CN117408394B - 电力系统的碳排放因子预测方法、装置及电子设备 - Google Patents
电力系统的碳排放因子预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117408394B CN117408394B CN202311716711.4A CN202311716711A CN117408394B CN 117408394 B CN117408394 B CN 117408394B CN 202311716711 A CN202311716711 A CN 202311716711A CN 117408394 B CN117408394 B CN 117408394B
- Authority
- CN
- China
- Prior art keywords
- power generation
- data
- carbon emission
- determining
- quantum data
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 150
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000010248 power generation Methods 0.000 claims abstract description 210
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 230000002068 genetic effect Effects 0.000 claims abstract description 28
- 230000015654 memory Effects 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000007787 long-term memory Effects 0.000 claims description 19
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000006403 short-term memory Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 23
- 238000003860 storage Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 210000000349 chromosome Anatomy 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 108700028369 Alleles Proteins 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电力系统的碳排放因子预测方法、装置及电子设备,可以应用于碳排放预测与分析技术领域。该方法包括:获取电力系统的历史发电量数据;将历史发电量数据输入基于注意力机制的长短期记忆网络,以确定历史发电量数据包括的多个发电量子数据各自的隶属关系,得到隶属度矩阵;利用遗传算法和模糊均值聚类算法,基于隶属度矩阵和多个发电量子数据,确定多个第一聚类中心;基于多个第一聚类中心,确定多个时间段类别;基于发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子,确定发电主体与多个时间段类别各自相关的预测碳排放因子。
Description
技术领域
本发明涉及碳排放预测与分析技术领域,更具体地,涉及一种电力系统的碳排放因子预测方法、装置及电子设备。
背景技术
当前为构建低碳电力系统,大量新能源发电设备已被整合入系统,从而使得电源侧的碳排放量大幅度减少。因此,精确计算电力系统的碳排放因子尤为关键。随着电源结构的改变、电力系统的升级,不同区域且不同时间段的碳排放因子是动态变化的,通过对动态碳排放因子的监测和评估,可以清晰地了解电力系统的环境性能,并可以为未来的环境管理和发展提供依据。
然而,在实现本发明的发明构思的过程中发现:由于不同区域的电力系统电源侧具有大量发电数据,因此在对碳排放因子进行分析预测时存在计算资源消耗量大、计算精度低的问题。
发明内容
有鉴于此,本发明提供了一种电力系统的碳排放因子预测方法、装置、电子设备、可读存储介质和计算机程序产品。
本发明的一个方面提供了一种电力系统的碳排放因子预测方法,包括:获取电力系统的历史发电量数据,其中,上述历史发电量数据包括与上述电力系统相关的发电主体在多个历史时段各自的发电量子数据;将上述历史发电量数据输入基于注意力机制的长短期记忆网络,以确定上述历史发电量数据包括的多个发电量子数据各自的隶属关系,得到隶属度矩阵;利用遗传算法和模糊均值聚类算法,基于上述隶属度矩阵和上述多个发电量子数据,确定多个第一聚类中心;基于上述多个第一聚类中心,确定多个时间段类别;基于上述发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子,确定上述发电主体与上述多个时间段类别各自相关的预测碳排放因子,其中,上述至少一个目标历史时段属于上述多个历史时段。
根据本发明的实施例,上述基于上述隶属度矩阵和上述多个发电量子数据,确定多个第一聚类中心,包括:利用遗传算法,基于上述多个发电量子数据,确定多个第二聚类中心;利用模糊均值聚类算法,基于上述隶属度矩阵和上述多个第二聚类中心,确定上述多个第一聚类中心。
根据本发明的实施例,上述利用遗传算法,基于上述多个发电量子数据,确定多个第二聚类中心,包括:基于上述多个发电量子数据,生成初始种群,其中,上述初始种群包括多个初始个体;基于适应度函数和进化终止条件对上述初始种群进行多轮次的交叉变异,得到目标个体;基于上述目标个体,确定上述多个第二聚类中心。
根据本发明的实施例,上述基于上述多个发电量子数据,生成初始种群包括:从上述多个发电量子数据中确定多个发电量子数据作为多个初始聚类中心;基于上述多个初始聚类中心,得到上述初始种群。
根据本发明的实施例,上述利用模糊均值聚类算法,基于上述隶属度矩阵和上述多个第二聚类中心,确定上述多个第一聚类中心,包括:基于目标函数和上述隶属度矩阵对上述多个第二聚类中心进行优化,得到上述多个第一聚类中心,其中,上述目标函数是基于模糊均值聚类算法确定。
根据本发明的实施例,上述基于上述多个第一聚类中心,确定多个时间段类别,包括:对于每个上述第一聚类中心,从上述多个发电量子数据中确定与上述第一聚类中心相关的至少一个目标发电量子数据;基于与上述至少一个目标发电量子数据各自相关的历史时段,确定与上述第一聚类中心相关的至少一个历史时段;基于与上述第一聚类中心相关的至少一个历史时段,确定与上述第一聚类中心对应的时间段类别。
根据本发明的实施例,其中,上述基于上述发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子,确定上述发电主体与上述多个时间段类别各自相关的预测碳排放因子,包括:基于上述发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子的平均值,得到上述发电主体与每一个时间段类别相关的预测碳排放因子。
