CN117078480A - 碳排放量监测方法、装置、设备、存储介质和计算机产品 - Google Patents
碳排放量监测方法、装置、设备、存储介质和计算机产品 Download PDFInfo
- Publication number
- CN117078480A CN117078480A CN202311010657.1A CN202311010657A CN117078480A CN 117078480 A CN117078480 A CN 117078480A CN 202311010657 A CN202311010657 A CN 202311010657A CN 117078480 A CN117078480 A CN 117078480A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- output power
- emission factor
- real
- time
- 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 345
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 344
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000010248 power generation Methods 0.000 claims abstract description 157
- 238000000611 regression analysis Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 40
- 230000011218 segmentation Effects 0.000 claims description 29
- 238000002485 combustion reaction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 30
- 229910002092 carbon dioxide Inorganic materials 0.000 description 15
- 239000001569 carbon dioxide Substances 0.000 description 15
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 239000000446 fuel Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000003345 natural gas Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000005431 greenhouse gas Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 150000001721 carbon Chemical class 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 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
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种碳排放量监测方法、装置、设备、存储介质和计算机产品。所述方法包括：获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。采用本方法能够提高目标碳排放因子模型内各区间非线性关系的准确度和灵活性，并且根据实时输出功率得到对应的实时碳排放因子，进而确定发电系统的实时碳排放量，提高了发电系统碳排放量的监测效果。
Description
技术领域
本申请涉及碳排放风险预测技术领域，特别是涉及一种碳排放量监测方法、装置、设备、存储介质和计算机产品。
背景技术
随着温室气体的大量排放，导致出现极端天气事件，例如冰川融化、海平面上升等。温室气体中的二氧化碳主要来自于工业生产和能源消耗。因此，需要对二氧化碳的排放量进行监测，以控制二氧化碳的排放量，减少温室气体排放对气候环境的影响。
现有技术一般通过确定二氧化碳排放量影响因素计算二氧化碳的排放量，其中，二氧化碳排放量影响因素一般通过碳排放因子表示。在发电市场中，二氧化碳排放量的监测主要通过平均碳排放因子，或通过样条回归方法对碳排放因子与二氧化碳排放量的对应关系进行拟合，以计算并检测发电市场碳排放量。然而，目前的监测方法准确率和灵活度低，监测效果不好。
发明内容
基于此，有必要针对上述技术问题，提供一种碳排放量监测方法、装置、设备、存储介质和计算机产品。
第一方面，本申请提供了一种碳排放量监测方法。该方法包括：
获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；
获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；
根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。
在其中一个实施例中，根据发电系统的运行状态对历史输出功率进行分段，包括：
获取历史输出功率对应的历史碳排放因子；
在历史碳排放因子恒定的情况下，得到恒定碳排放因子；
根据恒定碳排放因子确定分段端点，根据分段端点对历史输出功率进行分段。
在其中一个实施例中，该方法还包括：
根据发电系统中各发电设备的燃烧效率和发电效率确定恒定碳排放因子。
在其中一个实施例中，该方法还包括：
目标碳排放因子模型根据非线性函数配置目标碳排放因子模型的变量项。
在其中一个实施例中，该方法还包括：
获取初始碳排放因子模型，并将历史输出功率输入初始碳排放因子模型，得到预测碳排放因子；
计算历史碳排放因子与预测碳排放因子之间的差值；
当差值最小时，更新初始碳排放因子模型，得到目标碳排放因子模型。
在其中一个实施例中，获取实时输出功率，包括：
构建发电系统的代价值模型；
根据非线性函数和输出功率配置代价值模型的代价值函数；
确定代价值函数的代价值最小时对应的输出功率为实时输出功率。
第二方面，本申请还提供了一种碳排放量监测装置。该装置包括：
分段模块，用于获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；
碳排放因子计算模块，用于获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；
碳排放量计算模块，用于根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。
第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；
获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；
根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。
第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；
获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；
根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。
第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；
获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；
根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。
上述碳排放量监测方法、装置、设备、存储介质和计算机产品，通过获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。该方法通过将历史输出功率分成多个子区间，可以提高目标碳排放因子模型内各区间非线性关系的准确度和灵活性，并且根据实时输出功率得到对应的实时碳排放因子，进而确定发电系统的实时碳排放量，提高了发电系统碳排放量的监测效果。
附图说明
图1为一个实施例中碳排放量监测方法的应用环境图；
图2为一个实施例中碳排放量监测方法的流程示意图；
图3为一个实施例中实时碳排放量与实时输出功率的曲线示意图；
图4为一个实施例中历史碳排放因子与历史输出功率的曲线示意图；
图5为另一个实施例中碳排放量监测方法的流程示意图；
图6为一个实施例中碳排放量监测装置的结构框图；
图7为另一个实施例中碳排放量监测装置的结构框图；
图8为一个实施例中计算机设备为服务器的内部结构图；
图9为一个实施例中计算机设备为终端的内部结构图。
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碳排放量监测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。其中，终端102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104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2所示，提供了一种碳排放量监测方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
步骤202，获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型。
其中，发电系统是指用于将能源转化为电能的设备和系统。运行状态是指整个在特定时间区间内各发电设备的运行情况，包括启动状态和稳定状态，其中，在发电系统增加相同单位输出功率的情况下，能量转换率低的运行状态定义为启动状态，能量转换率恒定的运行状态定义为稳定状态。碳排放因子是指在特定活动或过程中单位能源产生的二氧化碳排放量，可以确定碳排放因子和决定因素的对应关系，其中，碳排放因子的定义式表示如下：
DEF(X)＝f(X；θ)
其中，X是独立变量，例如，发电系统各发电设备的各发电量和各发电量的组合，城市的电力消耗量。θ表示函数的参数。DEF(X)是碳排放因子。
回归分析用于研究自变量与因变量之间的关系，例如，确定输出功率与碳排放因子之间的关系。
示例性的，对比发电系统的启动状态和稳定状态，可以得到在增加相同单位输出功率的情况下，启动状态下的发电系统需要更多的燃料，产生越大的碳排放量，系统的碳排放因子越高，因此，可以将发电系统的输出功率确定为计算碳排放因子的决定因素，通过确定碳排放因子与输出功率之间的对应关系，可以根据输出功率计算碳排放因子。读取发电系统中发电机组内启动状态和稳定状态的历史输出功率和历史碳排放因子，根据发电系统的运行状态对历史输出功率进行分段。根据分段参数回归法对分段后的历史输出功率和历史碳排放因子构建回归模型，拟合得到碳排放因子与输出功率之间的对应关系，根据该对应关系对回归模型进行更新，得到目标碳排放因子模型。其中，拟合是指根据给定的数据集，通过选择一个合适的数学模型或函数形式，调整模型的参数，使得该模型与数据集相匹配的过程。
步骤204，获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子。
其中，实时碳排放因子是指在某个特定时刻或短时间内单位能量产生的二氧化碳排放量。实时输出功率是指在某个特定时刻或短时间内的实际能量输出，实时输出功率用于确定发电系统的实时二氧化碳排放量。
示例性的，采集发电系统的实时输出功率，将实时输出功率输入目标碳排放因子模型，基于前述目标碳排放因子模型中确定的碳排放因子与输出功率的对应关系，可以得到发电系统的实时碳排放因子，其中，实时碳排放因子表示为与实时输出功率相关的函数表达式UDEF(P)。
步骤206，根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。
其中，实时碳排放量表示发电系统在特定时间内释放二氧化碳的数量。
示例性的，根据实时输出功率和实时碳排放因子UDEF(P)可以得到发电系统的实时碳排放量，其中，实时碳排放量与实时输出功率之间的函数关系式表示如下：
UDEM(P)＝UDEF(P)·P
其中，UDEM(P)是实时碳排放量，UDEF(P)是实时碳排放因子，P是实时输出功率。
如图3所示，分别采集燃煤发电和天然气发电时发电系统的实时输出功率，由于发电系统通过不同能源发电时，单位能源产生的能量不同，排放的二氧化碳排放量也不同，得到的目标碳排放因子模型也不同。分别获取燃煤发电和天然气发电时实时碳排放量与实时输出功率之间的函数关系式，得到燃煤关系式和天然气关系式。根据燃煤发电时的实时输出功率和燃煤关系式，可以得到燃煤发电时发电系统的实时碳排放量；根据天然气发电时实时的实时输出功率和天然气关系式，可以得到天然气发电时发电系统的实时碳排放量，以实现对发电系统不同能源发电时碳排放量的监测。
上述碳排放量监测方法中，通过获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。该方法通过将历史输出功率分成多个子区间，可以提高目标碳排放因子模型内各区间非线性关系的准确度和灵活性，并且根据实时输出功率得到对应的实时碳排放因子，进而确定发电系统的实时碳排放量，提高了发电系统碳排放量的监测效果。
在一个实施例中，根据发电系统的运行状态对历史输出功率进行分段，包括：获取历史输出功率对应的历史碳排放因子；在历史碳排放因子恒定的情况下，得到恒定碳排放因子；根据恒定碳排放因子确定分段端点，根据分段端点对历史输出功率进行分段。
其中，历史碳排放因子恒定是指在某个历史时刻或历史时间内，单位能源产生的二氧化碳排放量恒定，单位能量产生的输出功率也恒定。
示例性的，如图4所示，火力发电系统在启动状态的情况下，系统各火力发电机组低负荷运行，输出功率较低，能量转换率低，产生单位输出功率需要较多能源，产生单位输出功率存在较大二氧化碳排放量，单位输出功率对应的碳排放因子较高；火力发电系统在稳定状态的情况下，能量转换率恒定，产生单位输出功率需要的能源恒定，产生单位输出功率排放的二氧化碳排放量也恒定，单位输出功率对应的碳排放因子也恒定。考虑到在不同运行状态下发电系统的碳排放因子不同，将恒定历史碳排放因子第一次出现时对应的历史输出功率确定为分段端点，根据该分段端点对历史输出功率与历史碳排放因子之间的曲线进行分段，可以分别对启动状态和稳定状态下历史输出功率与历史碳排放因子的关系进行分析。
本实施例中，通过对历史碳排放因子是否恒定进行判断，确定发电系统对不同运行状态进行分段分析的端点，可以更全面和准确地监测和评估发电系统的碳排放量，并为可持续发展提供指导。
在一个实施例中，该方法还包括：根据发电系统中各发电设备的燃烧效率和发电效率确定恒定碳排放因子。
其中，燃烧效率是指在燃烧过程中，燃料转化为有效的能量输出的比例或百分比。发电效率是指在产生电力的过程中，将燃料或其他能源转化为电能的有效性或损失程度。
示例性的，发电系统各发电设备在启动状态下，发电设备存在不完全燃烧的情况，发电设备产生相同单位的输出功率需要更多的燃料，燃烧效率较低，碳排放量较大，对应的碳排放因子较高；各发电设备在稳定状态下，相同的燃料产生相同单位的输出功率，燃料完全燃烧，燃烧效率恒定，对应的碳排放因子恒定。
本实施例中，通过准确测量燃料的消耗和发电的输出，可以得到真实的碳排放因子，根据该碳排放因子是否恒定对历史输出功率进行分段，可以提高发电系统的准确率和监测效果。
在一个实施例中，该方法还包括：目标碳排放因子模型根据非线性函数配置目标碳排放因子模型的变量项。
其中，非线性函数是指自变量和因变量的关系不符合线性关系的函数，也就是说，当自变量发生变化时，因变量的变化不是简单的比例关系。如前述实施例所述，根据恒定碳排放因子确定分段端点，并根据分段端点对历史输出功率进行分段后，可以将历史输出功率与历史碳排放因子的对应关系分为启动状态和稳定状态进行分析。由于启动状态和稳定状态下，历史碳排放因子与单位历史输出功率的对应关系不同，对不同的对应关系可以分别配置变量项。对分段后的历史输出功率与历史碳排放因子之间的非线性函数关系分段进行拟合，得到分段非线性函数关系式表示如下：
其中，UDEF(X)是历史碳排放因子，P是历史输出功率，(P0，EF0)为分段点，a、b、k、P0、EF0为优化参数，Pmax是发电系统的最大历史输出功率。
本实施例中，考虑到碳排放因子的变化通常不是线性的，可能呈现出曲线、指数、对数等非线性的趋势，通过使用非线性函数对输出功率和碳排放因子之间的关系进行拟合，可以得到更真实的数据分布，提高拟合精度，有助于准确预测和评估碳排放因子。
在一个实施例中，该方法还包括：获取初始碳排放因子模型，并将历史输出功率输入初始碳排放因子模型，得到预测碳排放因子；计算历史碳排放因子与预测碳排放因子之间的差值；当差值最小时，更新初始碳排放因子模型，得到目标碳排放因子模型。
示例性的，获取初始碳排放因子模型，根据前述实施例未优化参数的非线性函数式配置初始碳排放因子模型，通过非线性最小二乘法进行参数优化，得到优化参数对应的非线性函数式。其中，非线性最小二乘法结合梯度下降法和高斯牛顿法来寻找未优化参数的最优值。具体的，将历史输出功率代入初始碳排放因子模型得到预测碳排放因子，获取历史输出功率对应的历史碳排放因子，计算历史碳排放因子与预测碳排放因子之间的差值，差值的计算公式表示如下：
其中，yi和是数据点i的历史碳排放因子和预测碳排放因子，/>是测量误差，n是样本数据点的总量，ξ＝[a,b,c,k,P0,EF0]是待优化的参数向量，η是更新后的参数向量，使参数沿最陡的方向下降，J是雅各布矩阵，元素/>代表对参数ξ和/>变化的局部敏感性，n是加权矩阵，I是单位矩阵，λ是影响参数更新方向的阻尼参数，小的值导致高斯牛顿更新，大的值带来梯度下降更新。
本实施例中，通过非线性最小二乘法进行参数优化，可以实现确定最佳的参数组合，使得模型的预测能力和泛化能力达到最优。通过优化参数，可以使模型更好地适应数据的特点，提高模型的准确性和稳定性。
在一个实施例中，获取实时输出功率，包括：构建发电系统的代价值模型；根据非线性函数和输出功率配置代价值模型的代价值函数；确定代价值函数的代价值最小时对应的输出功率为实时输出功率。
示例性的，发电系统的代价值可以包括发电成本和排放成本，发电成本可以是燃料成本，其中，发电成本和排放成本的计算公式表示如下：
其中，GC(Pgi)为发电成本，EM(Pgi)为碳排放量，ai、bi、ci为发电成本曲线系数，Pgi为输出功率，ei为碳排放因子，ei单位为tCO2/MWh。
获取单位碳排放量对应的单位碳排放成本，对碳排放量和单位碳排放成本进行计算得到排放成本。基于最小化发电成本和排放成本之和构建发电系统代价值模型的代价值函数。其中，代价值函数的公式表示如下：
基于各节点的负荷需求量和发电量对输出功率进行约束，并基于各输出功率的最大值和最小值对输出功率进行约束，得到与输出功率相关的约束条件。其中，约束条件的表达式表示如下：
获取代价值最小时对应的输出功率，并控制发电系统以该输出功率为实时输出功率运行。
本实施例中，通过确定发电系统成本最低时的功率为发电系统的实时输出功率，可以帮助降低能源生产和运营的成本，还可以帮助减少不必要的能源消耗和排放的温室气体，有助于降低碳排放量、改善空气质量，减少发电系统对环境的影响。
在一个实施例中，如图5所示，碳排放量监测方法还包括以下步骤：
步骤502，获取发电系统的历史输出功率和历史碳排放因子，根据发电系统中各发电设备的燃烧效率和发电效率确定发电系统的恒定碳排放因子。
步骤504，根据恒定碳排放因子确定分段端点，根据分段端点对历史输出功率进行分段。
步骤506，获取初始碳排放因子模型，基于分段端点构建历史碳排放因子的非线性函数，根据非线性函数配置初始碳排放因子模型的变量项。
步骤508，将历史输出功率输入初始碳排放因子模型，得到预测碳排放因子；计算历史碳排放因子与预测碳排放因子之间的差值。
步骤510，当差值最小时，更新初始碳排放因子模型，得到目标碳排放因子模型。
步骤512，构建发电系统的代价值模型；根据非线性函数和输出功率配置代价值模型的代价值函数。
步骤514，确定代价值函数的代价值最小时对应的输出功率为实时输出功率。
步骤516，将所述实时输出功率输入所述目标碳排放因子模型，得到所述目标碳排放因子模型输出的实时碳排放因子。
步骤518，根据所述实时输出功率和所述实时碳排放因子确定所述发电系统的实时碳排放量。
通过获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。该方法通过将历史输出功率分成多个子区间，可以提高目标碳排放因子模型内各区间非线性关系的准确度和灵活性，并且根据实时输出功率得到对应的实时碳排放因子，进而确定发电系统的实时碳排放量，提高了发电系统碳排放量的监测效果。
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碳排放量监测方法的碳排放量监测装置。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碳排放量监测装置实施例中的具体限定可以参见上文中对于碳排放量监测方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种碳排放量监测装置600，包括：分段模块602、碳排放因子计算模块604和碳排放量计算模块606，其中：
分段模块602，用于获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；
碳排放因子计算模块604，用于获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；
