CN115564106A - 一种基于电力数据的碳排放测算方法 - Google Patents

一种基于电力数据的碳排放测算方法 Download PDF

Info

Publication number
CN115564106A
CN115564106A CN202211199753.0A CN202211199753A CN115564106A CN 115564106 A CN115564106 A CN 115564106A CN 202211199753 A CN202211199753 A CN 202211199753A CN 115564106 A CN115564106 A CN 115564106A
Authority
CN
China
Prior art keywords
carbon emission
data
historical
model
measurement
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
Application number
CN202211199753.0A
Other languages
English (en)
Other versions
CN115564106B (zh
Inventor
卢雪莹
王海吉
胡健坤
梁芯喻
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.)
China Energy Engineering Group Guangdong Electric Power Design Institute Co Ltd
Original Assignee
China Energy Engineering Group Guangdong Electric Power Design Institute 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 China Energy Engineering Group Guangdong Electric Power Design Institute Co Ltd filed Critical China Energy Engineering Group Guangdong Electric Power Design Institute Co Ltd
Priority to CN202211199753.0A priority Critical patent/CN115564106B/zh
Publication of CN115564106A publication Critical patent/CN115564106A/zh
Application granted granted Critical
Publication of CN115564106B publication Critical patent/CN115564106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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—Systems or methods specially adapted for 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)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明公开了一种基于电力数据的碳排放测算方法，包括以下步骤：利用神经网络基于所述历史电力数据、历史环境数据和历史碳排放数据构建出目标线路的碳排放空间域测算模型；利用神经网络基于所述历史时序、历史碳排放数据构建出目标线路的碳排放时间域测算模型；将空间域权重和时间域权重对所述碳排放空间域测算模型和所述碳排放时间域测算模型进行加权组合得到目标线路的碳排放时空域测算模型。本发明实现了碳排放的空间域测算，碳排放的时间域测算，以及实现碳排放的时空域测算，模型测算降低碳排放测算的计算复杂度，而且多个维度的碳排放测算，增强模型与采集数据适配性，提升测算广度。

Description

一种基于电力数据的碳排放测算方法
技术领域
本发明涉及碳排放测算技术领域，具体涉及一种基于电力数据的碳排放测算方法。
背景技术
国内外测算碳排放的主要方法有清单编制法、实测法、物料衡算法、模型法等(张德英等，2005)。其中，清单编制法是最为常用的方法。国际上权威的机构，如IEA、CDIAC、EDGAR、EIA等，尽管所用碳排放测算的具体计算方法各不相同，但基本上都采用基于IPCC计算公式的清单编制法(李青青等，2018)。具体对于居民户碳排放测算方法，主要有投入产出法、消费者生活方式法、生命周期评价法、碳足迹计算模型法、清单编制法(也称排放系数法)，其中清单编制法应用较为广泛。所谓清单编制法，其主要依据IPCC出版的《2006年IPCC国家温室气体清单指南》，在明确温室气体主要的排放源(排放源主要有来自能源活动、工业生产过程、农业、土地利用变化和林业以及废弃物等)的基础上，利用下面的公式来进行碳排放的核算：排放量＝活动水平×排放因子；根据《2006年IPCC国家温室气体清单指南》，排放因子有三类可供选择，即IPCC缺省排放因子、国别排放因子、以及利用模型工具的复杂方法所得排放因子。
基于清单编制法来测算碳排放，最大的限制是初始数据的频度较低，通常是年度数据，因此只能计算出低频度的碳排放测算结果；除此外，由于一些维度，比如居民户或者某些地市的行业的低频年度能源消费数据缺失，使得很多维度的低频年度碳排放测算难以实现。因此，现有的技术缺点一是计算的碳排放数据频度较低，通常为年度结果，且较为滞后，二是有些维度的数据缺失，使得碳排放计算无法实现。
现有技术CN202210592327.7公开了一种基于大数据的碳排放测算方法及装置，所述方法包括：获取电网的负载功率信息、电网电压信息和电网电流信息；根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集；将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图；根据融合图计算碳排放。该申请采用卷积神经网络模型直接对电网电压、电流和负载数据进行碳排放的测算，数据获取简单，并且测算较为精准，适合性强。现有技术仍然存在一些缺陷，测算模型建立维度低，导致测算数据缺失，模型适配性差、准确性低。
发明内容
本发明的目的在于提供一种基于电力数据的碳排放测算方法，以解决现有技术中测算模型建立维度低，导致测算数据缺失，模型适配性差、准确性低的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于电力数据的碳排放测算方法，包括以下步骤：
步骤S1、提取目标线路碳排放待测算时序的一组前置时序作为一组历史时序，并提取出位于各个历史时序处的历史电力数据、历史环境数据，利用碳排放测算公式测算出每个历史时序处的历史碳排放数据；
步骤S2、利用神经网络基于所述历史电力数据、历史环境数据和历史碳排放数据构建出目标线路的碳排放空间域测算模型，以实现碳排放的空间域测算；
步骤S3、利用神经网络基于所述历史时序、历史碳排放数据构建出目标线路的碳排放时间域测算模型，以实现碳排放的时间域测算；
步骤S4、为所述碳排放空间域测算模型和所述碳排放时间域测算模型设定加权权重得到空间域权重和时间域权重，并将空间域权重和时间域权重对所述碳排放空间域测算模型和所述碳排放时间域测算模型进行加权组合得到目标线路的碳排放时空域测算模型，以实现碳排放的时空域测算。
作为本发明的一种优选方案，所述利用碳排放测算公式测算出每个历史时序处的历史碳排放数据，包括：
将每个历史时序处的历史电力数据中历史产电量和各个产电能源的碳排放因子进行乘积计算得到每个历史时序处的历史碳排放数据；
其中，历史电力数据包括历史产电量、历史线路负载功率、历史线路电流、历史线路电压、历史电路阻抗。
作为本发明的一种优选方案，所述构建出目标线路的碳排放空间域测算模型，包括：
将所述历史电力数据、历史环境数据作为第一神经网络的输入项，将所述历史碳排放数据作为第一神经网络的输出项，利用第一神经网络对第一神经网络的输入项和第一神经网络的输出项进行网络训练得到所述碳排放空间域测算模型；
所述碳排放空间域测算模型的模型表达式为：
C_Data＝BP(E_data,A_data)；
式中，C_Data为碳排放数据，E_data为电力数据，A_data为环境数据，BP为第一神经网络。
作为本发明的一种优选方案，所述构建出目标线路的碳排放时间域测算模型，包括：
将所有历史时序中位于前置时序处的历史碳排放数据作为第二神经网络的输入项，将所有历史时序中位于后置时序处的历史碳排放数据作为第二神经网络的输出项，利用第二神经网络对所述第二神经网络的输入项和第二神经网络的输出项进行网络训练得到所述碳排放时间域测算模型；
所述碳排放时间域测算模型的函数表达式为：
[C_Data]later＝LSTM([C_data]before)；
式中，[C_Data]later为后置时序处的碳排放数据，[C_data]before为后置时序处的碳排放数据，LSTM为第二神经网络。
作为本发明的一种优选方案，所述空间域权重和时间域权重的确定包括：
分别计算出碳排放空间域测算模型、碳排放时间域测算模型在一组历史时序上的测算正确率，并对碳排放空间域测算模型、碳排放时间域测算模型的测算正确率进行归一化修正分别得到所述空间域权重和时间域权重，；
所述空间域权重的计算公式为：
W＝Pt/(Pt+Pp)；
所述时间域权重的计算公式为：
V＝Pp/(Pt+Pp)；
式中，W、V分别为空间域权重、时间域权重，Pt、Pp分别为碳排放空间域测算模型、碳排放时间域测算模型的测算正确率。
作为本发明的一种优选方案，所述目标线路的碳排放时空域测算模型的构建包括：
将空间域权重和时间域权重分别加权到所述碳排放空间域测算模型和碳排放时间域测算模型，并将加权后的碳排放空间域测算模型、碳排放时间域测算模型进行求和得到所述碳排放时空域测算模型；
所述碳排放时空域测算模型的函数表达式为：
C_Data＝W*BP(E_data,A_data)+V*LSTM([C_data]before)；
式中，C_Data为碳排放数据，E_data为电力数据，A_data为环境数据，BP为第一神经网络，[C_Data]later为后置时序处的碳排放数据，[C_data]before为后置时序处的碳排放数据，LSTM为第二神经网络，W、V分别为空间域权重、时间域权重。
作为本发明的一种优选方案，测算待测算时序处的目标电路的碳排放数据，包括：
获取待测算时序处的电力数据和环境数据，并将电力数据和环境数据输入至所述碳排放空间域测算模型中得到待测算时序处目标电路的碳排放数据；
获取待测算时序的多个前置时序处的多个碳排放数据，将多个碳排放数据输入至碳排放时间域测算模型中得到待测算时序处目标电路的碳排放数据；
将待测算时序处的电力数据、环境数据以及待测算时序的多个前置时序处的多个碳排放数据输入至碳排放时空域测算模型得到待测算时序处目标电路的碳排放数据。
作为本发明的一种优选方案，所述电力数据包括产电量、线路负载功率、线路电流、线路电压、电路阻抗，所述环境数据包括目标电路所处环境中空气温度、湿度、颗粒度、日照量、降雨量、污染度。
作为本发明的一种优选方案，所述电力数据、环境数据在获取后进行归一化处理再进行运算。
作为本发明的一种优选方案，所述第一神经网络和第二神经网络均包含至少三个卷积层。
本发明与现有技术相比较具有如下有益效果：
本发明构建出目标线路的碳排放空间域测算模型，目标线路的碳排放时间域测算模型，目标线路的碳排放时空域测算模型分别实现了碳排放的空间域测算，碳排放的时间域测算，以及实现碳排放的时空域测算，模型测算降低碳排放测算的计算复杂度，而且多个维度的碳排放测算，增强模型与采集数据适配性，提升测算广度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的碳排放测算方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种基于电力数据的碳排放测算方法，包括以下步骤：
步骤S1、提取目标线路碳排放待测算时序的一组前置时序作为一组历史时序，并提取出位于各个历史时序处的历史电力数据、历史环境数据，利用碳排放测算公式测算出每个历史时序处的历史碳排放数据；
利用碳排放测算公式测算出每个历史时序处的历史碳排放数据，包括：
将每个历史时序处的历史电力数据中历史产电量和各个产电能源的碳排放因子进行乘积计算得到每个历史时序处的历史碳排放数据；
其中，历史电力数据包括历史产电量、历史线路负载功率、历史线路电流、历史线路电压、历史电路阻抗，历史环境数据包括历史时序处目标电路所处环境中空气温度、湿度、颗粒度、日照量、降雨量、污染度，在实际使用中，可根据实际情况需要进行数据分量的增添、删减。
步骤S2、利用神经网络基于历史电力数据、历史环境数据和历史碳排放数据构建出目标线路的碳排放空间域测算模型，以实现碳排放的空间域测算；
构建出目标线路的碳排放空间域测算模型，包括：
将历史电力数据、历史环境数据作为第一神经网络的输入项，将历史碳排放数据作为第一神经网络的输出项，利用第一神经网络对第一神经网络的输入项和第一神经网络的输出项进行网络训练得到碳排放空间域测算模型；
碳排放空间域测算模型的模型表达式为：
C_Data＝BP(E_data,A_data)；
式中，C_Data为碳排放数据，E_data为电力数据，A_data为环境数据，BP为第一神经网络。
构建碳排放空间域测算模型，建立出电力数据、环境数据与碳排放数据的映射关系，电力数据为空间域中目标线路的线路结构、线路负载等具象化实体具象化，环境数据为空间域中环境状况具象化，而且在不同的线路情况、环境情况下呈现不同的活动水平，进而活动水平×排放因子会得到不同的碳排放数据，利用电力数据、环境数据实现从空间域中测算出碳排放数据，根据空间域的采集数据进行碳排放测算，实现了具象化测算方式，在碳排放测算前期，测算时序数量少时，即得到的历史碳排放数据较少时，可使用空间域测算，保证测算准确度。
步骤S3、利用神经网络基于历史时序、历史碳排放数据构建出目标线路的碳排放时间域测算模型，以实现碳排放的时间域测算；
构建出目标线路的碳排放时间域测算模型，包括：
将所有历史时序中位于前置时序处的历史碳排放数据作为第二神经网络的输入项，将所有历史时序中位于后置时序处的历史碳排放数据作为第二神经网络的输出项，利用第二神经网络对第二神经网络的输入项和第二神经网络的输出项进行网络训练得到碳排放时间域测算模型；
碳排放时间域测算模型的函数表达式为：
[C_Data]later＝LSTM([C_data]before)；
式中，[C_Data]later为后置时序处的碳排放数据，[C_data]before为后置时序处的碳排放数据，LSTM为第二神经网络。
构建碳排放时间域测算模型，建立出碳排放数据的时序映射关系，利用前置时序上的碳排放数据实现后置时序上的碳排放数据，根据时间域的时序数据联系进行碳排放测算，实现了时序预测的测算方式，在碳排放测算后期，测算时序数量多时，即得到的历史碳排放数据较多时，此时碳排放数据的时序关联关系可以由于训练数据的增多，具有较高的准确性，可使用时间域测算，保证测算准确度，无需在进行环境数据、电力数据的采集，降低复杂度。
步骤S4、为碳排放空间域测算模型和碳排放时间域测算模型设定加权权重得到空间域权重和时间域权重，并将空间域权重和时间域权重对碳排放空间域测算模型和碳排放时间域测算模型进行加权组合得到目标线路的碳排放时空域测算模型，以实现碳排放的时空域测算。
空间域权重和时间域权重的确定包括：
分别计算出碳排放空间域测算模型、碳排放时间域测算模型在一组历史时序上的测算正确率，并对碳排放空间域测算模型、碳排放时间域测算模型的测算正确率进行归一化修正分别得到空间域权重和时间域权重，；
空间域权重的计算公式为：
W＝Pt/(Pt+Pp)；
时间域权重的计算公式为：
V＝Pp/(Pt+Pp)；
式中，W、V分别为空间域权重、时间域权重，Pt、Pp分别为碳排放空间域测算模型、碳排放时间域测算模型的测算正确率。
目标线路的碳排放时空域测算模型的构建包括：
将空间域权重和时间域权重分别加权到碳排放空间域测算模型和碳排放时间域测算模型，并将加权后的碳排放空间域测算模型、碳排放时间域测算模型进行求和得到碳排放时空域测算模型；
碳排放时空域测算模型的函数表达式为：
C_Data＝W*BP(E_data,A_data)+V*LSTM([C_data]before)；
式中，C_Data为碳排放数据，E_data为电力数据，A_data为环境数据，BP为第一神经网络，[C_Data]later为后置时序处的碳排放数据，[C_data]before为后置时序处的碳排放数据，LSTM为第二神经网络，W、V分别为空间域权重、时间域权重。
在测算中期，测算时序数量增多时，即得到的历史碳排放数据也增多时，碳排放时间域测算模型的测算准确度增高但为达到最高的水平，同时碳排放空间域测算模型的测算准确度也维持在稳定水平，空间域和时间域的测算都具有参考价值，因此此时结合碳排放时间域测算模型和碳排放空间域测算模型构建碳排放时空域测算模型对碳排放数据进行测算，实现空间域和时间域双重测算，同样保证了测算中期的测算准确度。
测算待测算时序处的目标电路的碳排放数据，包括：
获取待测算时序处的电力数据和环境数据，并将电力数据和环境数据输入至碳排放空间域测算模型中得到待测算时序处目标电路的碳排放数据；
获取待测算时序的多个前置时序处的多个碳排放数据，将多个碳排放数据输入至碳排放时间域测算模型中得到待测算时序处目标电路的碳排放数据；
将待测算时序处的电力数据、环境数据以及待测算时序的多个前置时序处的多个碳排放数据输入至碳排放时空域测算模型得到待测算时序处目标电路的碳排放数据。
电力数据包括产电量、线路负载功率、线路电流、线路电压、电路阻抗，环境数据包括目标电路所处环境中空气温度、湿度、颗粒度、日照量、降雨量、污染度。
电力数据、环境数据在获取后进行归一化处理再进行运算。
第一神经网络和第二神经网络均包含至少三个卷积层。
构建出目标线路的碳排放空间域测算模型，目标线路的碳排放时间域测算模型，目标线路的碳排放时空域测算模型，在难以采集到电力数据、环境数据或者采集缺失后、测算数据量小时，可以在三个测算模型中进行选择，选择最适合当前测算的测算模型，增强模型的适配性。
本发明构建出目标线路的碳排放空间域测算模型，目标线路的碳排放时间域测算模型，目标线路的碳排放时空域测算模型分别实现了碳排放的空间域测算，碳排放的时间域测算，以及实现碳排放的时空域测算，模型测算降低碳排放测算的计算复杂度，而且多个维度的碳排放测算，增强模型与采集数据适配性，提升测算广度。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种基于电力数据的碳排放测算方法，其特征在于，包括以下步骤：
步骤S1、提取目标线路碳排放待测算时序的一组前置时序作为一组历史时序，并提取出位于各个历史时序处的历史电力数据、历史环境数据，利用碳排放测算公式测算出每个历史时序处的历史碳排放数据；
步骤S2、利用神经网络基于所述历史电力数据、历史环境数据和历史碳排放数据构建出目标线路的碳排放空间域测算模型，以实现碳排放的空间域测算；
步骤S3、利用神经网络基于所述历史时序、历史碳排放数据构建出目标线路的碳排放时间域测算模型，以实现碳排放的时间域测算；
步骤S4、为所述碳排放空间域测算模型和所述碳排放时间域测算模型设定加权权重得到空间域权重和时间域权重，并将空间域权重和时间域权重对所述碳排放空间域测算模型和所述碳排放时间域测算模型进行加权组合得到目标线路的碳排放时空域测算模型，以实现碳排放的时空域测算。
2.根据权利要求1所述的基于电力数据的碳排放测算方法，其特征在于：所述利用碳排放测算公式测算出每个历史时序处的历史碳排放数据，包括：
将每个历史时序处的历史电力数据中历史产电量和各个产电能源的碳排放因子进行乘积计算得到每个历史时序处的历史碳排放数据；
其中，历史电力数据包括历史产电量、历史线路负载功率、历史线路电流、历史线路电压、历史电路阻抗。
3.根据权利要求2所述的基于电力数据的碳排放测算方法，其特征在于：所述构建出目标线路的碳排放空间域测算模型，包括：
将所述历史电力数据、历史环境数据作为第一神经网络的输入项，将所述历史碳排放数据作为第一神经网络的输出项，利用第一神经网络对第一神经网络的输入项和第一神经网络的输出项进行网络训练得到所述碳排放空间域测算模型；
所述碳排放空间域测算模型的模型表达式为：
C_Data＝BP(E_data,A_data)；
式中，C_Data为碳排放数据，E_data为电力数据，A_data为环境数据，BP为第一神经网络。
4.根据权利要求3所述的基于电力数据的碳排放测算方法，其特征在于：所述构建出目标线路的碳排放时间域测算模型，包括：
将所有历史时序中位于前置时序处的历史碳排放数据作为第二神经网络的输入项，将所有历史时序中位于后置时序处的历史碳排放数据作为第二神经网络的输出项，利用第二神经网络对所述第二神经网络的输入项和第二神经网络的输出项进行网络训练得到所述碳排放时间域测算模型；
所述碳排放时间域测算模型的函数表达式为：
[C_Data]later＝LSTM([C_data]before)；
式中，[C_Data]later为后置时序处的碳排放数据，[C_data]before为后置时序处的碳排放数据，LSTM为第二神经网络。
5.根据权利要求4所述的基于电力数据的碳排放测算方法，其特征在于：所述空间域权重和时间域权重的确定包括：
分别计算出碳排放空间域测算模型、碳排放时间域测算模型在一组历史时序上的测算正确率，并对碳排放空间域测算模型、碳排放时间域测算模型的测算正确率进行归一化修正分别得到所述空间域权重和时间域权重，；
所述空间域权重的计算公式为：
W＝Pt/(Pt+Pp)；
所述时间域权重的计算公式为：
V＝Pp/(Pt+Pp)；
式中，W、V分别为空间域权重、时间域权重，Pt、Pp分别为碳排放空间域测算模型、碳排放时间域测算模型的测算正确率。
6.根据权利要求5所述的基于电力数据的碳排放测算方法，其特征在于：所述目标线路的碳排放时空域测算模型的构建包括：
将空间域权重和时间域权重分别加权到所述碳排放空间域测算模型和碳排放时间域测算模型，并将加权后的碳排放空间域测算模型、碳排放时间域测算模型进行求和得到所述碳排放时空域测算模型；
所述碳排放时空域测算模型的函数表达式为：
C_Data＝W*BP(E_data,A_data)+V*LSTM([C_data]before)；
式中，C_Data为碳排放数据，E_data为电力数据，A_data为环境数据，BP为第一神经网络，[C_Data]later为后置时序处的碳排放数据，[C_data]before为后置时序处的碳排放数据，LSTM为第二神经网络，W、V分别为空间域权重、时间域权重。
7.根据权利要求6所述的基于电力数据的碳排放测算方法，其特征在于，测算待测算时序处的目标电路的碳排放数据，包括：
获取待测算时序处的电力数据和环境数据，并将电力数据和环境数据输入至所述碳排放空间域测算模型中得到待测算时序处目标电路的碳排放数据；
获取待测算时序的多个前置时序处的多个碳排放数据，将多个碳排放数据输入至碳排放时间域测算模型中得到待测算时序处目标电路的碳排放数据；
将待测算时序处的电力数据、环境数据以及待测算时序的多个前置时序处的多个碳排放数据输入至碳排放时空域测算模型得到待测算时序处目标电路的碳排放数据。
8.根据权利要求7所述的基于电力数据的碳排放测算方法，其特征在于，所述电力数据包括产电量、线路负载功率、线路电流、线路电压、电路阻抗，所述环境数据包括目标电路所处环境中空气温度、湿度、颗粒度、日照量、降雨量、污染度。
9.根据权利要求8所述的基于电力数据的碳排放测算方法，其特征在于，所述电力数据、环境数据在获取后进行归一化处理再进行运算。
10.根据权利要求9所述的基于电力数据的碳排放测算方法，其特征在于，所述第一神经网络和第二神经网络均包含至少三个卷积层。
CN202211199753.0A 2022-09-29 2022-09-29 一种基于电力数据的碳排放测算方法 Active CN115564106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211199753.0A CN115564106B (zh) 2022-09-29 2022-09-29 一种基于电力数据的碳排放测算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211199753.0A CN115564106B (zh) 2022-09-29 2022-09-29 一种基于电力数据的碳排放测算方法

Publications (2)

Publication Number Publication Date
CN115564106A true CN115564106A (zh) 2023-01-03
CN115564106B CN115564106B (zh) 2023-10-17

Family

ID=84742326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211199753.0A Active CN115564106B (zh) 2022-09-29 2022-09-29 一种基于电力数据的碳排放测算方法

Country Status (1)

Country Link
CN (1) CN115564106B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050934A (zh) * 2023-02-14 2023-05-02 中国特种设备检测研究院 一种工业锅炉的产品碳足迹核算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717628A (zh) * 2019-10-09 2020-01-21 浪潮软件股份有限公司 一种货源优配模型构建方法、优配模型以及优配方法
CN113887808A (zh) * 2021-10-09 2022-01-04 国网青海省电力公司 一种基于电力大数据的碳排放测算方法
CN114118537A (zh) * 2021-11-09 2022-03-01 南京航空航天大学 一种空域航班碳排放量组合预测方法
CN114861980A (zh) * 2022-04-02 2022-08-05 武汉理工大学 一种基于bp-lstm模型的碳预测方法
CN114971023A (zh) * 2022-05-27 2022-08-30 国网浙江省电力有限公司信息通信分公司 一种基于大数据的碳排放测算方法及装置
CN115099522A (zh) * 2022-07-19 2022-09-23 东南大学溧阳研究院 基于bp神经网络的专变用户有功无功碳排放预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717628A (zh) * 2019-10-09 2020-01-21 浪潮软件股份有限公司 一种货源优配模型构建方法、优配模型以及优配方法
CN113887808A (zh) * 2021-10-09 2022-01-04 国网青海省电力公司 一种基于电力大数据的碳排放测算方法
CN114118537A (zh) * 2021-11-09 2022-03-01 南京航空航天大学 一种空域航班碳排放量组合预测方法
CN114861980A (zh) * 2022-04-02 2022-08-05 武汉理工大学 一种基于bp-lstm模型的碳预测方法
CN114971023A (zh) * 2022-05-27 2022-08-30 国网浙江省电力有限公司信息通信分公司 一种基于大数据的碳排放测算方法及装置
CN115099522A (zh) * 2022-07-19 2022-09-23 东南大学溧阳研究院 基于bp神经网络的专变用户有功无功碳排放预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050934A (zh) * 2023-02-14 2023-05-02 中国特种设备检测研究院 一种工业锅炉的产品碳足迹核算方法
CN116050934B (zh) * 2023-02-14 2024-01-19 中国特种设备检测研究院 一种工业锅炉的产品碳足迹核算方法

Also Published As

Publication number Publication date
CN115564106B (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
Wang et al. Underestimated impact of the COVID-19 on carbon emission reduction in developing countries–a novel assessment based on scenario analysis
CN107425520B (zh) 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法
Li et al. Estimating daily global solar radiation by day of year in China
CN114742294A (zh) 一种碳排放预测的神经网络算法
CN110659693A (zh) 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质
CN109840691A (zh) 基于深度神经网络的非侵入式分项电量估计方法
CN109325880A (zh) 一种基于Verhulst-SVM的中长期负荷预测方法
CN108830411A (zh) 一种基于数据处理的风电功率预测方法
CN115564106A (zh) 一种基于电力数据的碳排放测算方法
CN116316637A (zh) 一种配电网动态拓扑辨识方法、系统、设备及存储介质
CN106296434A (zh) 一种基于pso‑lssvm算法的粮食产量预测方法
CN106372440B (zh) 一种并行计算的配电网自适应抗差状态估计方法及装置
CN111654392A (zh) 基于互信息的低压配电网拓扑识别方法及系统
CN112989133B (zh) 一种电器设备的图数据建模电力指纹识别方法、存储介质及系统
CN113887808A (zh) 一种基于电力大数据的碳排放测算方法
Wan et al. Neural network model comparison and analysis of prediction methods using ARIMA and LSTM models
CN116316617B (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
Fan et al. Power load forecasting research based on neural network and Holt-winters method
US20220243347A1 (en) Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water
CN115345297A (zh) 一种基于生成对抗网络的台区样本生成方法及系统
CN115238951A (zh) 一种电力负荷的预测方法及装置
CN109270347B (zh) 一种针对同步相量量测的电网可观测性分析方法
CN108539730B (zh) 基于改进免疫离散粒子群算法的主动配电网量测位置优化方法
CN117310506B (zh) 监测储能电站的方法、装置和计算机可读存储介质
CN117422004B (zh) 基于神经网络的碳势预测方法及系统

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