根据本发明的实施例,上述方法还包括:从上述电力系统的数据中台处获取上述发电主体的电源侧数据;对上述发电主体的电源侧数据进行预处理,得到上述发电主体在多个历史时段各自的发电量子数据,和与每一个发电量子数据对应的碳排放量数据;基于每一个发电量子数据和与每一个发电量子数据对应的碳排放量数据,得到上述发电主体在上述多个历史时段各自的碳排放因子。
本发明的另一个方面提供了一种电力系统的碳排放因子预测装置,包括:获取模块,用于获取电力系统的历史发电量数据,其中,上述历史发电量数据包括与上述电力系统相关的发电主体在多个历史时段各自的发电量子数据;第一确定模块,用于将上述历史发电量数据输入基于注意力机制的长短期记忆网络,以确定上述历史发电量数据包括的多个发电量子数据各自的隶属关系,得到隶属度矩阵;第二确定模块,用于利用遗传算法和模糊均值聚类算法,基于上述隶属度矩阵和上述多个发电量子数据,确定多个第一聚类中心;第三确定模块,用于基于上述多个第一聚类中心,确定多个时间段类别;第四确定模块,用于基于上述发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子,确定上述发电主体与上述多个时间段类别各自相关的预测碳排放因子,其中,上述至少一个目标历史时段属于上述多个历史时段。
本发明的另一方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个指令,其中,当上述一个或多个指令被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如上所述的方法。
本发明的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,上述指令在被执行时用于实现如上所述的方法。
本发明的另一方面提供了一种计算机程序产品,上述计算机程序产品包括计算机可执行指令,上述指令在被执行时用于实现如上所述的方法。
根据本发明的实施例,通过基于注意力机制的长短期记忆网络、遗传算法和模糊均值聚类算法以确定多个时间段的聚类中心,可以将预设时间内产生电量接近的时间段进行聚合,再分别针对每个时间段确定一个预测的碳排放因子,可以在保持碳排放因子预测准确度的同时,降低碳排放因子预测时的计算量,从而能够实时反映电力系统中碳排放因子变化,因此能够实现碳排放有效监测,提升分析和预测能力,促使碳排放计量监测数据在低碳经济环境下得以充分地应用。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示出了根据本发明实施例的电力系统的碳排放因子预测方法的流程图;
图2示出了根据本发明实施例的确定第二聚类中心的方法的流程图;
图3示出了根据本发明实施例的确定时间段类别的方法的流程图;
图4示出了根据本发明实施例的有益效果的示意图;
图5示出了根据本发明实施例的获取多个历史时段各自的碳排放因子的方法的流程图;
图6示出了根据本发明另一实施例的电力系统的碳排放因子预测方法的流程图;
图7示出了根据本发明实施例的基于注意力机制的长短期记忆网络的示意图;
图8示出了根据本发明实施例的电力系统的碳排放因子预测装置的框图;
图9示出了根据本发明实施例的电力系统的碳排放因子预测方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
当前为构建低碳电力系统,大量新能源发电设备已被整合入系统,从而使得电源侧的碳排放量大幅度减少。因此,精确计算电力系统的碳排放因子尤为关键。
电力系统的碳排放因子可以用于表征某区域范围内单位时间单位容量产生的碳排放量。随着电源结构的改变、电力系统的升级,不同区域且不同时间段的碳排放因子是动态变化的,通过对动态碳排放因子的监测和评估,可以清晰地了解电力系统的环境性能,并可以为未来的环境管理和发展提供依据。
然而,在实现本发明的发明构思的过程中发现:由于不同区域的电力系统电源侧具有大量发电数据,因此在对碳排放因子进行分析预测时存在计算资源消耗量大、计算精度低的问题。
有鉴于此,本发明的实施例提供了一种电力系统的碳排放因子预测方法,通过基于注意力机制的长短期记忆网络、遗传算法和模糊均值聚类算法以确定多个时间段的聚类中心,可以将预设时间内产生电量接近的时间段进行聚合,再分别针对每个时间段确定一个预测的碳排放因子,可以在保持碳排放因子预测准确度的同时,降低碳排放因子预测时的计算量,从而能够实时反映电力系统中碳排放因子变化,因此能够实现碳排放有效监测,提升分析和预测能力,促使碳排放计量监测数据在低碳经济环境下得以充分地应用。
具体地,本发明的实施例提供了一种电力系统的碳排放因子预测方法、一种电力系统的碳排放因子预测装置、一种电子设备、一种可读存储介质和一种计算机程序产品。该方法包括获取电力系统的历史发电量数据;将历史发电量数据输入基于注意力机制的长短期记忆网络,以确定历史发电量数据包括的多个发电量子数据各自的隶属关系,得到隶属度矩阵;利用遗传算法和模糊均值聚类算法,基于隶属度矩阵和多个发电量子数据,确定多个第一聚类中心;基于多个第一聚类中心,确定多个时间段类别;以及基于发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子,确定发电主体与多个时间段类别各自相关的预测碳排放因子。
需要说明的是,本发明实施例确定的电力系统的碳排放因子预测方法和装置可用于碳排放预测与分析领域,本发明实施例确定的电力系统的碳排放因子预测方法和装置也可用于除碳排放预测与分析领域之外的任意领域。本发明实施例确定的电力系统的碳排放因子预测方法和装置的应用领域不做限定。
在本发明的实施例中,所涉及的数据(例如,包括但不限于用户个人信息)的收集、更新、分析、处理、使用、传输、提供、发明、存储等方面,均符合相关法律法规的规定,被用于合法的用途,且不违背公序良俗。特别地,对用户个人信息采取了必要措施,防止对用户个人信息数据的非法访问,维护用户个人信息安全、网络安全和国家安全。
在本发明的实施例中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
图1示出了根据本发明实施例的电力系统的碳排放因子预测方法的流程图。
如图1所示,该方法包括操作S110~S150。
在操作S110,获取电力系统的历史发电量数据。
根据本发明的实施例,电力系统的发电量数据可以用于电网安全监测、电力负荷预测或电力能效管理等场景下,例如,可以通过对隶属负荷数据进行分析和处理,从而建立负荷预测模型以预测未来一段时间内的负荷变化趋势。
根据本发明的实施例,历史发电量数据可以用于表征在当前时刻之前通过传感器、智能电表等设备采集的发电量数据,也可以用于表征在过去预设时长内的发电量。
根据本发明的实施例,历史发电量数据可以包括与电力系统相关的发电主体在多个历史时段各自的发电量子数据。其中,与电力系统相关的发电主体可以包括火力发电厂、光伏发电厂、风电厂等。
例如,历史发电量数据可以是风力发电厂在过去1年内所记载的各个时间点的发电量、发电容量、发电效率等数据,也可以是过去5年、10年的发电量、发电容量、发电效率等数据。
在操作S120,将历史发电量数据输入基于注意力机制的长短期记忆网络,以确定历史发电量数据包括的多个发电量子数据各自的隶属关系,得到隶属度矩阵。
根据本发明的实施例,注意力机制(Attention mechanism)通常结合神经网络模型可以用于序列预测,使得模型更加关注历史信息与当前输入信息的相关部分。
