CN115147012A - 一种基于神经网络模型的碳排放量核算方法及装置 - Google Patents
一种基于神经网络模型的碳排放量核算方法及装置 Download PDFInfo
- Publication number
- CN115147012A CN115147012A CN202211050619.4A CN202211050619A CN115147012A CN 115147012 A CN115147012 A CN 115147012A CN 202211050619 A CN202211050619 A CN 202211050619A CN 115147012 A CN115147012 A CN 115147012A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- model
- data
- simulation
- accounting
- 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.)
- Granted
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 314
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 312
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003062 neural network model Methods 0.000 title claims abstract description 41
- 238000004088 simulation Methods 0.000 claims abstract description 155
- 238000010248 power generation Methods 0.000 claims abstract description 110
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 10
- 238000013499 data model Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 150000001721 carbon Chemical class 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- -1 i.e. Chemical compound 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电力环保数据处理技术领域，特别是涉及一种基于神经网络模型的碳排放量核算方法、装置、计算机设备和存储介质。所述方法包括：获取企业发电作业数据，并构建碳排放量仿真模型；构建基于所述仿真碳排放量数据与所述发电作业数据的仿真数据集；建立基于神经网络的碳排放量核算模型并训练至收敛；构建校准数据集；基于校准数据集校准所述碳排放量核算模型，获取校准后碳排放量核算模型；通过校准后碳排放量核算模型获取企业碳排放量核算数据。采用本方法能够利用仿真数据训练出的碳排放量核算模型，针对企业的具体情况获取企业短周期的碳排放量数据。
Description
技术领域
本申请涉及电力环保数据处理技术领域，特别是涉及一种基于神经网络模型的碳排放量核算方法及装置。
背景技术
双碳即碳达峰与碳中和的简称。在达成双碳目标的进程中，由于我国火力发电事业作为我国的主导能源，火力发电事业的碳排放量在总碳排放量中占据很大的比重，而短期内我国无法通过新能源发电全面替代火力发电，因此对火力发电企业尤其是燃煤发电企业的碳排放量的准确核算，对达成双碳目标至关重要。尤其是短期碳排放量的准确核算，不仅是行业政策的制定与实施的基础，同时还有助于燃煤发电企业科学制定减排策略。
目前，燃煤发电企业的碳排放量核算方法主要基于排放因子法以及实测法，具体的：排放因子法基于AD（活动数据）以及EF（排放因子）计算得出，其中EF是与AD对应的系数，包括单位热值含碳量或元素碳含量等，我国基于国内实际情况设置了统一的国家参数；实测法则是基于监测装置对排放源实测基础数据，汇总以得到相关碳排放量。
然而，针对上述碳排放量核算方法，存在如下的问题：
通过排放因子法核算的碳排放量结果与采用的EF参数相关，在进行中长期的核算时结果较为准确，但在短期碳排放量核算的需求下，国内统一的参数设置难以避免不同企业之间发电机组容量、能源品质等差异因素带来的影响，导致核算结果准确率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够对燃煤发电企业的短周期碳排放量进行计算的一种基于神经网络模型的碳排放量核算方法、装置、计算机设备和计算机可读存储介质。
第一方面，本申请提供了一种基于神经网络模型的碳排放量核算方法。所述方法包括：
获取企业发电作业数据，基于所述发电作业数据构建碳排放量仿真模型；
通过碳排放量仿真模型获取仿真碳排放量数据，构建基于所述仿真碳排放量数据与所述发电作业数据的仿真数据集；
建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛；
获取目标企业的历史发电作业数据及历史碳排放数据以构建校准数据集；
基于所述校准数据集校准所述碳排放量核算模型以获取，校准后碳排放量核算模型；
通过所述校准后碳排放量核算模型获取目标企业碳排放量核算数据。
在其中一个实施例中，所述获取发电作业数据，基于所述发电作业数据构建碳排放量仿真数据模型包括：
获取企业装机容量以及并网电量数据，构建发电量仿真模型；
基于所述发电量仿真模型获取发电量仿真数据；
基于所述发电量仿真数据构建碳排放量仿真模型。
在其中一个实施例中，所述获取企业发电作业数据，基于所述企业发电作业数据构建碳排放量仿真数据模型，包括：
所述发电量仿真模型如下式所示：
其中，所述
为企业发电量数据，
为企业并网电量数据，α为第一系数、β为第二系数、γ为第三系数；
所述碳排放量仿真模型如下式所示：
其中，所述δ为第四系数、ε为第五系数、∈为第六系数。
在其中一个实施例中，所述建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛之前，还包括：
按照预设的时间序列，将所述并网电量数据分解为并网电量序列；
基于所述装机容量，将所述并网电量序列进行归一化处理。
在其中一个实施例中，所述建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛之后，还包括：
对所述碳排放量核算模型的神经网络参数进行随机初始化，并初始化模型训练优化器；
利用所述仿真数据集，按照预设的批次对所述碳排放量核算模型进行迭代优化，以获取优选碳排放量核算模型。
在其中一个实施例中，所述方法还包括：
对所述碳排放量核算模型的输入数据进行判别；
基于判别结果执行模型优化处理或模型校准处理。
第二方面，本申请还提供了一种基于神经网络模型的碳排放量核算装置。所述装置包括：
仿真模型模块，用于获取企业发电作业数据，基于所述发电作业数据构建碳排放量仿真模型；
仿真数据模块，用于通过碳排放量仿真模型获取仿真碳排放量数据，构建基于所述仿真碳排放量数据与所述发电作业数据的仿真数据集；
模型训练模块，用于建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛；
校准数据模块，用于获取目标企业的历史发电作业数据及历史碳排放数据以构建校准数据集；
模型校准模块，用于基于所述校准数据集校准所述碳排放量核算模型，获取校准后碳排放量核算模型；
模型应用模块，用于通过所述校准后碳排放量核算模型获取目标企业碳排放量核算数据。
在其中一个实施例中，所述仿真模型模块包括：
发电量模型模块，用于获取企业装机容量以及并网电量数据，构建发电量仿真模型；
发电量仿真数据模块，用于基于所述发电量仿真模型获取发电量仿真数据；
碳排放量模型模块，用于基于所述发电量仿真数据构建碳排放量仿真模型。
在其中一个实施例中，所述仿真模型模块包括：
所述发电量仿真模型如下式所示：
其中，所述
为企业发电量数据，
为企业并网电量数据，α为第一系数、β为第二系数、γ为第三系数；
所述碳排放量仿真模型如下式所示：
其中，所述δ为第四系数、ε为第五系数、∈为第六系数。
在其中一个实施例中，所述装置还包括：
数据序列化模块，用于按照预设的时间序列，将所述并网电量数据分解为并网电量序列；
数据归一化模块，用于基于所述装机容量，将所述并网电量序列进行归一化处理。
在其中一个实施例中，所述装置还包括：
模型参数初始化模块，用于对所述碳排放量核算模型的神经网络参数进行随机初始化，并初始化模型训练优化器；
模型迭代优化模块，用于利用所述仿真数据集，按照预设的批次对所述碳排放量核算模型进行迭代优化，以获取优选碳排放量核算模型。
在其中一个实施例中，所述装置还包括：
输入判决模块，用于对所述碳排放量核算模型的输入数据进行判别；
步骤选择模块，用于基于判别结果执行模型优化处理或模型校准处理。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取企业发电作业数据，基于所述发电作业数据构建碳排放量仿真模型；
通过碳排放量仿真模型获取仿真碳排放量数据，构建基于所述仿真碳排放量数据与所述发电作业数据的仿真数据集；
建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛；
获取目标企业的历史发电作业数据及历史碳排放数据以构建校准数据集；
基于所述校准数据集校准所述碳排放量核算模型，获取校准后碳排放量核算模型；
通过所述校准后碳排放量核算模型获取目标企业碳排放量核算数据。
第四方面，本申请还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取企业发电作业数据，基于所述发电作业数据构建碳排放量仿真模型；
通过碳排放量仿真模型获取仿真碳排放量数据，构建基于所述仿真碳排放量数据与所述发电作业数据的仿真数据集；
建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛；
获取目标企业的历史发电作业数据及历史碳排放数据以构建校准数据集；
基于所述校准数据集校准所述碳排放量核算模型，获取校准后碳排放量核算模型；
通过所述校准后碳排放量核算模型获取目标企业碳排放量核算数据。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取企业发电作业数据，基于所述发电作业数据构建碳排放量仿真模型；
通过碳排放量仿真模型获取仿真碳排放量数据，构建基于所述仿真碳排放量数据与所述发电作业数据的仿真数据集；
建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛；
获取目标企业的历史发电作业数据及历史碳排放数据以构建校准数据集；
基于所述校准数据集校准所述碳排放量核算模型，获取校准后碳排放量核算模型；
通过所述校准后碳排放量核算模型获取目标企业碳排放量核算数据。
上述一种基于神经网络模型的碳排放量核算方法、装置、计算机设备、存储介质和计算机程序产品，至少包括以下有益效果：
本公开在计算短期碳排放量的过程中，基于企业的发电作业数据构建碳排放量仿真模型，并通过碳排放量仿真模型获取仿真碳排放量数据以构建用于训练模型的仿真数据集，有助于通过精准且易获取的发电作业数据，对与其关联的、难以获取的碳排放量数据进行仿真，以构造出的仿真碳排放量数据克服在碳排放量核算模型训练的过程中，数据样本缺乏的问题，从而有助于提高碳排放量核算模型训练的收敛速度以及最终模型的质量；在碳排放量核算模型应用于核算目标企业碳排放量之前，使用目标企业真实的、长周期的碳排放量数据以及发电作业数据对碳排放量核算模型进行参数校准，一方面有助于针对目标企业的实际情况调节核算模型的参数，从而有助于使得碳排放量核算模型的参数贴合目标企业的实际生产情况，最终提高碳排放量核算模型最终核算结果的准确度，另一方面有助于改善不同发电企业在发电机组、煤种及出力水平等方面的差异带来的碳排放量核算结果误差的情况。
附图说明
图1为一个实施例中一种基于神经网络模型的碳排放量核算方法的第一流程示意图；
图2为一个实施例中仿真数据集的结构示意图；
图3为一个实施例中校准数据集的结构示意图；
图4为另一个实施例中一种基于神经网络模型的碳排放量核算方法的第二流程示意图；
图5为另一个实施例中一种基于神经网络模型的碳排放量核算方法的第三流程示意图；
图6为另一个实施例中一种基于神经网络模型的碳排放量核算方法的第四流程示意图；
图7为另一个实施例中一种基于神经网络模型的碳排放量核算方法的第五流程示意图；
图8为一个实施例中碳排放量核算模型的模型结构示意图；
图9为一个实施例中碳排放核算模型的应用流程示意图；
图10为一个实施例中一种基于神经网络模型的碳排放量核算装置的结构示意图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的一种基于神经网络模型的碳排放量核算方法，可以应用于计算机设备中。计算机设备的型号和结构等本申请不做任何限制。计算机设备可以但不限于是各种终端、个人计算机、笔记本电脑和平板电脑等。计算机设备包括存储器和处理器，存储器能够存储数据和计算机程序，处理器能够执行计算机程序以实现本申请实施例提供的一种基于神经网络模型的碳排放量核算方法。以下实施例以一种基于神经网络模型的碳排放量核算方法应用于终端为例进行说明。
在一个实施例中，如图1所示，提供了一种基于神经网络模型的碳排放量核算方法，本实施例以该方法应用于终端为例进行说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤101，获取企业发电作业数据，基于所述发电作业数据构建碳排放量仿真模型。
其中，发电作业数据是指发电企业，尤其是燃煤发电企业用于记录日常的电力生产活动情况的各项数据，包括但不限于可以由发电企业精确计量的电力设备参数、生产活动数据以及可获得的长周期的历史碳排放量数据。
具体地，终端可以在获取充分授权的前提下，通过发电企业数据库或第三方电力数据平台获取所需的发电作业数据。由于碳排放量和电力生产活动密切相关，终端获取发电作业数据后，可以提取出发电作业数据中已有的历史碳排放量数据，并针对性地提取出与历史碳排放量数据所属的时间区间、企业对应的电力设备参数以及生产活动数据，以上述三种数据为要素拟合出多组曲线。终端获取多组曲线后可以构造出符合拟合曲线的目标函数，最终获取的目标函数即可以表达所选取的发电作业数据与碳排放量之间的总体关系，也即终端可以通过输入发电作业数据以获取仿真碳排放量的碳排放量仿真模型。
步骤102，通过碳排放量仿真模型获取仿真碳排放量数据，构建基于所述仿真碳排放量数据与所述发电作业数据的仿真数据集。
具体地，终端获取碳排放量仿真模型后，可以通过输入已有的发电作业数据来获取碳排放量仿真模型输出的仿真碳排放量数据。从而，终端得以以仿真碳排放量数据填充发电作业数据中缺失的碳排放量数据，并以填充后的发电作业数据构建仿真数据集。如图2所示，仿真数据集中包括终端所选用的发电作业数据以及仿真碳排放量数据，仿真碳排放量数据可以根据应用需求大量获取，从而满足了终端进行神经网络模型训练的训练样本容量需求。
步骤103，建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛。
其中，收敛可以指通过训练样本对算法模型的不断迭代训练，使得算法模型的参数不断逼近所终端期望的数值，当参数在两次迭代之间的权值变化小于预设的阈值时，即为模型收敛。
具体地，终端在获取仿真数据集后，可以建立基于神经网络的碳排放量核算模型，以仿真数据集作为样本训练碳排放量核算模型直至碳排放量核算模型收敛。此时，当终端向碳排放量核算模型输入目标企业可精确获取的、某一时段的发电作业数据时，碳排放量核算模型可以输出目标企业在该时段、与电力生产活动相关的碳排放量。
步骤104，获取目标企业的历史发电作业数据及历史碳排放数据以构建校准数据集。
具体地，当碳排放量核算模型被应用于计算目标企业的碳排放量时，终端可以先获取目标企业的历史发电作业数据以及历史碳排放量数据，并以真实的历史发电数据和历史碳排放量数据构建校准数据集。如图3所示，校准数据集的样本格式可以与仿真数据集相同。
步骤105，基于所述校准数据集校准所述碳排放量核算模型，获取校准后碳排放量核算模型。
具体地，当终端获取与目标企业对应的校准数据集后，可以利用校准数据集对碳排放量核算模型进行针对性的校准，从而使碳排放量核算模型的参数在校准迭代的过程逐步贴合目标企业的实际生产状况。为了达到足够的校准效果，终端可以通过预设的校准批次阈值来对校准处理进行限制，即当碳排放量核算模型的校准批次达到校准批次阈值时，才完成校准步骤，输出最终的校准后碳排放量核算模型。需要强调的，终端经校准处理后获取的校准后碳排放量核算模型，是针对目标企业的校准数据集做出的参数校准，在针对目标企业以外的发电企业应用时不一定能产生优化效果，因此，终端在变更目标企业后可以对碳排放量核算模型的校准优化器进行初始化。
步骤106，通过所述校准后碳排放量核算模型获取企业碳排放量核算数据。
具体的，终端在获取校准后碳排放量核算模型后，可以输入目标企业指定时段的发电作业数据，此时，校准后碳排放量核算模型输出的即是目标企业的碳排放量核算数据。
上述一种基于神经网络模型的碳排放量核算方法中，终端通过少量已知的历史碳排放量数据，结合对应的发电作业数据拟合出了发电作业数据与碳排放量之间的关联函数模型，并通过关联函数模型仿真出的仿真碳排放量数据构建出仿真数据集，在获得了足够数量的样本以训练算法模型的同时，提高了样本的可靠度，从而使得终端得以获取可以基于发电作业数据进行碳排放量核算的碳排放量核算模型。在终端使用碳排放量核算模型对目标企业进行碳排放量核算时，通过目标企业的历史数据对碳排放量核算模型进行校准，从而有助于使得碳排放量核算模型的参数进一步贴合目标企业的实际情况，从而有助于进一步提高最终终端获取的碳排放量核算数据的准确率。
在一个实施例中，如图4所示，步骤101包括：
步骤401，获取企业装机容量以及并网电量数据，构建发电量仿真模型。
其中，企业装机容量全称为发电厂装机容量，是指发电企业所装有的全部发电机组额定功率的总和，是表征企业电力生产能力的主要指标之一；并网电量是指发电企业通过电网传输的总功率量，一般取自升压站主变高压侧关口表读数。
具体地，发电企业的碳排放量与企业的发电量密切相关，而企业的发电量由于系统损耗的存在，难以精确测得，而与发电量密切相关的装机容量和并网电量数据均为可以精确测得的数据，因此终端为了进行碳排放量仿真，可以在发电作业数据中选取装机容量以及并网电量数据作为参考数据，以装机容量及并网电量数据为基础构建出发电量仿真模型。
具体地，终端可以获取少量的历史发电量数据，结合对应的装机容量和并网电量数据通过拟合构建出发电量与装机容量和并网电量数据的关联函数，即发电量仿真模型。
步骤402，基于所述发电量仿真模型获取发电量仿真数据。
具体地，终端获取发电量仿真模型后，可以向发电量仿真模型输入装机容量以及并网电量数据以获取发电量仿真数据，这里的发电量仿真数据可以为由装机容量和并网电量数据作为变量呈现的函数，而不是具体的数值。
步骤403，基于所述发电量仿真数据构建碳排放量仿真模型。
具体地，终端可以提取出发电作业数据中已有的历史碳排放量数据，并针对性地提取出与历史碳排放量数据所属的时间区间、企业对应的历史发电量数据，以上述两种数据为要素拟合出多组曲线。终端获取多组曲线后可以构造出符合拟合曲线的目标函数，最终获取的目标函数即可以表达所选取的发电作业数据与碳排放量之间的总体关系，也即终端可以通过输入发电量仿真数据以获取仿真碳排放量的碳排放量仿真模型。此时，发电量仿真数据可以表示为装机容量和并网电量数据作为变量呈现的函数，因此碳排放量仿真模型也可以表示为装机容量与并网电量数据呈现的函数。
本实施例中，终端以发电量作为中间数据将可精确测得的装机容量以及并网电量数据和碳排放量进行关联，能够达到以精确的可测数据对碳排放量进行表征，有助于提高获取用于计算碳排放量核算数据的数据的便捷性，也有助于提高最高碳排放量核算数据的准确率。
在一个实施例中，发电量仿真模型可以如下式所示：
其中，所述
为企业发电量数据，
为企业并网电量数据，α为第一系数、β为第二系数、γ为第三系数。
碳排放量仿真模型可以如下式所示：
其中，所述δ为第四系数、ε为第五系数、∈为第六系数。
需要补充的，本实施例中公开的具体仿真模型涉及的公式以及公式中包含系数的具体取值仅为优选实施例之一，在实际应用中终端对上述两个模型的拟合函数结果并不唯一，在此不做赘述。
在一个实施例中，如图5所示，步骤103之前，还可以包括：
步骤501，按照预设的时间序列，将所述并网电量数据分解为并网电量序列。
其中，时间序列可以指在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。
具体地，终端可以以预设的时间跨度获取分别获取每个时段的并网电量数据，预设的时间跨度可以为一小时、两小时等，以此获取每个时间跨度内的并网电量数据，按照时间顺序将每组并网电量数据进行排列，即可得到并网电量序列。
步骤502，基于所述装机容量，将所述并网电量序列进行归一化处理。
其中，归一化可以指一种无量纲处理手段，可以使物理系统数值的绝对值变成相对值关系，从而简化计算，缩小量值。
具体地，终端可以选用装机容量对并网电量序列进行归一化处理，可以如下式所示：
本实施例中，终端以预设的时间序列获取了并网电量序列，并通过装机容量将并网电量序列进行归一化处理，能够达到突出呈现并网电量数据的变化趋势以及简化数据量值，提高模型运算效率的效果。
在一个实施例中，如图6所示，步骤103之后，还可以包括：
步骤601，对所述碳排放量核算模型的神经网络参数进行随机初始化，并初始化模型训练优化器。
其中，神经网络参数可以指神经元线上的权重，通过训练的过程可以将随机的参数固定以实现特定的应用，训练优化器就是指导神经网络参数优化更新的工具。
具体地，终端可以对碳排放量核算模型中的神经网络参数进行随机选取并将选中的参数初始化，并初始化模型训练优化器，以此作为一批次的迭代优化。
步骤602，利用所述仿真数据集，按照预设的批次对所述碳排放量核算模型进行迭代优化，以获取优选碳排放量核算模型。
具体地，终端可以选取预设数量个样本用于每一批次的迭代优化，预设的样本数量可以为64、128、256等。终端所进行的优化迭代的总批次数也可以进行限制，可以限制为10000次、15000次等，当终端检测到迭代优化的总批次达到规定的总批次数时，输出的碳排放量核算模型即为优先碳排放量核算模型。在应用中，终端可以按照下式计算损失：
其中，loss为相对均方误差损失，
为碳排放量核算模型核算的总碳排放量，C为仿真数据集中的总碳排放量，可以由优化器根据相对均方误差损失计算梯度并封信神经网络模型参数。
本实施例中，终端按照预设的批次样本大小以及总批次数，对碳排放量核算模型进行了迭代优化的处理，能够达到进一步优化碳排放量核算模型的神经网络参数的效果，从而提高最终核算结果的精确度。
在一个实施例中，如图7所示，本申请的方法还包括：
步骤701，对所述碳排放量核算模型的输入数据进行判别。
具体地，终端可以对输入碳排放量核算模型的数据进行判别，可以基于数据来源、数据标识等进行判别，将输入数据区分为优化用数据或校准用数据。例如，在应用中，校准用数据可以来源于多个发电企业，而优化用数据则包括不同发电企业的多源数据。
步骤702，基于判别结果执行模型优化处理或模型校准处理。
具体地，终端获取输入数据的判别结果后，可以根据判别结果执行碳排放量核算模型的优化处理或校准处理。
本实施例中，终端对输入碳排放量核算模型的数据进行预识别及判别处理，从而取代了终端需要接收技术人员的设置并对输入数据执行相应处理的情况，有助于提高输入数据的处理效率。
在一个最具体的实施例中，终端可以通过第三方电力数据平台获取发电作业数据，并提取出发电作业数据中的装机容量和并网电量数据。终端通过拟合构造，最终可获取优选的发电量仿真模型、碳排放量仿真模型以及各式中优选的系数取值。其中，发电量仿真模型可以如下式所示：
其中，
与
的单位可以均为mWh，装机容量的单位可以为mW。
碳排放量仿真模型可以如下式所示：
其中，碳排放量C的单位可以为吨/小时。
此时，终端可以根据企业的装机容量和对应的并网电量数据，统计出一段时间内的碳排放量
，可以如下式所示：
其中，
为通过碳排放量仿真模型计算出的企业在第i小时内的碳排放量，
为企业在统a计时段内总的碳排放量，单位可以为十万吨，优选的总时段长可以为7天。
对应的，终端可以对应的将并网电量数据的序列时间跨度设置为7天，时间间隔为1小时，从而可以将全部的并网电量数据分解为并网电量序列，序列中的数据即为统计时段的7天内，每小时的并网电量。
至此，终端通过本具体实施例中的上述步骤可以构建出一个仿真数据集，仿真数据集可以包括三个元素，第一个元素是企业的装机容量，第二个元素是并网电量序列，第三个元素为企业在并网电量序列同时段内的仿真碳排放量数据。
进一步的，终端可以建立一个基于一维卷积网络的碳排放量核算模型，如图8所示，具体的网络结构包括：一维卷积层1、ReLU激活层、一维卷积层2、ReLU激活层、全连接层1和sigmoid激活层。其中，一维卷积层1的卷积核尺寸为5，滤波器数为32；一维卷积层2的卷积核尺寸为1，滤波器数为1；全连接层1的神经元数为1，输入为用装机容量归一化后的并网电量序列，输出为对应时段的碳排放量。终端可以将仿真数据集中的总碳排放量作为标签，同碳排放量核算模型的输出，损失函数为相对均方误差（RMSE，Related Mean SquaredError），可以如下式所示：
其中，loss为相对均方误差损失，
为碳排放量核算模型核算的总碳排放量，C为仿真数据集中的总碳排放量。
在应用中，如图9所示，终端在接收到输入模型的数据时，可以对数据进行判别，以判断碳排放量核算模型执行优化步骤还是校准步骤。
优化步骤：当判别结果为优化步骤时，终端可以初始化训练优化器，根据计算出的损失，由优化器对碳排放量核算模型中的神经网络进行训练，优化器可以优选为Adam，迭代次数可以为10000次，学习率可以优选为0.1。
校准步骤：当判别结果是校准步骤时，终端可以初始化校准优化器，优化器可以优选为Adam，迭代次数可以为100次，学习率可以优选为0.01。
当终端执行完成优化步骤或校准步骤时，可以分批次将输入的数据集中归一化后的并网电量序列输入神经网络模型，批次大小可以优选为128个样本，若不足128个可以按照实际样本数输入碳排放量核算模型。终端通过碳排放量核算模型的输出和数据样本计算损失，并由优化器根据损失计算梯度并封信碳排放量核算模型。当终端检测到上述迭代步骤达到预设的总轮次时，可以保存训练或校准好的神经网络模型以及其参数，输出优选碳排放量核算模型或校准后碳排放量核算模型。
最后，当终端获取到目标企业的装机容量和并网电量数据时，将装机容量和并网电量数据输入应用神经网络模型中，即可获取目标企业在目标时段的碳排放量核算数据。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的一种基于神经网络模型的碳排放量核算方法的一种基于神经网络模型的碳排放量核算装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个一种基于神经网络模型的碳排放量核算装置实施例中的具体限定可以参见上文中对于一种基于神经网络模型的碳排放量核算方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种基于神经网络模型的碳排放量核算装置，包括：仿真模型模块、仿真数据模块、模型训练模块、校准数据模块、模型校准模块和模型应用模块，其中：
仿真模型模块，用于获取企业发电作业数据，基于所述发电作业数据构建碳排放量仿真模型。
仿真数据模块，用于通过碳排放量仿真模型获取仿真碳排放量数据，构建基于所述仿真碳排放量数据与所述发电作业数据的仿真数据集。
模型训练模块，用于建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛。
校准数据模块，用于获取目标企业的历史发电作业数据及历史碳排放数据以构建校准数据集。
模型校准模块，用于基于所述校准数据集校准所述碳排放量核算模型，获取校准后碳排放量核算模型。
模型应用模块，用于通过所述校准后碳排放量核算模型获取企业碳排放量核算数据。
在一个实施例中，仿真模型模块包括：
发电量模型模块，用于获取企业装机容量以及并网电量数据，构建发电量仿真模型；
发电量仿真数据模块，用于基于所述发电量仿真模型获取发电量仿真数据；
碳排放量模型模块，用于基于所述发电量仿真数据构建碳排放量仿真模型。
在一个实施例中，仿真模型模块包括：
所述发电量仿真模型如下式所示：
其中，所述
为企业发电量数据，
为企业并网电量数据，α为第一系数、β为第二系数、γ为第三系数；
所述碳排放量仿真模型如下式所示：
其中，所述δ为第四系数、ε为第五系数、∈为第六系数。
在一个实施例中，装置还包括：
数据序列化模块，用于按照预设的时间序列，将所述并网电量数据分解为并网电量序列；
数据归一化模块，用于基于所述装机容量，将所述并网电量序列进行归一化处理。
在一个实施例中，本申请一种基于神经网络模型的碳排放量核算装置还包括：
模型参数初始化模块，用于对所述碳排放量核算模型的神经网络参数进行随机初始化，并初始化模型训练优化器；
模型迭代优化模块，用于利用所述仿真数据集，按照预设的批次对所述碳排放量核算模型进行迭代优化，以获取优选碳排放量核算模型。
在一个实施例中，本申请一种基于神经网络模型的碳排放量核算装置还包括：
输入判决模块，用于对所述碳排放量核算模型的输入数据进行判别；
步骤选择模块，用于基于判别结果执行模型优化处理或模型校准处理。
上述一种基于神经网络模型的碳排放量核算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和通信接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种基于神经网络模型的碳排放量核算方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于神经网络模型的碳排放量核算方法，其特征在于，所述方法包括：
获取企业发电作业数据，基于所述发电作业数据构建碳排放量仿真模型；
通过碳排放量仿真模型获取仿真碳排放量数据，构建基于所述仿真碳排放量数据与所述发电作业数据的仿真数据集；
建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛；
获取目标企业的历史发电作业数据及历史碳排放数据以构建校准数据集；
基于所述校准数据集校准所述碳排放量核算模型，获取校准后碳排放量核算模型；
通过所述校准后碳排放量核算模型获取目标企业碳排放量核算数据。
2.根据权利要求1所述的一种基于神经网络模型的碳排放量核算方法，其特征在于，所述获取企业发电作业数据，基于所述发电作业数据构建碳排放量仿真数据模型包括：
获取企业装机容量以及并网电量数据，构建发电量仿真模型；
基于所述发电量仿真模型获取发电量仿真数据；
基于所述发电量仿真数据构建碳排放量仿真模型。
3.根据权利要求2所述的一种基于神经网络模型的碳排放量核算方法，其特征在于，所述获取企业发电作业数据，基于所述发电作业数据构建碳排放量仿真数据模型，包括：
所述发电量仿真模型如下式所示：
其中，所述
为企业发电量数据，
为企业并网电量数据，α为第一系数、β为第二系数、γ为第三系数；
所述碳排放量仿真模型如下式所示：
其中，所述δ为第四系数、ε为第五系数、∈为第六系数。
4.根据权利要求2所述的一种基于神经网络模型的碳排放量核算方法，其特征在于，所述建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛之前，还包括：
按照预设的时间序列，将所述并网电量数据分解为并网电量序列；
基于所述装机容量，将所述并网电量序列进行归一化处理。
5.根据权利要求1所述的一种基于神经网络模型的碳排放量核算方法，其特征在于，所述建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛之后，还包括：
对所述碳排放量核算模型的神经网络参数进行随机初始化，并初始化模型训练优化器；
利用所述仿真数据集，按照预设的批次对所述碳排放量核算模型进行迭代优化，以获取优选碳排放量核算模型。
6.根据权利要求5所述的一种基于神经网络模型的碳排放量核算方法，其特征在于，所述方法还包括：
对所述碳排放量核算模型的输入数据进行判别；
基于判别结果执行模型优化处理或模型校准处理。
7.一种基于神经网络模型的碳排放量核算装置，其特征在于，所述装置包括：
仿真模型模块，用于获取企业发电作业数据，基于所述发电作业数据构建碳排放量仿真模型；
仿真数据模块，用于通过碳排放量仿真模型获取仿真碳排放量数据，构建基于所述仿真碳排放量数据与所述发电作业数据的仿真数据集；
模型训练模块，用于建立基于神经网络的碳排放量核算模型，利用所述仿真数据集将所述碳排放量核算模型训练至收敛；
校准数据模块，用于获取目标企业的历史发电作业数据及历史碳排放数据以构建校准数据集；
模型校准模块，用于基于所述校准数据集校准所述碳排放量核算模型，获取校准后碳排放量核算模型；
模型应用模块，用于通过所述校准后碳排放量核算模型获取目标企业碳排放量核算数据。
8.根据权利要求7所述的一种基于神经网络模型的碳排放量核算装置，其特征在于，所述仿真模型模块包括：
发电量模型模块，用于获取企业装机容量以及并网电量数据，构建发电量仿真模型；
发电量仿真数据模块，用于基于所述发电量仿真模型获取发电量仿真数据；
碳排放量模型模块，用于基于所述发电量仿真数据构建碳排放量仿真模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至权利要求6中任一项所述的一种基于神经网络模型的碳排放量核算方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至权利要求6中任一项所述的一种基于神经网络模型的碳排放量核算方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211050619.4A CN115147012B (zh) | 2022-08-31 | 2022-08-31 | 一种基于神经网络模型的碳排放量核算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211050619.4A CN115147012B (zh) | 2022-08-31 | 2022-08-31 | 一种基于神经网络模型的碳排放量核算方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115147012A true CN115147012A (zh) | 2022-10-04 |
| CN115147012B CN115147012B (zh) | 2023-05-02 |
Family
ID=83415550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211050619.4A Active CN115147012B (zh) | 2022-08-31 | 2022-08-31 | 一种基于神经网络模型的碳排放量核算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115147012B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115310877A (zh) * | 2022-10-11 | 2022-11-08 | 南方电网数字电网研究院有限公司 | 一种基于数据血缘分析的发电侧碳排放计量方法 |
| CN115659845A (zh) * | 2022-12-08 | 2023-01-31 | 江苏擎天工业互联网有限公司 | 一种基于电力数据的碳排放计算方法及装置 |
| CN116050955A (zh) * | 2023-03-31 | 2023-05-02 | 杭州百子尖科技股份有限公司 | 基于数字孪生的二氧化碳排放量统计方法、装置及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107246291A (zh) * | 2017-06-29 | 2017-10-13 | 中国石油大学(北京) | 非共沸工质双压蒸发有机朗肯循环发电系统 |
| CN109740301A (zh) * | 2019-03-14 | 2019-05-10 | 华北电力大学 | 一种基于bp神经网络的燃气机组碳排放量的核算方法 |
| CN114123285A (zh) * | 2021-11-25 | 2022-03-01 | 国网湖南省电力有限公司 | 补偿装置动态模拟系统及动模-实物一体化风力发电机组 |
| CN114330937A (zh) * | 2022-03-15 | 2022-04-12 | 广东工业大学 | 一种隐含碳排放量核算方法、设备及存储介质 |
| CN114626115A (zh) * | 2020-12-11 | 2022-06-14 | 天津大学 | 一种基于迁移学习的建筑逐时热负荷预测建模方法 |
| CN114925884A (zh) * | 2022-04-20 | 2022-08-19 | 国电南瑞科技股份有限公司 | 火电发电机组并网碳排量与价值确定方法、装置及系统 |
-
2022
- 2022-08-31 CN CN202211050619.4A patent/CN115147012B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107246291A (zh) * | 2017-06-29 | 2017-10-13 | 中国石油大学(北京) | 非共沸工质双压蒸发有机朗肯循环发电系统 |
| CN109740301A (zh) * | 2019-03-14 | 2019-05-10 | 华北电力大学 | 一种基于bp神经网络的燃气机组碳排放量的核算方法 |
| CN114626115A (zh) * | 2020-12-11 | 2022-06-14 | 天津大学 | 一种基于迁移学习的建筑逐时热负荷预测建模方法 |
| CN114123285A (zh) * | 2021-11-25 | 2022-03-01 | 国网湖南省电力有限公司 | 补偿装置动态模拟系统及动模-实物一体化风力发电机组 |
| CN114330937A (zh) * | 2022-03-15 | 2022-04-12 | 广东工业大学 | 一种隐含碳排放量核算方法、设备及存储介质 |
| CN114925884A (zh) * | 2022-04-20 | 2022-08-19 | 国电南瑞科技股份有限公司 | 火电发电机组并网碳排量与价值确定方法、装置及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115310877A (zh) * | 2022-10-11 | 2022-11-08 | 南方电网数字电网研究院有限公司 | 一种基于数据血缘分析的发电侧碳排放计量方法 |
| CN115659845A (zh) * | 2022-12-08 | 2023-01-31 | 江苏擎天工业互联网有限公司 | 一种基于电力数据的碳排放计算方法及装置 |
| CN115659845B (zh) * | 2022-12-08 | 2023-04-07 | 江苏擎天工业互联网有限公司 | 一种基于电力数据的碳排放计算方法及装置 |
| CN116050955A (zh) * | 2023-03-31 | 2023-05-02 | 杭州百子尖科技股份有限公司 | 基于数字孪生的二氧化碳排放量统计方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115147012B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115147012B (zh) | 一种基于神经网络模型的碳排放量核算方法及装置 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
| Velasco et al. | Next day electric load forecasting using Artificial Neural Networks | |
| Zheng et al. | Forecasting natural gas consumption of China using a novel grey model | |
| CN110728008B (zh) | 一种用于确定智能电表的期望寿命的方法及装置 | |
| CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN109872252A (zh) | 一种基于matlab算法的电力供应商综合评价方法 | |
| CN115328050A (zh) | 一种考虑电池全生命周期的碳排放控制方法和装置 | |
| CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
| CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
| CN114168574A (zh) | 一种面向工业负荷的数据缺失处理方法及装置 | |
| Zhang et al. | Enhancing hourly heat demand prediction through artificial neural networks: a national level case study | |
| CN115907307B (zh) | 面向电网实时数据交互的电力系统碳排放流在线分析方法 | |
| CN115659844B (zh) | 基于风电场动态模型的仿真方法、装置和计算机设备 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN116316617A (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
| CN114611799B (zh) | 基于监督学习的时序神经网络新能源出力多步预测方法 | |
| CN115481767A (zh) | 面向配电网检修的运行数据处理方法、装置和计算机设备 | |
| CN112508734A (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
| Lissa et al. | Machine Learning Methods Applied to Building Energy Production and Consumption Prediction. | |
| Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors | |
| CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |