CN118037078A - 一种变电站碳排放计算数据迁移方法 - Google Patents
一种变电站碳排放计算数据迁移方法 Download PDFInfo
- Publication number
- CN118037078A CN118037078A CN202410437244.XA CN202410437244A CN118037078A CN 118037078 A CN118037078 A CN 118037078A CN 202410437244 A CN202410437244 A CN 202410437244A CN 118037078 A CN118037078 A CN 118037078A
- Authority
- CN
- China
- Prior art keywords
- index
- substation
- carbon emission
- characteristic
- value
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 115
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 115
- 230000005012 migration Effects 0.000 title claims abstract description 41
- 238000013508 migration Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004364 calculation method Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 3
- 239000005431 greenhouse gas Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种变电站碳排放计算数据迁移方法。为了克服现有技术需要在各个站点安装碳排放检测设备，花费大量的人力、物力与财力的问题；本发明通过变电站即有调度数据，以碳排放监测站点数据为锚点，通过层次权重，聚合各碳排放相似评判要素，并将权重加成后的要素进行聚类分析，找出最适合的锚点数据进行碳排放预测，实现以少数典型监测站点外推多数非碳监测站点的碳排放监测，响应碳管理的同时，大幅降低工程造价。
Description
技术领域
本发明涉及电力***节能减排技术领域，尤其涉及一种基于层次权重与分级聚类的变电站碳排放计算数据迁移方法。
背景技术
零碳，意指没有温室气体（二氧化碳为主）排放。作为电力***基本单元的变电站，承担着电压转换、电能分配、区域电网连接等重要任务。变电站的温室气体排放可分类为直接排放和间接排放两个部分。其中，直接排放来自于使用变压器油或是设备中SF6气体在设备运行或检修时产生的温室气体排放。间接排放指在输变电过程中，电气设备运自身能耗导致发电量增加而引发的碳排放。
为了更好地监测站点的碳排放，需要在各个站点安装碳排放检测设备，花费大量的人力、物力与财力，例如，一种在中国专利文献上公开的“一种变电站碳排放监测方法及***”，其公告号CN115809282A，该方法包括：确定发电连接关系和变电站支路连接关系；获取电力***的实时潮流功率；计算实际发电量和变电站实际潮流功率；确定电力***的线路碳源节点并确定与线路碳源节点相连的变电站组；构建分布式碳排放解耦计算模型；将实际发电量和变电站实际潮流功率作为分布式碳排放解耦计算模型的输入，计算变电站组的碳排放数据组；根据变电站碳排放数据组获取待监测的变电站碳排放数据，完成对变电站的碳排放监测。
发明内容
本发明主要解决现有技术需要在各个站点安装碳排放检测设备，花费大量的人力、物力与财力的问题；提供一种变电站碳排放计算数据迁移方法，通过变电站即有调度数据，以碳排放监测站点数据为锚点，通过层次权重，聚合各碳排放相似评判要素，并将权重加成后的要素进行聚类分析，找出最适合的锚点数据进行碳排放预测，实现以少数典型监测站点外推多数非碳监测站点的碳排放监测，响应碳管理的同时，大幅降低工程造价。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种变电站碳排放计算数据迁移方法，包括以下步骤：
S1：构建碳排放迁移评价数据对象，分别计算评价数据的均值特征、离散特征、偏度特征和峰度特征；
S2：构建权重层次分析机制，设置指标层和特征层；归一化处理特征层中的特征值，采用熵权法确定每个指标的特征权重；
S3：计算碳排放特征值相似度匹配，选取匹配度最高的典型监测站点作为数据迁移对象，外推非碳监测站点的碳排放监测。
本方案在考核变电站碳排放需求背景下，构建一种碳属性相似度评判机制，从而提出一种不依赖自身监测的变电站碳排放指标计算方法。通过变电站即有调度数据，以碳排放监测站点数据为锚点，通过层次权重，聚合各碳排放相似评判要素，并将权重加成后的要素进行聚类分析，找出最适合的锚点数据进行碳排放预测，实现以少数典型监测站点外推多数非碳监测站点的碳排放监测，响应碳管理的同时，大幅降低工程造价。
作为优选，以一小时为一个时段，将一天划分为若干个时段，根据变电站负载特性选取特殊时段；对于各个选取时段中的评价数据，分别计算均值特征、离散特征、偏度特征和峰度特征四维特征。
对于变电站的碳排放特征，不是简单的时间上的平均，是分特殊时段的计算，同时对于节假日与工作日，做区分统计，目的在于区分各时段的变电站负载特性，全时段相似度匹配的变电站，更具备指标迁移参考性。此方法可以有效的避免数据比较陷入局部最优。
作为优选，碳排放迁移评价数据的均值特征表达式为：
其中，为第i个变电站的第m个指标在时间序列上的均值；
为第i个变电站的第m个指标在第t个时间段上的数值；
T为总的时间段数量。
均值水平是变电站碳排放特征轨迹的相对距离的量度，反映两条轨迹在空间上的接近程度。
作为优选，碳排放迁移评价数据的离散特征计算表达式为：
其中，为第i个变电站的第m个指标在时间序列上的离散值；
为第i个变电站的第m个指标在时间序列上的均值；
为第i个变电站的第m个指标在第t个时间段上的数值；
T为总的时间段数量。
离散程度反映了变电站碳评价特征量的离散情况，若两座变电站的趋势是相近的，其特征量在时间序列上的“离散特征”应该是接近的。
作为优选，碳排放迁移评价数据的偏度特征计算表达式为：
其中，为第i个变电站的第m个指标在时间序列上的偏度；
为第i个变电站的第m个指标在时间序列上的离散值；
为第i个变电站的第m个指标在时间序列上的均值；
为第i个变电站的第m个指标在第t个时间段上的数值；
T为总的时间段数量。
偏度特征衡量变电站的指标在时间序列上是否对称，反映了样本的分布特征。
作为优选，碳排放迁移评价数据的峰度特征计算表达式为：
其中，为第i个变电站的第m个指标在时间序列上的峰度；
为第i个变电站的第m个指标在时间序列上的离散值；
为第i个变电站的第m个指标在时间序列上的均值；
为第i个变电站的第m个指标在第t个时间段上的数值；
T为总的时间段数量。
当锚点碳排放指标波动时，如某一时段负荷类型大幅变化，受影响越大的变电站幅度越高，其峰度值越大。当两座变电站同碳排放相似是，其特征指标的峰度值相似。
作为优选，归一化处理特征层中的特征值，具体的表达式为：
其中，为第i座变电站的第m个指标对应的第p个特征量相对于其他变电站对应特征的比重；
表示为第i 座变电站的第m个指标对应的第p个特征量的数值；
N为变电站总数量；
p=1,2,3,4分别对应均值特征、离散特征、偏度特征和峰度特征四个特征量。
由于指标的数据在时间序列上各异，故利用熵权法需分别确定每个指标的特征权重。
作为优选，计算第m个指标的熵值，具体的表达式为：
其中，为第m个指标的熵值；
,/>,取/>；
由于是逆向指标，对熵值进行正向化和归一化处理后，得到特征值p的权重系数如下式所示：
其中，为第m个指标的特征权重系数。
作为优选，碳排放特征值相似度的表达式为：
其中，为第i座变电站中的第k个指标；
为第j座变电站中的第k个指标。
n为指标总数。
两座变电站碳指标只要存在相近的点，就会产生一定的相似度，相近的点数越多则曲线的相似度越大。
作为优选，基于皮尔森相关系数的碳指标相似度判定方法，衡量碳相似度指标走势差异：
若两个信号的变化趋势相同，则两个信号为正相关关系，二者之间的皮尔森相关系数为正值；
若两个信号变化趋势相反，则两个信号为负相关关系，二者之间的皮尔森相关系数为负值。
本发明的有益效果是：
通过变电站即有调度数据，以碳排放监测站点数据为锚点，通过层次权重，聚合各碳排放相似评判要素，并将权重加成后的要素进行聚类分析，找出最适合的锚点数据进行碳排放预测，实现以少数典型监测站点外推多数非碳监测站点的碳排放监测，响应碳管理的同时，大幅降低工程造价。
附图说明
图1是本发明的一种变电站碳排放计算数据迁移方法流程图。
图2是本发明的权重层次分析机制示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例的一种变电站碳排放计算数据迁移方法，如图1所示，包括以下步骤：
S1：构建碳排放迁移评价数据对象，分别计算评价数据的均值特征、离散特征、偏度特征和峰度特征。
具体的，碳排放迁移评价数据包括馈线有功功率、主变有功功率和地区气象数据等，在本实施例中，如图2所示，评价数据包括支路电流、支路功率、主变低压侧功率、环境温度和所用变功率。
对于变电站的碳排放数据，不是简单的时间上的平均，是分特殊时段的计算，以一小时为一个时段，将一天划分为若干个时段，根据变电站负载特性选取特殊时段；
在本实施例中，计算选取的特殊时段主要有0:00~1:00;6:00~7:00；9:00~10:00；13:00~14:00；16:00~18:00；20:00~21:00。
同时对于节假日与工作日，做区分统计，目的在于区分各时段的变电站负载特性，全时段相似度匹配的变电站，更具备指标迁移参考性。能够有效的避免数据比较陷入局部最优。
对于各个选取时段中的评价数据，分别计算均值特征、离散特征、偏度特征和峰度特征四维特征用于评判相似度，具体的计算过程如下：
1）碳排放迁移评价数据的均值特征计算如下式所示：
其中，为第i个变电站的第m个指标在时间序列上的均值。
为第i个变电站的第m个指标在第t个时间段上的数值。
T为总的时间段数量。
均值特征的水平是变电站碳排放特征轨迹的相对距离的量度，反映两条轨迹在空间上的接近程度。
2）碳排放迁移评价数据的离散特征计算如下式所示：
其中，为第i个变电站的第m个指标在时间序列上的离散值。
为第i个变电站的第m个指标在时间序列上的均值。
为第i个变电站的第m个指标在第t个时间段上的数值。
T为总的时间段数量。
反映了变电站碳排放迁移评价数据的离散情况，若两座变电站的趋势是相近的，其评价数据在时间序列上的“离散特征”应该是接近的。
3）碳排放迁移评价数据的偏度特征计算如下式所示：
其中，为第i个变电站的第m个指标在时间序列上的偏度。
为第i个变电站的第m个指标在时间序列上的离散值。
为第i个变电站的第m个指标在时间序列上的均值。
为第i个变电站的第m个指标在第t个时间段上的数值。
T为总的时间段数量。
衡量第i个变电站的第m 个指标在时间序列上是否对称，反映了样本的分布特征。
4）碳排放迁移评价数据的峰度特征计算如下式所示：
其中，为第i个变电站的第m个指标在时间序列上的峰度。
为第i个变电站的第m个指标在时间序列上的离散值。
为第i个变电站的第m个指标在时间序列上的均值。
为第i个变电站的第m个指标在第t个时间段上的数值。
T为总的时间段数量。
衡量第i个变电站的第m个指标在时间序列上的集中程度。当锚点碳排放指标波动时，如某一时段负荷类型大幅变化，受影响越大的变电站幅度越高，其峰度值越大。当两座变电站同碳排放相似时，其特征指标的峰度值相似。
S2：构建权重层次分析机制，设置指标层和特征层；归一化处理特征层中的特征值，采用熵权法确定每个指标的特征权重。
在本实施例中，构建的权重层次分析机制如图2所示，将反应同调性的特征指标定义为A层，在本实施例中的指标包括支路电流、支路功率、主变低压侧功率、环境温度和所用变功率；将每个指标在时间序列上提取的特征定为B 层。
B层的权重，体现了特征指标间的重要性关系，同时A层中每个指标量对应的特征权重，是不同的。
由于指标的数据在时间序列上各异，故利用熵权法需分别确定每个指标的特征权重。
归一化处理特征层中的特征值，计算第i座变电站的第m个指标对应的第p个特征量相对于其他变电站特征的比重，具体的表达式为：
其中，为第i座变电站的第m个指标对应的第p个特征量相对于其他变电站对应特征的比重。
表示为第i 座变电站的第m个指标对应的第p个特征量的数值。
N为变电站总数量。
p=1,2,3,4分别对应均值特征、离散特征、偏度特征和峰度特征四个特征量。
计算第m个指标的熵值，具体的表达式为：
其中，为第m个指标的熵值。
,/>,取/>。
由于是逆向指标，对熵值进行正向化和归一化处理后，得到特征值p的权重系数如下式所示：
其中，为第m个指标的特征权重系数。
S3：计算碳排放特征值相似度匹配，选取匹配度最高的典型监测站点作为数据迁移对象，外推非碳监测站点的碳排放监测。
两座变电站碳指标只要存在相近的点，就会产生一定的相似度，相近的点数越多则曲线的相似度越大。设第i座变电站和第j座变电站的指标分别表示为和/>，则第i座变电站和第j座变电站之间的碳排放特征值相似度的表达式为：
其中，为第i座变电站中的第k个指标；
为第j座变电站中的第k个指标。
n为指标总数。
进一步的，提出基于皮尔森相关系数的碳指标相似度判定方法，衡量碳相似度指标走势差异。
若两个信号的变化趋势相同，即其中一个信号减小/增大时，另一个信号也随之减小/增大，此时这两个信号为正相关关系，二者之间的相关系数为正值；
反之，当两个信号变化趋势相反时，则这两个信号为负相关关系，二者之间的相关系数为负值。
第i座变电站和第j座变电站之间碳特征的皮尔森相关系数可以表示为：
其中，皮尔森相关系数的取值范围为/>。
为第i座变电站第k个变量的第m个指标，比如k=1,m=1,代表馈线有功功率的均值指标、比如k=2,m=2,代表主变有功功率的离散特征指标。
为第j座变电站第k个变量的第m个指标，比如k=1,m=1,代表馈线有功功率的均值指标、比如k=2,m=2,代表主变有功功率的离散特征指标。
将计算得到的相似度由高到低排序，选取匹配度最高的典型监测站点作为数据迁移对象，以此来外推判断非碳监测站点的碳排放监测量。
本实施例的方案通过变电站即有调度数据，以碳排放监测站点数据为锚点，通过层次权重，聚合各碳排放相似评判要素，并将权重加成后的要素进行聚类分析，找出最适合的锚点数据进行碳排放预测，实现以少数典型监测站点外推多数非碳监测站点的碳排放监测，响应碳管理的同时，大幅降低工程造价。
应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (10)
1.一种变电站碳排放计算数据迁移方法，其特征在于，包括以下步骤：
S1：构建碳排放迁移评价数据对象，分别计算评价数据的均值特征、离散特征、偏度特征和峰度特征；
S2：构建权重层次分析机制，设置指标层和特征层；归一化处理特征层中的特征值，采用熵权法确定每个指标的特征权重；
S3：计算碳排放特征值相似度匹配，选取匹配度最高的典型监测站点作为数据迁移对象，外推非碳监测站点的碳排放监测。
2.根据权利要求1所述的一种变电站碳排放计算数据迁移方法，其特征在于，以一小时为一个时段，将一天划分为若干个时段，根据变电站负载特性选取特殊时段；对于各个选取时段中的评价数据，分别计算均值特征、离散特征、偏度特征和峰度特征四维特征。
3.根据权利要求1或2所述的一种变电站碳排放计算数据迁移方法，其特征在于，碳排放迁移评价数据的均值特征表达式为：
；
其中，为第i个变电站的第m个指标在时间序列上的均值；
为第i个变电站的第m个指标在第t个时间段上的数值；
T为总的时间段数量。
4.根据权利要求1或2所述的一种变电站碳排放计算数据迁移方法，其特征在于，碳排放迁移评价数据的离散特征计算表达式为：
；
其中，为第i个变电站的第m个指标在时间序列上的离散值；
为第i个变电站的第m个指标在时间序列上的均值；
为第i个变电站的第m个指标在第t个时间段上的数值；
T为总的时间段数量。
5.根据权利要求1或2所述的一种变电站碳排放计算数据迁移方法，其特征在于，碳排放迁移评价数据的偏度特征计算表达式为：
；
其中，为第i个变电站的第m个指标在时间序列上的偏度；
为第i个变电站的第m个指标在时间序列上的离散值；
为第i个变电站的第m个指标在时间序列上的均值；
为第i个变电站的第m个指标在第t个时间段上的数值；
T为总的时间段数量。
6.根据权利要求1或2所述的一种变电站碳排放计算数据迁移方法，其特征在于，碳排放迁移评价数据的峰度特征计算表达式为：
；
其中，为第i个变电站的第m个指标在时间序列上的峰度；
为第i个变电站的第m个指标在时间序列上的离散值；
为第i个变电站的第m个指标在时间序列上的均值；
为第i个变电站的第m个指标在第t个时间段上的数值；
T为总的时间段数量。
7.根据权利要求1所述的一种变电站碳排放计算数据迁移方法，其特征在于，归一化处理特征层中的特征值，具体的表达式为：
；
其中，为第i座变电站的第m个指标对应的第p个特征量相对于其他变电站对应特征的比重；
表示为第i 座变电站的第m个指标对应的第p个特征量的数值；
N为变电站总数量；
p=1,2,3,4分别对应均值特征、离散特征、偏度特征和峰度特征四个特征量。
8.根据权利要求7所述的一种变电站碳排放计算数据迁移方法，其特征在于，计算第m个指标的熵值，具体的表达式为：
；
其中，为第m个指标的熵值；
,/>,取/>；
由于是逆向指标，对熵值进行正向化和归一化处理后，得到特征值p的权重系数如下式所示：
；
其中，为第m个指标的特征权重系数。
9.根据权利要求1或7或8所述的一种变电站碳排放计算数据迁移方法，其特征在于，碳排放特征值相似度的表达式为：
；
其中，为第i座变电站中的第k个指标；
为第j座变电站中的第k个指标；
n为指标总数。
10.根据权利要求9所述的一种变电站碳排放计算数据迁移方法，其特征在于，基于皮尔森相关系数的碳指标相似度判定方法，衡量碳相似度指标走势差异：
若两个信号的变化趋势相同，则两个信号为正相关关系，二者之间的皮尔森相关系数为正值；
若两个信号变化趋势相反，则两个信号为负相关关系，二者之间的皮尔森相关系数为负值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410437244.XA CN118037078B (zh) | 2024-04-12 | 一种变电站碳排放计算数据迁移方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410437244.XA CN118037078B (zh) | 2024-04-12 | 一种变电站碳排放计算数据迁移方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118037078A true CN118037078A (zh) | 2024-05-14 |
| CN118037078B CN118037078B (zh) | 2024-07-30 |
Family
ID=
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120278270A1 (en) * | 2011-04-28 | 2012-11-01 | International Business Machines Corporation | Selecting solution for carbon emission prediction |
| US20180031533A1 (en) * | 2016-07-29 | 2018-02-01 | Cooper Technologies Company | System and method for real-time carbon emissions calculation for electrical devices |
| US20200372588A1 (en) * | 2019-05-20 | 2020-11-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
| CN113435286A (zh) * | 2021-06-21 | 2021-09-24 | 电子科技大学 | 用于无人机小目标监测的迁移学习方法 |
| CN113742818A (zh) * | 2021-08-12 | 2021-12-03 | 中交第四航务工程勘察设计院有限公司 | 市政道路积水多因素复合型预警预报方法 |
| CN114861980A (zh) * | 2022-04-02 | 2022-08-05 | 武汉理工大学 | 一种基于bp-lstm模型的碳预测方法 |
| CN114912739A (zh) * | 2022-03-16 | 2022-08-16 | 国家电网公司西南分部 | 环境与变电站运维费用关联模型的构建及应用方法 |
| WO2022217839A1 (zh) * | 2021-04-14 | 2022-10-20 | 江南大学 | 一种基于深度时空相似性的空气质量预测方法 |
| 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 |
| CN115809282A (zh) * | 2022-12-07 | 2023-03-17 | 广东电网有限责任公司 | 一种变电站碳排放监测方法及*** |
| CN116484209A (zh) * | 2023-04-27 | 2023-07-25 | 河海大学 | 大坝结构监测异常识别方法及装置 |
| CN116541944A (zh) * | 2023-07-06 | 2023-08-04 | 国网浙江省电力有限公司湖州供电公司 | 一种基于变电站综合倾斜摄影建模模型的碳排放计算方法 |
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120278270A1 (en) * | 2011-04-28 | 2012-11-01 | International Business Machines Corporation | Selecting solution for carbon emission prediction |
| US20180031533A1 (en) * | 2016-07-29 | 2018-02-01 | Cooper Technologies Company | System and method for real-time carbon emissions calculation for electrical devices |
| US20200372588A1 (en) * | 2019-05-20 | 2020-11-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
| WO2022217839A1 (zh) * | 2021-04-14 | 2022-10-20 | 江南大学 | 一种基于深度时空相似性的空气质量预测方法 |
| CN113435286A (zh) * | 2021-06-21 | 2021-09-24 | 电子科技大学 | 用于无人机小目标监测的迁移学习方法 |
| CN113742818A (zh) * | 2021-08-12 | 2021-12-03 | 中交第四航务工程勘察设计院有限公司 | 市政道路积水多因素复合型预警预报方法 |
| CN114912739A (zh) * | 2022-03-16 | 2022-08-16 | 国家电网公司西南分部 | 环境与变电站运维费用关联模型的构建及应用方法 |
| CN114861980A (zh) * | 2022-04-02 | 2022-08-05 | 武汉理工大学 | 一种基于bp-lstm模型的碳预测方法 |
| CN115809282A (zh) * | 2022-12-07 | 2023-03-17 | 广东电网有限责任公司 | 一种变电站碳排放监测方法及*** |
| 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 |
| CN116484209A (zh) * | 2023-04-27 | 2023-07-25 | 河海大学 | 大坝结构监测异常识别方法及装置 |
| CN116541944A (zh) * | 2023-07-06 | 2023-08-04 | 国网浙江省电力有限公司湖州供电公司 | 一种基于变电站综合倾斜摄影建模模型的碳排放计算方法 |
Non-Patent Citations (4)
| Title |
|---|
| JINGYUN WU等: "Evaluation Methods of Carbon Emissions in Substations Based on Energy Consumption: A Review", 2023 IEEE INTERNATIONAL CONFERENCE ON ENERGY INTERNET (ICEI), 4 March 2024 (2024-03-04) * |
| 孙健;张颖;薛睿;张毅;: "基于移动监测的城市道路交通碳排放形成机理――以上海市为例", 中国公路学报, no. 05, 15 May 2017 (2017-05-15) * |
| 张天伦: "某机场航站楼电力负荷预测与电动汽车充电策略研究", 中国优秀硕士学位论文全文数据库工程科技ⅠⅠ辑, no. 02, 15 February 2023 (2023-02-15) * |
| 潘险险;余梦泽;隋宇;郇嘉嘉;洪海峰;林俐;: "计及多关联因素的电力行业碳排放权分配方案", 电力***自动化, no. 01, 20 November 2019 (2019-11-20) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109345409B (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
| CN103197138A (zh) | 一种具有供电可靠率和电压合格率监测功能的智能电表及监测方法 | |
| CN102478584B (zh) | 基于小波分析的风电场风速预测方法及*** | |
| CN116937575A (zh) | 一种网格***用的能源监控管理*** | |
| CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| CN112286063A (zh) | 一种基于非侵入量测的区域能耗监测***及方法 | |
| CN105762793B (zh) | 计及分布式新能源的配网故障停电损失评估方法 | |
| CN116073372A (zh) | 一种基于智慧用电的安全监控管理***及方法 | |
| CN111161095A (zh) | 一种检测建筑能源异常消耗的方法 | |
| CN203069670U (zh) | 一种具有供电可靠率和电压合格率监测功能的智能电表 | |
| CN103617447A (zh) | 智能变电站的评价***及评价方法 | |
| CN117477558A (zh) | 一种基于电网负荷的预测方法及其*** | |
| CN117911196B (zh) | 基于人工智能的环网柜全周期运行数据监管***及方法 | |
| CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
| CN117937753A (zh) | 一种电力环境远程监控*** | |
| CN118037078B (zh) | 一种变电站碳排放计算数据迁移方法 | |
| CN116894151B (zh) | 基于人工智能的智慧电网异常数据清洗方法 | |
| CN112307675A (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及*** | |
| CN118037078A (zh) | 一种变电站碳排放计算数据迁移方法 | |
| CN117728379A (zh) | 用于区域电网的智能运行调度方法 | |
| Abaas et al. | Long short-term memory customer-centric power outage prediction models for weather-related power outages | |
| Li et al. | Research on Key Technology of State Evaluation and Replacement Acquisition System of Intelligent Electric Energy Meter Based on Smart Grid | |
| CN118096130B (zh) | 基于电力多资源数据融合的运检数据管理***及方法 | |
| Feng et al. | Design of Comprehensive Energy System Considering Anomaly Detection of Multi-Energy Data |
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 |