根据本发明的实施例,长短期记忆网络(Long Short-Term Memory)是一种具有长期记忆能力的递归神经网络,它通过控制信息的流动来解决梯度消失和梯度爆炸的问题,从而更好地捕捉时序数据中的长期依赖关系。
根据本发明的实施例,在获取到历史发电量数据之后,确定引入注意力机制的长短期记忆网络结构,并设置神经网络参数从而构建出基于注意力机制的长短期记忆网络模型。
例如,长短期记忆网络结构可以包括长短期记忆层和全连接输出层,其中,长短期记忆层可以包括隐藏层和细胞状态层,长短期记忆层可以用于更新、删除或添加新的细胞状态;全连接输出层可以用于输出每个数据点的聚类概率,并将其作为隶属度。
根据本发明的实施例,需设置的神经网络参数可以包括学习率、迭代次数等。
根据本发明的实施例,将获取到的历史发电量数据输入到引入注意力机制的长短期记忆神经网络模型中,从而可以通过该模型的输出结果确定历史发电量数据包括的多个发电量子数据各自的隶属关系,其中,该隶属关系可以用于表征预测得到的数据点属于每个聚类的概率。
根据本发明的实施例,基于每个数据点聚类概率的隶属关系,构建得到数据点的概率矩阵,并将其作为隶属度矩阵。其中,数据点可以用于表征各个发电主体在不同时间段的发电量。
在操作S130,利用遗传算法和模糊均值聚类算法,基于隶属度矩阵和多个发电量子数据,确定多个第一聚类中心。
根据本发明的实施例,遗传算法(Genetic Algorithm,GA)是一种通过模拟自然进化过程搜索最优解的搜索算法,通过随机方式产生若干编码的初始群体,通过适应度函数对每个个体进行评价,选择适应度值高的个体参与遗传操作,经遗传操作(复制、交叉、变异)的个体集合形成新一代种群,将后代中表现最好的个体作为遗传算法的执行结果。其中,遗传算法可以包括免疫算法、模拟退火算法、差分进化算法等,在本发明的实施例中不做进一步限定。
根据本发明的实施例,模糊均值聚类(Fuzzy C-means)算法是一种利用隶属度来表示每个数据之间的关系,从而确定每个数据点属于的聚类簇的聚类方法。
根据本发明的实施例,可以基于多个发电量子数据,采用遗传算法对聚类中心进行参数寻优,并采用模糊均值聚类算法,对寻优参数进行分类以确定多个第一聚类中心。
在操作S140,基于多个第一聚类中心,确定多个时间段类别。
根据本发明的实施例,根据上述确定的多个第一聚类中心,可以将第一聚类中心对应的时间划分为多个不同时间段,例如,可以将一天二十四小时划分成5个时间段,分别是1-8时,9-10时,11-13时,14-17时,18-24时。
在操作S150,基于发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子,确定发电主体与多个时间段类别各自相关的预测碳排放因子。
根据本发明的实施例,电力系统的碳排放因子可以用于表征某区域范围内单位时间单位容量产生的碳排放量,因此,不同区域且不同时间段的碳排放因子是动态变化的。
根据本发明的实施例,在得到多个时间段类别之后,可以基于所划分的多个时间段类别构建电力系统的碳排放因子模型,例如可以将碳排放因子分配到对应的目标历史时间段类别中,从而可以计算得出发电主体与每一个时间段类别相关的预测碳排放因子。
本发明的实施例通过基于注意力机制的长短期记忆网络、遗传算法和模糊均值聚类算法以确定多个时间段的聚类中心,可以将预设时间内产生电量接近的时间段进行聚合,再分别针对每个时间段确定一个预测的碳排放因子,可以在保持碳排放因子预测准确度的同时,降低碳排放因子预测时的计算量,从而能够实时反映电力系统中碳排放因子变化,因此能够实现碳排放有效监测,提升分析和预测能力,促使碳排放计量监测数据在低碳经济环境下得以充分地应用。
根据本发明的实施例,基于隶属度矩阵和多个发电量子数据,确定多个第一聚类中心,包括:利用遗传算法,基于多个发电量子数据,确定多个第二聚类中心;以及利用模糊均值聚类算法,基于隶属度矩阵和多个第二聚类中心,确定多个第一聚类中心。
根据本发明的实施例,基于获取到的历史发电量数据中的多个发电量子数据,利用遗传算法对聚类中心寻求参数优化,从而确定第二聚类中心,其中,第二聚类中心可以用于表征随机抽取多个样本构成的初始聚类中心。例如,可以从多个发电量子数据中随机选出多个聚合成为第二聚类中心。
根据本发明的实施例,在得到第二聚类中心之后,为实时反映碳排放因子的动态变化,可以采用模糊C均值聚类算法,通过获得的隶属度矩阵和第二聚类中心进行寻优计算,得到局部最优值可作为第一聚类中心。
本发明的实施例通过遗传算法和模糊均值聚类算法以确定多个时间段的第一聚类中心,并实现对隶属度和第一聚类中心的参数寻优,从而提高碳排放因子预测值的精确度。
下面参考图2,结合具体实施例对上述确定第二聚类中心的方法做进一步说明。
图2示出了根据本发明实施例的确定第二聚类中心的方法的流程图。
如图2所示,确定第二聚类中心的方法包括S210~S230。
在操作S210,基于多个发电量子数据,生成初始种群。
根据本发明的实施例,利用多个发电量子数据随机生成初始种群,初始种群可以包括多个初始个体,例如发电量子数据样本空间中的多个发电量子数据样本。
根据本发明的实施例,生成初始种群的具体操作可以包括确定种群规模、交叉概率、变异概率以及聚类个数,并对组合得到的聚类中心采用二进制编码,得到染色体集合,其中,染色体集合中的每两个等位基因代表一个聚类中心的坐标。具体地,该聚类中心为随机发电量子数据x1,x2,…,x2h,该聚类中心的坐标为(x1,x2),(x1,x3),…,(x2h-1,x2h),其中,h表示为聚类个数。然后将该聚类中心的坐标进行二进制编码得到一条染色体,该染色体为x=(x1,x2,…,x2h)。然后可以重复进行N次染色体初始化操作,指导生成初始种群。其中,N表示为种群大小,多个染色体编码组合为一个种群。
例如,从样本空间中随机选出多个发电量子数据,并聚合成3个聚类中心,若初始的3个聚类中心点为(10,20)、(30,40)、(50,60),则对其进行二进制编码得到的染色体为(10,20,30,40,50,60)。
在操作S220,基于适应度函数和进化终止条件对初始种群进行多轮次的交叉变异,得到目标个体。
根据本发明的实施例,根据聚类中心的类别数、发电量子数据样本以及每个类别对应的聚类中心值,构建适应度函数用于评价样本个体的适应度。具体地,适应度函数的计算方式如下。
式中,f为适应度,c为聚类中心的类别,i为类别数目,x为样本,j为样本数目,zi为第i个类别的聚类中心值。
根据本发明的实施例,对初始种群进行多轮次的样本选择、样本交叉变异操作,依据适应度选择新一代的种群,并判断是否满足终止进化准则。其中,终止进化准则可以被配置为通过将每一代获得的最佳适应度值进行存储,然后将当前的最佳值与预定的几代之前获得的最佳适应度值进行比较,如果两者之间的差异小于预设的阈值,则算法可以停止。
根据本发明的实施例,若新一代的种群满足终止进化准则,则可以终止计算并输出目标个体,即目标聚类中心值,若不满足终止进化准则,则会重新进行样本选择、样本交叉变异操作,继续进行样本的迭代。
在操作S230,基于目标个体,确定多个第二聚类中心。
根据本发明的实施例,将上述输出的目标聚类中心值聚合形成多个第二聚类中心。
本发明的实施例采用遗传算法,建立适应度函数,并根据进化终止条件对初始种群进行多轮次的交叉变异操作,从而根据得到的目标个体确定多个第二聚类中心,由于采用上述遗传算法可以基于适应度的设定阈值对第二聚类中心进行迭代寻优,得到高精确度的聚类中心,从而提升后续碳排放因子的预测精度。
根据本发明的实施例,基于多个发电量子数据,生成初始种群,其中,初始种群包括多个初始个体,包括:从多个发电量子数据中选择多个发电量子数据作为多个初始聚类中心;以及基于多个初始聚类中心,得到初始种群。
根据本发明的实施例,可以从多个发电量子数据中随机选取多个发电量子数据作为初始聚类中心,并且依据多个初始聚类中心确定对应的初始种群,在初始种群中包括多个初始个体。
根据本发明的实施例,利用模糊均值聚类算法,基于隶属度矩阵和多个第二聚类中心,确定多个第一聚类中心,包括:基于目标函数和隶属度矩阵对多个第二聚类中心进行优化,得到多个第一聚类中心,其中,目标函数是基于模糊均值聚类算法确定。
根据本发明的实施例,在得到第二聚类中心之后,可以采用模糊均值聚类算法根据欧氏距离和隶属度矩阵构建目标函数,具体地,目标函数的计算方式如下。
Ln=[Ln,1,Ln,2,…,Ln,t]T (3);
式中,J(Ln,Un,Vn)为目标函数,Vn=[Vn,1,Vn,2,…,Vn,c]T为第二聚类中心,Ln为不同发电主体的发电量子数据,Ln,t为时间段t内不同发电主体的发电量,即第一聚类中心,un,c,t是Ln,t到Vn,c的隶属度,该隶属度在[0,1]区间内确定,N为发电量子数据样本空间数,n为发电量子数据样本数,Un为隶属度矩阵,b为预设的超参数,C为所有聚类中心类别的集合。
根据本发明的实施例,基于目标函数和所述隶属度矩阵,对第二聚类中心进行寻优计算,可以得到多个第一聚类中心。
本发明的实施例通过采用模糊均值聚类算法构建目标函数,并将隶属度矩阵代入目标函数对第二聚类中心进行寻优计算,得到最优的第一聚类中心,以提升后续碳排放因子的预测精度。
下面参考图3,结合具体实施例对确定时间段类别的方法做进一步说明。
图3示出了根据本发明实施例的确定时间段类别的方法的流程图。
如图3所示,确定时间段类别的方法包括S141~S143。
在操作S141,对于每个第一聚类中心,从多个发电量子数据中确定与第一聚类中心相关的至少一个目标发电量子数据。
根据本发明的实施例,在确定第一聚类中心之后,从历史发电量数据中包括的多个发电量子数据中筛选出与第一聚类中心相关联的一个或多个发电量子数据作为目标发电量子数据。
在操作S142,基于与至少一个目标发电量子数据各自相关的历史时段,确定与第一聚类中心相关的至少一个历史时段。
根据本发明的实施例,根据每个目标发电量子数据对应的获取时间段,可以确定与第一聚类中心相关的一个或多个历史时段。例如,获取到的新能源发电厂的发电量数据A表示为在1月1日0时至24时该新能源发电厂的发电量数据,则与第一聚类中心相关的历史时段包括1月1日0时至24时。
在操作S143,基于与第一聚类中心相关的至少一个历史时段,确定与第一聚类中心对应的时间段类别。
根据本发明的实施例,根据上述确定的第一聚类中心的历史时段,可以将该历史时段划分为多个不同时间段,例如,可以将1月1日0时至24时划分成5个时间段类别,分别是1-8时,9-10时,11-13时,14-17时,18-24时。
本发明的实施例将第一聚类中心对应的发电量子数据对应的历史时段划分为多个时间段类别,从而为建立时间序列模型提供时序特征,从而提高模型预测的精准度。
根据本发明的实施例,基于发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子,确定发电主体与多个时间段类别各自相关的预测碳排放因子,包括:基于发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子的平均值,得到发电主体与每一个时间段类别相关的预测碳排放因子。
根据本发明的实施例,在确定多个时间段类别之后,可以在确定的多个时间段类别中分配碳排放因子,即计算各个发电主体在与每一个时间段类别相对应的一个或多个目标历史时段各自的碳排放因子的平均值,得到发电主体与每一个时间段类别相关的预测碳排放因子,碳排放因子的计算方式如下。
式中,Tc为属于第一聚类中心的时间段数,CEFn,c为预测碳排放因子,CEFn,t为其中一个时间段类别的碳排放因子。
根据本发明的实施例,在确定发电主体与每一个时间段类别相关的预测碳排放因子之后,还可以对公式(4)的预测碳排放因子进行预测性能的准确性评估。
根据本发明的实施例,准确性评估的方式可以包括均方误差、均方根误差、对数损失以及交叉验证等方法,本发明的实施例可以采用均方根误差的方式进行准确性评估。其中,均方根误差(Root Mean Squared Error,RMSE)是一种用于衡量预测模型在连续性数据上的预测精度的指标。均方根误差反映了预测值与真实值偏差平方与样本数的比值的平方根,能够有效地测量预测结果的准确率,具体的计算公式如下。
式中,y为预测值,Y为真实值,n为发电量子数据样本数,RMSE为均方根误差。
根据本发明的实施例,通过比对监测碳排放数据与实测碳排放数据,以保证碳排放因子预测值与碳排放因子真实值相比误差小于预设阈值,从而提高监测效果和预测值的准确性。
下面结合图4及具体实施例对上述碳排放因子预测方法进行进一步地说明。
图4示出了根据本发明实施例的有益效果的示意图。
如图4所示,通过天津市实际数据,通过本发明实施例提出的预测模型对天津市某两日碳排放量进行了预测,划分的时间段包括5个时间段类别,即C1为1-8时,C2为9-10时,C3为11-13时,C4为14-17时,C5为18-24时,经上述公式(1)~(5)的计算,基于动态碳排放因子比对碳排放量的预测值与真实值,得到两者之间的误差率基本保持在3%以下,且在碳排放数据发生剧烈波动时能保持良好的预测能力。因此可以认为使用本发明所述方法得出的碳排放因子的预测值足够合理,具有实用性和信息性。
下面参考图5,结合具体实施例对获取多个历史时段各自的碳排放因子的方法做进一步说明。
图5示出了根据本发明实施例的获取多个历史时段各自的碳排放因子的方法的流程图。
如图5所示,确定时间段类别的方法包括S510~S530。
在操作S510,从电力系统的数据中台处获取发电主体的电源侧数据。
在操作S520,对发电主体的电源侧数据进行预处理,得到发电主体在多个历史时段各自的发电量子数据,和与每一个发电量子数据对应的碳排放量数据。
在操作S530,基于每一个发电量子数据和与每一个发电量子数据对应的碳排放量数据,得到发电主体在多个历史时段各自的碳排放因子。
根据本发明的实施例,电力系统的数据中台可以用于表征在原有数据管理平台的基础上,通过开放接口与其他业务系统对接,形成统一的数据应用和管理能力的数据平台,可以实现数据采集、存储管理、计算与呈现、数据流通与交易等各个环节。
根据本发明的实施例,确定数据源,该数据源可以包括指定区域内电源侧发电量数据以及并入电网的新能源和外部电源数据。
根据本发明的实施例,从存储数据源的数据库中提取数据矩阵。其中,该数据矩阵的列维度可以用于表征任意固定时段内的多个采样时间段,行维度可以用于表征不同的发电主体对应的电源侧发电量数据及并入电网的新能源和外部电源数据。
根据本发明的实施例,在提取到数据矩阵之后,可以对发电主体的电源侧数据矩阵进行预处理,其中,预处理可以包括对数据矩阵中的数据进行去除空值、处理缺失值或异常值等操作,以进行后续的数据清洗和数据分析。
根据本发明的实施例,去除空值的具体操作例如针对含有空值的数据可以直接删除该行数据或用其他适当的值进行填充。
根据本发明的实施例,处理缺失值的具体操作例如可以采用以下方法之一进行处理:如果缺失值较少,可以直接删除含有缺失值的数据,还可以使用均值、中位数、众数等统计量进行填充,或者使用相似样本值进行填充。