碳排放量计算模块606，用于根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。
在一个实施例中，分段模块602还用于获取历史输出功率对应的历史碳排放因子；在历史碳排放因子恒定的情况下，得到恒定碳排放因子；根据恒定碳排放因子确定分段端点，根据分段端点对历史输出功率进行分段。
在一个实施例中，分段模块602还用于根据发电系统中各发电设备的燃烧效率和发电效率确定恒定碳排放因子。
在一个实施例中，该装置还用于目标碳排放因子模型根据非线性函数配置目标碳排放因子模型的变量项。
在一个实施例中，分段模块602还用于获取初始碳排放因子模型，并将历史输出功率输入初始碳排放因子模型，得到预测碳排放因子；计算历史碳排放因子与预测碳排放因子之间的差值；当差值最小时，更新初始碳排放因子模型，得到目标碳排放因子模型。
在一个实施例中，碳排放量监测装置700还包括代价值模块708，代价值模块用于构建发电系统的代价值模型；根据非线性函数和输出功率配置代价值模型的代价值函数；确定代价值函数的代价值最小时对应的输出功率为实时输出功率。
上述碳排放量监测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服务器，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储碳排放量监测数据。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通过网络连接通信。该计算机程序被处理器执行时以实现一种碳排放量监测方法。
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9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、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碳排放量监测方法。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，前述结构，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以下步骤：获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据发电系统的运行状态对历史输出功率进行分段，包括：获取历史输出功率对应的历史碳排放因子；在历史碳排放因子恒定的情况下，得到恒定碳排放因子；根据恒定碳排放因子确定分段端点，根据分段端点对历史输出功率进行分段。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：该方法还包括：根据发电系统中各发电设备的燃烧效率和发电效率确定恒定碳排放因子。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：该方法还包括：目标碳排放因子模型根据非线性函数配置目标碳排放因子模型的变量项。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：该方法还包括：获取初始碳排放因子模型，并将历史输出功率输入初始碳排放因子模型，得到预测碳排放因子；计算历史碳排放因子与预测碳排放因子之间的差值；当差值最小时，更新初始碳排放因子模型，得到目标碳排放因子模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取实时输出功率，包括：构建发电系统的代价值模型；根据非线性函数和输出功率配置代价值模型的代价值函数；确定代价值函数的代价值最小时对应的输出功率为实时输出功率。
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以下步骤：获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据发电系统的运行状态对历史输出功率进行分段，包括：获取历史输出功率对应的历史碳排放因子；在历史碳排放因子恒定的情况下，得到恒定碳排放因子；根据恒定碳排放因子确定分段端点，根据分段端点对历史输出功率进行分段。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该方法还包括：根据发电系统中各发电设备的燃烧效率和发电效率确定恒定碳排放因子。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该方法还包括：目标碳排放因子模型根据非线性函数配置目标碳排放因子模型的变量项。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该方法还包括：获取初始碳排放因子模型，并将历史输出功率输入初始碳排放因子模型，得到预测碳排放因子；计算历史碳排放因子与预测碳排放因子之间的差值；当差值最小时，更新初始碳排放因子模型，得到目标碳排放因子模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取实时输出功率，包括：构建发电系统的代价值模型；根据非线性函数和输出功率配置代价值模型的代价值函数；确定代价值函数的代价值最小时对应的输出功率为实时输出功率。
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以下步骤：获取发电系统的历史输出功率，根据发电系统的运行状态对历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；获取实时输出功率，将实时输出功率输入目标碳排放因子模型，得到目标碳排放因子模型输出的实时碳排放因子；根据实时输出功率和实时碳排放因子确定发电系统的实时碳排放量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据发电系统的运行状态对历史输出功率进行分段，包括：获取历史输出功率对应的历史碳排放因子；在历史碳排放因子恒定的情况下，得到恒定碳排放因子；根据恒定碳排放因子确定分段端点，根据分段端点对历史输出功率进行分段。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该方法还包括：根据发电系统中各发电设备的燃烧效率和发电效率确定恒定碳排放因子。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该方法还包括：目标碳排放因子模型根据非线性函数配置目标碳排放因子模型的变量项。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该方法还包括：获取初始碳排放因子模型，并将历史输出功率输入初始碳排放因子模型，得到预测碳排放因子；计算历史碳排放因子与预测碳排放因子之间的差值；当差值最小时，更新初始碳排放因子模型，得到目标碳排放因子模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取实时输出功率，包括：构建发电系统的代价值模型；根据非线性函数和输出功率配置代价值模型的代价值函数；确定代价值函数的代价值最小时对应的输出功率为实时输出功率。
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)
1.一种碳排放量监测方法，其特征在于，所述方法包括：
获取发电系统的历史输出功率，根据所述发电系统的运行状态对所述历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；
获取实时输出功率，将所述实时输出功率输入所述目标碳排放因子模型，得到所述目标碳排放因子模型输出的实时碳排放因子；
根据所述实时输出功率和所述实时碳排放因子确定所述发电系统的实时碳排放量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述发电系统的运行状态对所述历史输出功率进行分段，包括：
获取历史输出功率对应的历史碳排放因子；
在所述历史碳排放因子恒定的情况下，得到恒定碳排放因子；
根据所述恒定碳排放因子确定分段端点，根据所述分段端点对所述历史输出功率进行分段。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述发电系统中各发电设备的燃烧效率和发电效率确定所述恒定碳排放因子。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
所述目标碳排放因子模型根据非线性函数配置所述目标碳排放因子模型的变量项。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取初始碳排放因子模型，并将所述历史输出功率输入所述初始碳排放因子模型，得到预测碳排放因子；
计算所述历史碳排放因子与所述预测碳排放因子之间的差值；
当所述差值最小时，更新所述初始碳排放因子模型，得到所述目标碳排放因子模型。
6.根据权利要求4所述的方法，其特征在于，所述获取实时输出功率，包括：
构建所述发电系统的代价值模型；
根据所述非线性函数和输出功率配置所述代价值模型的代价值函数；
确定所述代价值函数的代价值最小时对应的输出功率为所述实时输出功率。
7.一种碳排放量监测装置，其特征在于，所述装置包括：
分段模块，用于获取发电系统的历史输出功率，根据所述发电系统的运行状态对所述历史输出功率进行分段，并对分段后的历史输出功率进行回归分析，得到目标碳排放因子模型；
碳排放因子计算模块，用于获取实时输出功率，将所述实时输出功率输入所述目标碳排放因子模型，得到所述目标碳排放因子模型输出的实时碳排放因子；
碳排放量计算模块，用于根据所述实时输出功率和所述实时碳排放因子确定所述发电系统的实时碳排放量。
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311010657.1A CN117078480A (zh) | 2023-08-11 | 2023-08-11 | 碳排放量监测方法、装置、设备、存储介质和计算机产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311010657.1A CN117078480A (zh) | 2023-08-11 | 2023-08-11 | 碳排放量监测方法、装置、设备、存储介质和计算机产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117078480A true CN117078480A (zh) | 2023-11-17 |
Family
ID=88718759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311010657.1A Pending CN117078480A (zh) | 2023-08-11 | 2023-08-11 | 碳排放量监测方法、装置、设备、存储介质和计算机产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117078480A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408394A (zh) * | 2023-12-14 | 2024-01-16 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
| CN117575175A (zh) * | 2024-01-15 | 2024-02-20 | 国网浙江省电力有限公司 | 碳排放评估方法、装置、电子设备和存储介质 |
-
2023
- 2023-08-11 CN CN202311010657.1A patent/CN117078480A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408394A (zh) * | 2023-12-14 | 2024-01-16 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
| CN117408394B (zh) * | 2023-12-14 | 2024-05-31 | 国网天津市电力公司电力科学研究院 | 电力系统的碳排放因子预测方法、装置及电子设备 |
| CN117575175A (zh) * | 2024-01-15 | 2024-02-20 | 国网浙江省电力有限公司 | 碳排放评估方法、装置、电子设备和存储介质 |
| CN117575175B (zh) * | 2024-01-15 | 2024-03-29 | 国网浙江省电力有限公司 | 碳排放评估方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11288602B2 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
| US10846643B2 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
| US11914680B2 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
| CN117078480A (zh) | 碳排放量监测方法、装置、设备、存储介质和计算机产品 | |
| US20220277232A1 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
| Li et al. | Continuous-state reliability measures based on fuzzy sets | |
| CN114757602B (zh) | 供给侧电力碳排放风险预警方法、装置和计算机设备 | |
| CN115689018A (zh) | 物资需求预测方法、装置、设备、存储介质和程序产品 | |
| CN117389780A (zh) | 换流站故障分析方法、装置、计算机设备和存储介质 | |
| CN117056776A (zh) | 碳排放量监测方法、装置、设备、介质和计算机程序产品 | |
| CN114236458A (zh) | 基于测试数据流的双芯智能电表故障定位方法和装置 | |
| Younis et al. | Global optimization using mixed surrogates and space elimination in computationally intensive engineering designs | |
| CN117973647B (zh) | 综合能源系统负荷预测方法、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 | |
| US20240311446A1 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
| Sun et al. | Toward Time-Continuous Data Inference in Sparse Urban CrowdSensing | |
| CN117910627A (zh) | 碳排放量预测方法、装置、计算机设备和存储介质 | |
| CN116090629A (zh) | 用电数据处理方法、装置、计算机设备和存储介质 | |
| CN116933918A (zh) | 用于互联网金融服务的电力数据预测方法 | |
| CN116881543A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
| CN118378782A (zh) | 碳排放总量确定方法、装置、设备、存储介质和程序产品 | |
| CN118195159A (zh) | 一种区域综合能源系统协调规划方法与系统 | |
| CN116880886A (zh) | 产品推荐模型的更新方法和装置 | |
| CN118521040A (zh) | 可靠性预测方法、装置、设备、存储介质和程序产品 | |
| CN117495128A (zh) | 用电数据预测方法、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 |