In response to the escalating challenges of global climate change and the energy crisis, optimizing low-carbon environmental protection and economic operation within Integrated Energy Systems (IES) has become paramount in energy management. This study explores the integration and optimization of distributed energy storage resources within IES to enhance energy efficiency and lessen environmental impacts. It introduces a data model that covers various aspects of energy including production, consumption, storage, and conversion. To address the complexity of IES optimization, the study proposes a novel three-tier optimization framework aimed at boosting problem-solving efficiency and quality. The findings demonstrate that this approach effectively balances the economic viability and environmental sustainability of IES operations, enabling low-carbon and efficient management of energy systems and offering valuable decision support for IES optimization scheduling.

Currently, most inspections of overhead transmission line components primarily rely on object detection. To enhance the data dynamic analysis capability of inspection tasks and the algorithm's resistance to adverse factors such as non-uniform motion of unmanned aerial vehicles and component occlusion, this paper proposes a multi-object tracking method for overhead transmission line components based on improved YOLOv8 with ByteTrack. The aim is to improve the accuracy and efficiency of the algorithm for object detection of overhead transmission line components. Firstly, this paper adds a small object detection layer to the head of YOLOv8 and incorporates an EMA attention mechanism. Secondly, based on the original ByteTrack, global motion compensation is introduced, and Kalman filtering is improved. Experimental results show that the proposed method achieves a mAP50 of 91.1% and mAP(50-95) of 65% in detector performance, representing an improvement of 6.5% and 5.3%, respectively, compared to the original YOLOv8s. In terms of tracker performance, the MOTA is 57.1% and IDF1 is 73.6%, which is an increase of 7.5% and 8.5%, respectively, compared to the original YOLOv8s with ByteTrack. This illustrates the precision and effectiveness of the proposed approach in identifying components on overhead transmission lines.