根据本发明的实施例,处理异常值的具体操作例如,可以采用以下方法之一进行处理:如果异常值较少,可以直接删除含有异常值的数据,还可以使用相似样本的值进行替换。
根据本发明的实施例,还可以对数据矩阵中的数据进行特征工程操作,具体可以包括特征提取、特征选择和特征变换等操作。
根据本发明的实施例,数据清洗操作可以包括对预处理后的数据进行去重、格式化、归一化等操作,以确保数据质量和一致性。
具体地,可以根据数据清洗目标,对数据进行相应的处理。例如,处理方式可以包括去除重复数据、填补缺失值、纠正异常值等,其中,去除重复数据为可以使用去重算法(如哈希算法)比较新接入的数据与已有数据,如果存在重复则去除;填补缺失值为可以采用均值、中位数或者众数等统计方法填充数值型数据,对于类别型数据,可以采用最常出现的类别进行填充;纠正异常值为可以通过设定阈值或者使用机器学习算法(如决策树)识别异常值并进行处理。
根据本发明的实施例,对清洗后的数据进行归一化处理,使数据矩阵中的数据符合数据中台统一模型的标准,从而获得发电主体在多个历史时段各自的发电量子数据以及与每一个发电量子数据对应的碳排放量数据,并将数据存储到统一的数据存储平台,以便进一步分析和处理。其中,归一化处理可以包括数据类型转换、数据格式调整等。
根据本发明的实施例,基于每一个发电量子数据和与每一个发电量子数据对应的碳排放量数据,可以通过数据中台分析计算得到发电主体在多个历史时段各自的碳排放因子真实值。
下面参考图6,结合具体实施例对本发明提出的电力系统的碳排放因子预测方法做进一步说明。
图6示出了根据本发明另一实施例的电力系统的碳排放因子预测方法的流程图。
如图6所示,本发明另一实施例的电力系统的碳排放因子预测方法包括操作S601~S609,具体操作如下:
执行操作S601,采集城市电力系统数据,可以利用数据中台采集并获取发电主体的电源侧数据;基于获取到的数据,执行操作S602,对数据进行预处理和清洗,预处理操作可以包括对数据矩阵中的数据进行去除空值、处理缺失值或异常值等操作,清洗操作可以包括对预处理后的数据进行去重、格式化、归一化等操作,还可以执行操作S603,对数据进行特征提取操作,从而可以得到发电主体在多个历史时段各自的发电量子数据,和与每一个发电量子数据对应的碳排放量数据;执行操作S604,采用长短期记忆网络算法确定隶属度,并执行操作S605,利用注意力机制过滤关键信息,例如各个发电主体在不同时间段的发电量信息。
在确定隶属度之后,执行操作S606,采用遗传算法确定第一聚类中心,即对聚类中心进行寻优,并执行操作S607,采用模糊均值聚类方法对第一聚类中心进行多个不同时间段类别的划分;在确定隶属度、第一聚类中心以及多个时间段类别之后,基于隶属度、第一聚类中心以及多个时间段类别执行操作S608,构建动态碳排放因子模型,以确定发电主体与多个时间段类别各自相关的预测碳排放因子,并可以执行S609,采用均方根误差方法对预测值进行误差评估,以保证预测值与真实值的误差区间小于预设阈值。
下面参考图7,结合具体实施例对本发明提出的基于注意力机制的长短期记忆网络做进一步说明。
图7示出了根据本发明实施例的基于注意力机制的长短期记忆网络的示意图。
如图7所示,本发明实施例的基于注意力机制的长短期记忆网络可以包括输入层、嵌入层、长短期记忆层、注意力层以及输出层,将输入数据x1~xt输入到模型的输入层中,经过嵌入层处理后的样本e1~et输入到长短期记忆层,得到h1~ht,长短期记忆层可以用于更新、删除或添加新的细胞状态,再经过注意力层过滤关键信息,得到h1’~ht’,并经过输出层输出数据。
根据本公开的实施例中,在训练基于注意力机制的长短期记忆网络的过程中,主要由输入门、遗忘门和输出门三个门结构完成。输入门结合当前输入内容和上一时段的输出进行信息更新,并将更新部分有选择性地存储到细胞状态中。遗忘门决定细胞状态遗忘或更新的程度,确定被遗忘的信息。输出门基于更新后的细胞状态,计算该时刻的输出内容。
需要说明的是,本发明实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序,或者不同操作在技术实现上存在执行的先后顺序,否则,多个操作之间的执行顺序可以不分先后,多个操作也可以同时执行。
图8示出了根据本发明的实施例的电力系统的碳排放因子预测装置的框图。
如图8所示,电力系统的碳排放因子预测装置包括获取模块810、第一确定模块820、第二确定模块830、第三确定模块840以及第四确定模块850。
获取模块810,用于获取电力系统的历史发电量数据。
第一确定模块820,用于将历史发电量数据输入基于注意力机制的长短期记忆网络,以确定历史发电量数据包括的多个发电量子数据各自的隶属关系,得到隶属度矩阵。
第二确定模块830,用于利用遗传算法和模糊均值聚类算法,基于隶属度矩阵和多个发电量子数据,确定多个第一聚类中心。
第三确定模块840,用于基于多个第一聚类中心,确定多个时间段类别。
第四确定模块850,用于基于发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子,确定发电主体与多个时间段类别各自相关的预测碳排放因子。
根据本发明的实施例,第二确定模块830包括第一确定子模块和第二确定子模块。
第一确定子模块,用于利用遗传算法,基于多个发电量子数据,确定多个第二聚类中心。
第二确定子模块,用于利用模糊均值聚类算法,基于隶属度矩阵和多个第二聚类中心,确定多个第一聚类中心。
根据本发明的实施例,第一确定子模块包括生成单元、第一确定单元和第二确定单元。
生成单元,用于基于多个发电量子数据,生成初始种群。
第一确定单元,用于基于适应度函数和进化终止条件对初始种群进行多轮次的交叉变异,得到目标个体。
第二确定单元,用于基于目标个体,确定多个第二聚类中心。
根据本发明的实施例,生成单元还包括选择子单元和确定子单元。
选择子单元,用于从多个发电量子数据中确定多个发电量子数据作为多个初始聚类中心。
确定子单元,用于基于多个初始聚类中心,得到初始种群。
根据本发明的实施例,第二确定子模块包括优化单元。
优化单元,用于基于目标函数和隶属度矩阵对多个第二聚类中心进行优化,得到多个第一聚类中心。
根据本发明的实施例,第三确定模块840包括第三确定子模块、第四确定子模块、第五确定子模块。
第三确定子模块,用于对于每个第一聚类中心,从多个发电量子数据中确定与第一聚类中心相关的至少一个目标发电量子数据。
第四确定子模块,用于基于与至少一个目标发电量子数据各自相关的历史时段,确定与第一聚类中心相关的至少一个历史时段。
第五确定子模块,用于基于与第一聚类中心相关的至少一个历史时段,确定与第一聚类中心对应的时间段类别。
根据本发明的实施例,第四确定模块850包括计算子模块。
计算子模块,用于基于发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子的平均值,得到发电主体与每一个时间段类别相关的预测碳排放因子。
根据本发明的实施例,电力系统的碳排放因子预测装置还包括第二获取模块、处理模块和第五确定模块。
第二获取模块,用于从电力系统的数据中台处获取发电主体的电源侧数据。
处理模块,用于对发电主体的电源侧数据进行预处理,得到发电主体在多个历史时段各自的发电量子数据,和与每一个发电量子数据对应的碳排放量数据。
第五确定模块,用于基于每一个发电量子数据和与每一个发电量子数据对应的碳排放量数据,得到发电主体在多个历史时段各自的碳排放因子。
根据本发明的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本发明实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本发明实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本发明实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获取模块810、第一确定模块820、第二确定模块830、第三确定模块840以及第四确定模块850中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本发明的实施例,获取模块810、第一确定模块820、第二确定模块830、第三确定模块840以及第四确定模块850中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块810、第一确定模块820、第二确定模块830、第三确定模块840以及第四确定模块850中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本发明的实施例中电力系统的碳排放因子预测装置部分与本发明的实施例中电力系统的碳排放因子预测方法部分是相对应的,电力系统的碳排放因子预测装置部分的描述具体参考电力系统的碳排放因子预测方法部分,在此不再赘述。
图9示出了根据本发明实施例的适于实现电力系统的碳排放因子预测方法的电子设备的框图。图9示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,根据本发明实施例的计算机电子设备包括处理器901,其可以根据存储在只读存储器ROM 902中的程序或者从存储部分908加载到随机访问存储器RAM 903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备操作所需的各种程序和数据。处理器901、ROM 902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备还可以包括连接至输入/输出(I/O)接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至输入/输出(I/O)接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
根据本发明的实施例,根据本发明实施例的方法流程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本发明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可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本发明实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本发明实施例所提供的电力系统的碳排放因子预测方法。
在该计算机程序被处理器901执行时,执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (7)
1.一种电力系统的碳排放因子预测方法,其特征在于,包括:
获取电力系统的历史发电量数据,其中,所述历史发电量数据包括与所述电力系统相关的发电主体在多个历史时段各自的发电量子数据;
将所述历史发电量数据输入基于注意力机制的长短期记忆网络,以确定所述历史发电量数据包括的多个发电量子数据各自的隶属关系,得到隶属度矩阵;
利用遗传算法和模糊均值聚类算法,基于所述隶属度矩阵和所述多个发电量子数据,确定多个第一聚类中心;
基于所述多个第一聚类中心,确定多个时间段类别;
基于所述发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子,确定所述发电主体与所述多个时间段类别各自相关的预测碳排放因子,其中,所述至少一个目标历史时段属于所述多个历史时段;
其中,所述基于所述隶属度矩阵和所述多个发电量子数据,确定多个第一聚类中心,包括:
利用遗传算法,基于所述多个发电量子数据,确定多个第二聚类中心,包括:
基于所述多个发电量子数据,生成初始种群,其中,所述初始种群包括多个初始个体;
基于适应度函数和进化终止条件对所述初始种群进行多轮次的交叉变异,得到目标个体;
基于所述目标个体,确定所述多个第二聚类中心;
采用模糊均值聚类算法构建目标函数,并将隶属度矩阵代入目标函数对所述多个第二聚类中心进行寻优计算,得到所述多个第一聚类中心;
其中,所述适应度函数如公式(1)所示:
式中,f为适应度,c为聚类中心的类别,i为类别数目,x为样本,j为样本数目,zi为第i个类别的聚类中心值;
所述目标函数如公式(2)~(3)所示:
Ln=[Ln,1,Ln,2,…,Ln,t]T (3);
式中,J(Ln,Un,Vn)为目标函数,Vn=[Vn,1,Vn,2,…,Vn,c]T为第二聚类中心,Ln为不同发电主体的发电量子数据,Ln,t为时间段t内不同发电主体的发电量,即第一聚类中心,un,c,t是Ln,t到Vn,c的隶属度,该隶属度在[0,1]区间内确定,N为发电量子数据样本空间数,n为发电量子数据样本数,Un为隶属度矩阵,b为预设的超参数,C为所有聚类中心类别的集合。
2.根据权利要求1所述的方法,其特征在于,所述基于所述多个发电量子数据,生成初始种群包括:
从所述多个发电量子数据中确定多个发电量子数据作为多个初始聚类中心;
基于所述多个初始聚类中心,得到所述初始种群。
3.根据权利要求1所述的方法,其特征在于,所述基于所述多个第一聚类中心,确定多个时间段类别,包括:
对于每个所述第一聚类中心,从所述多个发电量子数据中确定与所述第一聚类中心相关的至少一个目标发电量子数据;
基于与所述至少一个目标发电量子数据各自相关的历史时段,确定与所述第一聚类中心相关的至少一个历史时段;
基于与所述第一聚类中心相关的至少一个历史时段,确定与所述第一聚类中心对应的时间段类别。
4.根据权利要求1所述的方法,其特征在于,所述基于所述发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子,确定所述发电主体与所述多个时间段类别各自相关的预测碳排放因子,包括:
基于所述发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子的平均值,得到所述发电主体与每一个时间段类别相关的预测碳排放因子。
5.根据权利要求1所述的方法,其特征在于,还包括:
从所述电力系统的数据中台处获取所述发电主体的电源侧数据;
对所述发电主体的电源侧数据进行预处理,得到所述发电主体在多个历史时段各自的发电量子数据,和与每一个发电量子数据对应的碳排放量数据;
基于每一个发电量子数据和与每一个发电量子数据对应的碳排放量数据,得到所述发电主体在所述多个历史时段各自的碳排放因子。
6.一种电力系统的碳排放因子预测装置,其特征在于,包括:
获取模块,用于获取电力系统的历史发电量数据,其中,所述历史发电量数据包括与所述电力系统相关的发电主体在多个历史时段各自的发电量子数据;
第一确定模块,用于将所述历史发电量数据输入基于注意力机制的长短期记忆网络,以确定所述历史发电量数据包括的多个发电量子数据各自的隶属关系,得到隶属度矩阵;
第二确定模块,用于利用遗传算法和模糊均值聚类算法,基于所述隶属度矩阵和所述多个发电量子数据,确定多个第一聚类中心;
第三确定模块,用于基于所述多个第一聚类中心,确定多个时间段类别;
第四确定模块,用于基于所述发电主体在与每一个时间段类别相对应的至少一个目标历史时段各自的碳排放因子,确定所述发电主体与所述多个时间段类别各自相关的预测碳排放因子,其中,所述至少一个目标历史时段属于所述多个历史时段;
其中,所述第二确定模块用于:
利用遗传算法,基于所述多个发电量子数据,确定多个第二聚类中心,包括:
基于所述多个发电量子数据,生成初始种群,其中,所述初始种群包括多个初始个体;
基于适应度函数和进化终止条件对所述初始种群进行多轮次的交叉变异,得到目标个体;
基于所述目标个体,确定所述多个第二聚类中心;
采用模糊均值聚类算法构建目标函数,并将隶属度矩阵代入目标函数对所述多个第二聚类中心进行寻优计算,得到所述多个第一聚类中心;
其中,所述适应度函数如公式(1)所示:
式中,f为适应度,c为聚类中心的类别,i为类别数目,x为样本,j为样本数目,zi为第i个类别的聚类中心值;
所述目标函数如公式(2)~(3)所示:
Ln=[Ln,1,Ln,2,…,Ln,t]T (3);
式中,J(Ln,Un,Vn)为目标函数,Vn=[Vn,1,Vn,2,…,Vn,c]T为第二聚类中心,Ln为不同发电主体的发电量子数据,Ln,t为时间段t内不同发电主体的发电量,即第一聚类中心,un,c,t是Ln,t到Vn,c的隶属度,该隶属度在[0,1]区间内确定,N为发电量子数据样本空间数,n为发电量子数据样本数,Un为隶属度矩阵,b为预设的超参数,C为所有聚类中心类别的集合。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个指令,
其中,当所述一个或多个指令被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311716711.4A CN117408394B (zh) | 2023-12-14 | 2023-12-14 | 电力系统的碳排放因子预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311716711.4A CN117408394B (zh) | 2023-12-14 | 2023-12-14 | 电力系统的碳排放因子预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408394A CN117408394A (zh) | 2024-01-16 |
CN117408394B true CN117408394B (zh) | 2024-05-31 |
Family
ID=89496545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311716711.4A Active CN117408394B (zh) | 2023-12-14 | 2023-12-14 | 电力系统的碳排放因子预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408394B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910657A (zh) * | 2024-03-14 | 2024-04-19 | 杭州阿里云飞天信息技术有限公司 | 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529732A (zh) * | 2016-11-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 基于神经网络与随机前沿分析的碳排放效率预测方法 |
CN111325315A (zh) * | 2019-11-22 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于深度学习的配变停电电量损失预测的方法 |
WO2020233084A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种图像分割方法、装置、存储介质及终端设备 |
CN113516295A (zh) * | 2021-05-25 | 2021-10-19 | 广东电网有限责任公司广州供电局 | 一种面向灾后快速复电的空间负荷预测方法及系统 |
CN113890015A (zh) * | 2021-09-25 | 2022-01-04 | 三峡大学 | 基于改进模糊c均值聚类算法的配电网动态重构方法 |
CN114036827A (zh) * | 2021-11-01 | 2022-02-11 | 浙江大学 | 基于分解的高炉炼铁多目标碳减排方法 |
CN114781720A (zh) * | 2022-04-21 | 2022-07-22 | 国网河北省电力有限公司经济技术研究院 | 地区碳排放量预测方法、装置及终端设备 |
CN115471014A (zh) * | 2022-10-24 | 2022-12-13 | 国网重庆市电力公司电力科学研究院 | 一种基于深度神经网络的电网企业度电碳耗预测方法 |
CN115907195A (zh) * | 2022-12-08 | 2023-04-04 | 国电和风风电开发有限公司 | 一种光伏发电功率预测方法、系统、电子设备及介质 |
CN115965151A (zh) * | 2023-01-05 | 2023-04-14 | 河北先河环保科技股份有限公司 | 一种基于灰色模型的建筑能耗碳排放的预测方法及装置 |
CN116681187A (zh) * | 2023-08-03 | 2023-09-01 | 北京滴普科技有限公司 | 一种基于企业经营数据的企业碳配额预测方法 |
CN116720743A (zh) * | 2023-04-20 | 2023-09-08 | 广东电网有限责任公司广州供电局 | 基于数据聚类和机器学习的碳排放测算方法 |
CN116720095A (zh) * | 2023-06-09 | 2023-09-08 | 北京航空航天大学 | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 |
CN116882574A (zh) * | 2023-07-17 | 2023-10-13 | 北京市生态环境保护科学研究院 | 一种基于神经网络模型的碳排放预测方法及系统 |
CN117078480A (zh) * | 2023-08-11 | 2023-11-17 | 深圳供电局有限公司 | 碳排放量监测方法、装置、设备、存储介质和计算机产品 |
-
2023
- 2023-12-14 CN CN202311716711.4A patent/CN117408394B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529732A (zh) * | 2016-11-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 基于神经网络与随机前沿分析的碳排放效率预测方法 |
WO2020233084A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种图像分割方法、装置、存储介质及终端设备 |
CN111325315A (zh) * | 2019-11-22 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于深度学习的配变停电电量损失预测的方法 |
CN113516295A (zh) * | 2021-05-25 | 2021-10-19 | 广东电网有限责任公司广州供电局 | 一种面向灾后快速复电的空间负荷预测方法及系统 |
CN113890015A (zh) * | 2021-09-25 | 2022-01-04 | 三峡大学 | 基于改进模糊c均值聚类算法的配电网动态重构方法 |
CN114036827A (zh) * | 2021-11-01 | 2022-02-11 | 浙江大学 | 基于分解的高炉炼铁多目标碳减排方法 |
CN114781720A (zh) * | 2022-04-21 | 2022-07-22 | 国网河北省电力有限公司经济技术研究院 | 地区碳排放量预测方法、装置及终端设备 |
CN115471014A (zh) * | 2022-10-24 | 2022-12-13 | 国网重庆市电力公司电力科学研究院 | 一种基于深度神经网络的电网企业度电碳耗预测方法 |
CN115907195A (zh) * | 2022-12-08 | 2023-04-04 | 国电和风风电开发有限公司 | 一种光伏发电功率预测方法、系统、电子设备及介质 |
CN115965151A (zh) * | 2023-01-05 | 2023-04-14 | 河北先河环保科技股份有限公司 | 一种基于灰色模型的建筑能耗碳排放的预测方法及装置 |
CN116720743A (zh) * | 2023-04-20 | 2023-09-08 | 广东电网有限责任公司广州供电局 | 基于数据聚类和机器学习的碳排放测算方法 |
CN116720095A (zh) * | 2023-06-09 | 2023-09-08 | 北京航空航天大学 | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 |
CN116882574A (zh) * | 2023-07-17 | 2023-10-13 | 北京市生态环境保护科学研究院 | 一种基于神经网络模型的碳排放预测方法及系统 |
CN116681187A (zh) * | 2023-08-03 | 2023-09-01 | 北京滴普科技有限公司 | 一种基于企业经营数据的企业碳配额预测方法 |
CN117078480A (zh) * | 2023-08-11 | 2023-11-17 | 深圳供电局有限公司 | 碳排放量监测方法、装置、设备、存储介质和计算机产品 |
Non-Patent Citations (7)
Title |
---|
Alternative Pathway to Phase Down Coal Power and Achieve Negative Emission in China;Rui Wang;Science & Technology;20221102;16082–16093 * |
Analysis of Carbon Emission Influencing Factors and Medium- and Long-term Prediction Methods for Mega Cities Based on GDIM and PSO-XGBoost;Tianheng Chen;2023 The 5th International Conference on Power and Energy Technology;20230730;1651-1656 * |
Energy storage optimization method for microgrid considering multi-energy coupling demand response;Yu Shen;Journal of Energy Storage;20211128;1-9 * |
基于多模型聚类集成的锅炉烟气NO_x排放量预测模型;甄成刚;刘怀远;;热力发电;20181109(第04期);33-40 * |
基于模糊聚类识别及统计相关的短期负荷预测;张艳杰, 刘耀年, 祝滨, 祝洪博;电网技术;20021124(第11期);32-36 * |
深度调峰对新能源电力资源并网运行的影响和研究;艾邓鑫;能源与环境;20171030;15, 17 * |
考虑 CO2 排放量的能量枢纽运行配置优化;杨娜;计算机系统应用;20210902;279-287 * |
Also Published As
Publication number | Publication date |
---|---|
CN117408394A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
Ali et al. | Review of urban building energy modeling (UBEM) approaches, methods and tools using qualitative and quantitative analysis | |
CN117408394B (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
CN116702992A (zh) | 一种发电功率预测方法、装置、电子设备及存储介质 | |
CN114897264A (zh) | 一种基于迁移学习的小样本场景下光伏出力区间预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
CN110597880A (zh) | 一种用水模式挖掘和匹配的方法,系统和设备 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
Sarmas et al. | Baseline energy modeling for improved measurement and verification through the use of ensemble artificial intelligence models | |
CN113408816B (zh) | 一种基于深度神经网络的电网灾情评估方法 | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
Yang | Intelligent informatization early warning analysis of agricultural economy based on support vector sequential regression model | |
CN111625525A (zh) | 一种环境数据修复/填充方法及系统 | |
CN112256735A (zh) | 一种用电监测方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |