-
公开(公告)号：CN115879613A
公开(公告)日：2023-03-31
申请号：CN202211536009.5
申请日：2022-12-02
申请人： 国网辽宁省电力有限公司鞍山供电公司 , 沈阳工程学院 , 国家电网有限公司
IPC分类号： G06Q10/04 , G06Q10/0631 , G06Q50/02
摘要： 本发明提供一种计及碳交易的农业产业园区优化调度方法，包括：步骤一：获取系统碳排放配额并构建碳排放成本模型；步骤二：对农业产业园区负荷可调节特性进行分析并建立相应数学模型；步骤三：建立系统运行成本和碳交易成本最低的目标函数；步骤四：构建热电功率等式约束、农业产业园区负荷可时移性约束的约束条件；步骤五：对目标函数进行求解，获得农业产业园区负荷优化调度方案。在计及农业系统碳排放和对农业产业园区负荷可调节特性的基础上，对农业多能互补系统分析并建立相应数学模型。通过算例仿真获得碳交易机制下考虑的农业产业园区负荷可时移性下的优化调度方案。能够协同电热多能互补农业系统的经济性和低碳性。
-
公开(公告)号：CN115800399A
公开(公告)日：2023-03-14
申请号：CN202211536006.1
申请日：2022-12-02
申请人： 国网辽宁省电力有限公司鞍山供电公司 , 沈阳工程学院 , 国家电网有限公司
摘要： 本发明提出了一种考虑源荷不确定性的农业园区微电网优化配置方法：1、计及农村配电网风光出力的随机性与波动性，对农业园区的历史风速、光照强度、温度数据进行分层抽样，生成新数据，确定风、光机组的输出功率；2、负荷侧通过对农业生产中的种植、畜牧和农产品加工行业分析，建立农业负荷侧能耗模型；负荷侧生产用能同样具有不确定性，对负荷模型进行改进，减小负荷侧不确定性带来的误差；3、根据源荷两侧所建立的优化模型，以系统运行成本最小和风光消纳最大加权建立为目标函数；4、采用改进的快速试探解方法对风、光机组设备的型号和台数进行优化配置。合理配置乡村配电网中相关设备，提升系统运行经济性和提高可再生能源消纳。
-
公开(公告)号：CN117709524A
公开(公告)日：2024-03-15
申请号：CN202311697596.0
申请日：2023-12-12
申请人： 国网辽宁省电力有限公司鞍山供电公司 , 国家电网有限公司 , 东北大学
摘要： 本发明一种基于贝叶斯优化的钢铁行业碳排放预测方法及系统，属于电力能源预测技术领域，该方法首先对数据进行预处理，通过Person相关系数确定输入特征变量，然后，输入到改进的Stacking集成学习模型中，以最后输出的误差指标作为目标函数，通过贝叶斯优化算法调整Stacking集成学习双层学习器的超参数，最后通过误差补偿模型进一步优化预测结果。该预测方法通过使用Person相关系数分析了钢铁行业特征变量之间的关系，综合考虑了与碳排放关联性强的影响因素，在进行碳排放预测时使用了改进的Stacking集成学习模型，采用误差补偿模型对Stacking集成学习模型误差进行优化，大大提高了预测精度。
-
公开(公告)号：CN117689078A
公开(公告)日：2024-03-12
申请号：CN202311743786.1
申请日：2023-12-19
申请人： 国网辽宁省电力有限公司鞍山供电公司 , 国家电网有限公司 , 东北大学
IPC分类号： G06Q10/04 , G06Q10/063 , G06Q50/04 , G06Q50/06 , G06Q50/26 , G06N5/022 , G06N20/20 , G06N3/0499 , G06N3/084 , G06N7/01 , G06F18/214 , G06F18/21 , G06F18/25
摘要： 本发明公开了一种基于电力数据驱动的钢铁行业碳排放监测方法，包括以下步骤：S1：电力设备数据采集，建立电‑碳实时数据集；S2：输入电‑碳实时数据集，依据知识图谱算法建立电‑碳关系函数；S3：通过电‑碳关系函数，运用机器学习算法建立基于电力数据的碳排放转换模型；S4：通过融合优化算法和交叉验证算法对碳排放转换模型进行优化，构建不同时间维度的电‑碳监测模型。本发明通过企业电力数据，挖掘“电力‑能源消费‑碳排放”的深层次关联体系，应用关联知识图谱理论、机器学习算法、交叉验证与融合优化算法构建基于电力数据驱动的钢铁行业碳排放监测的预测模型，对钢铁企业的碳减排潜力进行挖掘。
-
公开(公告)号：CN118798426A
公开(公告)日：2024-10-18
申请号：CN202410898431.8
申请日：2024-07-05
申请人： 国网辽宁省电力有限公司鞍山供电公司 , 东北电力大学 , 国家电网有限公司
IPC分类号： G06Q10/04 , G06Q10/063 , G06N20/20 , G06N3/126
摘要： 一种基于遗传算法优化的Stacking集成学习碳排放预测方法，属于电力能源预测技术领域，对待预测的相关数据作为原始样本数据，经过处理的数据用于交叉验证以评估模型性能，构建双层Stacking集成学习模型，将测试集代入训练后的模型，获得碳排放预测值。本发明采用基于遗传算法和Stacking集成学习的方法，通过收集和分析相关数据，建立综合考虑多个因素的预测模型，综合考虑电力消耗、生产过程能源消耗等关键因素，并以直观的方式呈现预测结果，为环境保护和碳减排决策提供科学依据，以支持制定有效的环境保护和碳减排政策。
-
公开(公告)号：CN118797313A
公开(公告)日：2024-10-18
申请号：CN202411082681.0
申请日：2024-08-08
申请人： 国网辽宁省电力有限公司鞍山供电公司 , 东北大学
IPC分类号： G06F18/213 , G06F18/27 , G06F18/15 , G06Q50/06 , G06Q50/26
摘要： 基于集成算法的钢铁企业碳足迹预测方法属于碳排放预测技术领域。本发明针对能源负荷数据特性，使用K近邻算法、结合水平处理法和垂直处理法进行数据预处理，采用Pearson相关性分析和Copula理论研究工业系统负荷间的相关性，确定输入的特征变量，然后，使用Shapley值法给Stacking集成模型分配最优权重系数，通过改进的Stacking集成算法进行碳排放预测。该预测方法通过使用Person相关系数与Copula理论分析了钢铁行业特征变量之间的关系，综合分析了与钢铁行业碳足迹关联性强的影响因素，并根据改进的Stacking集成学习模型，有效提高了钢铁企业的工业碳足迹预测精度。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.064 秒)
