CN114066699A - 碳排放量测算方法、装置及终端设备 - Google Patents
碳排放量测算方法、装置及终端设备 Download PDFInfo
- Publication number
- CN114066699A CN114066699A CN202111333542.7A CN202111333542A CN114066699A CN 114066699 A CN114066699 A CN 114066699A CN 202111333542 A CN202111333542 A CN 202111333542A CN 114066699 A CN114066699 A CN 114066699A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- historical
- carbon emission
- target user
- user
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 151
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 125
- 238000005265 energy consumption Methods 0.000 claims abstract description 201
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 54
- 238000005259 measurement Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 230000005611 electricity Effects 0.000 claims abstract description 27
- 239000003345 natural gas Substances 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 26
- 239000003245 coal Substances 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 239000003208 petroleum Substances 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 239000003034 coal gas Substances 0.000 claims description 3
- 239000003209 petroleum derivative Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 10
- 238000006386 neutralization reaction Methods 0.000 abstract description 4
- 238000000691 measurement method Methods 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 25
- 230000008569 process Effects 0.000 description 10
- 239000007789 gas Substances 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- -1 electric energy Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 150000001721 carbon Chemical class 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
Abstract
本申请适用于数据统计与测算技术领域，提供了碳排放量测算方法、装置及终端设备。该碳排放测量方法包括：获取目标用户的历史用电数据和历史能耗数据，历史能耗数据包括历史消耗煤炭数据、历史消耗石油数据和历史消耗天然气数据中的至少一种；根据历史用电数据和历史能耗数据，确定目标用户对应的用户类别；根据用户类别，采用对应的建模方法建立碳排放量测算模型，建模方法包括单耗还原法、时间序列法和基于蝙蝠算法优化支持向量回归法中的至少一种；根据碳排放量测算模型对目标用户的碳排放量进行测算。本申请可准确测算目标用户碳排放量，为如期实现碳达峰、碳中和提供精准量化支撑。
Description
技术领域
本申请属于数据统计与测算技术领域，尤其涉及碳排放量测算方法、装置及终端设备。
背景技术
众所周知，能源是经济社会发展的重要物质基础。我国能源行业快速发展，现已成为全球最大的能源生产国和消费国，同时也是全球最大的碳排放国家。为实现“碳达峰”和“碳中和”目标，我国要构建以清洁低碳、安全高效为核心的用能体系。
实现“碳达峰”“碳中和”的核心是控制碳排放量。而能源燃烧是我国主要的二氧化碳排放源，占全部二氧化碳排放量的88％左右，电力行业排放约占能源行业排放的41％。
目前还没有对碳排放量公认准确的测算方法，因此，亟需一种方法能够测算现有行业的碳排放量，使电力行业可以全面调整其能源结构和产业结构，从而以低碳运行为核心建设环境友好型电力系统。
发明内容
为了解决相关技术中碳排放量测算不准确的问题，本申请实施例提供了碳排放量测算方法、装置及终端设备。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了碳排放量测算方法，包括：
获取目标用户的历史用电数据和历史能耗数据，历史能耗数据包括历史消耗煤炭数据、历史消耗石油数据和历史消耗天然气数据中的至少一种；
基于历史用电数据和历史能耗数据，确定目标用户对应的用户类别；
根据用户类别，采用对应的建模方法建立碳排放量测算模型，建模方法包括单耗还原法、时间序列法和基于蝙蝠算法优化支持向量回归法中的至少一种；
根据碳排放量测算模型对目标用户的碳排放量进行测算。
在第一方面的一种可能的实现方式中，基于历史用电数据和历史能耗数据，确定目标用户对应的用户类别，包括：
基于历史用电数据和历史能耗数据，确定目标用户的用能种类、能耗稳定性和历史能耗分布规律。用能种类包含电能以及其他能源，其他能源包括煤炭、石油和天然气中的至少一种；能耗稳定性用于表征其他能源的能耗与电能能耗之间的比值是否稳定；历史能耗分布规律用于表征其他能源消耗的规律；
根据目标用户的用能种类、能耗稳定性和历史能耗分布规律，确定目标用户的用户类别。
在第一方面的一种可能的实现方式中，根据目标用户的用能种类、能耗稳定性和历史能耗分布规律，确定目标用户的用户类别，包括：
若目标用户的能耗稳定性满足预设稳定条件，且用能种类小于或等于阈值，则目标用户的用户类别为第一用户类别；
若目标用户的能耗稳定性不满足预设稳定条件，用能种类大于阈值，且历史能耗分布规律不满足预设要求，则目标用户的用户类别为第二用户类别；
若目标用户的能耗稳定性不满足预设稳定条件，用能种类大于阈值，且历史能耗分布规律满足预设要求，则目标用户的用户类别为第三用户类别。
在第一方面的一种可能的实现方式中，根据所述用户类别，采用对应的建模方法建立碳排放量测算模型，包括：
若目标用户的用户类别为第一用户类别，则采用单耗还原法建立碳排放量测算模型；
碳排放量测算模型为
Co为目标用户单位产出碳排放量，α2为碳排放量系数，
为电能能耗折算为其他能耗的折算系数，P(t)为目标用户单位产出电能能耗。
在第一方面的一种可能的实现方式中，根据用户类别，采用对应的建模方法建立碳排放量测算模型，包括：
若目标用户的用户类别为第二用户类别，则采用时间序列法建立碳排放量测算模型；
碳排放量测算模型为C0(t)＝α1α2y(t)，C0(t)为t时间区间碳排放量，y(t) 为目标用户单位产出的电能能耗折算为其他能耗的数值，α1为其他能耗与碳排放量的折算系数，α2为碳排放量系数，α2服从二项分布；
其中，对于其他能耗y(t)，将其他能耗的历史数据按时间序列排列，采用指数平滑法进行建模，假设历史时间序列为[yi(t)]n×1，则碳排放量预测模型为：
式中，
为i+1时刻的预测值，γ为加权系数，yi为i时刻的实际值，
为 i时刻的预测值。
在第一方面的一种可能的实现方式中，根据用户类别，采用对应的建模方法建立碳排放量测算模型，包括：
若目标用户的用户类别为第三用户类别，则采用基于蝙蝠算法优化支持向量回归法建立碳排放量测算模型；
碳排放量测算模型为f(x)＝w·φ(x)+b，φ(x)为特征空间，w为权重系数， b为偏置项；
碳排放量测算模型的核函数包括：
高斯径向基核函数K(xi,x)＝exp(-γ‖xi-x‖2)，γ为所述高斯径向基核函数的半径；
多项式核函数：K(xi,x)＝[γ(xi·x)+coef]d，d为多项式的阶数，coef为偏置系数。
在第一方面的一种可能的实现方式中，碳排放量测算方法还包括采用蝙蝠算法对高斯径向基核函数的参数值进行优化的步骤；
采用蝙蝠算法对高斯径向基核函数的参数值进行优化，包括：
将历史用电数据和历史能耗数据划分为训练样本和测试样本；
初始化蝙蝠种群的位置与速度，确定蝙蝠算法中的频率、脉冲发射率和响度；其中，蝙蝠种群中的蝙蝠个体的位置代表SVR模型中参数的具体取值；
根据蝙蝠算法中的频率、脉冲发射率和响度的具体取值和训练样本建立所述SVR模型；
采用测试样本对SVR模型进行样本测试，将获取的均方误差值作为蝙蝠个体的位置的适应度值，计算出最佳蝙蝠个体的位置；
更新个体最优值和全局最优值，并根据迭代次数对脉冲发射率和响度进行衰减处理，公式如下所示：
At＝AfAt-1
式中，At、At-1为第t代与t-1代中蝙蝠算法的响度，Af为响度衰减系数，rt第 t代中蝙蝠算法的脉冲发射率，r0为初始脉冲发射率，Rf为脉冲衰减系数；
判断是否满足收敛条件，收敛条件为前后两次的全局最优值之差小于给定的阈值或者算法循环次数C达到最大循环次数；
若满足收敛条件，则输出SVR模型的最优参数；若不满足收敛条件，则重新执行采用测试样本对SVR模型进行样本测试的步骤，直到满足收敛条件。
第二方面，本申请实施例提供了一种碳排放量测算装置，包括：
获取模块，用于获取目标用户的历史用电数据和历史能耗数据，历史能耗数据包括历史消耗煤炭数据、历史消耗石油数据和历史消耗天然气数据中的至少一种；
确定模块，用于基于历史用电数据和历史能耗数据，确定目标用户对应的用户类别；
模型建立模块，用于根据用户类别，采用对应的建模方法建立碳排放量测算模型，建模方法包括单耗还原法、时间序列法和基于蝙蝠算法优化支持向量回归法中的至少一种；
测算模块，用于根据碳排放量测算模型对目标用户的碳排放量进行测算。
第三方面，本申请实施例提供了终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的碳排放量测算方法。
第四方面，本申请实施例提供了计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的碳排放量测算方法。
第五方面，本申请实施例提供了计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的碳排放量测算方法。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例中，基于历史用电数据和历史能耗数据确定目标用户对应的用户类别，之后根据用户类别采用多种建模方法中的至少一种建模方法建立碳排放量测算模型，实现对不同用户类别的目标用户建立不同的碳排放量测算模型，进而能够更具有针对性的对目标用户进行碳排放量测算，从而提高碳排放量测算的精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的碳排放量测算方法流程示意图；
图2是本申请一实施例提供的确定目标用户的用户类别的流程示意图；
图3是本申请一实施例提供的不同用户类别对应不同测算模型的示意图；
图4是本申请一实施例提供的基于蝙蝠算法优化支持向量回归法建模的流程示意图；
图5是本申请实施例提供的石油与天然气开采行业中石油-电折算系数回归预测图；
图6是本申请实施例提供的碳排放量测算装置的结构示意图；
图7是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
因目前还没有对碳排放量公认准确的测算方法，为如期实现“碳达峰”“碳中和”提供精准量化支持。本申请提供了一种通过“电-能-碳”的映射关系，可以准确测算碳排放量。
获取目标用户的历史用电数据和历史能耗数据，历史能耗数据包括历史消耗煤数据、历史消耗石油数据和历史消耗天然气数据中的至少一种；根据历史用电数据和历史能耗数据，确定目标用户对应的用户类别；根据用户类别，采用对应的建模方法建立碳排放量测算模型，其中，建模方法包括单耗还原法、时间序列法和基于蝙蝠算法优化支持向量回归法中的至少一种；最后，根据碳排放量测算模型对目标用户的碳排放量进行测算。
图1是本申请一实施例提供的碳排放量测算方法流程示意图，以下结合图 1对本申请进行详细说明，以下所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
步骤101，获取目标用户的历史用电数据和历史能耗数据。
其中，上述历史能耗数据包括历史消耗煤炭数据、历史消耗石油数据和历史消耗天然气数据中的至少一种。
示例性的，历史消耗煤炭数据为目标用户在当前时间之前所消耗的煤炭能源的数据。例如，历史消耗煤炭数据可以为目标用户在上一年所消耗的煤炭能源的数据。
历史消耗石油数据为目标用户在当前时间之前所消耗的石油能源的数据。例如，历史消耗石油数据可以为目标用户在上一年所消耗的石油能源的数据。
历史消耗天然气数据为目标用户在当前时间之前所消耗的天然气能源的数据。例如，历史消耗石油数据可以为目标用户在上一年所消耗的天然气能源的数据。
步骤102，基于历史用电数据和历史能耗数据，确定目标用户对应的用户类别。
一些实施例中，步骤102可以包括：基于历史用电数据和历史能耗数据，确定目标用户的用能种类、能耗稳定性和历史能耗分布规律；根据目标用户的用能种类、能耗稳定性和历史能耗分布规律，确定目标用户的用户类别。
其中，用能种类可以包含电能以及其他能源，其他能源包括煤炭、石油和天然气中的至少一种。能耗稳定性用于表征上述其他能源的能耗与电能能耗之间的比值是否稳定，历史能耗分布规律用于表征上述其他能源能耗的规律。
示例性的，用能种类可以为电能和其他能源中的至少一种能源的组合。例如用能种类可以为电能和其他能源中的一种能源的组合，或者用能种类可以为电能和其他能源中的两种能源的组合，或者用能种类可以为电能和其他能源中的三种能源的组合。
示例性的，若在某个时间段内，煤炭、石油或天然气至少一种的能耗与电能能耗比值一直在某个数值上下波动(例如该比值与该数值的差值在预设范围内)，则可以确定煤炭、石油或天然气的能耗与电能能耗之间的比值稳定。若在某个时间段内，煤炭、石油或天然气至少一种的能耗与电能能耗之间的比值范围较大，并不存在一个数值使得该比值与该数值的差值在预设范围内，则可以确定煤炭、石油或天然气的能耗与电能能耗比值不稳定。
步骤103，根据用户类别，采用对应的建模方法建立碳排放量测算模型。
其中，建模方法可以包括单耗还原法、时间序列法和基于蝙蝠算法优化支持向量回归法中的至少一种。关于各种建模方法建立碳排放量测算模型的过程，请参考后续相关内容，在此不再赘述。
本步骤中，通过对不同用户类别的目标用户建立不同的碳排放量测算模型，进而能够更具有加针对性的对目标用户进行碳排放量测算，从而提高碳排放量测算的精度。
步骤104，通过碳排放量测算模型对目标用户的碳排放量进行测算。
在得到目标用户对应的碳排放量测算模型之后，将相关数据输入碳排放量测算模型，既可测算出目标用户在历史某个时间段内的碳排放量，同时，也可对未来的用电数据和其他能耗数据进行预估，测算出目标用户未来在某个时间段内的碳排放量。
上述碳排放量测算方法，基于历史用电数据和历史能耗数据确定目标用户对应的用户类别，之后根据用户类别采用多种建模方法中的至少一种建模方法建立碳排放量测算模型，实现对不同用户类别的用户建立不同的碳排放量测算模型，进而能够根据更加针对的对目标用户进行碳排放量测算，从而提高碳排放量测算的精度。
图2示出了本申请实施例提供的确定目标用户的用户类别的流程示意图，包括步骤201至步骤205。
步骤201，请参考步骤101，在此不再赘述。
步骤202，根据历史用电数据和历史能耗数据，确定目标用户的用能种类、能耗稳定性和历史能耗分布规律。
示例性的，用能种类可以包括两种能源、三种能源或四种能源。例如，当用能种类包括两种能源时，可以是电能和煤炭，可以是电能和石油，也可以是电能和天然气。当用能种类包括三种能源时，可以是电能、煤炭和石油，可以是电能、煤炭和天然气，也可以是电能、石油和天然气。当用能种类包括四种能源时，为电能、煤炭、石油和天然气。
示例性的，能耗稳定性可以根据其他能源的历史能耗数据与电能的历史用电数据的比值确定。若比值与某个数值的差值在预设范围之内，则该用户的能耗稳定；若并不存在一个数值使得该比值与该数值的差值在预设范围内，则该用户的能耗不稳定。其中，预设范围可以根据实际情况进行设置，对此不作详细说明。
示例性的，历史能耗分布规律可以通过其他能源的历史能耗的自相关系数表征。自相关系数公式为：
其中，Rk为k阶自相关系数，Xi为第i时刻的数值，
为历年数值的平均值， Xi+k为第i+k时刻的数值。历史能耗分布规律的强弱与自相关系数成正比，即自相关系数越大历史能耗分布规律越强，自相关系数越小历史能耗分布规律越弱。
步骤203，若目标用户的能耗稳定性满足预设稳定条件，且用能种类小于或等于阈值，则目标用户的用户类别为第一用户类别。
示例性的，能耗稳定性满足预设稳定条件可以为：其他能源的历史能耗数据与电能的历史用电数据的比值与某个数值的差值在预设范围之内，即该用户的能耗稳定。
示例性的，上述阈值可以为2、3或4。阈值为2，对应用能种类包括两种能源；阈值为3，对应用能种类包括三种能源；阈值为4，对应用能种类包括四种能源。本申请实施例以阈值为2进行说明，但不以此为限。
本步骤中，若目标用户的能耗稳定且用能种类小于等于阈值2，则可以确定目标用户的用户类别为第一用户类别。
步骤204，若目标用户的能耗不满足预设稳定条件，用能种类大于阈值，且历史能耗分布规律不满足预设要求，则目标用户的用户类别为第二用户类别。
示例性的，能耗稳定性不满足预设稳定条件可以为：若并不存在一个数值使得该比值与该数值的差值在预设范围内，即该用户的能耗不稳定。
本步骤中，若目标用户的能耗不稳定，用能种类大于阈值2，且历史能耗分布规律较弱，则可以确定目标用户的用户类别为第二用户类别。
步骤205，若目标用户的能耗不满足预设稳定条件，用能种类大于阈值，且历史能耗分布规律满足预设要求，则目标用户的用户类别为第三用户类别。
本步骤中，若目标用户的能耗不稳定，用能种类大于阈值2，且历史能耗分布规律较强，则可以确定目标用户的用户类别为第三用户类别。
以下对各种建模方法建立的碳排放量测算模型进行说明。
本实施例中，建模方法包括单耗还原法、时间序列法和基于蝙蝠算法优化支持向量回归法。如图3所示，若目标用户的用户类别为第一用户类别，则采用单耗还原法建立碳排放量测算模型。若目标用户的用户类别为第二用户类别，则采用时间序列法建立碳排放量测算模型。若目标用户的用户类别为第三用户类别，则采用基于蝙蝠算法优化支持向量回归法建立碳排放量测算模型。
一些实施例中，对于第一用户类别，由于用能种类小于等于阈值、能耗稳定，因此可根据目标用户的产量和电能能耗比值计算出目标用户单位产出的电能能耗。而且，目标用户其他能源能耗与电能能耗的比值稳定，可以按照电能能耗可折算出其他能源消耗，进而测算现有行业产量碳排放量。对应的，碳排放量测算模型为：
Co为目标用户单位产出碳排放量，α2为碳排放量系数，
为电能能耗折算为其他能耗的折算系数，P(t)为目标用户单位产出电能能耗。
一些实施例中，对于第二用户类别，用能种类大于阈值、能耗不稳定且历史能耗分布不规律。因此可以采用电能能耗与其他能源能耗的比值作为时间序列变量，通过函数计算得出不同时间区间电能能耗与其他能源能耗的折算系数，利用电能能耗和所述折算系数计算得出其他能源能耗，进而测算目标用户碳排放量。对应的，碳排放量测算模型为：
C0(t)＝α1α2y(t)
式中，C0(t)为t时间区间碳排放量，y(t)为目标用户单位的产出电能能耗折算为其他能耗，α1为其他能耗与碳排放量的折算系数，α2为排放系数，α2服从二项分布。
其中，对于其他能耗y(t)，将其他能耗所述历史数据按时间序列排列，y(t) 近n期的数据对预测值影响更大，而n期以前的数据对预测值影响较小，因此，本申请采用指数平滑法进行建模，假设历史时间序列为[yi(t)]n×1，预测模型公式如下所示：
式中，
为i+1时刻的预测值，γ为加权系数，yi为i时刻的实际值，
为 i时刻的预测值。
一些实施例中，对于第三用户类别采用基于蝙蝠优化算法支持向量回归法建立碳排放量测算模型。
支持向量回归法(SVR support vector regression)作为处理拟合回归问题的一类模型，通过建立训练数据中的待预测向量与支持向量间的非线性关系，对测试数据的待预测向量进行预测。对于给定训练数据集 T＝{(x1,y1),(x2,y2),...,(xn,yn)}，其中n为训练样本个数。SVR通过内积核函数定义的非线性变换将输入空间转换到高维特征空间中，并在高维特征空间中进行回归，如下所示：
f(x)＝w·φ(x)+b
式中：φ(x)为特征空间，w为权重系数，b为偏置项，K(xi,x)＝φ(xi)×φ(x)。
因核函数对支持向量回归机性能具有重要影响，为了较好的拟合训练数据，采用多项式核函数作为核函数：
K(xi,x)＝[γ(xi·x)+coef]d
式中，d为多项式的阶数，coef为偏置系数。
图4示出了本申请一实施例提供的基于蝙蝠算法优化支持向量回归法建模的流程示意图，以下所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
步骤401，归一化历史能耗数据。
本步骤中对历史能耗数据进行归一化处理，以减少可能出现的预测误差较大的情况。
步骤402，生成SVR模型的训练样本和测试样本。
其中，可以将归一化后的能耗历史数据划分为训练样本和测试样本。示例性的，训练样本与测试样本的比例为4:1。
步骤403，初始化蝙蝠种群的位置与速度，确定蝙蝠算法中的频率、脉冲发射率和响度。
其中，蝙蝠种群中的蝙蝠个体的位置代表SVR模型中参数的具体取值。
示例性的，以RBF核函数为例，所需要优化的参数为惩罚参数C和核函数半径g。
步骤404，根据确定的频率、脉冲发射率和响度的具体取值以及训练样本建立SVR模型。
步骤405，采用测试样本对SVR模型进行样本测试，将获取的均方误差值作为蝙蝠个体的位置的适应度值，计算出最佳蝙蝠个体的位置。
示例性的，本申请采用均方误差来评价支持向量回归机性能，具体表达式如下：
式中，l为测试样本中数据的个数，yi为测试实际值，
为测试预测值。
步骤406，更新个体最优值和全局最优值，并根据迭代次数对脉冲发射率和响度进行衰减处理。
其中，衰减处理公式如下所示：
At＝AfAt-1
式中，At、At-1为第t代与t-1代中蝙蝠算法的响度，Af为响度衰减系数， rt第t代中蝙蝠算法的脉冲发射率，r0为初始脉冲发射率，Rf为脉冲衰减系数。
步骤407，判断是否满足收敛条件。
其中，收敛条件为前后两次的全局最优值之差小于给定的阈值或者算法循环次数C达到最大循环次数。
示例性的，若满足收敛条件，则输出的为SVR模型最优参数；若不满足收敛条件，则重新执行步骤405，直到满足收敛条件。
步骤408，算法输出结果为SVR模型的最优参数，根据最优参数建立预测模型。
为验证本申请实施例的有效性，选取天然气开采行业做为目标用户，对其历史用电数据和历史能耗数据进行分析，具体如下：
天然气开采行业生产中，在消耗电能的同时，仍需要消耗煤炭、石油和天然气，其中石油消耗的占比最高，因此，对电能-石油之间的折算系数进行回归分析。如表1所示：
表1天然气开采行业历史数据
| 年份 | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2018 | 2019 | 2020 |
| 煤炭 | 3.64 | 3.1 | 3.71 | 1.94 | 1.83 | 0.89 | 0.02 | 0 | 0 | 0 |
| 石油 | 37.17 | 38.87 | 17.46 | 16 | 16.05 | 15.71 | 15.5 | 15 | 15 | 14 |
| 天然气 | 3.01 | 2.1 | 1.61 | 1.58 | 1.63 | 1.48 | 1.48 | 1.62 | 1.61 | 1.60 |
| 电力 | 11.24 | 11.19 | 11.78 | 12.39 | 13.07 | 21.95 | 13.27 | 11.94 | 12.86 | 12.89 |
由于用能种类包含两种能源，石油消耗与电能消耗的比值不稳定，且电能- 石油折算系数呈递减趋势，计算自相关系数得出具有历史数据分布规律，因此，采用基于蝙蝠算法优化支持向量回归的方法对其进行回归分析。
图5所示为天然气开采行业石油-电折算系数回归预测图，多项式核函数作为SVR的核函数，采用蝙蝠算法对惩罚参数C进行优化，优化结果为0.16259，以此建立支持向量回归模型，所获取的折算系数实际与预测值如表2所示：
| 年份 | 2010 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2018 | 2019 | 2020 | 2021 | 2022 |
| 实际值 | 3.31 | 3.47 | 1.48 | 1.29 | 1.23 | 0.72 | 1.17 | 1.26 | 1.17 | 1.09 | ||
| 预测值 | 3.22 | 2.37 | 1.77 | 1.38 | 1.16 | 1.08 | 1.08 | 1.19 | 1.22 | 1.18 | 1.02 | 0.72 |
其中，2021、2022代表两年天然气开采行业电能-石油折算系数的预测值，结合该行业实际用电数据以及石油的单位碳排放系数，可对未来两年的碳排放量进行监测与计算。因此，通过基于蝙蝠算法优化支持向量回归的以电折碳测算，可形成“电-能-碳”映射，从而有效测算目标用户碳排放量。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的碳排放量测算方法，图6示出了本申请实施例提供的碳排放量测算装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图6，本申请实施例中的碳排放量测算装置可以包括：获取模块601、确定模块602、模型建立模块603和测算模块604。
获取模块601，用于获取目标用户的历史用电数据和历史能耗数据，历史能耗数据包括历史消耗煤炭数据、历史消耗石油数据和历史消耗天然气数据中的至少一种。确定模块602，用于基于历史用电数据和历史能耗数据，确定目标用户对应的用户类别。模型建立模块603，用于根据用户类别，采用对应的建模方法建立碳排放量测算模型，建模方法包括单耗还原法、时间序列法和基于蝙蝠算法优化支持向量回归法中的至少一种。测算模块604，用于根据所述碳排放量测算模型对所述目标用户的碳排放量进行测算。
一些实施例中，确定模块602用于：基于历史用电数据和历史能耗数据，确定目标用户的用能种类、能耗稳定性和历史能耗分布规律，用能种类包含电能以及其他能源，其他能源包括煤炭、石油和天然气中的至少一种，能耗稳定性用于表征其他能源的能耗与电能能耗之间的比值是否稳定；历史能耗分布规律用于表征其他能源消耗的规律；根据目标用户的用能种类、能耗稳定性和历史能耗分布规律，确定目标用户的用户类别。
一些实施例中，上述根据目标用户的用能种类、能耗稳定性和历史能耗分布规律，确定目标用户的用户类别，包括：若目标用户的能耗稳定性满足预设稳定条件，且用能种类小于或等于阈值，则目标用户的用户类别为第一用户类别；若目标用户的能耗不满足预设稳定条件，用能种类大于阈值，且历史能耗分布规律不满足预设要求，则目标用户的用户类别为第二用户类别；若目标用户的能耗不满足预设稳定条件，用能种类大于阈值，且历史能耗分布规律满足预设要求，则目标用户的用户类别为第三用户类别。
一些实施例中，模型建立模块603用于：若目标用户的用户类别为第一用户类别，则采用单耗还原法建立碳排放量测算模型；碳排放量测算模型为
Co为目标用户单位产出碳排放量，α2为碳排放量系数，
为电能能耗折算为其他能耗的折算系数，P(t)为目标用户单位产出电能能耗。
一些实施例中，模型建立模块603用于：若目标用户的用户类别为第二用户类别，则采用时间序列法建立碳排放量测算模型；碳排放量测算模型为 C0(t)＝α1α2y(t)，C0(t)为t时间区间碳排放量，y(t)为目标用户单位产出的电能能耗折算为其他能耗的数值，α1为其他能耗与碳排放量的折算系数，α2为碳排放量系数，α2服从二项分布；
其中，对于其他能耗y(t)，将其他能耗的历史数据按时间序列排列，采用指数平滑法进行建模，假设历史时间序列为[yi(t)]n×1，碳排放量预测模型为：
式中，
为i+1时刻的预测值，γ为加权系数，yi为i时刻的实际值，
为i时刻的预测值。
一些实施例中，模型建立模块603用于：若目标用户的用户类别为第三用户类别，则采用基于蝙蝠算法优化支持向量回归法建立碳排放量测算模型；碳排放量测算模型为f(x)＝w·φ(x)+b，φ(x)为特征空间，w为权重系数，b为偏置项；
碳排放量测算模型的核函数包括：高斯径向基核函数：K(xi,x)＝ exp(-γ‖xi-x‖2)，γ为高斯径向基核函数的半径；多项式核函数： K(xi,x)＝[γ(xi·x)+coef]d，d为多项式的阶数，coef为偏置系数。
一些实施例中，模型建立模块603还用于采用蝙蝠算法对高斯径向基核函数的参数值进行优化，过程为：
将能耗历史数据划分为训练样本和测试样本；
初始化蝙蝠种群的位置与速度，确定蝙蝠算法中的频率、脉冲发射率和响度；其中，蝙蝠种群中的蝙蝠个体的位置代表SVR模型中参数的具体取值；
根据频率、脉冲发射率和响度的具体取值和训练样本建立SVR模型；
采用测试样本对SVR模型进行样本测试，将获取的均方误差值作为蝙蝠个体的位置的适应度值，计算出最佳蝙蝠个体的位置；
更新个体最优值和全局最优值，并根据迭代次数对脉冲发射率和响度进行衰减处理，公式如下所示：
At＝AfAt-1
式中，At、At-1为第t代与t-1代中蝙蝠算法的响度，Af为响度衰减系数，rt第 t代中蝙蝠算法的脉冲发射率，r0为初始脉冲发射率，Rf为脉冲衰减系数；
判断是否满足收敛条件，收敛条件为前后两次的全局最优值之差小于给定的阈值或者算法循环次数C达到最大循环次数；
若满足收敛条件，则输出SVR模型的最优参数；若不满足收敛条件，则重新执行采用测试样本对SVR模型进行样本测试的步骤，直到满足收敛条件。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了终端设备，参见图7，该终端设备700可以包括：至少一个处理器701、存储器702以及存储在所述存储器702中并可在所述至少一个处理器701上运行的计算机程序，所述处理器701执行所述计算机程序时实现上述任意碳排放量测算方法实施例中的步骤，例如图1所示实施例中的步骤101至步骤104。或者，处理器701执行所述计算机可读指令时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至604的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器702中，并由处理器701执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备700中的执行过程。
本领域技术人员可以理解，图7仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器701可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器702可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字 (Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器702用于存储所述计算机可读指令以及图像重建设备所需的其他程序和数据。所述存储器 702还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构 (ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例还提供了计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述碳排放量测算方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述碳排放量测算方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U 盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.碳排放量测算方法，其特征在于，包括：
获取目标用户的历史用电数据和历史能耗数据，所述历史能耗数据包括历史消耗煤炭数据、历史消耗石油数据和历史消耗天然气数据中的至少一种；
基于所述历史用电数据和所述历史能耗数据，确定目标用户对应的用户类别；
根据所述用户类别，采用对应的建模方法建立碳排放量测算模型，所述建模方法包括单耗还原法、时间序列法和基于蝙蝠算法优化支持向量回归法中的至少一种；
根据所述碳排放量测算模型对所述目标用户的碳排放量进行测算。
2.如权利要求1所述的碳排放量测算方法，其特征在于，所述基于所述历史用电数据和所述历史能耗数据，确定目标用户对应的用户类别，包括：
基于所述历史用电数据和所述历史能耗数据，确定目标用户的用能种类、能耗稳定性和历史能耗分布规律，所述用能种类包含电能以及其他能源，所述其他能源包括煤炭、石油和天然气中的至少一种，所述能耗稳定性用于表征所述其他能源的能耗与电能能耗之间的比值是否稳定；所述历史能耗分布规律用于表征其他能源消耗的规律；
根据目标用户的用能种类、能耗稳定性和历史能耗分布规律，确定目标用户的用户类别。
3.如权利要求2所述的碳排放量测算方法，其特征在于，所述根据目标用户的用能种类、能耗稳定性和历史能耗分布规律，确定目标用户的用户类别，包括：
若目标用户的能耗稳定性满足预设稳定条件，且用能种类小于或等于阈值，则所述目标用户的用户类别为第一用户类别；
若目标用户的能耗稳定性不满足预设稳定条件，用能种类大于阈值，且历史能耗分布规律不满足预设要求，则所述目标用户的用户类别为第二用户类别；
若目标用户的能耗稳定性不满足预设稳定条件，用能种类大于阈值，且历史能耗分布规律满足预设要求，则所述目标用户的用户类别为第三用户类别。
4.如权利要求3所述的碳排放量测算方法，其特征在于，所述根据所述用户类别，采用对应的建模方法建立碳排放量测算模型，包括：
若目标用户的用户类别为所述第一用户类别，则所述采用单耗还原法建立所述碳排放量测算模型；
所述碳排放量测算模型为
Co为目标用户单位产出碳排放量，α2为碳排放量系数，
为电能能耗折算为其他能耗的折算系数，P(t)为目标用户单位产出电能能耗。
5.如权利要求3所述的碳排放量测算方法，其特征在于，所述根据所述用户类别，采用对应的建模方法建立碳排放量测算模型，包括：
若目标用户的用户类别为所述第二用户类别，则所述采用时间序列法建立所述碳排放量测算模型；
所述碳排放量测算模型为C0(t)＝α1α2y(t)，C0(t)为t时间区间碳排放量，y(t)为目标用户单位产出的电能能耗折算为其他能耗的数值，α1为其他能耗与碳排放量的折算系数，α2为碳排放量系数，α2服从二项分布；
其中，对于其他能耗y(t)，将其他能耗的历史数据按时间序列排列，采用指数平滑法进行建模，假设历史时间序列为[yi(t)]n×1，所述碳排放量预测模型为：
j＝t-1
式中，
为i+1时刻的预测值，γ为加权系数，yi为i时刻的实际值，
为i时刻的预测值。
6.如权利要求3所述的碳排放量测算方法，其特征在于，所述根据所述用户类别，采用对应的建模方法建立碳排放量测算模型，包括：
若目标用户的用户类别为所述第三用户类别，则采用所述基于蝙蝠算法优化支持向量回归法建立所述碳排放量测算模型；
所述碳排放量测算模型为f(x)＝w·φ(x)+b，φ(x)为特征空间，w为权重系数，b为偏置项；
所述碳排放量测算模型的核函数包括：
高斯径向基核函数：K(xi,x)＝exp(-γ‖xi-x‖2)，γ为所述高斯径向基核函数的半径；
多项式核函数：K(xi,x)＝[γ(xi·x)+coef]d，d为多项式的阶数，coef为偏置系数。
7.如权利要求6所述的碳排放量测算方法，其特征在于，所述方法还包括采用蝙蝠算法对所述高斯径向基核函数的参数值进行优化的步骤；
所述采用蝙蝠算法对所述高斯径向基核函数的参数值进行优化，包括：
将所述历史用电数据和历史能耗数据划分为训练样本和测试样本；
初始化蝙蝠种群的位置与速度，确定蝙蝠算法中的频率、脉冲发射率和响度；其中，蝙蝠种群中的蝙蝠个体的位置代表SVR模型中参数的具体取值；
根据所述蝙蝠算法中的频率、脉冲发射率和响度的具体取值和所述训练样本建立所述SVR模型；
采用所述测试样本对所述SVR模型进行样本测试，将获取的均方误差值作为蝙蝠个体的位置的适应度值，计算出最佳蝙蝠个体的位置；
更新个体最优值和全局最优值，并根据迭代次数对脉冲发射率和响度进行衰减处理，公式如下所示：
At＝AfAt-1
式中，At、At-1为第t代与t-1代中蝙蝠算法的响度，Af为响度衰减系数，rt第t代中蝙蝠算法的脉冲发射率，r0为初始脉冲发射率，Rf为脉冲衰减系数；
判断是否满足收敛条件，所述收敛条件为前后两次的全局最优值之差小于给定的阈值或者算法循环次数C达到最大循环次数；
若满足收敛条件，则输出所述SVR模型的最优参数；若不满足收敛条件，则重新执行所述采用所述测试样本对所述SVR模型进行样本测试的步骤，直到满足收敛条件。
8.碳排放量测算装置，其特征在于，包括：
获取模块，用于获取目标用户的历史用电数据和历史能耗数据，所述历史能耗数据包括历史消耗煤炭数据、历史消耗石油数据和历史消耗天然气数据中的至少一种；
确定模块，用于基于所述历史用电数据和所述历史能耗数据，确定目标用户对应的用户类别；
模型建立模块，用于根据所述用户类别，采用对应的建模方法建立碳排放量测算模型，所述建模方法包括单耗还原法、时间序列法和基于蝙蝠算法优化支持向量回归法中的至少一种；
测算模块，用于根据所述碳排放量测算模型对所述目标用户的碳排放量进行测算。
9.终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111333542.7A CN114066699A (zh) | 2021-11-11 | 2021-11-11 | 碳排放量测算方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111333542.7A CN114066699A (zh) | 2021-11-11 | 2021-11-11 | 碳排放量测算方法、装置及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114066699A true CN114066699A (zh) | 2022-02-18 |
Family
ID=80275058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111333542.7A Pending CN114066699A (zh) | 2021-11-11 | 2021-11-11 | 碳排放量测算方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066699A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015474A (zh) * | 2022-04-15 | 2022-09-06 | 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 |
| CN115050172A (zh) * | 2022-08-16 | 2022-09-13 | 四川中电启明星信息技术有限公司 | 一种碳排放量检测预警方法及装置 |
| CN115511332A (zh) * | 2022-09-30 | 2022-12-23 | 南方电网能源发展研究院有限责任公司 | 碳排放量确定方法、装置、计算机设备和存储介质 |
-
2021
- 2021-11-11 CN CN202111333542.7A patent/CN114066699A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115015474A (zh) * | 2022-04-15 | 2022-09-06 | 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 |
| CN115050172A (zh) * | 2022-08-16 | 2022-09-13 | 四川中电启明星信息技术有限公司 | 一种碳排放量检测预警方法及装置 |
| CN115050172B (zh) * | 2022-08-16 | 2022-11-01 | 四川中电启明星信息技术有限公司 | 一种碳排放量检测预警方法及装置 |
| CN115511332A (zh) * | 2022-09-30 | 2022-12-23 | 南方电网能源发展研究院有限责任公司 | 碳排放量确定方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114066699A (zh) | 碳排放量测算方法、装置及终端设备 | |
| WO2021208079A1 (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
| CN110874502B (zh) | 基于多阶段试验数据折合的航天产品可靠性评估方法 | |
| CN105608263A (zh) | 一种面向涡轮叶盘结构寿命概率分析的自适应处理方法 | |
| CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
| CN114330834A (zh) | 一种基于自更新三次指数平滑法的充电桩用电量预测方法 | |
| CN115455745B (zh) | 自适应频点采样的扫频方法、系统及相关设备 | |
| Huang et al. | Analytic error modeling for imprecise arithmetic circuits | |
| CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
| US8813009B1 (en) | Computing device mismatch variation contributions | |
| US20040236560A1 (en) | Power estimation using functional verification | |
| CN104461906A (zh) | 一种基于代码转换的mc/dc覆盖准则的软件测试数据生成方法 | |
| Borgonovo et al. | Functional ANOVA with multiple distributions: Implications for the sensitivity analysis of computer experiments | |
| CN112100910A (zh) | 一种处理器的功耗模型训练方法、功耗测试方法及装置 | |
| Zhou et al. | Sparse grid integration based solutions for moment-independent importance measures | |
| CN108960511B (zh) | 一种风速预测方法及相关装置 | |
| US9904961B2 (en) | System and method for determining the feedback capacity of information distributed in a complex network | |
| US8631362B1 (en) | Circuit instance variation probability system and method | |
| CN116243883A (zh) | 一种测试激励生成方法、测试方法及相关设备 | |
| JP2014110047A (ja) | 電子回路シミュレーションのための方法及び装置 | |
| CN114519429B (zh) | 获取目标体系的可观测量的方法、装置及介质 | |
| Qaffou et al. | Discriminating between normal and gumbel distributions | |
| CN107016573B (zh) | 一种应用的评测方法和评测系统 | |
| CN110298690B (zh) | 对象类目的周期判断方法、装置、服务器及可读存储介质 | |
| CN110969340A (zh) | 一种确定智能电能表质量技术基础能力的方法和系统 |
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 |