CN114298381A - 一种基于电力数据的能源行业碳排放预测方法 - Google Patents
一种基于电力数据的能源行业碳排放预测方法 Download PDFInfo
- Publication number
- CN114298381A CN114298381A CN202111516267.2A CN202111516267A CN114298381A CN 114298381 A CN114298381 A CN 114298381A CN 202111516267 A CN202111516267 A CN 202111516267A CN 114298381 A CN114298381 A CN 114298381A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- ele
- corr
- energy industry
- correlation
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于污染排放技术领域,提出了一种基于电力数据的能源行业碳排放预测方法。通过分析确定能源行业影响碳排放因素Co2_X与主要用于行业生产的电力因素Ele_X;随后利用皮尔逊相关系数法找到Co2_X和Ele_X中元素的相关性;然后对相关因素性进行随机森林回归树算法进行训练;最后模型训练采用多项式回归进行联合训练。一种基于电力数据的能源行业碳排放预测方法,通过建立能源消费数据与电力数据的关系,用电力数据预测能源行业的碳排放,解决重点用能企业碳排放管理不到位的问题。
Description
技术领域
本发明属于污染排放技术领域,提出了一种基于电力数据的能源行业碳排放预测方法。
背景技术
温室气体排放,造成温室效应,使全球气温上升,地球在吸收太阳辐射的同时,本身也向外层空间辐射热量,其热辐射以3~30μm的长波红外线为主,当这样的长波辐射进入大气层时,易被某些分子量较大、极性较强的气体分子所吸收,由于红外线的能量较低,不足以导致分子键能的断裂,因此气体分子吸收红外线辐射后没有化学反应发生,而只是阻挡热量自地球向外逃逸,相当于地球和外层空间的一个绝热层,即“温室”的作用,大气中某些微量组分对地球长波辐射吸收作用使近地面热量得以保持,从而导致全球气温升高的现象被称为温室效应。
“双碳”目标下,国家对发电、水泥、建材、化工等重点用能行业的碳减排工作提出了更高要求。目前,重点用能企业大多建有能耗监测平台,但运行维护不到位,且缺乏碳排放管理功能,无法对企业碳排放进行预测和预警,不能充分挖掘企业碳减排潜力。电网企业主要掌握企业用电数据,对企业其他用能数据难以搜集,如何以电力数据为基础,建立重点用能行业及用户的碳排放预测体系是亟待解决的问题。
发明内容
本发明的目的在于提出了一种基于电力数据的能源行业碳排放预测方法,通过建立能源消费数据与电力数据的关系,用电力数据预测能源行业的碳排放,以解决重点用能企业碳排放管理不到位的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于电力数据的能源行业碳排放预测方法,包括以下步骤:
S1.分析确定能源行业影响碳排放因素Co2_X与主要用于行业生产的电力因素Ele_X;
S2.利用皮尔逊相关系数法(因为不同数据的数量级可能会不同)找到Co2_X和Ele_X中元素的相关性;
S3.对步骤S2所得到的相关因素性进行随机森林回归树算法进行训练;
S4.对步骤S3所得到的模型训采用多项式回归进行联合训练。
进一步地,所述步骤S1中:
进一步地,所述步骤S1中:
进一步地,所述步骤S2中,所述相关性的计算公式为:
式中,i≤m,j≤n,<>表示内积运算,||||表示范数运算。
进一步地,所述相关性的计算方法为,如式3所述如果Corr(cxi,exj)>δ,则将exj加入到Corr_Ele,Corr_Ele表示电力因素中与能源行业影响碳排放因素相关性大于δ的电力因素,得到对应的碳排放Corr_Co2_Y={cy1,cy2,…,cym,};其中,Corr_Ele∈Ele,k+p≤n且k+p≤m;
进一步地,所述步骤S3中,随机森林回归树算法包括以下步骤:采用步骤2中得到的Corr_Ele为特征,Corr_Co2_Y为标签值用随机森林算法进行训练,记为Corr_model;以Co2_X为特征,Co2_Y为标签值进行训练,记为Co2_model。
进一步地,所述步骤S4中,以Corr_model结果为特征,Co2_model为标签值,用多项式回归进行联合训练,且联合训练采用如式(4)所述的公式
Co2_model=w0+w1Corr_model1+w2Corr_model2+ε (4)
其中,wi表示训练参数,ε表示误差项。
进一步地,所述随机森林回归树算法的方法包括以下步骤:
S3.1每棵回归树为CART回归树算法:将输入划分为S个区域,分别为R1,R2,…,RS,每个区域的输出值分别为:c1,c2,…,cS;则回归树模型可表示为设使用特征i的值v将输入空间划分为两个区域,即:
