CN114814093A - 一种能源与碳排放监管*** - Google Patents
一种能源与碳排放监管*** Download PDFInfo
- Publication number
- CN114814093A CN114814093A CN202210387892.XA CN202210387892A CN114814093A CN 114814093 A CN114814093 A CN 114814093A CN 202210387892 A CN202210387892 A CN 202210387892A CN 114814093 A CN114814093 A CN 114814093A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- energy
- carbon
- emission
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 111
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 111
- 238000012544 monitoring process Methods 0.000 title description 4
- 238000005265 energy consumption Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 48
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 20
- 239000003345 natural gas Substances 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 10
- 239000001569 carbon dioxide Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims 9
- 238000010586 diagram Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Combustion & Propulsion (AREA)
- Pathology (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及碳排放技术领域，尤其为一种能源与碳排放监管***，包括云服务器、信息采集单元以及中控台，所述云服务器的内部安装有监管软件，所述监管软件的内部设置有数据处理模块和分析预测模块，所述信息采集单元包括碳排放采集模块和能耗采集单元，本发明可以有效解决目前现有的排放监管***无法对碳排放量的发展趋势进行预测，智能化程度较低的问题。
Description
技术领域
本发明涉及碳排放技术领域，具体为一种能源与碳排放监管***。
背景技术
碳排放量是指在生产、运输、使用及回收该产品时所产生的平均温室气体排放量。而动态的碳排放量，则是指每单位货品累积排放的温室气体量，同一产品的各个批次之间会有不同的动态碳排放量。
目前现有的排放监管***无法对碳排放量的发展趋势进行预测，智能化程度较低。
综上所述，本发明通过一种能源与碳排放监管***来解决这一问题。
发明内容
本发明的目的在于提供一种能源与碳排放监管***，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种能源与碳排放监管***，包括云服务器、信息采集单元以及中控台，所述云服务器的内部安装有监管软件，所述监管软件的内部设置有数据处理模块和分析预测模块，所述信息采集单元包括碳排放采集模块和能耗采集单元。
作为本发明优选的方案，所述云服务器与信息采集单元以及所述云服务器与中控台均通过高速光纤相连接。
作为本发明优选的方案，所述碳排放采集模块包括各种二氧化碳和甲烷含量检测仪，所述能耗采集单元包括各种电能表、水能表以及天然气表。
作为本发明优选的方案，所述数据处理模块的具体分析步骤为：每隔T时间，碳排放采集模块和能耗采集单元会将采集的数据输入云服务器内的监管软件中，监管软件中的数据处理模块根据碳排放量采集模块和能耗采集单元采集的数据计算出T时间内的碳排放量以及能源消耗量，并将数据输入分析预测模块内。
作为本发明优选的方案，所述分析预测模块根据储存的历史碳排放量数据构建预测模型，将数据处理模块处理得到的数据输入预测模型中进行分析处理，从而得到预测碳排放量。
作为本发明优选的方案，所述T时间为3s-8s，碳排放采集模块采集的数据包括二氧化碳排放量和甲烷排放量，能耗采集单元采集的数据包括电能消耗量、天然气消耗量以及水消耗量。
作为本发明优选的方案，所述计算T时间内的碳排放量的具体操作步骤为：使用转化计算公式计算出使用电能、天然气以及水产生的碳排放量，并将其与二氧化碳排放量和甲烷排放量进行累加，得到总的碳排放量。
作为本发明优选的方案，所述转化计算公式为：碳排放量＝0.785*电能消耗量+0.19*天然气消耗量+0.91*水消耗量。
作为本发明优选的方案，所述预测模型的构建过程包括以下步骤：
S1，将历史碳排放数据和所述企业信息数据作为输入参数，代入如下模型：
得到残差序列；
S2，将残差序列足作为训练数集，以历史碳排放数据作为输入变量，残差序列作为输出变量，选取径向基函数RBF作为核函数，将所述训练数集中的数据代入如下模型：
并将满足测试条件的参数回归模型作为预测模型。
作为本发明优选的方案，所述S1中Lt为t时刻碳排放量的线性预测结果，ht-i为t-i时刻的历史碳排放数据，αt-a为t-i时刻的碳排放量预测误差项，j、f分别为自回归部分模型和移动平均部分模型的阶数，αt为白噪声序列，γi(1≤i≤j)为自回归模型的系数，λa(1≤a≤f)是移动平均模型的系数，S2中Ht为t时刻碳排放量的非线性预测结果；SVS为支持向量个数，βi为每个训练样本的拉格朗日系数，δi(-1或1)为向量标签，G(xi，x)为所选择影响碳排放量的RBF核函数，C0为偏置量。
与现有技术相比，本发明的有益效果是：
1、本发明中，通过碳排放采集模块和能耗采集单元将采集的数据输入云服务器内的监管软件中，监管软件中的数据处理模块根据碳排放量采集模块和能耗采集单元采集的数据计算出T时间内的碳排放量以及能源消耗量，并将数据输入分析预测模块内，分析预测模块根据储存的历史碳排放量数据构建预测模型，将数据处理模块处理得到的数据输入预测模型中进行分析处理，从而得到预测碳排放量，可以根据现有和历史的碳排放量数据对未来碳排放量进行预测，智能化程度较高。
2、本发明中，通过转化公式将消化的能源转化为碳排放量，提高了预测的准确性。
附图说明
图1为本发明整体硬件结构示意图；
图2为本发明***方框结构示意。
图中：1、云服务器；2、采集单元；3、中控台；4、监管软件；5、数据处理模块；6、分析预测模块；7、碳排放量采集模块；8、能耗采集模块。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述，给出了本发明的若干实施例，但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例，相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同，本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1-2，本发明提供一种技术方案：
一种能源与碳排放监管***，包括云服务器1、信息采集单元2以及中控台3，云服务器1的内部安装有监管软件4，监管软件4的内部设置有数据处理模块5和分析预测模块6，信息采集单元2包括碳排放采集模块7和能耗采集单元8。
进一步的，云服务器1与信息采集单元2以及云服务器1与中控台3均通过高速光纤相连接。
进一步的，碳排放采集模块7包括各种二氧化碳和甲烷含量检测仪，能耗采集单元8包括各种电能表、水能表以及天然气表。
进一步的，数据处理模块5的具体分析步骤为：每隔T时间，碳排放采集模块7和能耗采集单元8会将采集的数据输入云服务器1内的监管软件4中，监管软件4中的数据处理模块5根据碳排放量采集模块7和能耗采集单元8采集的数据计算出T时间内的碳排放量以及能源消耗量，并将数据输入分析预测模块6内。
进一步的，分析预测模块6根据储存的历史碳排放量数据构建预测模型，将数据处理模块5处理得到的数据输入预测模型中进行分析处理，从而得到预测碳排放量。
作为本发明优选的方案，T时间为3s-8s，碳排放采集模块7采集的数据包括二氧化碳排放量和甲烷排放量，能耗采集单元8采集的数据包括电能消耗量、天然气消耗量以及水消耗量。
进一步的，计算T时间内的碳排放量的具体操作步骤为：使用转化计算公式计算出使用电能、天然气以及水产生的碳排放量，并将其与二氧化碳排放量和甲烷排放量进行累加，得到总的碳排放量。
进一步的，转化计算公式为：碳排放量＝0.785*电能消耗量+0.19*天然气消耗量+0.91*水消耗量。
进一步的，预测模型的构建过程包括以下步骤：
S1，将历史碳排放数据和企业信息数据作为输入参数，代入如下模型：
得到残差序列；
S2，将残差序列足作为训练数集，以历史碳排放数据作为输入变量，残差序列作为输出变量，选取径向基函数RBF作为核函数，将训练数集中的数据代入如下模型：
并将满足测试条件的参数回归模型作为预测模型。
进一步的，S1中Lt为t时刻碳排放量的线性预测结果，ht-i为t-i时刻的历史碳排放数据，αt-a为t-i时刻的碳排放量预测误差项，j、f分别为自回归部分模型和移动平均部分模型的阶数，αt为白噪声序列，γi(1≤i≤j)为自回归模型的系数，λa(1≤a≤f)是移动平均模型的系数，S2中Ht为t时刻碳排放量的非线性预测结果；SVS为支持向量个数，βi为每个训练样本的拉格朗日系数，δi(-1或1)为向量标签，G(xi，x)为所选择影响碳排放量的RBF核函数，C0为偏置量。
具体实施案例：
每隔T时间，T时间取6s，碳排放采集模块7和能耗采集单元8会将采集的数据输入云服务器1内的监管软件4中，监管软件4中的数据处理模块5首先根据碳排放量采集模块7采集的数据使用转化计算公式计算出使用电能、天然气以及水产生的碳排放量，并将其与和能耗采集单元8采集的二氧化碳排放量和甲烷排放量进行累加，得到总的碳排放量，转化计算公式为：碳排放量＝0.785*电能消耗量+0.19*天然气消耗量+0.91*水消耗量，并将数据输入分析预测模块6内。
将历史碳排放数据和企业信息数据作为输入参数，代入如下模型：
得到残差序列，Lt为t时刻碳排放量的线性预测结果，ht-i为t-i时刻的历史碳排放数据，αt-a为t-i时刻的碳排放量预测误差项，j、f分别为自回归部分模型和移动平均部分模型的阶数，αt为白噪声序列，γi(1≤i≤j)为自回归模型的系数，λa(1≤a≤f)是移动平均模型的系数，将残差序列足作为训练数集，以历史碳排放数据作为输入变量，残差序列作为输出变量，选取径向基函数RBF作为核函数，将训练数集中的数据代入如下模型：
Ht为t时刻碳排放量的非线性预测结果；SVS为支持向量个数，βi为每个训练样本的拉格朗日系数，δi(-1或1)为向量标签，G(xi，x)为所选择影响碳排放量的RBF核函数，C0为偏置量，并将满足测试条件的参数回归模型作为预测模型，将数据处理模块5处理得到的数据输入预测模型中进行分析处理，从而得到预测碳排放量。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种能源与碳排放监管***，包括云服务器(1)、信息采集单元(2)以及中控台(3)，其特征在于：所述云服务器(1)的内部安装有监管软件(4)，所述监管软件(4)的内部设置有数据处理模块(5)和分析预测模块(6)，所述信息采集单元(2)包括碳排放采集模块(7)和能耗采集单元(8)。
2.根据权利要求1所述的一种能源与碳排放监管***，其特征在于：所述云服务器(1)与信息采集单元(2)以及所述云服务器(1)与中控台(3)均通过高速光纤相连接。
3.根据权利要求1所述的一种能源与碳排放监管***，其特征在于：所述碳排放采集模块(7)包括各种二氧化碳和甲烷含量检测仪，所述能耗采集单元(8)包括各种电能表、水能表以及天然气表。
4.根据权利要求1所述的一种能源与碳排放监管***，其特征在于：所述数据处理模块(5)的具体分析步骤为：每隔T时间，碳排放采集模块(7)和能耗采集单元(8)会将采集的数据输入云服务器(1)内的监管软件(4)中，监管软件(4)中的数据处理模块(5)根据碳排放量采集模块(7)和能耗采集单元(8)采集的数据计算出T时间内的碳排放量以及能源消耗量，并将数据输入分析预测模块(6)内。
5.根据权利要求1所述的一种能源与碳排放监管***，其特征在于：所述分析预测模块(6)根据储存的历史碳排放量数据构建预测模型，将数据处理模块(5)处理得到的数据输入预测模型中进行分析处理，从而得到预测碳排放量。
6.根据权利要求4所述的一种能源与碳排放监管***，其特征在于：所述T时间为3s-8s，碳排放采集模块(7)采集的数据包括二氧化碳排放量和甲烷排放量，能耗采集单元(8)采集的数据包括电能消耗量、天然气消耗量以及水消耗量。
7.根据权利要求4所述的一种能源与碳排放监管***，其特征在于：所述计算T时间内的碳排放量的具体操作步骤为：使用转化计算公式计算出使用电能、天然气以及水产生的碳排放量，并将其与二氧化碳排放量和甲烷排放量进行累加，得到总的碳排放量。
8.根据权利要求7所述的一种能源与碳排放监管***，其特征在于：所述转化计算公式为：碳排放量＝0.785*电能消耗量+0.19*天然气消耗量+0.91*水消耗量。
9.根据权利要求5所述的一种能源与碳排放监管***，其特征在于：所述预测模型的构建过程包括以下步骤：
S1，将历史碳排放数据和所述企业信息数据作为输入参数，代入如下模型：
得到残差序列；
S2，将残差序列足作为训练数集，以历史碳排放数据作为输入变量，残差序列作为输出变量，选取径向基函数RBF作为核函数，将所述训练数集中的数据代入如下模型：
并将满足测试条件的参数回归模型作为预测模型。
10.根据权利要求9所述的一种能源与碳排放监管***，其特征在于：所述S1中Lt为t时刻碳排放量的线性预测结果，ht-i为t-i时刻的历史碳排放数据，αt-a为t-i时刻的碳排放量预测误差项，j、f分别为自回归部分模型和移动平均部分模型的阶数，αt为白噪声序列，γi(1≤i≤j)为自回归模型的系数，λa(1≤a≤f)是移动平均模型的系数，S2中Ht为t时刻碳排放量的非线性预测结果；SVS为支持向量个数，βi为每个训练样本的拉格朗日系数，δi(-1或1)为向量标签，G(xi，x)为所选择影响碳排放量的RBF核函数，C0为偏置量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210387892.XA CN114814093A (zh) | 2022-04-13 | 2022-04-13 | 一种能源与碳排放监管*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210387892.XA CN114814093A (zh) | 2022-04-13 | 2022-04-13 | 一种能源与碳排放监管*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114814093A true CN114814093A (zh) | 2022-07-29 |
Family
ID=82536192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210387892.XA Pending CN114814093A (zh) | 2022-04-13 | 2022-04-13 | 一种能源与碳排放监管*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114814093A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759488A (zh) * | 2023-01-10 | 2023-03-07 | 广东埃文低碳科技股份有限公司 | 一种基于边缘计算的碳排放监测预警分析***及其方法 |
-
2022
- 2022-04-13 CN CN202210387892.XA patent/CN114814093A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759488A (zh) * | 2023-01-10 | 2023-03-07 | 广东埃文低碳科技股份有限公司 | 一种基于边缘计算的碳排放监测预警分析***及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Short-term wind speed forecasting based on long short-term memory and improved BP neural network | |
| CN113128781B (zh) | 一种自动构建智能化模型与算法的分布式工业能源运行优化平台 | |
| CN108009667A (zh) | 一种能源需求总量及结构预测*** | |
| CN110059891B (zh) | 一种基于vmd-svm-wsa-gm组合模型的光伏电站输出功率预测方法 | |
| CN112215410B (zh) | 基于改进深度学习的电力负荷预测方法 | |
| CN114118569A (zh) | 基于多模态多任务的Transformer网络的风电功率多步预测方法 | |
| CN114814093A (zh) | 一种能源与碳排放监管*** | |
| WO2020228568A1 (zh) | 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练***和预测***及存储介质 | |
| CN113901623A (zh) | 一种基于布谷鸟搜索算法的svm的配电网拓扑辨识方法 | |
| Wang et al. | A novel wind power prediction model improved with feature enhancement and autoregressive error compensation | |
| Luo et al. | A multi-step prediction method for wind power based on improved TCN to correct cumulative error | |
| CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
| CN110276480A (zh) | 一种用于建筑能耗管理的分析预测方法及*** | |
| CN113901622A (zh) | 一种基于遗传算法优化的svm的配电网拓扑辨识方法 | |
| CN117592615A (zh) | 一种基于iceemdan和集成lstm-tcn模型的短期电力负荷预测方法 | |
| CN116777039A (zh) | 基于训练集分段和误差修正的双层神经网络风速预测方法 | |
| CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
| CN113850443A (zh) | 一种基于非参数Bootstrap误差抽样的短期电力负荷区间预测方法 | |
| CN116307028A (zh) | 一种基于改进决策树的短期电力负荷预测方法及*** | |
| Dong et al. | Nontechnical loss detection of electricity based on neural architecture search in distribution power networks | |
| CN112132325B (zh) | 考虑天气置信度的输电线路载流量限额评估方法及装置 | |
| Liu et al. | Wind power prediction based on meteorological data visualization | |
| CN117892463B (zh) | 一种基于负荷预测的低压配电网设计*** | |
| CN117394439A (zh) | 一种提高储能***发电自用率的方法 | |
| CN118074112A (zh) | 基于相似日与长短期时间序列网络的光伏功率预测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220729 |
|
| WD01 | Invention patent application deemed withdrawn after publication |