CN112906974B - 一种负荷电量及其碳排放预测与校验方法 - Google Patents
一种负荷电量及其碳排放预测与校验方法 Download PDFInfo
- Publication number
- CN112906974B CN112906974B CN202110265112.XA CN202110265112A CN112906974B CN 112906974 B CN112906974 B CN 112906974B CN 202110265112 A CN202110265112 A CN 202110265112A CN 112906974 B CN112906974 B CN 112906974B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- energy
- load
- electric
- model
- 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 115
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012795 verification Methods 0.000 title claims abstract description 22
- 238000005265 energy consumption Methods 0.000 claims abstract description 21
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 239000003245 coal Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000000571 coke Substances 0.000 claims description 4
- 239000010779 crude oil Substances 0.000 claims description 4
- 239000002283 diesel fuel Substances 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 239000000295 fuel oil Substances 0.000 claims description 4
- 239000003502 gasoline Substances 0.000 claims description 4
- 239000003350 kerosene Substances 0.000 claims description 4
- 239000003949 liquefied natural gas Substances 0.000 claims description 4
- 239000003915 liquefied petroleum gas Substances 0.000 claims description 4
- 239000003208 petroleum Substances 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- -1 electric power Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明公开了一种负荷电量及其碳排放预测与校验方法，属于电力经济调度领域。一种负荷电量及其碳排放预测方法，包括以下步骤：统计用户的高碳能源与电力消耗量，构建能耗量数据集；将所述高碳能源的消耗量折算为一次能源碳排放量，构建一次能源碳排放量历史数据集；电力的消耗量作为负荷数据历史数据集，将电能消耗量折算为电能碳排放量，构建电能碳排放量历史数据集；一次能源碳排放量和电力负荷数据作为历史数据，建立一次能源碳排放量和电力负荷的LSTM预测模型与GM预测模型；使用动态权值集成，集成输出结果作为真实预测值，输出预测序列；将电力负荷预测数值折算为电力碳排放预测值，完成可靠性校验，最终求得总碳排放量预测值。
Description
技术领域
本发明涉及电力经济调度领域，具体涉及一种负荷电量及其碳排放预测与校验方法。
背景技术
一般工商业电价持续下降，电力已经成为工业企业生产不可或缺且大量用能的能源。在新能源发电还没有大规模普及的情况下，大量使用电能依旧会间接产生温室气体排放。因此在进行碳排放量预测时，必须同时考察工业企业的电能预测用量。近年来，众多学者针对LSTM方法在用户负荷预测方面的应用进行了广泛研究，相关文献也证明可以达到很不错的预测精度。同时GM方法由于其特殊的优势在碳排放预测方面也得到一些学者的关注。目前已有的研究和方法主要针对于地区级的碳排放量和电力负荷总量进行预测，预测建模方面颗粒度不够细化，已经不能满足国家对于碳排放量精准把控的要求。如何根据某一个用户自身的历史用能数据，转化成碳排放量数值，通过机器学习和灰色模型结合起来对未来用能和碳排放情况进行预测，构建适用于单个工业大用户的预测模型，成为本专利重点关注的问题。
发明内容
针对现有技术的不足，本发明提出了一种负荷电量及其碳排放预测与校验方法。
本发明的目的可以通过以下技术方案实现：
一种负荷电量及其碳排放预测方法，包括以下步骤：
步骤1：统计用户的高碳能源与电力消耗量，构建能耗量数据集；
步骤2：将所述高碳能源的消耗量折算为一次能源碳排放量，构建一次能源碳排放量历史数据集；电力的消耗量作为负荷数据历史数据集，将电能消耗量折算为电能碳排放量，构建电能碳排放量历史数据集；
步骤3：一次能源碳排放量和电力负荷数据作为历史数据，建立一次能源碳排放量和电力负荷的LSTM预测模型与GM预测模型；将LSTM模型和GM模型使用动态权值w集成，集成输出结果作为真实预测值，输出预测序列，分别得到电力负荷预测序列与一次能源碳排放量预测序列；
步骤4：将电力负荷预测数值折算为电力碳排放预测值，对历史样本集的电能消耗碳排放量和一次能源碳排放量数据做最小二乘拟合，以完成可靠性校验；通过校验的电能消耗碳排放量预测值和一次能源碳排放量预测值之和即为总碳排放量预测值。
可选地，所述步骤2中的折算方法为：
其中，Ai为所述用户第i天工业总碳排放量，Bij为所述用户第i天第j类能源消费量，Cj为第j类能源的折标煤系数，Dj为第j类能源碳排放因子。
可选地，还包括以下步骤：
若校验不通过，则对集成权值进行修正，修正更新得到新的预测序列，再进行校验，若仍不通过继续进行修正，直至预测序列数据都通过校验。
可选地，所述步骤4中的可靠性校验步骤包括：计算校验系数数值，判断是否符合所述校验系数小于等于20％的校验条件。
可选地，所述步骤3中，最优的所述动态权值通过求解优化模型得出，其中优化模 型按偏差度最小原则建立。
可选地，所述步骤3中LSTM模型采用前6天预测第7天的方式构建模型，GM预测模型采取与LSTM模型时序同步的7个数据一个模型，不断改变模型参数，构造动态灰色模型；输出预测序列。
可选地，所述修正权值计算方法根据校验系数和偏差度最小原则建立数学模型，将校验不通过的校验系数作为正则项加到所述步骤3的优化模型中。
可选地，所述高碳能源为：煤炭、焦炭、石油、原油、汽油、煤油、柴油、燃料油、液化石油气、天然气中的一种或多种。
可选地，所述这算方法中，根据GB/T 2589—2008标定所述能源碳排放因子的数值。
一种计算机可读的存储介质，存储有指令，所述指令执行时实现上述的中任一预测方法。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本申请一个实施例的预测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明的提出了一种负荷电量及其碳排放预测方法，包括以下步骤：
步骤1：统计用户的高碳能源与电力消耗量，构建能耗量数据集；
步骤2：将所述高碳能源的消耗量折算为一次能源碳排放量，构建一次能源碳排放量历史数据集；电力的消耗量作为负荷数据历史数据集，将电能消耗量折算为电能碳排放量，构建电能碳排放量历史数据集；
步骤3：一次能源碳排放量和电力负荷数据作为历史数据，建立一次能源碳排放量和电力负荷的LSTM预测模型与GM预测模型；将LSTM模型和GM模型使用动态权值集成，集成输出结果作为真实预测值，输出预测序列，分别得到电力负荷预测序列与一次能源碳排放量预测序列；
步骤4：将电力负荷预测数值折算为电力碳排放预测值，对历史样本集的电能消耗碳排放量和一次能源碳排放量数据做最小二乘拟合，以完成可靠性校验；通过校验的电能消耗碳排放量预测值和一次能源碳排放量预测值之和即为总碳排放量预测值。
如图1所示，本发明的一个实施例中，公开了一种基于动态最优权值的LSTM-GM组合集成的工业大用户周负荷电量及其碳排放预测-校验方法，包括以下步骤：
统计收集用户每天煤炭、焦炭、石油、原油、汽油、煤油、电力、柴油、燃料油、液化石油气、天然气的消耗量，构建历史日能源耗量数据集，对应的变量表示如表1所示；
表1各能源日耗量变量表示
其中，i表示第i天。
2)参照《综合能耗计算通则》(GB/T 2589—2008)，将每天煤炭、焦炭、石油、原油、汽油、煤油、柴油、燃料油、液化石油气、天然气的消耗量折算为一次能源碳排放量，构建一次能源碳排放量历史数据集；电力的消耗量作为负荷数据历史数据集；
一次能源日碳排放量折算表达式：
式中：表示第i天一次能源折算得到的碳排放量数值；
电力日碳排放量折算表达式：
总的日碳排放量计算表达式：
式中：表示第i天电力消耗折算得到的碳排放量数值；
根据所述步骤2得到的一次能源碳排放量和电力负荷数据作为历史数据，建立一次能源碳排放量和电力负荷的LSTM预测模型与GM预测模型。将LSTM模型和GM模型使用动态权值w集成，集成输出结果作为真实预测值，输出预测序列。分别得到电力负荷预测序列与一次能源碳排放量预测序列。
基于kears深度学习框架，建立具有两层隐藏层的LSTM模型，第一层为firLSTM，令第一层隐藏神经元为32个，第二层为secLSTM，其隐藏神经元为64个。同时设定输入神经元和输出神经元个数为1个，模型的迭代次数为10000次。引入keras框架中的Sequential、Dense、Activation、Dropout和LSTM函数库，过add()方法将layer一个一个的加入模型中。模型是标准的一维全连接层，它的输出为in_out_neurons，输入为input_dim。第一层LSTM结果输入层维度为input_dim，输出层维度为hidden_neurons。在模型的隐藏层使用了Dropout函数，它在每轮权值更新时选择百分之二十的节点抛弃。设置激活函数Activation为linear，损失函数loss为mse，即mean_squared_error均方误差，优化器参数为rmsprop。
采用前6天预测第7天的方式从原始数据集抽取数据，构建训练集和测试集。
本实施例中使用的灰色模型是通过对时间序列数据进行累加生成计算，让其变为随机性显著减弱的、具有一定规律可循的生成数，再对该生成数建立微分方程形式的模型，记作(G，M)。选取G＝1，M＝1，其中G＝1代表进行一次累加生成，M＝1代表建模的时间序列只有一个变量，选取的变量是时间间隔1天的变量。
随着时间的推移，任何一个灰色系统在发展过程中都会不断地受到干扰因素和驱动因素的影响，这会使系统朝不同的方向发展。用固定GM(1,1)模型进行预测时，精度较高的仅仅是原点数据以后的1到2个数据，当预测时间跨度越长时预测的效果越差。动态GM(1,1)模型在不停的使用新数据进行预测，只采用预测序列的第一个数据和历史的六个数据进行下一次预测，这样更能动态地反映数据最新的特征。
将LSTM模型和灰色模型按动态权值相加得到集成模型预测值，表达式为：
其中，为一次能源碳排放量预测序列，/>为负荷电量预测序列，L函数表示LSTM计算结果，G函数表示GM计算结果。/>和/>作为输入预测模型的一次能源碳排放量历史数据和负荷电量历史数据，共有N天数据。
动态最佳权值w按最小偏差原则取得，w取值范围为0.0～1.0。本专利定义最小偏差度衡量。如果实际曲线形状与集成预测曲线形状越接近，则两者之间的偏差度越小；反之，如果曲线形状相差较大，则两者间的偏差度越大。因此，采用集成预测值和实际值曲线间的差值大小作为偏差度的衡量标准，根据曲线几何形状的相似程度来判断其误差是否合理，同时可以判断集成预测效果是否理想。偏差度计算公式如下：
则求取最佳权值的目标函数及约束条件如下：
由于GM(1,1)模型是动态的，动态步调为7组数据一个模型，每7组数据调整一次模型参数，故令权值系数的动态步调与GM(1,1)模型一致，即每当GM(1,1)模型的参数发生改变，就重新计算得到新的权值系数。
将电力负荷预测数值折算为电力碳排放预测值，与一次能源碳排放量预测值进行校验。采用最小二乘法拟合电力碳排放量与一次能源碳排放量之间的关系，表达式如下：
其中，
定义校验系数γ衡量预测值与回归值之间的偏差程度，表达式为：
若存在γ0，使得γ≤γ0，则称两个预测值通过了相对偏差限为γ0的校验，本实施例中取为0.2。即若电力碳排放量与一次能源碳排放量之间的相对误差系数小于等于0.2时，通过了数据校验。若大于0.2则应该修正预测值，使校验系数降到0.2以下，此时认为预测值是合理的。
满足校验条件即可得出总的碳排放量预测数值，为：
若校验不通过，则采取修正最优权值的方式分别修正一次能源碳排放量预测值和电力碳排放量预测值，修正更新预测序列，使得新的预测值满足相对偏差校验。修正权重求解以下优化模型计算得到：
式中w1′，w2′为修正后的权值。此时重新计算校验系数如下：
更新预测校正值、权重、校验系数后继续做校验系数校验，若仍不满足校验条件，重复上述修正过程，直到满足校验条件。
针对于上述实施例在碳排放预测问题上，将用户消耗的能源分为高碳能源和电能两大类，分别计算各自的碳排放量，充分考虑到电能的特殊性，同时解决了用电量的负荷预测问题，尤其使用于工业用户。在碳排放和负荷预测方法上，将LSTM和灰色模型的有点结合起来，LSTM模型的预测效果较好，但是模型训练需要的数据量较大，GM模型的预测效果不如LSTM模型的预测效果好，但是预测所需的数据量较少且实时性强。
通过求解优化模型选取集成权值，所采用的权值是最优的，避免了人工设定权值带来的干扰和误差，提高了模型的预测精度和实用性。同时采用最小二乘拟合了历史数据集中电能消耗碳排放量和一次能源消耗碳排放量之间的关系，利用拟合模型校验能消耗碳排放量和一次能源消耗碳排放量的预测值，进一步提高了预测模型的可信度。校验不通过时采取修正最优权值的方式，对最终的预测值进行修正，以满足一定的偏差度要求。
另外本发明另一些实施例中，还涉及一种计算机可读的存储介质，存储有指令，指令在执行时，能够实现上述示例的预测方法。其中，所述的指令可以是计算机可读的程序语言。上述的计算机可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中，计算机可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。所述的存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。举例而言，所述的存储介质例如为但不限于磁性介质(例如：软盘、硬盘、磁带)、光介质(例如：数字通用光盘(Digital Versatile Disc，DVD))、或者半导体介质(例如：固态硬盘(Solid State Disk，SSD))等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (9)
1.一种负荷电量及其碳排放预测方法，其特征在于，包括以下步骤：
步骤1：统计用户的高碳能源与电力消耗量，构建能耗量数据集；
步骤2：将所述高碳能源的消耗量折算为一次能源碳排放量，构建一次能源碳排放量历史数据集；电力的消耗量作为负荷数据历史数据集，将电能消耗量折算为电能碳排放量，构建电能碳排放量历史数据集；
所述折算方法为：
其中，Ai为所述用户第i天工业总碳排放量，Bij为所述用户第i天第j类能源消费量，Cj为第j类能源的折标煤系数，Dj为第j类能源碳排放因子；
步骤3：一次能源碳排放量和电力负荷数据作为历史数据，建立一次能源碳排放量和电力负荷的LSTM预测模型与GM预测模型；将LSTM模型和GM模型使用动态权值w集成，集成输出结果作为真实预测值，输出预测序列，分别得到电力负荷预测序列与一次能源碳排放量预测序列；
步骤4：将电力负荷预测数值折算为电力碳排放预测值，对历史样本集的电能消耗碳排放量和一次能源碳排放量数据做最小二乘拟合，以完成可靠性校验；通过校验的电能消耗碳排放量预测值和一次能源碳排放量预测值之和即为总碳排放量预测值。
2.根据权利要求1所述的负荷电量及其碳排放预测方法，其特征在于，还包括以下步骤：
若校验不通过，则对集成权值进行修正，修正更新得到新的预测序列，再进行校验，若仍不通过继续进行修正，直至预测序列数据都通过校验。
3.根据权利要求1所述的负荷电量及其碳排放预测方法，其特征在于，所述步骤4中的可靠性校验步骤包括：计算校验系数数值，判断是否符合所述校验系数小于等于20％的校验条件。
4.根据权利要求1所述的负荷电量及其碳排放预测方法，其特征在于，所述步骤3中，最优的所述动态权值通过求解优化模型得出，其中优化模型按偏差度最小原则建立。
5.根据权利要求1所述的负荷电量及其碳排放预测方法，其特征在于，所述步骤3中LSTM模型采用前6天预测第7天的方式构建模型，GM预测模型采取与LSTM模型时序同步的7个数据一个模型，不断改变模型参数，构造动态灰色模型；输出预测序列。
6.根据权利要求2所述的负荷电量及其碳排放预测方法，其特征在于，修正权值计算方法根据校验系数和偏差度最小原则建立数学模型，将校验不通过的校验系数作为正则项加到所述步骤3的优化模型中。
7.根据权利要求1所述的负荷电量及其碳排放预测方法，其特征在于，所述高碳能源为：煤炭、焦炭、石油、原油、汽油、煤油、柴油、燃料油、液化石油气、天然气中的一种或多种。
8.根据权利要求1所述的负荷电量及其碳排放预测方法，其特征在于，所述折算方法中，根据GB/T 2589—2008标定所述能源碳排放因子的数值。
9.一种计算机可读的存储介质，存储有指令，其特征在于，所述指令执行时实现权利要求1～8中任一所述的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110265112.XA CN112906974B (zh) | 2021-03-11 | 2021-03-11 | 一种负荷电量及其碳排放预测与校验方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110265112.XA CN112906974B (zh) | 2021-03-11 | 2021-03-11 | 一种负荷电量及其碳排放预测与校验方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906974A CN112906974A (zh) | 2021-06-04 |
| CN112906974B true CN112906974B (zh) | 2024-03-26 |
Family
ID=76105225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110265112.XA Active CN112906974B (zh) | 2021-03-11 | 2021-03-11 | 一种负荷电量及其碳排放预测与校验方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906974B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111596B (zh) * | 2021-06-16 | 2021-08-31 | 国网浙江省电力有限公司杭州供电公司 | 基于电力大脑中枢的碳达峰实时可视化测算方法 |
| CN113763184A (zh) * | 2021-08-26 | 2021-12-07 | 甘肃同兴智能科技发展有限责任公司 | 一种碳资产评估方法 |
| CN114384203B (zh) * | 2021-12-03 | 2023-10-20 | 国网青海省电力公司 | 一种钢铁企业碳排放量在线监测方法及装置 |
| CN114399110A (zh) * | 2022-01-14 | 2022-04-26 | 国网福建省电力有限公司营销服务中心 | 基于电力数据的陶瓷行业碳排放预测方法 |
| CN115015474B (zh) * | 2022-04-15 | 2023-06-23 | 广东电网有限责任公司 | 一种电力用户的碳排放量检测方法及设备 |
| CN115034454A (zh) * | 2022-05-25 | 2022-09-09 | 北京电链科技有限公司 | 一种基于电量数据的碳排放量预测的方法及装置 |
| CN115130899B (zh) * | 2022-07-18 | 2023-04-18 | 东南大学溧阳研究院 | 一种基于Kmeas—GM的空调负荷日前响应能力评估方法 |
| CN115130900B (zh) * | 2022-07-19 | 2023-04-18 | 东南大学溧阳研究院 | 一种基于lstm的燃气机组变工况下碳排放在线计算方法 |
| CN115936185B (zh) * | 2022-11-15 | 2024-07-26 | 国网江苏省电力有限公司苏州供电分公司 | 基于dcnn-lstm-ae-am的短期电力负荷和碳排放量预测方法及系统 |
| CN117592804B (zh) * | 2023-11-20 | 2024-08-09 | 中能建数字科技集团有限公司 | 一种液化压缩空气储能液化率表征方法、系统及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445060A (zh) * | 2020-03-06 | 2020-07-24 | 华南理工大学珠海现代产业创新研究院 | 一种社区碳排放监测和预测系统及方法 |
| CN111932024A (zh) * | 2020-08-21 | 2020-11-13 | 润联软件系统(深圳)有限公司 | 一种能源负荷预测方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102760250B (zh) * | 2011-04-28 | 2016-03-30 | 国际商业机器公司 | 用于选择碳排放预测方案的方法、设备和系统 |
-
2021
- 2021-03-11 CN CN202110265112.XA patent/CN112906974B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445060A (zh) * | 2020-03-06 | 2020-07-24 | 华南理工大学珠海现代产业创新研究院 | 一种社区碳排放监测和预测系统及方法 |
| CN111932024A (zh) * | 2020-08-21 | 2020-11-13 | 润联软件系统(深圳)有限公司 | 一种能源负荷预测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| State of Energy Prediction in Renewable Energy-driven Mobile Edge Computing using CNN-LSTM Networks;Yu-Jen Ku 等;2020 IEEE Green Energy and Smart Systems Conference;20201231;1-7 * |
| 基于Adaboost-SVR模型的我国碳排放强度分析与预测;梁小林 等;经济数学;20200930;第37卷(第3期);167-174 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906974A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112906974B (zh) | 一种负荷电量及其碳排放预测与校验方法 | |
| Dong et al. | Electrical load forecasting: A deep learning approach based on K-nearest neighbors | |
| Şahin | Projections of Turkey's electricity generation and installed capacity from total renewable and hydro energy using fractional nonlinear grey Bernoulli model and its reduced forms | |
| Li et al. | Forecast of urban traffic carbon emission and analysis of influencing factors | |
| Zhou et al. | Dynamic simulation of natural gas pipeline network based on interpretable machine learning model | |
| Şahin | Forecasting share of renewables in primary energy consumption and CO2 emissions of China and the United States under Covid-19 pandemic using a novel fractional nonlinear grey model | |
| CN111062539B (zh) | 基于次级用电量特性聚类分析的总电量预测方法 | |
| Boumaiza et al. | Modeling multi-criteria decision analysis in residential PV adoption | |
| Huang et al. | A novel method for carbon emission forecasting based on EKC hypothesis and nonlinear multivariate grey model: Evidence from transportation sector | |
| Tong et al. | Natural gas consumption forecasting using an optimized Grey Bernoulli model: The case of the world’s top three natural gas consumers | |
| He et al. | Augmented fractional accumulation grey model and its application: Class ratio and restore error perspectives | |
| Duan et al. | A novel grey prediction model with system structure based on energy background: a case study of Chinese electricity | |
| Ding et al. | A Novel Grey Model Based on the Trends of Driving Factors and Its Application. | |
| CN112633762A (zh) | 楼宇能效获取方法及设备 | |
| CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
| Wu et al. | A new multivariate grey prediction model for forecasting China’s regional energy consumption | |
| Sui et al. | Intelligent grey forecasting model based on periodic aggregation generating operator and its application in forecasting clean energy | |
| Qi et al. | Use of BP neural networks to determine China’s regional CO2 emission quota | |
| CN105005623A (zh) | 基于关键词检索指数相关性分析的用电需求预测方法 | |
| Chen et al. | Prediction of Carbon Emissions Level in China’s Logistics Industry Based on the PSO-SVR Model | |
| CN112508231A (zh) | 一种基于系统动力学的中长期电力负荷预测方法及系统 | |
| CN112288187A (zh) | 一种基于大数据的售电量预测方法 | |
| Chen et al. | Research on prediction methods of energy consumption data | |
| Gharaibeh et al. | A study on the fuel consumption demands of the Jordanian residential sector | |
| Xu et al. | A new multivariable grey model and its application to energy consumption in China |
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 |