R1(i,v)={x|x(i)≤v}和R2(i,v)={x|x(i)>v};
最小化损失函数为:
其中c1,c2分别为R1,R2区间内的输出平均值;
S3.2计算平方误差:
S3.3为使Loss最小,采用最小二乘回归树法依次对每个特征的每个取值进行遍历,计算出当前每一个可能的切分点的误差,最后选择切分误差最小的点将输入空间切分为两个部分,然后递归上述步骤,直到切分结束;
所述的最小二乘回归树法包括以下步骤:
S3.3.1依次遍历每个特征i,以及该特征的每个取值v,计算每个切分点(i,v)的损失函数,采用如式5所示的公式选择损失函数最小的切分点;
S3.3.2使用步骤S3.3.1所得到的切分点将当前的输入空间划分为两个部分;然后将被划分后的两个部分再次计算切分点,依次类推,直到不能继续划分;
S3.3.3最后将输入空间划分为S个区域R1,R2,…,RS,生成的决策树为:
进一步地,所述步骤S4中联合训练的损失函数为:
其中,LU均方差损失函数,y,yp分别为实际值和预测值。
综上所述,由于采用了上述技术方案,本发明的有益技术效果是:
一种基于电力数据的能源行业碳排放预测方法通过构建一个能源行业电力数据-能源消费数据-碳排放的转换关系,基于用能行业的电力数据提高碳排放管理功能,同时对企业碳排放进行预测和预警,充分挖掘企业碳减排潜力。实现对重点用能企业碳排放进行预测和预警最终实现数据驱动的多行业能源消费及碳排放全景预测,同时服务重点用能企业挖掘碳减排潜力、开展节能降耗,响应国家“碳达峰、碳中和”要求。
附图说明
图1一种基于电力数据的能源行业碳排放预测方法的逻辑框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
一种基于电力数据的能源行业碳排放预测方法,包括以下步骤:
S1.分析确定能源行业影响碳排放因素Co2_X与主要用于行业生产的电力因素Ele_X;
S2.利用皮尔逊相关系数法(因为不同数据的数量级可能会不同)找到Co2_X和Ele_X中元素的相关性;
S3.对步骤S2所得到的相关因素性进行随机森林回归树算法进行训练;
S4.对步骤S3所得到的模型训采用多项式回归进行联合训练;
所述步骤S1中:
所述步骤S1中:
进一步地,所述步骤S2中,所述相关性的计算公式为:
式中,i≤m,j≤n,<>表示内积运算,||||表示范数运算。
所述相关性的计算方法为,如式3所述如果Corr(cxi,exj)>δ,则将exj加入到Corr_Ele,Corr_Ele表示电力因素中与能源行业影响碳排放因素相关性大于δ的电力因素,得到对应的碳排放Corr_Co2_Y={cy1,cy2,…,cym,};其中,Corr_Ele∈Ele,k+p≤n且k+p≤m;
所述步骤S3中,随机森林回归树算法包括以下步骤:采用步骤2中得到的Corr_Ele为特征,Corr_Co2_Y为标签值用随机森林算法进行训练,记为Corr_model;以Co2_X为特征,Co2_Y为标签值进行训练,记为Co2_model。
所述步骤S4中,以Corr_model结果为特征,Co2_model为标签值,用多项式回归进行联合训练,且联合训练采用如式(4)所述的公式
Co2_model=w0+w1Corr_model1+w2Corr_model2+ε (4)
其中,wi表示训练参数,ε表示误差项。
所述随机森林回归树算法的方法包括以下步骤:
S3.1每棵回归树为CART回归树算法:将输入划分为S个区域,分别为R1,R2,…,RS,每个区域的输出值分别为:c1,c2,…,cS;则回归树模型可表示为设使用特征i的值v将输入空间划分为两个区域,即:
R1(i,v)={x|x(i)≤v}和R2(i,v)={x|x(i)>v};
最小化损失函数为:
其中c1,c2分别为R1,R2区间内的输出平均值;
S3.2计算平方误差:
S3.3为使Loss最小,采用最小二乘回归树法依次对每个特征的每个取值进行遍历,计算出当前每一个可能的切分点的误差,最后选择切分误差最小的点将输入空间切分为两个部分,然后递归上述步骤,直到切分结束;
所述的最小二乘回归树法包括以下步骤:
S3.3.1依次遍历每个特征i,以及该特征的每个取值v,计算每个切分点(i,v)的损失函数,采用如式5所示的公式选择损失函数最小的切分点;
S3.3.2使用步骤S3.3.1所得到的切分点将当前的输入空间划分为两个部分;然后将被划分后的两个部分再次计算切分点,依次类推,直到不能继续划分;
S3.3.3最后将输入空间划分为S个区域R1,R2,…,RS,生成的决策树为:
进一步地,所述步骤S4中联合训练的损失函数为:
其中,LU均方差损失函数,y,yp分别为实际值和预测值。
以上所述为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于电力数据的能源行业碳排放预测方法,其特征在于:包括以下步骤:
S1.分析确定能源行业影响碳排放因素Co2_X与主要用于行业生产的电力因素Ele_X;
S2.利用皮尔逊相关系数法找到Co2_X和Ele_X中元素的相关性;
S3.对步骤S2所得到的相关因素性进行随机森林回归树算法进行训练;
S4.对步骤S3所得到的模型训采用多项式回归进行联合训练。
5.根据权利要求1所述的一种基于电力数据的能源行业碳排放预测方法,其特征在于:所述步骤S3中,随机森林回归树算法包括以下步骤:采用步骤2中得到的Corr_Ele为特征,Corr_Co2_Y为标签值用随机森林算法进行训练,记为Corr_model;以Co2_X为特征,Co2_Y为标签值进行训练,记为Co2_model。
6.根据权利要求1所述的一种基于电力数据的能源行业碳排放预测方法,其特征在于:所述步骤S4中,以Corr_model结果为特征,Co2_model为标签值,用多项式回归进行联合训练,且联合训练采用如式(4)所述的公式
Co2_model=w0+w1Corr_model1+w2Corr_model2+ε (4)
其中,wi表示训练参数,ε表示误差项。
7.根据权利要求1所述的一种基于电力数据的能源行业碳排放预测方法,其特征在于:所述随机森林回归树算法的方法包括以下步骤:
S3.1每棵回归树为CART回归树算法:将输入划分为S个区域,分别为R1,R2,…,RS,每个区域的输出值分别为:c1,c2,…,cS;则回归树模型可表示为设使用特征i的值v将输入空间划分为两个区域,即:
R1(i,v)={x|x(i)≤v}和R2(i,v)={x|x(i)>v};
最小化损失函数为:
其中c1,c2分别为R1,R2区间内的输出平均值;
S3.2计算平方误差:
S3.3为使Loss最小,采用最小二乘回归树法依次对每个特征的每个取值进行遍历,计算出当前每一个可能的切分点的误差,最后选择切分误差最小的点将输入空间切分为两个部分,然后递归上述步骤,直到切分结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111516267.2A CN114298381A (zh) | 2021-12-08 | 2021-12-08 | 一种基于电力数据的能源行业碳排放预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111516267.2A CN114298381A (zh) | 2021-12-08 | 2021-12-08 | 一种基于电力数据的能源行业碳排放预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298381A true CN114298381A (zh) | 2022-04-08 |
Family
ID=80967059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111516267.2A Pending CN114298381A (zh) | 2021-12-08 | 2021-12-08 | 一种基于电力数据的能源行业碳排放预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298381A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757602A (zh) * | 2022-06-16 | 2022-07-15 | 南方电网数字电网研究院有限公司 | 供给侧电力碳排放风险预警方法、装置和计算机设备 |
CN114912548A (zh) * | 2022-07-11 | 2022-08-16 | 国网信息通信产业集团有限公司 | 一种利用电力人工智能的大气污染用户识别系统及方法 |
CN115015486A (zh) * | 2022-06-13 | 2022-09-06 | 中南大学 | 一种基于回归树模型的碳排放量测算方法 |
CN115081597A (zh) * | 2022-08-23 | 2022-09-20 | 中国电力科学研究院有限公司 | 一种基于机器学习的以电核碳方法、系统、设备和介质 |
CN116596095A (zh) * | 2023-07-17 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
-
2021
- 2021-12-08 CN CN202111516267.2A patent/CN114298381A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015486A (zh) * | 2022-06-13 | 2022-09-06 | 中南大学 | 一种基于回归树模型的碳排放量测算方法 |
CN114757602A (zh) * | 2022-06-16 | 2022-07-15 | 南方电网数字电网研究院有限公司 | 供给侧电力碳排放风险预警方法、装置和计算机设备 |
CN114757602B (zh) * | 2022-06-16 | 2022-10-11 | 南方电网数字电网研究院有限公司 | 供给侧电力碳排放风险预警方法、装置和计算机设备 |
CN114912548A (zh) * | 2022-07-11 | 2022-08-16 | 国网信息通信产业集团有限公司 | 一种利用电力人工智能的大气污染用户识别系统及方法 |
CN114912548B (zh) * | 2022-07-11 | 2022-10-25 | 国网信息通信产业集团有限公司 | 一种利用电力人工智能的大气污染用户识别系统及方法 |
CN115081597A (zh) * | 2022-08-23 | 2022-09-20 | 中国电力科学研究院有限公司 | 一种基于机器学习的以电核碳方法、系统、设备和介质 |
CN116596095A (zh) * | 2023-07-17 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
CN116596095B (zh) * | 2023-07-17 | 2023-11-07 | 华能山东泰丰新能源有限公司 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298381A (zh) | 一种基于电力数据的能源行业碳排放预测方法 | |
Ozturk et al. | Residential-commercial energy input estimation based on genetic algorithm (GA) approaches: an application of Turkey | |
CN110544513B (zh) | 基于单峰热解曲线的炭化可燃物热解动力学参数计算方法 | |
Ceylan et al. | Biomass higher heating value prediction analysis by ANFIS, PSO-ANFIS and GA-ANFIS | |
CN113592165B (zh) | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 | |
CN106779165A (zh) | 基于城市空气质量预测技术的电力系统环境调度方法 | |
CN112684118A (zh) | 一种大气臭氧污染的便捷预警方法 | |
Canyurt et al. | Estimating the Turkish residential–commercial energy output based on genetic algorithm (GA) approaches | |
CN116227689A (zh) | 一种光伏板污秽度状态评价及清扫决策系统 | |
CN111274701A (zh) | 一种采用区间监测数据降维回归的谐波源仿射建模方法 | |
CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
CN110543615A (zh) | 基于spss解释结构模型的风险因子交互作用分析方法 | |
CN112926895A (zh) | 一种光伏电站系统综合能效评价方法 | |
CN116960982A (zh) | 基于lstm网络的光伏超短期功率预测方法和系统 | |
CN116629111A (zh) | 一种基于神经网络的页岩注热原位开采排烃潜力预测方法 | |
Mehta | Optimal design and modeling of sustainable buildings based on multivariate fuzzy logic | |
Khan et al. | Optimization of solar collector system based on different nanofluids | |
Wang et al. | Green building energy efficiency evaluation and optimization | |
CN115173421A (zh) | 一种基于渐进拉丁超立方采样的概率最优潮流计算方法 | |
CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
Zhang | Resources and environmental evaluation for heat treatment based on fuzzy mathematics method | |
CN113052380A (zh) | 光伏电站运维清洗效果的检测方法、装置、设备及介质 | |
CN113486502A (zh) | 一种基于复合赋权云模型的邮轮玻璃幕墙风险分析方法 | |
Raza et al. | Towards explainable message passing networks for predicting carbon dioxide adsorption in metal-organic frameworks | |
CN113505468B (zh) | 区间线性交流最大传输容量模型的构建和解析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |