CN114780609A - 基于电力大数据与时间序列的区域碳排放量计算方法 - Google Patents

基于电力大数据与时间序列的区域碳排放量计算方法 Download PDF

Info

Publication number
CN114780609A
CN114780609A CN202210372771.8A CN202210372771A CN114780609A CN 114780609 A CN114780609 A CN 114780609A CN 202210372771 A CN202210372771 A CN 202210372771A CN 114780609 A CN114780609 A CN 114780609A
Authority
CN
China
Prior art keywords
carbon emission
time series
industry
power consumption
regional
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
Application number
CN202210372771.8A
Other languages
English (en)
Inventor
周春丽
林溪桥
岑剑峰
周珑
卢纯颢
覃惠玲
陈志君
王鹏
程敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Power Grid Co Ltd
Original Assignee
Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi Power Grid Co Ltd filed Critical Guangxi Power Grid Co Ltd
Priority to CN202210372771.8A priority Critical patent/CN114780609A/zh
Publication of CN114780609A publication Critical patent/CN114780609A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于电力大数据与时间序列的区域碳排放量计算方法，所述方法包括获取区域电力大数据，并提取出区域各行业用电量；对区域各行业用电量进行时间序列分析，将各行业用电量均划分为长期趋势因素、季节性周期因素、循环因素和随机性因素；利用各行业用电量的随机性因素方差计算各行业用电量的联合置信区间，并求得区域用电量的联合置信区间；结合区域用电量的联合置信区间和行业碳排放系数进行加权计算得到区域碳排放区间。本发明结合电力大数据和时间序列分析，利用时间序列分析法以及联合置信区间方法计算碳排放量的置信区间，在碳排放量的计算中引入不确定性，增强对区域碳排放量的整体把握。

Description

基于电力大数据与时间序列的区域碳排放量计算方法
技术领域
本发明涉及碳排放量计算领域，具体涉及一种基于电力大数据与时间序列的区域碳排放量计算方法。
背景技术
现阶段碳排放的测算方法主要有以下几种：实测法、投入产出法、投入系数法、以及利用各种机器学习模型进行预测的方法等，实测法即是通过现场监测而得到的测量数据并以此计算碳排放量,但对于一个整个区域来说，综合各种因素的完全监测条件十分苛刻,更别说人力、物力及财力的消耗将会巨大，所以对于一个区域的碳排放量计算是不适用的；投入产出法是通过经济统计学中的投入产出模型来计算整个生产过程的碳排放量,但投入产出表的更新时间较慢，计算较为复杂；而通过各种机器学习模型进行预测的方法利用了一些经济变量以及行业相关变量对于已有的或者计算出的碳排放量对模型进行训练，由于某些经济变量的获取不具有及时性，且模拟出的碳排放量容易有较大误差，所以要准确且实时计算碳排放量利用该种方法是较为不可行的。
发明内容
本发明的目的在于提供一种基于电力大数据与时间序列的区域碳排放量计算方法，可以解决现有技术中区域碳排放量计算误差大、不确定性的问题。
本发明的目的是通过以下技术方案实现的：
本发明提供基于电力大数据与时间序列的区域碳排放量计算方法，包括以下步骤：
获取区域电力大数据，并提取出区域各行业用电量；
对区域各行业用电量进行时间序列分析，将各行业用电量均划分为长期趋势因素、季节性周期因素、循环因素和随机性因素；
利用各行业用电量的随机性因素方差计算各行业用电量的联合置信区间，并求得区域用电量的联合置信区间；
结合区域用电量的联合置信区间和行业碳排放系数进行加权计算得到区域碳排放区间。
进一步的，所述对区域各行业用电量进行时间序列分析包括对区域各行业用电量进行时间序列的加法分解或对区域各行业用电量进行时间序列的乘法分解，分解式子包括：
时间序列分解的加法模型：Ei＝Ti+Si+Ci+Ii
时间序列分解的乘法模型：Ei＝Ti×Si×Ci×Ii
其中，Ei为第i个行业的用电量；Ti是第i个行业的用电量分解出的长期趋势因素；Si是第i个行业的用电量分解出的季节性周期因素；Ci是第i个行业的用电量分解出的循环因素；Ii是第i个行业的用电量分解出的随机性因素。
进一步的，所述行业用电量的联合置信区间的公式如下：
Ei,min＝f(Ti,Si,Ci,Imin)，Ei,max＝f(Ti,Si,Ci,Imax)
其中，Imax表示第i个行业用电量随机性因素的区间最大值；Imax表示第i个行业用电量随机性因素的区间最小值。
进一步的，所述联合置信区间的计算公式如下：
Figure BDA0003589174780000021
其中，μI表示随机性因素的均值；
Figure BDA0003589174780000022
表示时间序列分解出的随机性因素的均值向量；n表示时间序列的时间点个数；S表示分解出随机性因素的协方差矩阵。
进一步的，所述区域碳排放区间的计算公式如下：
Figure BDA0003589174780000031
其中，Ctota,lmin表示区域碳排放量的区间最小值；Ctota,lmax表示区域碳排放量的区间最大值；Ci,min表示第i个行业碳排放量的区间最小值；Ci,max表示第i个行业碳排放量的区间最大值；ai表示第i个行业碳排放因子；Ei,min表示第i个行业用电量的区间最小值；Ei,max表示第i个行业用电量的区间最大值。
本发明的有益效果：
1.本发明具有计算区域碳排放量的能力且方法简单高效：基于电力大数据，可以轻松地获得一个地区每个行业以及居民生活的用电量，而且可以通过已有的数据获得每一单位用电量在对应行业的碳排放量，同时对于可以计算整个区域碳排放的方法来说，基于电力大数据的碳排放量计算方法的计算是在保证误差不大的情况下最有效率的，并且对于计算单个行业的排放系数法来说，基于电力大数据的碳排放量计算方法可以计算出整个区域的碳排放能力。
2.本发明考虑了能耗的不确定性：将电力大数据获得到的行业用电量视为时间序列数据，时间序列数据中包含着四种因素分别为长期趋势因素，季节性周期因素，循环因素，随机性因素，通过对于用电量的随机性因素来引入碳排放量的不确定性，从而计算碳排放量的置信区间，保证碳排放量计算结果的准确可靠。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为基于电力大数据与时间序列的区域碳排放量计算方法的步骤示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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他实施例，都属于本公开保护的范围。
请参阅图1，本发明提供基于电力大数据与时间序列的区域碳排放量计算方法，包括以下步骤：
步骤S1、获取区域电力大数据，并提取出区域各行业用电量；
电力大数据从前端的数据库中获取，并进行进行相应的筛选及处理，然后提取整个区域行业各个相关行业用电量。
步骤S2、对区域各行业用电量进行时间序列分析，将各行业用电量均划分为长期趋势因素、季节性周期因素、循环因素和随机性因素；
步骤S3、利用各行业用电量的随机性因素方差计算各行业用电量的联合置信区间，并求得区域用电量的联合置信区间；
将得出的随机性因素的100(1-α)％联合置信区间与原时间序列得出的长期趋势因素，季节性周期因素，循环因素进行结合，从而得出行业用电量的置信区间，再根据如下碳排放系数计算法公式，得出最终区域碳排放量区间。
步骤S4、结合区域用电量的联合置信区间和行业碳排放系数进行加权计算得到区域碳排放区间。
具体的，所述对区域各行业用电量进行时间序列分析包括对区域各行业用电量进行时间序列的加法分解或对区域各行业用电量进行时间序列的乘法分解，分解式子包括：
时间序列分解的加法模型：Ei＝Ti+Si+Ci+Ii
时间序列分解的乘法模型：Ei＝Ti×Si×Ci×Ii
其中，Ei为第i个行业的用电量；Ti是第i个行业的用电量分解出的长期趋势因素；Si是第i个行业的用电量分解出的季节性周期因素；Ci是第i个行业的用电量分解出的循环因素；Ii是第i个行业的用电量分解出的随机性因素。
在具体实施中，针对不同的用电量序列需要采用不同的模型。假设随机性因素服从正态分布，即
Figure BDA0003589174780000051
是随机性因素的方差。
其中模型的分解方法有：移动平均法、ARIMA方法、X11方法以及最新研究的X12-ARIMA方法等。需要根据对应的用电量序列来选择合适的模型与方法，从而将时间序列彻底分解，残差应该符合均值为0的正态分布。
例如，移动平均法是用一组最近的实际数据值进行平均而平滑时间序列数据，移动平均法根据使用的各元素的权重不同，可以分为简单移动平均和加权移动平均，移动平均法的公式如下：
Figure BDA0003589174780000052
其中，
Figure BDA0003589174780000053
是第j个时期平滑后的数据，ωj是各个时期的平滑权重，Ej为第j个时期平滑前的数据。根据平滑前后时间序列数据的对比分析从而得出时间序列的四个因素。
ARIMA模型,即差分整合移动平均自回归模型，又称整合移动平均自回归模型(移动也可称作滑动)，是时间序列预测分析方法之一。有些非平稳时间序列，在消去其局部水平或者趋势之后，其剩余部分显示出一定的同质性，也就是说，此时序列的某些部分与其它部分很相似。这种非平稳时间序列经过ARIMA方法的处理后可以转换为平稳的时间序列，进而可以分解出随机因素。其公式为：
Et＝c+α1Et-1+α2Et-2+...+αpEt-p+εt+θ1εt-1+θ2εt-2+...+θqεt-q
其中，Et为t期用电量，εt为t期的随机性因素，α,θ为回归的系数。
具体的，将得出的随机性因素的100(1-α)％联合置信区间与原时间序列得出的长期趋势因素，季节性周期因素，循环因素进行结合，从而得出行业用电量的置信区间，所述行业用电量的联合置信区间的公式如下：
Ei,min＝f(Ti,Si,Ci,Imin)，Ei,max＝f(Ti,Si,Ci,Imax)
其中，Imax表示第i个行业用电量随机性因素的区间最大值；Imax表示第i个行业用电量随机性因素的区间最小值。
具体的，得出各行业在不同时间点上的随机性因素导致的用电量，可以利用同一行业用电量分解出的随机性因素估计该行业用电量随机性因素的均值。如果将所有行业的随机性因素视为多元正态分布的向量，则可以利用所有行业所有时间的用电量计算多元正态分布的协方差矩阵。在得出所有行业随机性因素的均值向量与协方差矩阵后，我们可以得到区域用电量的100(1-α)％联合置信区间如下，所述联合置信区间的计算公式如下：
Figure BDA0003589174780000061
其中，μI表示随机性因素的均值；
Figure BDA0003589174780000062
表示时间序列分解出的随机性因素的均值向量；n表示时间序列的时间点个数；S表示分解出随机性因素的协方差矩阵。
进一步的，所述区域碳排放区间的计算公式如下：
Figure BDA0003589174780000071
其中，Ctota,lmin表示区域碳排放量的区间最小值；Ctota,lmax表示区域碳排放量的区间最大值；Ci,min表示第i个行业碳排放量的区间最小值；Ci,max表示第i个行业碳排放量的区间最大值；ai表示第i个行业碳排放因子；Ei,min表示第i个行业用电量的区间最小值；Ei,max表示第i个行业用电量的区间最大值。
本发明的重点在于构建能耗变量与碳排放结果的数据关系，基于电力大数据与时间序列的区域碳排放量的计算方法能够实现该评价目的。本发明计算方法采取了较为主流的排放系数法，该方法的优点在于需要的变量较少，得出结果的速度较为高效，周期性短，相比与投入产出法和机器学习算法，该方法更具实效性，可以实时获取到对应时期的碳排放量。同时，本实施例中基于电力大数据的能耗变量获取简便且覆盖行业较广，可以轻松地获得一个地区每个行业以及居民生活的用电量，能够较为全面的监测到该区域的所有碳排放量，避免了传统的排放系数法在多行业乃至全区域碳排放计算的应用场景的不适用。最后利用时间序列分析方法来计算能耗变量上的不确定性，通过分解出的用电量的随机性因素来引入碳排放量的不确定性，从而计算碳排放量的置信区间，保证碳排放量计算结果的准确可靠。综上所述，基于电力大数据与时间序列的区域碳排放量的计算方法能够对于全区域碳排放量的计算场景，利用电力大数据与时间序列分析来引入碳排放量的不确定性，克服了传统方法时效慢，计算繁琐，覆盖范围不全的问题，从而实现对于全区域碳排放量区间的精确计算。
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于电力大数据与时间序列的区域碳排放量计算方法，其特征在于，包括以下步骤：
获取区域电力大数据，并提取出区域各行业用电量；
对区域各行业用电量进行时间序列分析，将各行业用电量均划分为长期趋势因素、季节性周期因素、循环因素和随机性因素；
利用各行业用电量的随机性因素方差计算各行业用电量的联合置信区间，并求得区域用电量的联合置信区间；
结合区域用电量的联合置信区间和行业碳排放系数进行加权计算得到区域碳排放区间。
2.根据权利要求1所述的基于电力大数据与时间序列的区域碳排放量计算方法，其特征在于，所述对区域各行业用电量进行时间序列分析包括对区域各行业用电量进行时间序列的加法分解或对区域各行业用电量进行时间序列的乘法分解，分解式子包括：
时间序列分解的加法模型：Ei＝Ti+Si+Ci+Ii
时间序列分解的乘法模型：Ei＝Ti×Si×Ci×Ii
其中，Ei为第i个行业的用电量；Ti是第i个行业的用电量分解出的长期趋势因素；Si是第i个行业的用电量分解出的季节性周期因素；Ci是第i个行业的用电量分解出的循环因素；Ii是第i个行业的用电量分解出的随机性因素。
3.根据权利要求1所述的基于电力大数据与时间序列的区域碳排放量计算方法，其特征在于，所述行业用电量的联合置信区间的公式如下：
Ei,min＝f(Ti,Si,Ci,Imin)，Ei,max＝f(Ti,Si,Ci,Imax)
其中，Imax表示第i个行业用电量随机性因素的区间最大值；Imax表示第i个行业用电量随机性因素的区间最小值。
4.根据权利要求1所述的基于电力大数据与时间序列的区域碳排放量计算方法，其特征在于，所述区域用电量的联合置信区间的计算公式如下：
Figure FDA0003589174770000021
其中，μI表示随机性因素的均值；
Figure FDA0003589174770000022
表示时间序列分解出的随机性因素的均值向量；n表示时间序列的时间点个数；S表示分解出随机性因素的协方差矩阵。
5.根据权利要求1所述的基于电力大数据与时间序列的区域碳排放量计算方法，其特征在于，所述区域碳排放区间的计算公式如下：
Figure FDA0003589174770000023
其中，Ctota,lmin表示区域碳排放量的区间最小值；Ctota,lmax表示区域碳排放量的区间最大值；Ci,min表示第i个行业碳排放量的区间最小值；Ci,max表示第i个行业碳排放量的区间最大值；ai表示第i个行业碳排放因子；Ei,min表示第i个行业用电量的区间最小值；Ei,max表示第i个行业用电量的区间最大值。
CN202210372771.8A 2022-04-11 2022-04-11 基于电力大数据与时间序列的区域碳排放量计算方法 Pending CN114780609A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210372771.8A CN114780609A (zh) 2022-04-11 2022-04-11 基于电力大数据与时间序列的区域碳排放量计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210372771.8A CN114780609A (zh) 2022-04-11 2022-04-11 基于电力大数据与时间序列的区域碳排放量计算方法

Publications (1)

Publication Number Publication Date
CN114780609A true CN114780609A (zh) 2022-07-22

Family

ID=82429366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210372771.8A Pending CN114780609A (zh) 2022-04-11 2022-04-11 基于电力大数据与时间序列的区域碳排放量计算方法

Country Status (1)

Country Link
CN (1) CN114780609A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117350508A (zh) * 2023-10-31 2024-01-05 深圳市黑云精密工业有限公司 基于生产产线采集器实时采集数据的生产工单分配系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117350508A (zh) * 2023-10-31 2024-01-05 深圳市黑云精密工业有限公司 基于生产产线采集器实时采集数据的生产工单分配系统

Similar Documents

Publication Publication Date Title
CN106779223B (zh) 一种光伏系统发电功率实时预测方法及装置
CN107292446B (zh) 一种基于考虑分量关联性小波分解的混合风速预测方法
CN113205207A (zh) 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
CN103971175B (zh) 一种多级变电站的短期负荷预测方法
CN106909933A (zh) 一种三阶段多视角特征融合的窃电分类预测方法
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
CN104778298A (zh) 基于egmm的高斯过程回归软测量建模方法
CN112396234A (zh) 一种基于时域卷积神经网络的用户侧负荷概率预测方法
CN106649479A (zh) 一种基于概率图的变压器状态关联规则挖掘方法
CN113792939B (zh) 基于混合威布尔分布的电能表可靠性预测方法及装置
CN112116198A (zh) 数据驱动的流程工业状态感知网络关键节点筛选方法
CN114546797A (zh) 基于时序分解的云虚拟机老化预测方法
CN114780609A (zh) 基于电力大数据与时间序列的区域碳排放量计算方法
CN111310963A (zh) 电站的发电数据预测方法、装置、计算机设备和存储介质
CN109921462B (zh) 一种基于lstm的新能源消纳能力评估方法及系统
CN115511657A (zh) 一种基于组合预测模型的风电出力与光伏出力评估的方法
CN113361737A (zh) 一种光伏组件的异常预警方法及系统
CN114330642A (zh) 一种用于多采样时间的建筑电力负荷预测方法
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
CN113361782A (zh) 基于改进mkpls的光伏发电功率短期滚动预测方法
CN114862032B (zh) 一种基于XGBoost-LSTM的电网负荷预测方法及装置
CN115809732A (zh) 一种分布式光伏发电功率预测方法及系统
CN116340724A (zh) 一种基于icceemdan-lrtc的电力负荷补全方法、系统
CN115577854A (zh) 一种基于eemd-rbf组合的分位数回归风速区间预测方法
Zhu et al. Prediction of air quality index based on wavelet transform combination model

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