CN114298381A - 一种基于电力数据的能源行业碳排放预测方法 - Google Patents

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

一种基于电力数据的能源行业碳排放预测方法

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：

其中，

为一个样本其构成是能源行业中影响碳排放因素向量，k表示特征维度数，m为样本数量；Co2_Y为对应Co2_X的二氧化碳排放值；

进一步地，所述步骤S1中：

其中，

为一个样本其构成是能源行业中主要用于行业生产的用电因素向量，q表示特征维度数，m为样本数量，Ele_Y为Ele_X对应的电量值。

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(cx_i，ex_j)>δ，则将ex_j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,…,cy_m，}；其中，Corr_Ele∈Ele,k+p≤n且k+p≤m；

Corr_Ele表示是由

和

相关性由相关性大于阈值δ的电力因素组成的样本，Corr_Ele∈Ele，

为一个样本其构成是

和

相关性由相关性大于阈值δ的电力因素向量，p≤k且p≤q。

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，w_i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，L_U均方差损失函数，y，y^p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：

其中，

为一个样本其构成是能源行业中影响碳排放因素向量，k表示特征维度数，m为样本数量；Co2_Y为对应Co2_X的二氧化碳排放值；

所述步骤S1中：

其中，

为一个样本其构成是能源行业中主要用于行业生产的用电因素向量，q表示特征维度数，m为样本数量，Ele_Y为Ele_X对应的电量值；

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(cx_i，ex_j)>δ，则将ex_j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,…,cy_m，}；其中，Corr_Ele∈Ele,k+p≤n且k+p≤m；

Corr_Ele表示是由

和

相关性由相关性大于阈值δ的电力因素组成的样本，Corr_Ele∈Ele，

为一个样本其构成是

和

相关性由相关性大于阈值δ的电力因素向量，p≤k且p≤q。

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，w_i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，L_U均方差损失函数，y，y^p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。

2.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S1中：

其中，

为一个样本其构成是能源行业中影响碳排放因素向量，k表示特征维度数，m为样本数量；Co2_Y为对应Co2_X的二氧化碳排放值；

所述步骤S1中：

其中，

为一个样本其构成是能源行业中主要用于行业生产的用电因素向量，q表示特征维度数，m为样本数量，Ele_Y为Ele_X对应的电量值。

3.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。

4.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：所述相关性的计算方法为，如式3所述如果Corr(cx_i，ex_j)＞δ，则将ex_j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,…,cy_m，}；其中，Corr_Ele∈Ele,k+p≤n且k+p≤m；

Corr_Ele表示是由

和

相关性由相关性大于阈值δ的电力因素组成的样本，Corr_Ele∈Ele，

为一个样本其构成是

和

相关性由相关性大于阈值δ的电力因素向量，p≤k且p≤q。

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，w_i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。

8.根据权利要求7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：

所述步骤S4中联合训练的损失函数为：

其中，L_U均方差损失函数，y，y^p分别为实际值和预测值。

Images