CN115034430A - 碳排放量预测方法、装置、终端及存储介质 - Google Patents
碳排放量预测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN115034430A CN115034430A CN202210427113.4A CN202210427113A CN115034430A CN 115034430 A CN115034430 A CN 115034430A CN 202210427113 A CN202210427113 A CN 202210427113A CN 115034430 A CN115034430 A CN 115034430A
- Authority
- CN
- China
- Prior art keywords
- predicted
- area
- energy
- time period
- carbon emission
- 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 142
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000005265 energy consumption Methods 0.000 claims abstract description 88
- 230000005611 electricity Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 63
- 239000003245 coal Substances 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 21
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 9
- 239000001569 carbon dioxide Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 13
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000003345 natural gas Substances 0.000 description 5
- 230000010339 dilation Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007087 memory ability Effects 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
- 230000008447 perception Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000010792 warming Methods 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
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种碳排放量预测方法、装置、终端及存储介质。该方法包括：获取待预测区域的用能结构和待预测区域在待预测时间段的用电量；将待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使用量预测模型中，得到待预测区域的其它能源在待预测时间段的预测使用量；待预测区域的其它能源包括待预测区域的用能结构中除电能之外的能源；根据待预测区域在待预测时间段的用电量和待预测区域的其它能源在待预测时间段的预测使用量，确定待预测区域在待预测时间段的预测碳排放量。本发明能够实现通过用电量预测用能结构中的其它能源使用量，并根据用电量和其它能源使用量来预测碳排放量，无需采集历史碳排放量，即可实现碳排放量预测。
Description
技术领域
本发明涉及碳排放技术领域，尤其涉及一种碳排放量预测方法、装置、终 端及存储介质。
背景技术
随着全球经济的快速发展，碳排放量也随之大幅增长。这是因为经济增长 加大了对电力、石油、天然气等能源的需求，而电力、石油、天然气等化石能 源的使用会产生大量的碳排放。过量的碳排放容易导致臭氧层被破坏、全球气 候变暖，进而导致极端天气出现的概率增加。为了应对气候变化，需要建立精 准的碳排放量预测方法。
目前，碳排放量监测体系不甚完善，权威机构只公布年度的碳排放量数据， 月度等更高分辨率的碳排放量数据缺失，这对于碳排放量的短期预测带来了巨 大的困难。
发明内容
本发明实施例提供了一种碳排放量预测方法、装置、终端及存储介质，以 解决现有技术由于月度等更高分辨率的碳排放量数据缺失，使得短期碳排放量 预测任务难以有效开展的问题。
第一方面，本发明实施例提供了一种碳排放量预测方法，包括：
获取待预测区域的用能结构和待预测区域在待预测时间段的用电量；
将待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使用 量预测模型中，得到待预测区域的其它能源在待预测时间段的预测使用量；待 预测区域的其它能源包括待预测区域的用能结构中除电能之外的能源；其它能 源使用量预测模型采用待预测区域的历史用能数据进行训练，历史用能数据包 括历史用电量和历史其它能源使用量；
根据待预测区域在待预测时间段的用电量和待预测区域的其它能源在待预 测时间段的预测使用量，确定待预测区域在待预测时间段的预测碳排放量。
在一种可能的实现方式中，根据待预测区域在待预测时间段的用电量和待 预测区域的其它能源在待预测时间段的预测使用量，确定待预测区域在待预测 时间段的预测碳排放量，包括：
根据待预测区域在待预测时间段的用电量，确定第一碳排放量；
根据待预测区域的其它能源在待预测时间段的预测使用量，确定第二碳排 放量；
将第一碳排放量和第二碳排放量求和，得到待预测区域在待预测时间段的 预测碳排放量。
在一种可能的实现方式中，根据待预测区域在待预测时间段的用电量，确 定第一碳排放量，包括：
根据
计算第一碳排放量
其中，Pe为待预测区域在待预测时间段的用电量；n为待预测区域的煤电 机组的数量；Pi为待预测区域的第i个煤电机组在待预测时间段的发电量，
Pi，c，t，s为待预测区域的第i个煤电机组在待预测 时间段中的第c天中的第t个小时中的第s次进行电力监测时的发电量，m为相邻 两次进行电力监测的间隔时长，D为待预测时间段包含的天数；Ti为待预测区域 的第i个煤电机组生产单位电量对应的原煤煤耗；K1为原煤与标准煤的折算系数； K2为标准煤的二氧化碳排放因子。
在一种可能的实现方式中，根据待预测区域的其它能源在待预测时间段的 预测使用量，确定第二碳排放量，包括：
根据
计算第二碳排放量
其中，fj为待预测区域的其它能源中的第j种能源在待预测时间段的预测使 用量；K2为标准煤的二氧化碳排放因子；K′i为待预测区域的其它能源中的第j种 能源的折标煤系数；J为待预测区域的其它能源中的能源种类。
在一种可能的实现方式中，其它能源使用量预测模型为基于Stacking的预 测模型；
其它能源使用量预测模型包括以XGBoost模型、随机森林模型、长短期记 忆网络模型和时域卷积网络模型作为基学习器的第一层预测模型和以岭回归模 型作为元学习器的第二层预测模型。
在一种可能的实现方式中，在将待预测区域在待预测时间段的用电量输入 到预先训练好的其它能源使用量预测模型中，得到待预测区域的其它能源在待 预测时间段的预测使用量之前，碳排放量预测方法还包括：
获取待预测区域的历史用能数据；
采用K折交叉验证法，根据历史用能数据对其它能源使用量预测模型中的 各个基学习器进行训练，并保存每轮训练后的各个基学习器对于验证集的预测 结果；
将每轮训练后的各个基学习器对于验证集的预测结果进行拼接，并将拼接 后的数据作为元学习器的训练数据；
根据元学习器的训练数据，对元学习器进行训练，得到训练好的其它能源 使用量预测模型。
在一种可能的实现方式中，在获取待预测区域的历史用能数据之后，碳排 放量预测方法还包括：
对历史用能数据进行缺失值填充和归一化处理，得到预处理后的历史用能 数据；
相应的，采用K折交叉验证法，根据历史用能数据对其它能源使用量预测 模型中的各个基学习器进行训练，并保存每轮训练后的各个基学习器对于验证 集的预测结果，包括：
采用K折交叉验证法，根据预处理后的历史用能数据对其它能源使用量预 测模型中的各个基学习器进行训练，并保存每轮训练后的各个基学习器对于验 证集的预测结果。
第二方面，本发明实施例提供了一种碳排放量预测装置，包括：
获取模块，用于获取待预测区域的用能结构和待预测区域在待预测时间段 的用电量；
能源预测模块，用于将待预测区域在待预测时间段的用电量输入到预先训 练好的其它能源使用量预测模型中，得到待预测区域的其它能源在待预测时间 段的预测使用量；待预测区域的其它能源包括待预测区域的用能结构中除电能 之外的能源；其它能源使用量预测模型采用待预测区域的历史用能数据进行训 练，历史用能数据包括历史用电量和历史其它能源使用量；
碳排放预测模块，用于根据待预测区域在待预测时间段的用电量和待预测 区域的其它能源在待预测时间段的预测使用量，确定待预测区域在待预测时间 段的预测碳排放量。
第三方面，本发明实施例提供了一种终端，包括处理器和存储器，所述存 储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计 算机程序，执行如上第一方面或第一方面的任一种可能的实现方式所述的碳排 放量预测方法。
第四方面，本发明实施例提供了一种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上第一 方面或第一方面的任一种可能的实现方式所述的碳排放量预测方法的步骤。
本发明实施例提供一种碳排放量预测方法、装置、终端及存储介质，该方 法通过将待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使 用量预测模型中，得到待预测区域的用能结构的其它能源在待预测时间段的预 测使用量，并根据待预测区域在待预测时间段的用电量和待预测区域的其它能 源在待预测时间段的预测使用量，确定待预测区域在待预测时间段的预测碳排 放量，能够实现通过用电量预测用能结构中的其它能源使用量，并根据用电量 和其它能源使用量来预测碳排放量；其中，其它能源使用量预测模型采用待预 测区域的历史用能数据进行训练，历史用能数据包括历史用电量和历史其它能 源使用量，因此，采集数据时，只需采集用电量和其它能源使用量数据即可，无需采集历史碳排放量，即可实现碳排放量预测，解决了由于碳排放量的历史 数据缺失，导致无法进行碳排放量预测的问题。
附图说明
为了更清楚地说明本发明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是本发明实施例提供的碳排放量预测方法的示意图；
图2是本发明实施例提供的“电-能-碳”的演变关系示意图；
图3是本发明实施例提供的Stacking集成学习框架的示意图；
图4是本发明实施例提供的LSTM神经元结构示意图；
图5是本发明实施例提供的TCN模型的网络结构示意图；
图6是本发明实施例提供的膨胀卷积的结构示意图；
图7是本发明实施例提供的其它能源使用量预测模型及对其进行训练的示 意图；
图8是本发明实施例提供的碳排放量预测装置的结构示意图；
图9是本发明实施例提供的终端的示意图。
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，以便透彻理解本发明实施例。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发明。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 妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体 实施例来进行说明。
参见图1，其示出了本发明实施例提供的碳排放量预测方法的实现流程图。 其中，碳排放量预测方法的执行主体可以是终端。
参见图1，上述碳排放量预测方法包括：
在S101中，获取待预测区域的用能结构和待预测区域在待预测时间段的用 电量。
待预测区域的用能结构用于表征待预测区域所使用的能源有哪些，例如， 可以包括电能、煤炭、石油和天然气等。由于本申请实施例用于预测碳排放量， 所以待预测区域的用能结构仅考虑会造成碳排放的能源。
待预测区域可以根据实际需求，需要预测哪个区域的碳排放量即设置为该 区域。待预测区域可以为某个省、某个市、某个县或某个区等等，在此不做具 体限制。其中，本发明实施例还可以预测某个区域的某个行业的碳排放量，即 可以获取待预测区域的待预测行业的用能结构和待预测区域的待预测行业在待 预测时间段的用电量，后续用该用电量进行预测，最终得到待预测区域的待预 测行业在预测时间段的预测碳排放量。
待预测时间段也可以根据实际需求设置，例如，可以为本月、上月、连续 多天等等。
待预测区域的用能结构和待预测区域在待预测时间段的用电量可以采用现 有手段获取，在此不做具体限制。
在S102中，将待预测区域在待预测时间段的用电量输入到预先训练好的其 它能源使用量预测模型中，得到待预测区域的其它能源在待预测时间段的预测 使用量；待预测区域的其它能源包括待预测区域的用能结构中除电能之外的能 源；其它能源使用量预测模型采用待预测区域的历史用能数据进行训练，历史 用能数据包括历史用电量和历史其它能源使用量。
本实施例通过其它能源使用量预测模型构建用电量与其它能源使用量的映 射关系。
在本实施例中，待预测区域的其它能源可以是待预测区域的用能结构中除 电能之外的能源，具体可以是待预测区域的用能结构中产生碳排放的所有能源 中的除电能之外的能源，例如，可以包括煤炭、石油和天然气等能源中的至少 一种。
其它能源使用量预测模型可以是一个，也可以是多个。
当其它能源使用量预测模型为一个时，其输入为待预测区域在待预测时间 段的用电量，输出为待预测区域的其它能源中的各种能源分别在待预测时间段 的预测使用量，比如，包括待预测区域的煤炭在待预测时间段的预测使用量、 待预测区域的石油在待预测时间段的预测使用量以及待预测区域的天然气在待 预测时间段的预测使用量等。当对其进行训练时，训练样本数据为待预测区域 的历史用能数据，可以表示为{(x1,y1,),(x2,y2),(x3,y3),…,(xg,yg)}，其中，xg为第g 个样本的用电量，yg＝(yg 1,yg 2,…,yg h)，表示第g个样本的其它能源使用量，其中， yg h为第g个样本的其它能源中的第h种能源的使用量。
当其它能源使用量预测模型为多个时，待预测区域的其它能源中的每种能 源可以对应一个其它能源使用量预测模型。
对于待预测区域的其它能源中的每种能源，该种能源对应的其它能源使用 量预测模型的输入为待预测区域在待预测时间段的用电量，输出为待预测区域 的该种能源在待预测时间段的预测使用量，当对该种能源对应的其它能源使用 量预测模型进行训练时，训练样本数据为待预测区域的历史用能数据，可以表 示为{(x1,y1,),(x2,y2),(x3,y3),…,(xg,yg)}，其中，xg为第g个样本的用电量，yg为第 g个样本的该种能源使用量。
本实施例可以通过待预测区域的历史用能数据对预先构建的其它能源使用 量预测模型进行训练，得到预先训练好的其它能源使用量预测模型，并将待预 测区域在待预测时间段的用电量输入到预先训练好的其它能源使用量预测模型 中，得到待预测区域的其它能源在待预测时间段的预测使用量。其中，待预测 区域的其它能源在待预测时间段的预测使用量包括待预测区域的其它能源中的 各种能源分别在待预测时间段的预测使用量。
在S103中，根据待预测区域在待预测时间段的用电量和待预测区域的其它 能源在待预测时间段的预测使用量，确定待预测区域在待预测时间段的预测碳 排放量。
在本实施例中，可以将待预测区域在待预测时间段的用电量和待预测区域 的其它能源在待预测时间段的预测使用量折算成碳排放量，从而得到待预测区 域在待预测时间段的预测碳排放量。
本实施例通过将待预测区域在待预测时间段的用电量输入到预先训练好的 其它能源使用量预测模型中，得到待预测区域的用能结构的其它能源在待预测 时间段的预测使用量，并根据待预测区域在待预测时间段的用电量和待预测区 域的其它能源在待预测时间段的预测使用量，确定待预测区域在待预测时间段 的预测碳排放量，能够实现通过用电量预测用能结构中的其它能源使用量，并 根据用电量和其它能源使用量来预测碳排放量；其中，其它能源使用量预测模 型采用待预测区域的历史用能数据进行训练，历史用能数据包括历史用电量和 历史其它能源使用量，因此，采集数据时，只需采集用电量和其它能源使用量 数据即可，无需采集历史碳排放量，即可实现碳排放量预测，解决了由于碳排放量数据难以收集，造成碳排放量的历史数据缺失，导致无法进行碳排放量预 测的问题。
在一些实施例中，上述S103可以包括：
根据待预测区域在待预测时间段的用电量，确定第一碳排放量；
根据待预测区域的其它能源在待预测时间段的预测使用量，确定第二碳排 放量；
将第一碳排放量和第二碳排放量求和，得到待预测区域在待预测时间段的 预测碳排放量。
其中，第一碳排放量为预测区域在待预测时间段的用电量对应的碳排放量。 第二碳排放量为待预测区域的其它能源的各种能源在待预测时间段的预测使用 量分别对应的碳排放量之和。第一碳排放量和第二碳排放量之和，为待预测区 域在待预测时间段的预测碳排放量。
在一些实施例中，上述根据待预测区域在待预测时间段的用电量，确定第 一碳排放量，包括：
根据
计算第一碳排放量
其中，Pe为待预测区域在待预测时间段的用电量；n为待预测区域的煤电 机组的数量；Pi为待预测区域的第i个煤电机组在待预测时间段的发电量，
Pi，c，t，s为待预测区域的第f个煤电机组在待预测 时间段中的第c天中的第t个小时中的第s次进行电力监测时的发电量，m为相邻 两次进行电力监测的间隔时长，表征煤电机组出力数据采样频率；D为待预测 时间段包含的天数；Ti为待预测区域的第i个煤电机组生产单位电量对应的原煤 煤耗；K1为原煤与标准煤的折算系数；K2为标准煤的二氧化碳排放因子，为2.66 吨CO2/吨标准煤。
在本实施例中，考虑煤电机组发电产生的碳排放量为电力生产和供应业的 碳排放，能源来源为煤炭。因此，可以通过调控中心统计收集，得到待预测区 域的煤电机组明细，通过对各个煤电机组的出力进行实时监测得到各个煤电机 组在待预测时间段的发电量，统计各个煤电机组生产单位电量的耗煤量并按月 更新。根据各个煤电机组在待预测时间段的发电量和单位电量耗煤量，折算得 到各个煤电机组耗煤量，再通过耗煤量、原煤与标准煤的折算系数以及标准煤 二氧化碳排放分子计算各个煤电机组生产电力的碳排放量。
在一些实施例中，上述根据待预测区域的其它能源在待预测时间段的预测 使用量，确定第二碳排放量，包括：
根据
计算第二碳排放量
其中，fj为待预测区域的其它能源中的第j种能源在待预测时间段的预测使 用量；K2为标准煤的二氧化碳排放因子；K′i为待预测区域的其它能源中的第j种 能源的折标煤系数；J为待预测区域的其它能源中的能源种类。
由于碳排放量主要来源电力生产和化石能源的使用，因此，本发明实施例 采用“以电折碳”的方法来折算碳排放量，即通过构建“电-能-碳”的演变关 系(参见图2)来预测碳排放量。具体来说就是统计电力和煤炭、石油、天然 气等化石能源的使用量，并按照对应公式分别折算为碳排放量。
在一些实施例中，其它能源使用量预测模型为基于Stacking的预测模型；
其它能源使用量预测模型包括以XGBoost模型、随机森林模型、长短期记 忆网络(Long Short-Term Memory，LSTM)模型和时域卷积网络(Temporal ConvolutionalNetwork，TCN)模型作为基学习器的第一层预测模型和以岭回归 模型作为元学习器的第二层预测模型。
Stacking集成学习框架一般包括两层，如图3所示，第一层预测模型包含 多个基学习器，对原始数据集进行一定处理得到若干个数据集，分别作为第一 层预测模型中各个基学习器的训练集，每个基学习器输出各自的预测结果将会 作为第二层预测模型的输入，对第二层预测模型的元学习器进行训练，由元学 习器输出最终的预测结果。Stacking预测模型通过元学习器对多个基学习器的 预测结果进行泛化，得到更高的预测精度。为了实现高精度的预测，要求所选 择的基学习器的性能尽可能好并且基学习之间的差异度大。因此，本发明实施 例基于Stacking集成学习思想，选择XGBoost、LSTM、随机森林、TCN作为 基学习器来构建第一层预测模型，选择岭回归模型作为元学习器构建第二层预 测模型。
以XGBoost模型作为基学习器，XGboost优化了boosting算法，它的主要 任务是集成弱分类器为一个强分类器，XGBoost算法通过不断迭代，生成一颗 新树去拟合前一棵树的残差，随着迭代次数的增大，精度不断提高。XGBoost 所用的树模型是CART(classification and regression tree，分类回归树)模型， 它的表示形式如下：
fu(x)＝wq(x)
其中，
是模型的预测值，N表示树的数量，F是N棵树的集合，xi表示 输入的第i个数据，wq(x)表示对应第u棵树的每个叶节点权重，q(x)表示输出叶 节点的序号。
XGBoost的目标函数如下：
式中：
是衡量真实值yi和预测值
的损失函数；
为正则项， 表示所有树的复杂度之和，用于控制模型的复杂度，防止出现过拟合。对于第 t棵树复杂度ζ(ft)，其中T表示叶节点的数量，
表示叶节点权重的平方；μ和 ν对应惩罚项的系数。
XGBoost的目标函数还可以表示为下式：
在ft＝0处用二阶泰勒展开近似目标函数，目标函数可以表示为下式：
式中：
表示由前t-1棵树构成的学习模型的损失函数；gi和hi分别表示损失函数对当前模型的一阶导数和二阶 导数。将正则项展开得到下式：
上式中：
Ij＝{i|q(xi)＝j}，表示序号为j的叶节点上的样本集合。并且可知当满足
时上式取得最优解，
为XGBoost模型的最小化目标函数，可基于此判断XGBoost模型的好坏。损失 函数越小，表示模型训练得越好。
可以通过枚举所有的可能性去构建目标函数最小的CART树，然后通过对 比结构分数来获得最优的树结构，但是这种方法需要较大的计算量。为了减小 计算量并在一定程度上保证精度，常用贪婪算法简化上述过程。即只考虑当前 节点最优，每次尝试对当前节点进行分割，分割增益Cg计算表达式如下：
其中，
分别表示通过拆分左右子树生成的增益，
表 示不拆分子树的增益。分割增益可以作为分割的增益，最终选择分割增益最大 的方式作为CART树的分割点。
XGBoost模型通过boosting方法提高模型的拟合能力，相比其它模型，在 计算速度和预测精度上都具有更好的效果。
以随机森林模型作为基学习器，随机森林模型是由CART树模型结合 bagging方法和随机特征子空间的而成的集成模型。
在随机森林中bagging方法具体体现为有放回地从样本数据集中选取一部 分作为一颗CART树的构建基础，其余未被抽到的样本被称为袋外样本，这些 样本就作为验证样本对模型进行内部评估。最终的模型预测结果是基于投票法， 取所有树模型预测结果的平均值作为随机森林回归模型的预测结果。
随机森林中在每颗决策回归树进行分支时从总特征集的子空间中选取最优 特征进行分支。该方法保证了各决策树的独立性和多样性，从而在一定程度上 避免了过拟合。随机森林模型通过bagging方法和随机特征子空间有效地提高 了其泛化能力。
随机森林模型训练流程如下：随机森林算法利用bootstrap方法有放回地从 原始训练集中随机抽取n个样本，并构建n个决策树；假设在训练样本数据中 有m个特征，那么每次分裂时选择最好的特征进行分裂，每棵树都一直这样分 裂下去，直到该节点的所有训练样例都属于同一类；接着让每颗决策树在不做 任何修剪的前提下最大限度的生长；最后将生成的多棵分类树组成随机森林， 并由多棵树的预测值的均值决定最终预测结果。
以LSTM模型作为基学习器，LSTM神经元结构图如图4所示，LSTM模 型由遗忘门、输入门和输出门组成，模型的关键点是单元状态的传输，单元状 态st-1通过类似于传送带的水平线传输。
(1)遗忘门
遗忘门的作用是决定记忆单元的遗忘部分，首先是将上一时刻网络的输出 ht-1与当前时刻的输入xt拼接，再输入到sigmoid模块，sigmoid函数公式如下：
sigmoid模块将整个序列的数据处理到(0,1)区间，接着将激活后的序列 与st-1中的对应元素逐点相乘，完成数据的删除与更新。若经过Sigmoid激活后 的序列中某个数据如果接近1，表示上一时刻的状态st-1对应位置的信息近似被 完整保留下来，如果接近于0，则表示信息近似被删除，遗忘门的工作原理可 以通过下述公式来表示。
ft＝σ(Wf[ht-1,xt]+bf)
其中，σ代表sigmoid函数，Wf表示权重系数，是需要经过训练得到的。 [ht-1,xt]是ht-1由和xt拼接得到的新向量，bf表示遗忘门的偏置系数。
(2)输入门
输入门的作用是决定记忆单元中的保留向量。该部分内容分两步进行，第 一步是通过sigmoid模块选取需要更新的信息it并通过tanh模块生成更新的内 容gt，第二步就是将两部分内容对应位置逐点相乘，完成信息的更新。用公式 表示如下：
it＝σ(Wi[ht-1,xt]+bi)
gt＝tanh(Wg[ht-1,xt]+bg)
其中，it表示更新得到的信息，gt表示更新后的内容，σ表示sigmoid函数， tanh表示tanh函数，Wi和Wg分别表示对应输入的权重，bi和bg分别表示对应 函数的偏置系数。
(3)输出门
输出门的作用主要是决定网络的输出，图4中标明了输出门对应的位置。 上一时刻的输出ht-1和当前时刻的输入xt经过sigmoid模块处理后得到ot，之后 再将输入门更新得到的st输入到tanh模块进行调节，调节后再与ot逐点相乘， 得到当前时刻的输出ht。输出门对应的公式如下：
ot＝σ(Wo[ht-1,xt]+bo)
st＝gt⊙it+st-1⊙ft
ht＝tanh(st)⊙ot
其中，Wo表示输出门的权重，bo表示输出门的偏置，⊙表示向量中的元素 逐点按位相乘，st和st-1分别表示状态单元上一时刻和当前时刻的状态。
LSTM模型可以更好地拟合数据的时序特性，进而提高预测模型的精度。
以TCN模型作为基学习器，TCN模型由因果卷积、膨胀卷积和残差模块 构成。TCN模型网络结构图如图5所示，其中，Dropout表示在神经元传播过 程中，让某个神经元的激活值以一定地概率停止工作，从而避免模型过拟合， 增强模型的泛化能力；Relu表示线性整流函数，用作神经网络的激活函数； Weight Norm用于对权重归一化；Dilated CasualConv表示膨胀卷积模块。膨胀 卷积的结构示意图如图6所示。图6展示了膨胀系数d取[1,2,4,8]时，膨胀卷积 的具体结构，可以直观地发现膨胀卷积中每个神经元的视野增大，且随着层数 的增加，神经元视野快速增大。
因果卷积适用于提取序列信息，膨胀卷积相比于传统CNN和LSTM模型 更擅长于记忆较长的历史数据，记忆能力较强，残差模块可以有效地提高预测 模型的精度。每个TCN层包含L个卷积层，膨胀卷积的计算公式为：
其中，d表示空洞系数，对于多层卷积，第n层的空洞系数一般取为2n-1。 并且，残差模块可以有效地避免深度神经网络退化的问题，下面两个公式表示 TCN的激活函数：
式中，W(1)、W(2)为对应输入的权重矩阵，b为偏置向量，S(i,j)表示第j块第 i层的激活函数，公式
是由t时刻膨胀卷积加入残差后的结 果。
TCN可以通过增加层数、改变膨胀系数和滤波器的大小改变感受视野，对 于历史信息的提取更加灵活，而且残差模块的存在使得TCN避免了训练过程中 的梯度弥散和梯度爆炸；能够更有效地提取高维时序特征；同时对于长序列的 训练，占用的内存也更少。
模型复杂度过高会造成深度过拟合，由于本发明实施例中的基学习器模型 的复杂度较高，为了避免整体预测模型的复杂度过高，本发明实施例中第二层 预测模型的元学习器选择岭回归模型，岭回归是对不适定问题进行回归分析时 最经常使用的一种正则化方法，专用于共线性数据分析的有偏估计回归，实质 上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分 信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，该方 法可以有效避免模型出现过拟合现象。岭回归层对输入的元特征进行学习，输 出最后的预测结果。
按照上述的预测模型框架，本发明实施例可以分别构建以用电量预测石油、 天然气、煤炭等化石能源使用量的模型。将用电量输入各个预测模型后得到其 他化石能源使用量的预测结果，并分别折算为碳排放量。
在一些实施例中，在上述S102之前，碳排放量预测方法还可以包括：
获取待预测区域的历史用能数据；
采用K折交叉验证法，根据历史用能数据对其它能源使用量预测模型中的 各个基学习器进行训练，并保存每轮训练后的各个基学习器对于验证集的预测 结果；
将每轮训练后的各个基学习器对于验证集的预测结果进行拼接，并将拼接 后的数据作为元学习器的训练数据；
根据元学习器的训练数据，对元学习器进行训练，得到训练好的其它能源 使用量预测模型。
本发明实施例基于K折交叉验证的方法分别训练这4类基学习器。参见图 7，具体如下：将历史用能数据等分为10份，一共进行10轮训练，每轮训练时 按顺序选择1份作为验证集，另外9份作为训练集，使用训练集对每类基学习 器都进行训练。每轮训练完成后都会得到对应的XGBoost、随机森林、LSTM、 TCN模型，将这四个模型对于验证集的预测结果保存下来，一般基学习器对于 验证集的预测结果称为元特征，拼接10轮训练的元特征作为第二层元学习器的 训练数据。本模型使用验证集预测结果的原因是为了避免同类基学习器重复学 习相同的数据以及元学习器过拟合。
在一些实施例中，在上述获取待预测区域的历史用能数据之后，碳排放量 预测方法还包括：
对历史用能数据进行缺失值填充和归一化处理，得到预处理后的历史用能 数据；
相应的，采用K折交叉验证法，根据历史用能数据对其它能源使用量预测 模型中的各个基学习器进行训练，并保存每轮训练后的各个基学习器对于验证 集的预测结果，包括：
采用K折交叉验证法，根据预处理后的历史用能数据对其它能源使用量预 测模型中的各个基学习器进行训练，并保存每轮训练后的各个基学习器对于验 证集的预测结果。
在本发明实施例中，首先对历史用能数据进行缺失值填充。缺失值填充采 用线性插值法，以用电量为例，公式表述如下：
其中，xn表示第n个样本的用电量，该值为缺省值；xn-1表示第n-1个样本 的用电量，xn+1表示第n+1个样本的用电量。
对填充后的历史用能数据进行归一化处理，归一化公式如下：
其中，
是归一化处理后的数据；x表示原始数据中某一种能源使用量数 据；xmin表示原始数据中的最小值，xmax则表示原始数据中的最大值。
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，而不应对本发明实施例的实施 过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述 对应的方法实施例。
图8示出了本发明实施例提供的碳排放量预测装置的结构示意图，为了便 于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图8所示，碳排放量预测装置30包括：获取模块31、能源预测模块32 和碳排放预测模块33。
获取模块31，用于获取待预测区域的用能结构和待预测区域在待预测时间 段的用电量；
能源预测模块32，用于将待预测区域在待预测时间段的用电量输入到预先 训练好的其它能源使用量预测模型中，得到待预测区域的其它能源在待预测时 间段的预测使用量；待预测区域的其它能源包括待预测区域的用能结构中除电 能之外的能源；其它能源使用量预测模型采用待预测区域的历史用能数据进行 训练，历史用能数据包括历史用电量和历史其它能源使用量；
碳排放预测模块33，用于根据待预测区域在待预测时间段的用电量和待预 测区域的其它能源在待预测时间段的预测使用量，确定待预测区域在待预测时 间段的预测碳排放量。
在一种可能的实现方式中，碳排放预测模块33具体用于：
根据待预测区域在待预测时间段的用电量，确定第一碳排放量；
根据待预测区域的其它能源在待预测时间段的预测使用量，确定第二碳排 放量；
将第一碳排放量和第二碳排放量求和，得到待预测区域在待预测时间段的 预测碳排放量。
在一种可能的实现方式中，碳排放预测模块33具体用于：
根据
计算第一碳排放量
其中，Pe为待预测区域在待预测时间段的用电量；n为待预测区域的煤电 机组的数量；Pi为待预测区域的第i个煤电机组在待预测时间段的发电量，
Pi，c，t，s为待预测区域的第i个煤电机组在待预测 时间段中的第c天中的第t个小时中的第s次进行电力监测时的发电量，m为相邻 两次进行电力监测的间隔时长，D为待预测时间段包含的天数；Ti为待预测区域 的第i个煤电机组生产单位电量对应的原煤煤耗；K1为原煤与标准煤的折算系数； K2为标准煤的二氧化碳排放因子。
在一种可能的实现方式中，碳排放预测模块33具体用于：
根据
计算第二碳排放量
其中，fj为待预测区域的其它能源中的第j种能源在待预测时间段的预测使 用量；K2为标准煤的二氧化碳排放因子；K′j为待预测区域的其它能源中的第j种 能源的折标煤系数；J为待预测区域的其它能源中的能源种类。
在一种可能的实现方式中，其它能源使用量预测模型为基于Stacking的预 测模型；
其它能源使用量预测模型包括以XGBoost模型、随机森林模型、长短期记 忆网络模型和时域卷积网络模型作为基学习器的第一层预测模型和以岭回归模 型作为元学习器的第二层预测模型。
在一种可能的实现方式中，上述碳排放量预测装置30还包括：训练模块。
训练模块用于：
获取待预测区域的历史用能数据；
采用K折交叉验证法，根据历史用能数据对其它能源使用量预测模型中的 各个基学习器进行训练，并保存每轮训练后的各个基学习器对于验证集的预测 结果；
将每轮训练后的各个基学习器对于验证集的预测结果进行拼接，并将拼接 后的数据作为元学习器的训练数据；
根据元学习器的训练数据，对元学习器进行训练，得到训练好的其它能源 使用量预测模型。
在一种可能的实现方式中，上述碳排放量预测装置30还包括：预处理模块。
预处理模块用于：
对历史用能数据进行缺失值填充和归一化处理，得到预处理后的历史用能 数据；
相应的，训练模块具体用于：
采用K折交叉验证法，根据预处理后的历史用能数据对其它能源使用量预 测模型中的各个基学习器进行训练，并保存每轮训练后的各个基学习器对于验 证集的预测结果。
图9是本发明实施例提供的终端的示意图。如图9所示，该实施例的终端 4包括：处理器40和存储器41。所述存储器41用于存储计算机程序42，所述 处理器40用于调用并运行所述存储器41中存储的计算机程序42，执行上述各 个碳排放量预测方法实施例中的步骤，例如图1所示的S101至S103。或者， 所述处理器40用于调用并运行所述存储器41中存储的计算机程序42，实现上 述各装置实施例中各模块/单元的功能，例如图8所示模块/单元31至33的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述 一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行， 以完成本发明。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 算机程序指令段，该指令段用于描述所述计算机程序42在所述终端4中的执行 过程。例如，所述计算机程序42可以被分割成图8所示的模块/单元31至33。
所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算 设备。所述终端4可包括，但不仅限于，处理器40、存储器41。本领域技术人 员可以理解，图9仅仅是终端4的示例，并不构成对终端4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，例如所述终 端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40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)、现场可编程门阵列 (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。
所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内 存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4上配 备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以 既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存 储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以 用于暂时地存储已经输出或者将要输出的数据。
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。
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发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可 以通过其它的方式实现。例如，以上所描述的装置/终端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。
另外，在本发明各个实施例中的各功能单元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。
所述集成的模块/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， 本发明实现上述实施例方法中的全部或部分流程，也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，可实现上述各个碳排放量预测方法实施例的 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 读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、 U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、 电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内 容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些 司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电 信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照 前述实施例对本发明进行了详细的说明，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发 明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种碳排放量预测方法，其特征在于，包括：
获取待预测区域的用能结构和所述待预测区域在待预测时间段的用电量；
将所述待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使用量预测模型中，得到所述待预测区域的其它能源在所述待预测时间段的预测使用量；所述待预测区域的其它能源包括所述待预测区域的用能结构中除电能之外的能源；所述其它能源使用量预测模型采用所述待预测区域的历史用能数据进行训练，所述历史用能数据包括历史用电量和历史其它能源使用量；
根据所述待预测区域在待预测时间段的用电量和所述待预测区域的其它能源在所述待预测时间段的预测使用量，确定所述待预测区域在所述待预测时间段的预测碳排放量。
2.根据权利要求1所述的碳排放量预测方法，其特征在于，所述根据所述待预测区域在待预测时间段的用电量和所述待预测区域的其它能源在所述待预测时间段的预测使用量，确定所述待预测区域在所述待预测时间段的预测碳排放量，包括：
根据所述待预测区域在待预测时间段的用电量，确定第一碳排放量；
根据所述待预测区域的其它能源在所述待预测时间段的预测使用量，确定第二碳排放量；
将所述第一碳排放量和所述第二碳排放量求和，得到所述待预测区域在所述待预测时间段的预测碳排放量。
3.根据权利要求2所述的碳排放量预测方法，其特征在于，所述根据所述待预测区域在待预测时间段的用电量，确定第一碳排放量，包括：
根据
计算第一碳排放量
其中，Pe为所述待预测区域在待预测时间段的用电量；n为所述待预测区域的煤电机组的数量；Pi为所述待预测区域的第i个煤电机组在所述待预测时间段的发电量，
Pi,c,t,s为所述待预测区域的第i个煤电机组在所述待预测时间段中的第c天中的第t个小时中的第S次进行电力监测时的发电量，m为相邻两次进行电力监测的间隔时长，D为所述待预测时间段包含的天数；Ti为所述待预测区域的第i个煤电机组生产单位电量对应的原煤煤耗；K1为原煤与标准煤的折算系数；K2为标准煤的二氧化碳排放因子。
4.根据权利要求2所述的碳排放量预测方法，其特征在于，所述根据所述待预测区域的其它能源在所述待预测时间段的预测使用量，确定第二碳排放量，包括：
根据
计算第二碳排放量
其中，fj为所述待预测区域的其它能源中的第j种能源在所述待预测时间段的预测使用量；K2为标准煤的二氧化碳排放因子；K′j为所述待预测区域的其它能源中的第j种能源的折标煤系数；J为所述待预测区域的其它能源中的能源种类。
5.根据权利要求1至4任一项所述的碳排放量预测方法，其特征在于，所述其它能源使用量预测模型为基于Stacking的预测模型；
所述其它能源使用量预测模型包括以XGBoost模型、随机森林模型、长短期记忆网络模型和时域卷积网络模型作为基学习器的第一层预测模型和以岭回归模型作为元学习器的第二层预测模型。
6.根据权利要求5所述的碳排放量预测方法，其特征在于，在所述将所述待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使用量预测模型中，得到所述待预测区域的其它能源在所述待预测时间段的预测使用量之前，所述碳排放量预测方法还包括：
获取所述待预测区域的历史用能数据；
采用K折交叉验证法，根据所述历史用能数据对所述其它能源使用量预测模型中的各个基学习器进行训练，并保存每轮训练后的各个基学习器对于验证集的预测结果；
将每轮训练后的各个基学习器对于验证集的预测结果进行拼接，并将拼接后的数据作为元学习器的训练数据；
根据所述元学习器的训练数据，对元学习器进行训练，得到训练好的其它能源使用量预测模型。
7.根据权利要求5所述的碳排放量预测方法，其特征在于，在所述获取所述待预测区域的历史用能数据之后，所述碳排放量预测方法还包括：
对所述历史用能数据进行缺失值填充和归一化处理，得到预处理后的历史用能数据；
相应的，所述采用K折交叉验证法，根据所述历史用能数据对所述其它能源使用量预测模型中的各个基学习器进行训练，并保存每轮训练后的各个基学习器对于验证集的预测结果，包括：
采用K折交叉验证法，根据所述预处理后的历史用能数据对所述其它能源使用量预测模型中的各个基学习器进行训练，并保存每轮训练后的各个基学习器对于验证集的预测结果。
8.一种碳排放量预测装置，其特征在于，包括：
获取模块，用于获取待预测区域的用能结构和所述待预测区域在待预测时间段的用电量；
能源预测模块，用于将所述待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使用量预测模型中，得到所述待预测区域的其它能源在所述待预测时间段的预测使用量；所述待预测区域的其它能源包括所述待预测区域的用能结构中除电能之外的能源；所述其它能源使用量预测模型采用所述待预测区域的历史用能数据进行训练，所述历史用能数据包括历史用电量和历史其它能源使用量；
碳排放预测模块，用于根据所述待预测区域在待预测时间段的用电量和所述待预测区域的其它能源在所述待预测时间段的预测使用量，确定所述待预测区域在所述待预测时间段的预测碳排放量。
9.一种终端，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至7中任一项所述的碳排放量预测方法。
10.一种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上的权利要求1至5中任一项所述碳排放量预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210427113.4A CN115034430A (zh) | 2022-04-21 | 2022-04-21 | 碳排放量预测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210427113.4A CN115034430A (zh) | 2022-04-21 | 2022-04-21 | 碳排放量预测方法、装置、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115034430A true CN115034430A (zh) | 2022-09-09 |
Family
ID=83118751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210427113.4A Pending CN115034430A (zh) | 2022-04-21 | 2022-04-21 | 碳排放量预测方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034430A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115732041A (zh) * | 2022-12-07 | 2023-03-03 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
| CN116186120A (zh) * | 2023-04-18 | 2023-05-30 | 山西维云数智科技有限公司 | 一种能源数据采集分析数据库系统及数据存储方法 |
| CN116629452A (zh) * | 2023-07-18 | 2023-08-22 | 北京壹清能环科技有限公司 | 基于发电量的碳排放量预测方法、装置及存储介质 |
-
2022
- 2022-04-21 CN CN202210427113.4A patent/CN115034430A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115732041A (zh) * | 2022-12-07 | 2023-03-03 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
| CN115732041B (zh) * | 2022-12-07 | 2023-10-13 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
| CN116186120A (zh) * | 2023-04-18 | 2023-05-30 | 山西维云数智科技有限公司 | 一种能源数据采集分析数据库系统及数据存储方法 |
| CN116186120B (zh) * | 2023-04-18 | 2023-07-18 | 山西维云数智科技有限公司 | 一种能源数据采集分析数据库系统及数据存储方法 |
| CN116629452A (zh) * | 2023-07-18 | 2023-08-22 | 北京壹清能环科技有限公司 | 基于发电量的碳排放量预测方法、装置及存储介质 |
| CN116629452B (zh) * | 2023-07-18 | 2023-09-19 | 北京壹清能环科技有限公司 | 基于发电量的碳排放量预测方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Deng et al. | Multi-scale convolutional neural network with time-cognition for multi-step short-term load forecasting | |
| Moreno et al. | Wind speed forecasting approach based on singular spectrum analysis and adaptive neuro fuzzy inference system | |
| Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
| Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
| CN109816221B (zh) | 项目风险决策方法、装置、计算机设备和存储介质 | |
| Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
| CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
| CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN113962364A (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| Yao et al. | Short-term load forecasting method based on feature preference strategy and LightGBM-XGboost | |
| CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
| CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
| CN109919188A (zh) | 基于稀疏局部注意力机制和卷积回声状态网络的时序分类方法 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN111027672A (zh) | 一种基于交互式多尺度循环神经网络的时间序列预测方法 | |
| CN114595874A (zh) | 一种基于动态神经网络的超短期电力负荷预测方法 | |
| CN114548586A (zh) | 一种基于混合模型的短期电力负荷预测方法及系统 | |
| CN115249081A (zh) | 一种对象类型的预测方法、装置、计算机设备和存储介质 | |
| CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 | |
| CN115936185A (zh) | 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 | |
| CN114267422B (zh) | 地表水质参数预测方法、系统、计算机设备及存储介质 | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
| CN115348182A (zh) | 一种基于深度堆栈自编码器的长期频谱预测方法 | |
| CN114065646A (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
| CN114239945A (zh) | 短期电力负荷预测方法、装置、设备及存储介质 |
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 |