时间、碳排放量的数据存储至data数组中;
步骤五,将数据存储以后,使用dict函数整理出对应地区、时间的碳排放总量字典,并将最后结果储存至字典data_carbon中;
步骤六,处理表格中得到的年月日信息,判别是否是闰年等,保证年月日信息的准确性;
步骤七,使用map_chart函数构建目标地区地图,并通过map.add函数配置各种参数,将目标地区各子地区碳排放量构建到地图中,通过颜色的变化显示各个地区数据的差异;
步骤八,使用line_chart函数构建折线图,并通过Line函数配置各种参数,将目标地区下属各子地区碳排放量通过折线图展示,横轴为时间,纵轴为该目标区域总的碳排放量;
步骤九、使用bar函数构建折线图,并通过Bar.add函数配置各种参数,将各子地区碳排放量通过横向的柱状图显示,并根据时间的变化自动调整数据,用不同的比例颜色以及柱状图高度显示不同地区的碳排放量;
步骤十,使用pie函数构建折线图,并通过Pie.add函数配置各种参数,将各子地区碳排放量通过饼状图展示,根据时间变化,通过饼状图各部分大小表示不同地区的碳排放量对比。
上述的可视化监控方法所采用数据基于碳排放实时检测平台,碳排放实时检测平台内包括软件数据收集接口模块、数据采集模块、数据预处理模块以及碳排放率显示模块。
上述的软件数据收集接口模块,对数据进行处理,即进行数据抓取,将目标地区电网数据的节点数据、支路数据、发电机数据、发电机出力数据、外界交换线路数据和节点编号及名称数据从综稳中节选,并按照规定的格式存储至表格。
上述的数据采集模块采集软件数据收集接口模块节选后的数据表格,实时更新并得到实际电网中各负荷节点的变化负荷数据,并将其传入数据预处理模块中。
上述的数据预处理模块将区域ji二氧化碳排放总量CEi按下式计算:
式中:为区域ji第k种发电企业单位综合发电二氧化碳排放量,单位为吨二氧化碳每兆瓦时(tCO2/MWh),/>为区域j内消纳的总电量;
区域ji的供电排放因子按下式计算:
从综稳数据中转化的新的格式信息确定电力系统各个支路的支路潮流分布矩阵、机组注入分布矩阵、负荷分布矩阵、节点有功通量矩阵后,利用下式计算节点碳势向量EN:
PN表示节点有功通量矩阵,表示支路潮流分布矩阵的转置矩阵;/>表示机组注入分布矩阵的转置矩阵;EG表示发电机组的碳排放强度向量;
利用下式计算得出支路碳流率向量与负荷碳流率向量:
EN表示支路碳势向量;EB为负荷碳向量。
上述的碳排放率显示模块根据得到的支路碳流率分布矩阵与负荷碳流率向量,得到网架中各负荷节点的实时碳排放率,并将结果根据所述的步骤一至步骤十进行显示。
本发明提供的一种碳排放量大数据可视化监控方法,针对省市级电力公司以及设计院等研究人员,构建了碳排放大数据可视化平台,协助其观察长时间的数据变动,并展示良好的对比性。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明用户登录界面示意图;
图2为实施例碳排放数据示意图;
图3为实施例中湖北省各地区碳排放量示意图;
图4为实施例中湖北省某年碳排放量折线图;
图5为实施例中湖北省各地区碳排放柱状图;
图6为实施例中湖北省各地区三月份碳排放饼状图;
图7为实施例中可视化平台整体效果图;
图8为碳排放实时检测平台结构示意图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
如图1-8中所示,一种碳排放量大数据可视化监控方法,包括如下步骤:
步骤一、使用Application类构建登录注册系统,通过设置注册、登录界面防止信息外露风险,登录界面如图1中所示;
步骤二、构建python运行环境,通过Windows命令提示符下载安装python3.8以及anaconda,python3.8和anaconda为python包管理工具,并安装API函数包中的pypower、pyecharts、numpy、pandas、os、openyxl;
步骤三、通过统计各电网公司所辖范围内电网历史数据,包括发电厂数量、类型、发电量、碳排放强度以及不同地区的碳排放总量,数据表如图2中所示;
步骤四、使用pd.read_excel函数读取本地excel表格中的地区、时间、碳排放量的数据存储至data数组中;
步骤五,将数据存储以后,使用dict函数整理出对应地区、时间的碳排放总量字典,并将最后结果储存至字典data_carbon中;
步骤六,处理表格中得到的年月日信息,判别是否是闰年等,保证年月日信息的准确性;
步骤七,使用map_chart函数构建某省地图,并通过map.add函数配置各种参数,将各市区碳排放量构建到地图中,通过颜色的变化显示各个地区数据的差异,构建的地图样式以及碳排放量对比如下图3所示;
步骤八,使用line_chart函数构建折线图,并通过Line函数配置各种参数,将各市区碳排放量通过折线图展示,横轴为时间,纵轴为该目标区域总的碳排放量,如图4中所示,表示了该省一年内的排放总量的变化趋势;
步骤九、使用bar函数构建折线图,并通过Bar.add函数配置各种参数,将各子地区碳排放量通过横向的柱状图显示,并根据时间的变化自动调整数据,用不同的比例颜色以及柱状图高度显示不同地区的碳排放量,通过Bar函数配置的可视化图如下图5所示;
步骤十,使用pie函数构建折线图,并通过Pie.add函数配置各种参数,将各子地区碳排放量通过饼状图展示,根据时间变化,通过饼状图各部分大小表示不同地区的碳排放量对比,由下图6可以看出,饼状图能够直观的表示出各地区碳排量的大小关系。
如图8中所示,上述的可视化监控方法所采用数据基于碳排放实时检测平台,碳排放实时检测平台内包括软件数据收集接口模块、数据采集模块、数据预处理模块以及碳排放率显示模块。
上述的软件数据收集接口模块,对数据进行处理,即进行数据抓取,将目标地区电网数据的节点数据、支路数据、发电机数据、发电机出力数据、外界交换线路数据和节点编号及名称数据从综稳中节选,并按照规定的格式存储至表格。
本发明中计算潮流所用的基础数据均来源于潮流仿真软件PSASP,由于PSASP中所含数据量过于庞大,因此数据处理的第一步是进行大数据抓取。
上述的数据采集模块采集软件数据收集接口模块节选后的数据表格,PSASP中的数据存储到新的表格后,实时更新并得到实际电网中各负荷节点的变化负荷数据,并将其传入数据预处理模块中。
上述的数据预处理模块将区域ji二氧化碳排放总量CEi按下式计算:
式中:为区域ji第k种发电企业单位综合发电二氧化碳排放量,单位为吨二氧化碳每兆瓦时(tCO2/MWh),/>为区域j内消纳的总电量;
区域ji的供电排放因子按下式计算:
从综稳数据中转化的新的格式信息确定电力系统各个支路的支路潮流分布矩阵、机组注入分布矩阵、负荷分布矩阵、节点有功通量矩阵后,利用下式计算节点碳势向量EN:
PN表示节点有功通量矩阵,表示支路潮流分布矩阵的转置矩阵;/>表示机组注入分布矩阵的转置矩阵;EG表示发电机组的碳排放强度向量;
利用下式计算得出支路碳流率向量与负荷碳流率向量:
EN表示支路碳势向量;EB为负荷碳向量。
上述的碳排放率显示模块根据得到的支路碳流率分布矩阵与负荷碳流率向量,得到网架中各负荷节点的实时碳排放率,并将结果根据所述的步骤一至步骤十进行显示。
本发明提出了一种适用于碳排量大数据的可视化监控平台,在以新能源为主体的新型电力系统中,合理的处理数据,直观、简洁的观测数据变化以及优美直观的可视化界面都是不可缺少的一部分,本发明针对省市级电力公司以及设计院等研究人员,构建了碳排放大数据可视化平台,协助其观察长时间的数据变动,并展示良好的对比性,图7为本发明的整体效果图。
Claims (6)
1.一种碳排放量大数据可视化监控方法,其特征是,包括如下步骤:
步骤一、使用Application类构建登录注册系统,通过设置注册、登录界面防止信息外露风险;
步骤二、构建python运行环境,通过Windows命令提示符下载安装python3.8以及anaconda,python3.8和anaconda为python包管理工具,并安装API函数包中的pypower、pyecharts、numpy、pandas、os、openyxl;
步骤三、通过统计各电网公司所辖范围内电网历史数据,包括发电厂数量、类型、发电量、碳排放强度以及不同地区的碳排放总量;
步骤四、使用pd.read_excel函数读取本地excel表格中的地区、时间、碳排放量的数据存储至data数组中;
步骤五,将数据存储以后,使用dict函数整理出对应地区、时间的碳排放总量字典,并将最后结果储存至字典data_carbon中;
步骤六,处理表格中得到的年月日信息,判别是否是闰年等,保证年月日信息的准确性;
步骤七,使用map_chart函数构建目标地区地图,并通过map.add函数配置各种参数,将目标地区各子地区碳排放量构建到地图中,通过颜色的变化显示各个地区数据的差异;
步骤八,使用line_chart函数构建折线图,并通过Line函数配置各种参数,将目标地区下属各子地区碳排放量通过折线图展示,横轴为时间,纵轴为该目标区域总的碳排放量;
步骤九、使用bar函数构建折线图,并通过Bar.add函数配置各种参数,将各子地区碳排放量通过横向的柱状图显示,并根据时间的变化自动调整数据,用不同的比例颜色以及柱状图高度显示不同地区的碳排放量;
步骤十,使用pie函数构建折线图,并通过Pie.add函数配置各种参数,将各子地区碳排放量通过饼状图展示,根据时间变化,通过饼状图各部分大小表示不同地区的碳排放量对比。
2.根据权利要求1所述的一种碳排放量大数据可视化监控方法,其特征在于,所述的可视化监控方法所采用数据基于碳排放实时检测平台,碳排放实时检测平台内包括软件数据收集接口模块、数据采集模块、数据预处理模块以及碳排放率显示模块。
3.根据权利要求2所述的一种碳排放量大数据可视化监控方法,其特征在于,所述的软件数据收集接口模块,对数据进行处理,即进行数据抓取,将目标地区电网数据的节点数据、支路数据、发电机数据、发电机出力数据、外界交换线路数据和节点编号及名称数据从综稳中节选,并按照规定的格式存储至表格。
4.根据权利要求3所述的一种碳排放量大数据可视化监控方法,其特征在于,所述的数据采集模块采集软件数据收集接口模块节选后的数据表格,实时更新并得到实际电网中各负荷节点的变化负荷数据,并将其传入数据预处理模块中。
5.根据权利要求4所述的一种碳排放量大数据可视化监控方法,其特征在于,所述的数据预处理模块将区域ji二氧化碳排放总量CEi按下式计算:
式中:为区域ji第k种发电企业单位综合发电二氧化碳排放量,单位为吨二氧化碳每兆瓦时(tCO2/MWh),/>为区域j内消纳的总电量;
区域ji的供电排放因子按下式计算:
从综稳数据中转化的新的格式信息确定电力系统各个支路的支路潮流分布矩阵、机组注入分布矩阵、负荷分布矩阵、节点有功通量矩阵后,利用下式计算节点碳势向量EN:
PN表示节点有功通量矩阵,表示支路潮流分布矩阵的转置矩阵;/>表示机组注入分布矩阵的转置矩阵;EG表示发电机组的碳排放强度向量;
利用下式计算得出支路碳流率向量与负荷碳流率向量:
EN表示支路碳势向量;EB为负荷碳向量。
6.根据权利要求5所述的一种碳排放量大数据可视化监控方法,其特征在于,所述的碳排放率显示模块根据得到的支路碳流率分布矩阵与负荷碳流率向量,得到网架中各负荷节点的实时碳排放率,并将结果根据所述的步骤一至步骤十进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310471983.6A CN116993854A (zh) | 2023-04-27 | 2023-04-27 | 一种碳排放量大数据可视化监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310471983.6A CN116993854A (zh) | 2023-04-27 | 2023-04-27 | 一种碳排放量大数据可视化监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993854A true CN116993854A (zh) | 2023-11-03 |
Family
ID=88522087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310471983.6A Pending CN116993854A (zh) | 2023-04-27 | 2023-04-27 | 一种碳排放量大数据可视化监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993854A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114003621A (zh) * | 2021-11-05 | 2022-02-01 | 天津大学 | 用于区域碳排放的动态可视化方法及系统 |
CN114548475A (zh) * | 2021-11-20 | 2022-05-27 | 江苏龙腾工程设计股份有限公司 | 一种基于大数据预测的碳排放强度分级评价方法和可视化系统 |
CN115081721A (zh) * | 2022-07-01 | 2022-09-20 | 山东商务职业学院 | 一种碳排放因子的电力系统优化系统 |
CN115693644A (zh) * | 2022-08-31 | 2023-02-03 | 国网湖北省电力有限公司宜昌供电公司 | 一种用于省内220kv及以下不可解耦区域电网的供电综合碳排放因子的计算方法 |
CN115965102A (zh) * | 2022-04-14 | 2023-04-14 | 河北省水文工程地质勘查院(河北省遥感中心) | 一种碳排放时空大数据的定位和计算方法及系统 |
-
2023
- 2023-04-27 CN CN202310471983.6A patent/CN116993854A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114003621A (zh) * | 2021-11-05 | 2022-02-01 | 天津大学 | 用于区域碳排放的动态可视化方法及系统 |
CN114548475A (zh) * | 2021-11-20 | 2022-05-27 | 江苏龙腾工程设计股份有限公司 | 一种基于大数据预测的碳排放强度分级评价方法和可视化系统 |
CN115965102A (zh) * | 2022-04-14 | 2023-04-14 | 河北省水文工程地质勘查院(河北省遥感中心) | 一种碳排放时空大数据的定位和计算方法及系统 |
CN115081721A (zh) * | 2022-07-01 | 2022-09-20 | 山东商务职业学院 | 一种碳排放因子的电力系统优化系统 |
CN115693644A (zh) * | 2022-08-31 | 2023-02-03 | 国网湖北省电力有限公司宜昌供电公司 | 一种用于省内220kv及以下不可解耦区域电网的供电综合碳排放因子的计算方法 |
Non-Patent Citations (2)
Title |
---|
盖志杰;王鹏辉;: "燃煤电厂碳排放典型计算及分析", 中国电力, no. 05, 5 May 2017 (2017-05-05) * |
青蛙11: "co2_analyse_system_share", 《HTTPS://GITHUB .COM/FROGINWE11/CO2_ANALYSE_SYSTEM_SHARE》, 21 March 2023 (2023-03-21), pages 1 - 10 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110362894B (zh) | 配电线路、变压器综合降损及节能计算分析方法及系统 | |
WO2023115842A1 (zh) | 一种数据驱动的离线在线一体化配电网仿真系统及方法 | |
Jin et al. | Game theoretical analysis on capacity configuration for microgrid based on multi-agent system | |
CN103970887A (zh) | 一种基于gis配电网图形上的信息流显示系统及方法 | |
Hou et al. | A review on China's current situation and prospects of poverty alleviation with photovoltaic power generation | |
CN102930352B (zh) | 基于多核支持向量回归机的电网基建工程造价预测方法 | |
CN103927693A (zh) | 一种配网线损管理系统 | |
CN113724103A (zh) | 基于智能电表的区域碳排放监测方法、系统、设备及介质 | |
CN105893588A (zh) | 一种大尺度城市空间能耗数字地图制作及显示方法 | |
CN103440531A (zh) | 计及风电场风机运行状态的风电场短期风电功率预测系统 | |
CN103455554A (zh) | 一种智能配电网模型库系统 | |
CN114240044A (zh) | 电网基建项目投资计划与资金计划协同执行情况监测方法 | |
CN112100564A (zh) | 一种用于社区多微网系统的主从博弈鲁棒能量管理方法 | |
CN112380246A (zh) | 面向规划业务的多终端可视化应用系统及线路规划方法 | |
CN109214713A (zh) | 含有分布式电源的主动配电网规划方法 | |
CN106529828A (zh) | 直调火力发电单元月度电能交易计划制定的基尼系数法 | |
CN116632875A (zh) | 一种用于配电网的混合储能规划方法及系统 | |
Tang et al. | Electricity-carbon graph modeling and analysis | |
Tang et al. | “One Graph of Electricity Carbon” Spatiotemporal Data Analysis and Management System | |
CN116993854A (zh) | 一种碳排放量大数据可视化监控方法 | |
CN116562432A (zh) | 面向新型电力系统规划的源网荷储协同规划方法及系统 | |
CN107749624A (zh) | 分布式光伏发电运营模式优化设计方法和系统 | |
CN117134339A (zh) | 一种考虑多重不确定性因素的分布式源储分布鲁棒联合规划方法 | |
Boston et al. | Megs: Modelling energy and grid services to explore decarbonisation of power systems at lowest total system cost | |
CN103823969B (zh) | 一种电网稳态模型的可视化构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |