CN115471014A - 一种基于深度神经网络的电网企业度电碳耗预测方法 - Google Patents

Abstract

本发明涉及电网企业碳耗预测技术领域，公开了一种基于深度神经网络的电网企业度电碳耗预测方法，构建深度神经网络预测模型，将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，输入深度神经网络预测模型，预测未来时刻度电碳耗；其中，度电碳耗指电网企业每发电一度的碳耗。本发明解决了现有技术存在的不能针对电网企业的全流程度电碳耗计算、预测结果与实际偏差较大等问题。

Description

一种基于深度神经网络的电网企业度电碳耗预测方法

技术领域

本发明涉及电网企业碳耗预测技术领域，具体是一种基于深度神经网络的电网企业度电碳耗预测方法。

背景技术

度电碳耗计算与预测，可以帮助企业科学核算和规范报告自身的温室气体排放，制定企业温室气体排放控制计划，积极参与碳排放交易，强化企业社会责任。同时也为主管部门建立并实施重点企业温室气体报告制度奠定基础，为掌握重点企业温室气体排放情况，制定相关政策提供支撑。现有度电碳耗计算模型多为理论分析与定性评估，缺少一种针对电网企业的全流程度电碳耗计算方法，同时，现有度电碳耗预测模型仅基于历史度电碳耗记录数据进行计算分析，预测结果往往与实际偏差较大。

发明内容

为克服现有技术的不足，本发明提供了一种基于深度神经网络的电网企业度电碳耗预测方法，解决现有技术存在的不能针对电网企业的全流程度电碳耗计算、预测结果与实际偏差较大等问题。

本发明解决上述问题所采用的技术方案是：

一种基于深度神经网络的电网企业度电碳耗预测方法，

一种基于深度神经网络的电网企业度电碳耗预测方法，构建深度神经网络预测模型，将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，输入深度神经网络预测模型，预测未来时刻度电碳耗；其中，度电碳耗指电网企业每发电一度的碳耗。

作为一种优选的技术方案，包括以下步骤：

S1，分别计算当前时段电网企业发电侧度电碳耗、输电侧度电碳耗；

S2，根据天气特征变量与电网企业度电碳耗间的相关系数，结合天气特征变量对应的历史天气特征数据，从多个天气特征变量中选取预测所需的天气特征变量；其中，电网企业度电碳耗指发电侧度电碳耗、输电侧度电碳耗之和；

S3，构建深度神经网络预测模型，将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，作为深度神经网络预测模型的输入，预测未来时刻度电碳耗；其中，历史度电碳耗数据指步骤S1计算的当前时段电网企业发电侧度电碳耗、输电侧度电碳耗之和。

作为一种优选的技术方案，天气特征变量包括日照强度、温度、风速、降水量、相对湿度、气压中的一种或多种。

作为一种优选的技术方案，步骤S2还包括以下步骤：若选取预测所需的天气特征变量为日照强度，则将的日照强度数据预处理后再作为预测所需的天气特征数据，预处理具体过程如下：将天气状况分为晴、多云、阴三个天气类别，对每个天气类别下全天24小时的日照强度数据采用K-means进行聚类，得到全天各小时晴、多云、阴三个天气类别的聚类集合[z₁]、[z₂]、[z₃]；然后根据气象发布的天气类别预测，采用对应天气类别聚类集合的中心点作为未来时段各小时的日照强度数据；其中，采用下式计算聚类集合中心点，

式中：C₁、C₂、C₃分别为集合[z₁]、[z₂]、[z₃]的聚类中心点，m为聚类集合内参数数量，z_j为集合内第j个参数；

温度数据、风速数据、降水量数据、相对湿度数据和气压数据均取气象预测发布的参数值。

作为一种优选的技术方案，步骤S2中，电网企业度电碳耗与各天气特征变量间的相关系数采用下式计算：

式中：ξ_s表示日照强度数据与电网企业度电碳耗间的相关系数，ξ_t表示温度数据与电网企业度电碳耗间的相关系数，ξ_w表示风速数据与电网企业度电碳耗间的相关系数，ξ_r表示降水量数据与电网企业度电碳耗间的相关系数，ξ_h表示相对湿度数据与电网企业度电碳耗间的相关系数，ξ_p表示气压数据与电网企业度电碳耗间的相关系数，n为历史数据数量，x_k为第k个历史天气特征数据，

为所有历史天气特征数据的平均数，y_k为第k个历史度电碳耗数据，

为所有历史度电碳耗数据的平均数。

作为一种优选的技术方案，步骤S2中，从相关系数中从大到小选取前4个相关系数，以前4个相关系数对应的天气特征数据作为预测的天气特征数据，输入至深度神经网络预测模型。

作为一种优选的技术方案，步骤S3中，预测未来时刻度电碳耗采用如下方法：

输入数据中全天各小时的数据向量x(τ)变化会对神经网络记忆单元进行迭代更新，记忆单元的每次更新都会产生当前状态向量c(τ)，利用τ时刻的前一时刻的当前状态向量c(τ-1)和预测输出向量h(τ-1)计算τ时刻输出向量h(τ)，同时采用sigmoid激活函数σ和双曲正切函数φ对输入激活向量τ时刻i(τ)、τ时刻遗忘激活向量f(τ)、τ时刻输出激活向量o(τ)进行更新，具体如下式所示：

f(τ)＝σ[W_fx(τ)+U_fh(τ-1)+b_f]，

i(τ)＝σ[W_ix(τ)+U_ih(τ-1)+b_i]，

o(τ)＝σ[W_ox(τ)+U_oh(τ-1)+b_o]，

h(τ)＝o(τ)eφ[c(τ)]；

式中，τ为预测时刻，τ指全天某一小时，τ＝1,2,3,L,24，

为当前状态向量c(τ)的候选状态向量，W_f为遗忘激活向量的输入权重矩阵，W_i为输入激活向量的输入权重矩阵，W_c为输出激活向量的输入权重矩阵，W_o为状态向量的输入权重矩阵，U_f为遗忘激活向量的递归权重矩阵，U_i为输入激活向量的递归权重矩阵，U_c为输出激活向量的递归权重矩阵，U_o为状态向量的递归权重矩阵，b_f遗忘激活向量的偏差矩阵，b_i为输入激活向量的偏差矩阵，b_c为输出激活向量的偏差矩阵，b_o为状态向量的偏差矩阵。

作为一种优选的技术方案，步骤S1中，若电网企业为化石燃料发电厂，则发电侧度电碳耗计算公式为：

其中，

式中，

为化石燃料发电厂发电侧度电碳耗，

为化石燃料发电厂某一时段排放的CO₂总量，

为化石燃料发电厂安装的脱硫系统所产生的CO₂排放总量，P^FP为化石燃料发电厂某一时段发出的总电量，R^H为化石燃料发电厂的热效率，η^CC为CO₂含量排放系数，η^FO为氧化部分排放系数，M^fuel为化石燃料发电厂某一时段使用的燃料总量，n为化石燃料发电厂的机组编号，N为化石燃料发电厂的机组总数量，

为第n个发电机组高热值热含量因子，M^LS为石灰石某一时段消耗的总量，M^SA为纯碱某一时段消耗总量。

作为一种优选的技术方案，步骤S1中，若电网企业为可再生能源电厂，则发电侧度电碳耗计算公式为：

其中，

式中，

为可再生能源电厂发电侧度电碳耗，

为可再生能源电厂在运行期间无效发电产生的CO₂排放总量，P^RE为可再生能源电厂某一时间段的发电量，P^EL为期望损失电量，P^SU为可再生能源电厂使用电量，η^CEG为电网排放系数，

为可再生能源发电厂工程维护相关的CO₂总量，η^EF为可再生能源发电厂维护工程的排放系数，

为地热发电厂产生的挥发性碳排放总量，P^SP为地热发电厂产生的蒸汽总量，η^NCG为地热发电厂CO₂的排放系数。

作为一种优选的技术方案，步骤S1中，输电侧度电碳耗计算公式为：

其中，

式中，

为电网企业输电侧度电碳耗，

为某一时间段系统因线路损耗排放的CO₂总量，P^sys为某一时间段通过系统传输的电量，η^CEG为电网企业排放系数，f^loss为电量流入和流出系统的线路损耗。

本发明相比于现有技术，具有以下有益效果：

(1)本发明在现有技术仅基于度电碳耗历史数据建模度电碳耗预测模型的基础上，进一步加入了时间特征和天气特征，使得能够从度电碳耗本身、时间因素和天气因素三个维度来联合预测度电碳耗，即能够充分考虑时间因素和天气因素对度电碳耗的影响，从而能够提高度电碳耗预测的准确性；

(2)本发明通过带有时间特征的当前度电碳耗和当前天气特征数据迭代更新度电碳耗预测模型的模型参数和状态变量，使得能够在实际预测过程中基于度电碳耗和天气特征数据的实际值不断优化模型参数和状态变量，从而能够进一步提高度电碳耗预测的准确性。

附图说明

图1为本发明的步骤示意图。

具体实施方式

下面结合实施例及附图，对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例1

如图1所示，本发明涉及度电碳耗计算与预测领域，具体指一种基于深度神经网络的电网企业度电碳耗预测方法，该方法包括：S1：分别计算当前时段电网企业发电侧与输电侧度电碳耗；S2：根据各天气特征变量与电网企业度电碳耗间的相关系数，选取预测所需的天气特征数据，并对日照强度数据进行预处理；S3：将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，代入深度神经网络预测模型，计算未来时刻度电碳耗。本发明提出的一种基于深度神经网络的电网企业度电碳耗预测方法，能够为企业碳排放核算和减碳计划制定提供理论依据。

本实施例中公开了一种基于深度神经网络的电网企业度电碳耗预测方法。

如图1所示，一种基于深度神经网络的电网企业度电碳耗预测方法，包括：

S1：分别计算当前时段电网企业发电侧与输电侧度电碳耗；

本实施例中，本发明创新提出通过以下公式分别计算电网企业发电侧与输电侧度电碳耗，

发电侧度电碳耗：

①化石燃料发电厂

1)固定燃烧过程

根据使用的燃料数量和类型、热含量、碳含量和氧化分数来估计化石燃料燃烧的排放量。采用下式进行计算，

式中：

为化石燃料发电厂某一时段排放的CO₂总量；P^FP为化石燃料发电厂某一时段发出的总电量；R^H表示化石燃料发电厂的热效率；η^CC表示CO₂含量排放系数；η^FO表示氧化部分排放系数。

上式中R^H计算公式为：

式中：M^fuel为化石燃料发电厂某一时段使用的燃料总量；

为第n个发电机组高热值热含量因子；N为化石燃料发电厂的机组总数量。

2)烟气脱硫吸收过程

根据烟气脱硫吸收过程中，石灰石和(或)纯碱的使用量来计算电厂安装的脱硫系统所产生的碳排放量，即

式中：

为电厂安装的脱硫系统所产生的CO₂排放总量；M^LS表示石灰石某一时段消耗的总量；M^SA表示纯碱某一时段消耗总量。

得到电网企业发电侧化石燃料电厂度电碳耗为，

②可再生能源电厂

1)无效发电排放

可再生能源电厂在运行期间无效发电产生的排放采用下式进行计算，

式中：

为可再生能源电厂在运行期间无效发电产生的CO₂排放总量；P^RE为可再生能源电厂某一时间段的发电量；P^EL为期望损失电量；P^SU为电厂使用电量；η^CEG为电网排放系数。

2)维护工程排放

采用下式计算可再生能源发电厂维护工程相关的排放，

式中：

为可再生能源发电厂工程维护相关的CO₂排放总量，η^EF为可再生能源发电厂维护工程的排放系数。

3)挥发性碳排放(针对于地热电厂)

地热发电厂产生的挥发性碳排放采用下式计算，

式中：

为地热发电厂某一时间段排放的CO₂总量；P^SP为地热发电厂产生的蒸汽总量；η^NCG为CO₂的排放系数；地热发电厂是可再生能源发电厂中的一种特殊类型，若采用的可再生能源发电厂并非地热发电厂，则

P^SP、η^NCG为0。

得到电网企业可再生能源电厂度电碳耗为，

输电侧度电碳耗：

根据输电线的总能量流量、发电设备和所用燃料类型，计算线路损耗产生的CO₂排放量，

其中：

为某一时间段系统因线路损耗排放的CO₂总量；P^sys为某一时间段通过系统传输的电量，η^CEG表示电网企业排放系数，f^loss为电量流入和流出系统的线路损耗。

进而得到电网企业输电侧度电碳耗为，

S2：根据各天气特征变量与电网企业度电碳耗间的相关系数，选取预测所需的天气特征数据，并对日照强度数据进行预处理；

首先，计算日照强度、温度、风速、降水量、相对湿度和气压与电网企业发电侧与输电侧历史度电碳耗数据间的相关性，选取相关性系数较大的前4者天气特征数据用于未来时段度电碳耗预测。

电网企业度电碳耗与各天气特征数据间的积矩相关系数采用下式计算，

式中：ξ_s、ξ_t、ξ_w、ξ_r、ξ_h、ξ_p分别表示电网企业度电碳耗与日照强度、温度、风速、降水量、相对湿度、气压间的相关系数，n为历史天气特征数量，x_k为第k个历史天气特征数据，

为所有历史天气特征数据的平均数，y_k为第k个历史度电碳耗数据，

为所有历史度电碳耗数据的平均数。

由于日照强度是一个随机时间序列变量，每小时、每天和每个季节都不同。因此，本发明创新提出将天气状况分为晴、多云、阴(包含雨、雪天气)三类，并对每个天气类别下全天24小时的日照强度数据采用K-means进行聚类，得到全天各小时晴、多云、阴三个天气类别的聚类集合[z₁]、[z₂]、[z₃]。根据气象发布的天气类别预测，采用对应天气类别聚类集合的中心点作为未来时段各小时的日照强度数据，采用下式计算聚类集合中心点，

式中：C₁、C₂、C₃分别为集合[z₁]、[z₂]、[z₃]的聚类中心点，m为聚类集合内参数数量，z_j为集合内第j个参数。

本发明采用此方法得到的日照强度数据更加贴合实际状况，避免了采用不准确的固定日照强度所带来的预测结果较大偏差。

除日照强度外，温度、风速、降水量、相对湿度和气压特征数据均取气象预测发布的参数值。

S3：将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，代入深度神经网络预测模型，计算未来时刻度电碳耗。

本发明将带有时间和天气特征的历史度电碳耗和步骤S2中选取的4个天气特征历史值与预测值输入深度神经网络预测模型中，通过带有时间与天气的历史度电碳耗数据和天气特征数据迭代更新度电碳耗预测模型的模型参数和状态变量，进而通过度电碳耗预测模型预测输出未来时刻的度电碳耗数据。一方面，本发明在现有技术仅基于度电碳耗历史数据建模度电碳耗预测模型的基础上，进一步加入了时间特征和天气特征，使得能够从度电碳耗本身、时间因素和天气因素三个维度来联合预测度电碳耗，即能够充分考虑时间因素和天气因素对度电碳耗的影响，从而能够提高度电碳耗预测的准确性。另一方面，本发明通过带有时间特征的当前度电碳耗和当前天气特征数据迭代更新度电碳耗预测模型的模型参数和状态变量，使得能够在实际预测过程中基于度电碳耗和天气特征数据的实际值不断优化模型参数和状态变量，从而能够进一步提高度电碳耗预测的准确性。

将历史全天各小时度电碳耗数据，及其对应的步骤S2中选取的各时刻4个天气特征变量的预测值与历史值，作为深度神经网络预测模型的输入值。

输入数据中全天各小时的数据向量x(τ)变化会对神经网络记忆单元进行迭代更新，记忆单元的每次更新都会产生当前状态向量c(τ)，其中τ＝1,2,3,L,24为全天某一小时。利用预测时刻前一时刻的当前状态向量c(τ-1)和预测输出向量h(τ-1)计算当前时刻输出向量h(τ)，同时采用sigmoid激活函数σ和双曲正切函数φ对输入激活向量i(τ)、遗忘激活向量f(τ)、输出激活向量o(τ)进行更新。

数据向量x(τ)是指将全天24小时各时刻，按照历史度电碳耗数据、历史天气特征数据、预测天气特征数据顺序排列成的一个向量。状态特征向量是模型产生的中间向量，为无量纲的数值向量。输出向量h(τ)是预测得到的某一时刻的度电碳耗预测值。

具体如下式所示，

f(τ)＝σ[W_fx(τ)+U_fh(τ-1)+b_f]

i(τ)＝σ[W_ix(τ)+U_ih(τ-1)+b_i]

o(τ)＝σ[W_ox(τ)+U_oh(τ-1)+b_o]

h(τ)＝o(τ)eφ[c(τ)]

式中：W_f、W_i、W_c、W_o为输入权重矩阵，U_f、U_i、U_c、U_o为递归权重矩阵，b_f、b_i、b_c、b_o为偏差矩阵，

为当前状态向量c(τ)的候选状态向量。

如上所述，可较好地实现本发明。

本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims (10)

1.一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，构建深度神经网络预测模型，将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，输入深度神经网络预测模型，预测未来时刻度电碳耗；其中，度电碳耗指电网企业每发电一度的碳耗。

2.根据权利要求1所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，包括以下步骤：

S1，分别计算当前时段电网企业发电侧度电碳耗、输电侧度电碳耗；

S2，根据天气特征变量与电网企业度电碳耗间的相关系数，结合天气特征变量对应的历史天气特征数据，从多个天气特征变量中选取预测所需的天气特征变量；其中，电网企业度电碳耗指发电侧度电碳耗、输电侧度电碳耗之和；

S3，构建深度神经网络预测模型，将预测的天气特征数据、历史度电碳耗数据、历史天气特征数据，作为深度神经网络预测模型的输入，预测未来时刻度电碳耗；其中，历史度电碳耗数据指步骤S1计算的当前时段电网企业发电侧度电碳耗、输电侧度电碳耗之和。

3.根据权利要求2所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，天气特征变量包括日照强度、温度、风速、降水量、相对湿度、气压中的一种或多种。

4.根据权利要求3所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，步骤S2还包括以下步骤：若选取预测所需的天气特征变量为日照强度，则将的日照强度数据预处理后再作为预测所需的天气特征数据，预处理具体过程如下：将天气状况分为晴、多云、阴三个天气类别，对每个天气类别下全天24小时的日照强度数据采用K-means进行聚类，得到全天各小时晴、多云、阴三个天气类别的聚类集合[z₁]、[z₂]、[z₃]；然后根据气象发布的天气类别预测，采用对应天气类别聚类集合的中心点作为未来时段各小时的日照强度数据；其中，采用下式计算聚类集合中心点，

式中：C₁、C₂、C₃分别为集合[z₁]、[z₂]、[z₃]的聚类中心点，m为聚类集合内参数数量，z_j为集合内第j个参数；

温度数据、风速数据、降水量数据、相对湿度数据和气压数据均取气象预测发布的参数值。

5.根据权利要求4所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，步骤S2中，电网企业度电碳耗与各天气特征变量间的相关系数采用下式计算：

式中：ξ_s表示日照强度数据与电网企业度电碳耗间的相关系数，ξ_t表示温度数据与电网企业度电碳耗间的相关系数，ξ_w表示风速数据与电网企业度电碳耗间的相关系数，ξ_r表示降水量数据与电网企业度电碳耗间的相关系数，ξ_h表示相对湿度数据与电网企业度电碳耗间的相关系数，ξ_p表示气压数据与电网企业度电碳耗间的相关系数，n为历史数据数量，x_k为第k个历史天气特征数据，

为所有历史天气特征数据的平均数，y_k为第k个历史度电碳耗数据，

为所有历史度电碳耗数据的平均数。

6.根据权利要求5所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，步骤S2中，从相关系数中从大到小选取前4个相关系数，以前4个相关系数对应的天气特征数据作为预测的天气特征数据，输入至深度神经网络预测模型。

7.根据权利要求6所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，步骤S3中，预测未来时刻度电碳耗采用如下方法：

输入数据中全天各小时的数据向量x(τ)变化会对神经网络记忆单元进行迭代更新，记忆单元的每次更新都会产生当前状态向量c(τ)，利用τ时刻的前一时刻的当前状态向量c(τ-1)和预测输出向量h(τ-1)计算τ时刻输出向量h(τ)，同时采用sigmoid激活函数σ和双曲正切函数φ对输入激活向量τ时刻i(τ)、τ时刻遗忘激活向量f(τ)、τ时刻输出激活向量o(τ)进行更新，具体如下式所示：

f(τ)＝σ[W_fx(τ)+U_fh(τ-1)+b_f]，

i(τ)＝σ[W_ix(τ)+U_ih(τ-1)+b_i]，

o(τ)＝σ[W_ox(τ)+U_oh(τ-1)+b_o]，

h(τ)＝o(τ)eφ[c(τ)]；

式中，τ为预测时刻，τ指全天某一小时，τ＝1,2,3,L,24，

为当前状态向量c(τ)的候选状态向量，W_f为遗忘激活向量的输入权重矩阵，W_i为输入激活向量的输入权重矩阵，W_c为输出激活向量的输入权重矩阵，W_o为状态向量的输入权重矩阵，U_f为遗忘激活向量的递归权重矩阵，U_i为输入激活向量的递归权重矩阵，U_c为输出激活向量的递归权重矩阵，U_o为状态向量的递归权重矩阵，b_f遗忘激活向量的偏差矩阵，b_i为输入激活向量的偏差矩阵，b_c为输出激活向量的偏差矩阵，b_o为状态向量的偏差矩阵。

8.根据权利要求2至7任一项所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，步骤S1中，若电网企业为化石燃料发电厂，则发电侧度电碳耗计算公式为：

其中，

式中，

为化石燃料发电厂发电侧度电碳耗，

为化石燃料发电厂某一时段排放的CO₂总量，

为化石燃料发电厂安装的脱硫系统所产生的CO₂排放总量，P^FP为化石燃料发电厂某一时段发出的总电量，R^H为化石燃料发电厂的热效率，η^CC为CO₂含量排放系数，η^FO为氧化部分排放系数，M^fuel为化石燃料发电厂某一时段使用的燃料总量，n为化石燃料发电厂的机组编号，N为化石燃料发电厂的机组总数量，

为第n个发电机组高热值热含量因子，M^LS为石灰石某一时段消耗的总量，M^SA为纯碱某一时段消耗总量。

9.根据权利要求2至7任一项所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，步骤S1中，若电网企业为可再生能源电厂，则发电侧度电碳耗计算公式为：

其中，

式中，

为可再生能源电厂发电侧度电碳耗，

为可再生能源电厂在运行期间无效发电产生的CO₂排放总量，P^RE为可再生能源电厂某一时间段的发电量，P^EL为期望损失电量，P^SU为可再生能源电厂使用电量，η^CEG为电网排放系数，

为可再生能源发电厂工程维护相关的CO₂总量，η^EF为可再生能源发电厂维护工程的排放系数，

为地热发电厂产生的挥发性碳排放总量，P^SP为地热发电厂产生的蒸汽总量，η^NCG为地热发电厂CO₂的排放系数。

10.根据权利要求2至7任一项所述的一种基于深度神经网络的电网企业度电碳耗预测方法，其特征在于，步骤S1中，输电侧度电碳耗计算公式为：

其中，

式中，

为电网企业输电侧度电碳耗，

为某一时间段系统因线路损耗排放的CO₂总量，P^sys为某一时间段通过系统传输的电量，η^CEG为电网企业排放系数，f^loss为电量流入和流出系统的线路损耗。

Images