CN115564106B - 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 PDFInfo
- Publication number
- CN115564106B CN115564106B CN202211199753.0A CN202211199753A CN115564106B CN 115564106 B CN115564106 B CN 115564106B CN 202211199753 A CN202211199753 A CN 202211199753A CN 115564106 B CN115564106 B CN 115564106B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- model
- measuring
- historical
- 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.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 247
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 247
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 43
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 239000005431 greenhouse gas Substances 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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—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)
- 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
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 (7)
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;
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;
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;
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。
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。
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。
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,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。
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。
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,所述电力数据、环境数据在获取后进行归一化处理再进行运算。
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,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。
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 CN115564106A (zh) | 2023-01-03 |
CN115564106B true 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) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
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 |
-
2022
- 2022-09-29 CN CN202211199753.0A patent/CN115564106B/zh active Active
Patent Citations (6)
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115564106A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112269134B (zh) | 一种基于深度学习的电池soc和soh联合估计方法 | |
CN115564106B (zh) | 一种基于电力数据的碳排放测算方法 | |
CN112580284B (zh) | 一种混合电容器等效电路模型及在线参数辨识方法 | |
CN108573327A (zh) | 基于天气数据的无线传感网节点太阳能收集功率预测算法 | |
CN108830411A (zh) | 一种基于数据处理的风电功率预测方法 | |
CN114744764A (zh) | 一种配电网数字孪生终端、系统和终端控制方法 | |
CN110570015A (zh) | 一种配电网多目标规划方法 | |
CN115877312A (zh) | 一种基于台区电能量守恒的电能表信息化评价校准模型 | |
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 | |
CN115392544A (zh) | 家庭用电负荷预测方法和装置 | |
Ren et al. | Prediction algorithm based on weather forecast for energy-harvesting wireless sensor networks | |
CN116995740A (zh) | 一种配电网分布式风电及储能优化配置方法和系统 | |
CN115936526A (zh) | 一种基于电力大数据的碳排放数据测算方法 | |
CN114971023A (zh) | 一种基于大数据的碳排放测算方法及装置 | |
CN115940169A (zh) | 一种计及源荷不确定性的改进电网电压越限风险评估方法 | |
CN113627451B (zh) | 基于贝叶斯网络的非侵入式家庭用电行为动态监测方法 | |
TWI468952B (zh) | 智慧電網之短期負載預測方法 | |
CN113052380A (zh) | 光伏电站运维清洗效果的检测方法、装置、设备及介质 | |
CN107742886B (zh) | 一种热电联合系统负荷峰值同时系数的预测方法 | |
Ming et al. | Electrical load prediction in energy internet via linear correlation coefficient approach | |
Hörmann et al. | Optimizing the energy supply of autonomous wireless sensor nodes | |
CN117310506B (zh) | 监测储能电站的方法、装置和计算机可读存储介质 | |
CN117217376B (zh) | 一种用于光伏电站建设的选址方法及系统 | |
CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN117556285B (zh) | 一种超差电表检测方法、系统、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |