CN115600722A - 企业电碳因子长期预测方法 - Google Patents

企业电碳因子长期预测方法 Download PDF

Info

Publication number
CN115600722A
CN115600722A CN202211069976.5A CN202211069976A CN115600722A CN 115600722 A CN115600722 A CN 115600722A CN 202211069976 A CN202211069976 A CN 202211069976A CN 115600722 A CN115600722 A CN 115600722A
Authority
CN
China
Prior art keywords
enterprise
power
factor
long
nodes
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
Application number
CN202211069976.5A
Other languages
English (en)
Inventor
张涛
杨秦敏
李超
孟文超
卢峰
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202211069976.5A priority Critical patent/CN115600722A/zh
Publication of CN115600722A publication Critical patent/CN115600722A/zh
Pending legal-status Critical Current

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
    • G06N3/08—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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种企业电碳因子长期预测方法，属于时间序列长期预测领域。本发明主要包括企业动态电碳因子计算和企业动态电碳因子长期预测两部分。企业动态电碳因子计算的过程为：通过实时多层级潮流追踪框架首先计算分时刻的220KV层级电碳因子，其次计算110KV层级电碳因子，最后计算企业层级的电碳因子。企业动态电碳因子长期预测的过程为：计算所有数据特征与电碳因子的斯皮尔曼相关系数，设定相关性阈值并筛选相关性大于阈值的特征加入到电碳因子预测数据集中，基于自相关机制和经验模态分解设计电碳因子长期预测模型，进行电碳因子96个步长的多变量预测，最后可视化预测结果。本发明精准计算并预测企业电碳因子序列，为企业低碳用电提供有效指导。

Description

企业电碳因子长期预测方法
技术领域
本发明属于时间序列长期预测领域，具体涉及企业电碳因子长期预测方法。
背景技术
随着“双碳”实践不断向精准控碳方向演进，如何有效降低企业用电碳排放是当下值得研究的热点问题。准确计量企业的用电碳排放和合理优化企业用电行为是解决该问题的两个抓手。目前计量企业用电碳排放主要依赖于电碳因子法，该方法适用于大数据量的运算，但是在准确度上易受电碳因子值的影响，对于某家企业来说，其每时每刻的用电清洁度都在变化，如果单纯以一个恒定的因子来表征其相当长一段时间内的度电碳排放是不合适的，因此迫切需要研究个性化的企业级动态电碳因子，在此基础上，挖掘电碳因子潜在的变化趋势，进而引导企业用电行为向低碳方式转变。
对于企业级动态电碳因子的计算而言，难点在于对于分时刻企业用电潮流追踪的建模，从电网到企业是一个多层级的结构，每一层级的潮流追踪模型都是一个动态变化的过程，需要保证模型能涵盖各种典型情况，并且整个计算过程的高效。对于企业电碳因子序列的预测而言，为了给企业留出足够的生产调度时间，要求预测模型具备刻画电碳因子长期变化趋势的能力。针对上述分析，本发明提出了企业电碳因子长期预测方法。通过实时多层级潮流追踪框架，计算得到个性化的企业动态电碳因子，精准刻画企业不同时刻用电碳排放的特性，在此基础上，基于电碳因子序列的特性，提出了电碳因子长期预测模型，来对企业电碳因子进行长期预测，精准反应企业电碳因子的变化趋势，为离散化生产企业提供低碳用电时序的科学有效指导。
发明内容
本发明旨在对企业级别电碳因子进行动态计算和长期预测，为生产过程可离散化的企业提供低碳用电时许的指导，促进企业生产尽可能地使用清洁电，降低用电碳排放，提高碳效，切实推动企业碳达峰的早日实现。
企业电碳因子长期预测方法，包括以下步骤：
S1.收集电网潮流数据、企业外购电力数据、企业自发自用电力数据，基于实时多层级潮流追踪框架，计算企业层面动态电碳因子；
S2.通过相关性分析，筛选电网潮流数据、企业负荷数据、当地气象数据中与电碳因子密切相关的特征，构建企业电碳因子预测数据集；
S3.基于自相关机制和经验模态分解，设计电碳因子长期预测模型；
S4.划分电碳因子预测数据集为训练集、验证集、测试集，对电碳因子长期预测模型进行训练、验证和测试；
S5.可视化企业电碳因子长期预测结果，为企业合理安排生产计划、调节用电时序提供指导。
进一步地，所述S1中基于实时多层级潮流追踪框架，计算企业层面动态电碳因子包括以下步骤：
S1.1.将电网潮流数据、企业外购电力数据、企业自发自用电力数据处理至15分钟的同一时间粒度，并进行数据预处理，将从电网到企业的碳流路径抽象为一个三层的结构，包括220KV层Layer220KV、110KV层Layer110KV和企业层LayerE。
S1.2.搭建Layer220KV所有发电节点G220KV,i，1＜i＜m220KV、用电节点L220KV,j，1＜j＜n220KV、网损节点Loss220KV,k，1＜k＜p220KV、输电线路Line220KV,s，1＜s＜q220KV的拓扑关系模型，其中m220KV,n220KV,p220KV,q220KV分别为Layer220KV发电节点、用电节点、网损节点、输电线路的数量，根据各发电节点的实际出力情况，选择将该发电节点是否置为用电节点，不断更新Layer220KV拓扑关系并形成a个标准模型，通过复功率比例潮流追踪算法解析Layer220KV所有用电节点的用电来源，结合Layer220KV各发电节点基础碳排系数C220KV,i并计算各用电节点的15分钟级别动态电碳因子F220KV,j，1＜j＜n220KV；
S1.3.深入企业所属的220KV用电节点
Figure BDA0003829511730000021
搭建Layer110KV所有发电节点G110KV,i，1＜i＜m110KV、用电节点L110KV,j，1＜j＜n110KV、网损节点Loss110KV,k，1＜k＜p110KV、输电线路Line110KV,s，1＜s＜q110KV的拓扑关系模型，其中m110KV,n110KV,p110KV,q110KV分别为Layer110KV发电节点、用电节点、网损节点、输电线路的数量，根据各发电节点的实际出力情况，选择将该发电节点是否置为用电节点，不断更新Layer110KV拓扑关系并形成b个标准模型，通过复功率比例潮流追踪算法解析Layer110KV所有用电节点的用电来源，结合Layer110KV各发电节点基础碳排系数C110KV,i，计算各用电节点的15分钟级别动态电碳因子F110KV,j，1＜j＜n110KV，其中Layer110KV的外购电力基础碳排系数以
Figure BDA0003829511730000022
表示；
S1.4.深入企业所属的110KV用电节点
Figure BDA0003829511730000023
将企业看作1个用电节点LE，将企业外购电力和企业自发自用电力看作发电节点GE,i，1＜i＜mE，根据各发电节点的实际出力情况，选择将该发电节点是否置为用电节点，更新并搭建LayerE所有发电节点、用电节点、网损节点LossE,k，1＜k＜pE、输电线路LineE,s，1＜s＜qE的c个拓扑关系模型，其中mE,pE,qE分别为LayerE发电节点、网损节点、输电线路的数量，通过复功率比例潮流追踪算法解析企业用电来源，结合LayerE各发电节点基础碳排系数CE,i，计算企业15分钟级别动态电碳因子FE，其中企业外购电力基础碳排系数以
Figure BDA0003829511730000031
表示。
进一步地，所述S2中构建企业电碳因子预测数据集包括以下步骤：
S2.1.通过斯皮尔曼相关性分析，计算电网潮流数据、企业负荷数据、当地气象数据的所有特征与企业电碳因子FE的相关性，形成一个Z×1的相关性矩阵CorrSP，每一行表示每一维数据特征与FE间的相关程度；
S2.2.CorrSP中的值为负表示该维特征与FE负相关，值为正表示该维特征与FE正相关，对CorrSP中的值取绝对值形成CorrSP,abs，并计算平均值以此作为相关性阈值TCorr，将CorrSP,abs中值大于TCorr的特征筛选出来，加入到电碳因子预测数据集中。
进一步地，所述S3中设计电碳因子长期预测模型由2个相同编码器以及1个解码器组成，电碳因子长期预测模型的编码器由自相关模块、序列分解重组模块1、前馈网络模块、序列分解重组模块2依次连接组成，电碳因子长期预测模型的解码器由自相关模块1、序列分解重组模块1、自相关模块2、序列分解重组模块2、前馈网络模块、序列分解重组模块3依次连接组成。
进一步地，所述自相关模块的设计遵循Autoformer中的Auto-Correlation模块的设计。
进一步地，所述序列分解重组模块采用经验模态分解的方法，将输入的序列X分解为5个IMF和1个残差分量，将残差分量舍去，并将奇数序号IMF和偶素序号的IMF分别重组为两个新的子序列X1和X2。
进一步地，所述S4中训练集、验证集、测试集的划分比例为7：2：1，以每15分钟为1个步长，模型输入为当前连续的96个步长，模型输出为之后连续的96个步长。
进一步地，所述S5中可视化企业电碳因子长期预测结果包括以下步骤：
S5.1.以时间序列曲线的形式，可视化企业电碳因子的预测结果；
S5.2.捕捉并标注每连续的96个步长中，企业电碳因子的峰值和谷值。
与现有技术相比，本发明的有益效果在于：首次提出了对于企业级电碳因子的计算方法，通过实时多层级潮流追踪框架，动态更新潮流追踪模型，采用层级递进的思想精准刻画15分钟粒度企业电碳因子，并基于自相关机制和经验模态分解技术设计电碳因子长期预测模型，精准反应企业电碳因子的变化趋势，为离散化生产企业提供低碳用电时序的科学有效指导。
附图说明
图1是本发明企业电碳因子长期预测方法流程图；
图2是某时刻的多层级潮流追踪拓扑关系模型示意图；
图3是企业动态电碳因子序列计算结果示意图；
图4是电碳因子长期预测模型结构示意图；
图5是企业动态电碳因子变化趋势长期预测结果示意图。
具体实施步骤
下面结合附图和具体实施例，对本发明的技术方案进行详细描述，所描述的实施例仅为本发明实施例之一。
本发明的企业电碳因子长期预测方法，采用的技术方案如下：
首先，收集电网潮流数据、企业外购电力数据、企业自发自用电力数据，基于实时多层级潮流追踪框架，计算企业层面动态电碳因子。此方法针对的电碳因子的主体是高耗电的、生产过程可离散化的企业，如纺织企业。
进一步地，将电网潮流数据、企业外购电力数据、企业自发自用电力数据处理至15分钟的同一时间粒度，并进行数据预处理；将从电网到企业的碳流路径抽象为一个三层的结构，包括220KV层(Layer220KV)、110KV层(Layer110KV)和企业层(LayerE)。
首先，搭建Layer220KV所有发电节点G220KV,i，1＜i＜m220KV、用电节点L220KV,j，1＜j＜n220KV、网损节点Loss220KV,k，1＜k＜p220KV、输电线路Line220KV,s，1＜s＜q220KV的拓扑关系模型，其中m220KV,n220KV,p220KV,q220KV分别为Layer220KV发电节点、用电节点、网损节点、输电线路的数量。由于部分节点在不同时刻会表现出发电和用电的不同性质，根据各发电节点的实际出力情况，选择将该发电节点是否置为用电节点，不断更新Layer220KV拓扑关系并形成a个标准模型。通过复功率比例潮流追踪算法解析Layer220KV所有用电节点的用电来源，结合Layer220KV各发电节点基础碳排系数C220KV,i并计算各用电节点的15分钟级别动态电碳因子F220KV,j，1＜j＜n220KV。
其次，深入企业所属的220KV用电节点
Figure BDA0003829511730000041
搭建Layer110KV所有发电节点G110KV,i，1＜i＜m110KV、用电节点L110KV,j，1＜j＜n110KV、网损节点Loss110KV,k，1＜k＜p110KV、输电线路Line110KV,s，1＜s＜q110KV的拓扑关系模型，其中m110KV,n110KV,p110KV,q110KV分别为Layer110KV发电节点、用电节点、网损节点、输电线路的数量。根据各发电节点的实际出力情况，选择将该发电节点是否置为用电节点，不断更新Layer110KV拓扑关系并形成b个标准模型。通过复功率比例潮流追踪算法解析Layer110KV所有用电节点的用电来源，结合Layer110KV各发电节点基础碳排系数C110KV,i，其中Layer110KV的外购电力基础碳排系数以
Figure BDA0003829511730000051
表示，计算各用电节点的15分钟级别动态电碳因子F110KV,j，1＜j＜n110KV。
最后，深入企业所属的110KV用电节点
Figure BDA0003829511730000052
将企业看作1个用电节点LE，将企业外购电力和企业自发自用电力看作发电节点GE,i，1＜i＜mE，根据各发电节点的实际出力情况，选择将该发电节点是否置为用电节点，更新并搭建LayerE所有发电节点、用电节点、网损节点LossE,k，1＜k＜pE、输电线路LineE,s，1＜s＜qE的c个拓扑关系模型，其中mE,pE,qE分别为LayerE发电节点、网损节点、输电线路的数量。通过复功率比例潮流追踪算法解析企业用电来源，结合LayerE各发电节点基础碳排系数CE,i，其中企业外购电力基础碳排系数以
Figure BDA0003829511730000053
表示，计算企业15分钟级别动态电碳因子FE。
进一步地，通过相关性分析，筛选电网潮流数据、企业负荷数据、当地气象数据中与电碳因子密切相关的特征，构建企业电碳因子预测数据集。
首先，通过斯皮尔曼相关性分析，计算电网潮流数据、企业负荷数据、当地气象数据的所有特征与企业电碳因子FE的相关性，形成一个Z×1的相关性矩阵CorrSP，每一行表示每一维数据特征与FE间的相关程度。
然后，CorrSP中的值为负表示该维特征与FE负相关，值为正表示该维特征与FE正相关。对CorrSP中的值取绝对值形成CorrSP,abs，并计算平均值以此作为相关性阈值TCorr，将CorrSP,abs中值大于TCorr的特征筛选出来，加入到电碳因子预测数据集中。
进一步地，基于自相关机制和经验模态分解，设计电碳因子长期预测模型。电碳因子长期预测模型由2个相同编码器以及1个解码器组成。电碳因子长期预测模型的编码器由自相关模块、序列分解重组模块1、前馈网络模块、序列分解重组模块2依次连接组成。电碳因子长期预测模型的解码器由自相关模块1、序列分解重组模块1、自相关模块2、序列分解重组模块2、前馈网络模块、序列分解重组模块3依次连接组成。
自相关模块的设计遵循Autoformer中的Auto-Correlation模块的设计。序列分解重组模块采用经验模态分解的方法，将输入的序列X分解为5个IMF和1个残差分量，将残差分量舍去，并将奇数序号IMF和偶素序号的IMF分别重组为两个新的子序列X1和X2。
进一步地，划分电碳因子预测数据集为训练集、验证集、测试集，对电碳因子长期预测模型进行训练、验证和测试。训练集、验证集、测试集的划分比例为7：2：1。以每15分钟为1个步长，模型输入为当前连续的96个步长，模型输出为之后连续的96个步长。
进一步地，可视化企业电碳因子长期预测结果，为企业合理安排生产计划、调节用电时序提供指导。首先以时间序列曲线的形式，可视化企业电碳因子的预测结果。其次捕捉并标注每连续的96个步长中，企业电碳因子的峰值和谷值。
实施例
本发明所述的企业电碳因子长期预测方法，以某纺织企业为例进行应用，如图1所示，本发明的主要步骤为：
首先，收集该企业所属的500KV、220KV、110KV、35KV、10KV等级别电网潮流数据，收集企业外购电力数据、收集该企业自发自用电力数据(主要为分布式光伏)，收集该企业所在地的气象数据。将所有数据数据处理至15分钟的同一时间粒度，即对于之后的所有计算，均以15分钟为一个步长。进行数据预处理，对缺失值进行窗口长度为25个步长的均值填补。
进一步地，对Layer220KV、Layer110KV、LayerE进行潮流追踪建模，多层级潮流追踪拓扑关系模型如图2所示。
首先，搭建Layer220KV所有发电节点G220KV,i，1＜i＜m220KV、用电节点L220KV,j，1＜j＜n220KV、网损节点Loss220KV,k，1＜k＜p220KV、输电线路Line220KV,s，1＜s＜q220KV的拓扑关系模型。如图2所示在该时刻，Layer220KV有三个发电节点，分别为①、②、③，有9个用电节点，分别为④至
Figure BDA0003829511730000061
不断更新Layer220KV拓扑关系并形成a个标准模型。通过复功率比例潮流追踪算法解析Layer220KV所有用电节点的用电来源，结合Layer220KV各发电节点基础碳排系数C220KV,i并计算各用电节点的15分钟级别动态电碳因子F220KV,j，1＜j＜n220KV。
其次，深入企业所属的220KV用电节点
Figure BDA0003829511730000062
搭建Layer110KV所有发电节点G110KV,i，1＜i＜m110KV、用电节点L110KV,j，1＜j＜n110KV、网损节点Loss110KV,k，1＜k＜p110KV、输电线路Line110KV,s，1＜s＜q110KV的拓扑关系模型。不断更新Layer110KV拓扑关系并形成b个标准模型。如图2所示在该时刻，Layer110KV有3个发电节点，分别为“220KV送电”、“垃圾燃烧发电”和“本地光伏站”，有2个用电节点，分别是“10KV线”和“其他负荷”。通过复功率比例潮流追踪算法解析Layer110KV所有用电节点的用电来源，结合Layer110KV各发电节点基础碳排系数C110KV,i，其中Layer110KV的外购电力基础碳排系数以
Figure BDA0003829511730000071
表示，计算各用电节点的15分钟级别动态电碳因子F110KV,j，1＜j＜n110KV。
最后，深入企业所属的110KV用电节点
Figure BDA0003829511730000072
将企业看作1个用电节点LE，将企业外购电力和企业自发自用电力看作发电节点GE,i，1＜i＜mE，更新并搭建LayerE所有发电节点、用电节点、网损节点LossE,k，1＜k＜pE、输电线路LineE,s，1＜s＜qE的c个拓扑关系模型。如图2所示在该时刻，LayerE有2个发电节点，分别是“10KV线”和“自发自用分布式光伏”。通过复功率比例潮流追踪算法解析企业用电来源，结合LayerE各发电节点基础碳排系数CE,i，其中企业外购电力基础碳排系数以
Figure BDA0003829511730000073
表示，计算企业15分钟级别动态电碳因子FE。
进一步地，该企业15分钟级别动态电碳因子FE计算结果如图3所示。
进一步地，通过斯皮尔曼相关性分析，计算电网潮流数据、企业负荷数据、当地气象数据的所有特征与企业电碳因子FE的相关性，形成一个Z×1的相关性矩阵CorrSP，每一行表示每一维数据特征与FE间的相关程度。CorrSP中的值为负表示该维特征与FE负相关，值为正表示该维特征与FE正相关。对CorrSP中的值取绝对值形成CorrSP,abs，并计算平均值以此作为相关性阈值TCorr，将CorrSP,abs中值大于TCorr的特征筛选出来，加入到电碳因子预测数据集中。
进一步地，基于自相关机制和经验模态分解，设计电碳因子长期预测模型，电碳因子长期预测模型的结构如图4所示。具体的，电碳因子长期预测模型由2个相同编码器以及1个解码器组成。电碳因子长期预测模型的编码器由自相关模块、序列分解重组模块1、前馈网络模块、序列分解重组模块2依次连接组成。电碳因子长期预测模型的解码器由自相关模块1、序列分解重组模块1、自相关模块2、序列分解重组模块2、前馈网络模块、序列分解重组模块3依次连接组成。
自相关模块的设计遵循Autoformer中的Auto-Correlation模块的设计。序列分解重组模块采用经验模态分解的方法，将输入的序列X分解为5个IMF和1个残差分量，将残差分量舍去，并将奇数序号IMF和偶素序号的IMF分别重组为两个新的子序列X1和X2。
进一步地，划分电碳因子预测数据集为训练集、验证集、测试集，对电碳因子长期预测模型进行训练、验证和测试。训练集、验证集、测试集的划分比例为7：2：1。以每15分钟为1个步长，模型输入为当前连续的96个步长，模型输出为之后连续的96个步长。
最后，可视化企业电碳因子长期预测结果，为企业合理安排生产计划、调节用电时序提供指导。首先以时间序列曲线的形式，可视化企业电碳因子的预测结果。其次捕捉并标注每连续的96个步长中，企业电碳因子的峰值和谷值。可视化结果如图5所示，线1代表真值，线2代表预测值，并捕捉序列峰值和谷值。

Claims (8)

1.企业电碳因子长期预测方法，其特征在于，包括以下步骤：
S1.收集电网潮流数据、企业外购电力数据、企业自发自用电力数据，基于实时多层级潮流追踪框架，计算企业层面动态电碳因子；
S2.通过相关性分析，筛选电网潮流数据、企业负荷数据、当地气象数据中与电碳因子密切相关的特征，构建企业电碳因子预测数据集；
S3.基于自相关机制和经验模态分解，设计电碳因子长期预测模型；
S4.划分电碳因子预测数据集为训练集、验证集、测试集，对电碳因子长期预测模型进行训练、验证和测试；
S5.可视化企业电碳因子长期预测结果，为企业合理安排生产计划、调节用电时序提供指导。
2.根据权利要求1所述的基于自相关机制和经验模态分解的企业电碳因子长期预测方法，其特征在于，所述S1中基于实时多层级潮流追踪框架，计算企业层面动态电碳因子包括以下步骤：
S1.1.将电网潮流数据、企业外购电力数据、企业自发自用电力数据处理至15分钟的同一时间粒度，并进行数据预处理，将从电网到企业的碳流路径抽象为一个三层的结构，包括220KV层Layer220KV、110KV层Layer110KV和企业层LayerE。
S1.2.搭建Layer220KV所有发电节点G220KV,i，1＜i＜m220KV、用电节点L220KV,j，1＜j＜n220KV、网损节点Loss220KV,k，1＜k＜p220KV、输电线路Line220KV,s，1＜s＜q220KV的拓扑关系模型，其中m220KV,n220KV,p220KV,q220KV分别为Layer220KV发电节点、用电节点、网损节点、输电线路的数量，根据各发电节点的实际出力情况，选择将该发电节点是否置为用电节点，不断更新Layer220KV拓扑关系并形成a个标准模型，通过复功率比例潮流追踪算法解析Layer220KV所有用电节点的用电来源，结合Layer220KV各发电节点基础碳排系数C220KV,i并计算各用电节点的15分钟级别动态电碳因子F220KV,j，1＜j＜n220KV；
S1.3.深入企业所属的220KV用电节点
Figure FDA0003829511720000011
搭建Layer110KV所有发电节点G110KV,i，1＜i＜m110KV、用电节点L110KV,j，1＜j＜n110KV、网损节点Loss110KV,k，1＜k＜p110KV、输电线路Line110KV,s，1＜s＜q110KV的拓扑关系模型，其中m110KV,n110KV,p110KV,q110KV分别为Layer110KV发电节点、用电节点、网损节点、输电线路的数量，根据各发电节点的实际出力情况，选择将该发电节点是否置为用电节点，不断更新Layer110KV拓扑关系并形成b个标准模型，通过复功率比例潮流追踪算法解析Layer110KV所有用电节点的用电来源，结合Layer110KV各发电节点基础碳排系数C110KV,i，计算各用电节点的15分钟级别动态电碳因子F110KV,j，1＜j＜n110KV，其中Layer110KV的外购电力基础碳排系数以
Figure FDA0003829511720000021
表示；
S1.4.深入企业所属的110KV用电节点
Figure FDA0003829511720000022
将企业看作1个用电节点LE，将企业外购电力和企业自发自用电力看作发电节点GE,i，1＜i＜mE，根据各发电节点的实际出力情况，选择将该发电节点是否置为用电节点，更新并搭建LayerE所有发电节点、用电节点、网损节点LossE,k，1＜k＜pE、输电线路LineE,s，1＜s＜qE的c个拓扑关系模型，其中mE,pE,qE分别为LayerE发电节点、网损节点、输电线路的数量，通过复功率比例潮流追踪算法解析企业用电来源，结合LayerE各发电节点基础碳排系数CE,i，计算企业15分钟级别动态电碳因子FE，其中企业外购电力基础碳排系数以
Figure FDA0003829511720000023
表示。
3.根据权利要求1所述的企业电碳因子长期预测方法，其特征在于，所述S2中构建企业电碳因子预测数据集包括以下步骤：
S2.1.通过斯皮尔曼相关性分析，计算电网潮流数据、企业负荷数据、当地气象数据的所有特征与企业电碳因子FE的相关性，形成一个Z×1的相关性矩阵CorrSP，每一行表示每一维数据特征与FE间的相关程度；
S2.2.CorrSP中的值为负表示该维特征与FE负相关，值为正表示该维特征与FE正相关，对CorrSP中的值取绝对值形成CorrSP,abs，并计算平均值以此作为相关性阈值TCorr，将CorrSP,abs中值大于TCorr的特征筛选出来，加入到电碳因子预测数据集中。
4.根据权利要求1所述的企业电碳因子长期预测方法，其特征在于，所述S3中设计的电碳因子长期预测模型由2个相同编码器以及1个解码器组成，电碳因子长期预测模型的编码器由自相关模块、序列分解重组模块1、前馈网络模块、序列分解重组模块2依次连接组成，电碳因子长期预测模型的解码器由自相关模块1、序列分解重组模块1、自相关模块2、序列分解重组模块2、前馈网络模块、序列分解重组模块3依次连接组成。
5.根据权利要求3所述的企业电碳因子长期预测方法，其特征在于，所述自相关模块的设计遵循Autoformer中的Auto-Correlation模块的设计。
6.根据权利要求3所述的企业电碳因子长期预测方法，其特征在于，所述序列分解重组模块采用经验模态分解的方法，将输入的序列X分解为5个IMF和1个残差分量，将残差分量舍去，并将奇数序号IMF和偶素序号的IMF分别重组为两个新的子序列X1和X2。
7.根据权利要求1所述的企业电碳因子长期预测方法，其特征在于，所述S4中训练集、验证集、测试集的划分比例为7：2：1，以每15分钟为1个步长，模型输入为当前连续的96个步长，模型输出为之后连续的96个步长。
8.根据权利要求1所述的企业电碳因子长期预测方法，其特征在于，所述S5中可视化企业电碳因子长期预测结果包括以下步骤：
S5.1.以时间序列曲线的形式，可视化企业电碳因子的预测结果；
S5.2.捕捉并标注每连续的96个步长中，企业电碳因子的峰值和谷值。
CN202211069976.5A 2022-09-02 2022-09-02 企业电碳因子长期预测方法 Pending CN115600722A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211069976.5A CN115600722A (zh) 2022-09-02 2022-09-02 企业电碳因子长期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211069976.5A CN115600722A (zh) 2022-09-02 2022-09-02 企业电碳因子长期预测方法

Publications (1)

Publication Number Publication Date
CN115600722A true CN115600722A (zh) 2023-01-13

Family

ID=84842671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211069976.5A Pending CN115600722A (zh) 2022-09-02 2022-09-02 企业电碳因子长期预测方法

Country Status (1)

Country Link
CN (1) CN115600722A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116231657A (zh) * 2023-05-09 2023-06-06 国网浙江省电力有限公司 一种输配电网全局碳流分布式确定方法及装置
CN117910657A (zh) * 2024-03-14 2024-04-19 杭州阿里云飞天信息技术有限公司 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116231657A (zh) * 2023-05-09 2023-06-06 国网浙江省电力有限公司 一种输配电网全局碳流分布式确定方法及装置
CN116231657B (zh) * 2023-05-09 2023-09-29 国网浙江省电力有限公司 一种输配电网全局碳流分布式确定方法及装置
CN117910657A (zh) * 2024-03-14 2024-04-19 杭州阿里云飞天信息技术有限公司 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品

Similar Documents

Publication Publication Date Title
Zhou et al. Multi-energy net load forecasting for integrated local energy systems with heterogeneous prosumers
Kim et al. LSTM based short-term electricity consumption forecast with daily load profile sequences
CN115600722A (zh) 企业电碳因子长期预测方法
Liu et al. Short-term load forecasting of multi-energy in integrated energy system based on multivariate phase space reconstruction and support vector regression mode
CN113205207A (zh) 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
Kaplan et al. A novel method based on Weibull distribution for short-term wind speed prediction
Velasco et al. Next day electric load forecasting using Artificial Neural Networks
CN116451873B (zh) 基于多尺度双时空网络区域风力发电功率预测方法及系统
CN113591368A (zh) 一种综合能源系统多能负荷预测方法及系统
Xiyun et al. Wind power probability interval prediction based on bootstrap quantile regression method
CN116757465A (zh) 一种基于双训练权重分配模型的线路风险评估方法及装置
Jaisumroum et al. Forecasting uncertainty of Thailand's electricity consumption compare with using artificial neural network and multiple linear regression methods
CN117251672A (zh) 基于电力数据的区域行业多维能源碳排放计算方法和装置
Zi-hao et al. A thermal energy usage prediction method for electric thermal storage heaters based on deep learning
Sun et al. Interval mixed-integer programming for daily unit commitment and dispatch incorporating wind power
Deshmukh et al. Application of genetic algorithm to neural network model for estimation of wind power potential
CN115907198A (zh) 一种长距离供热负荷智能预测系统
CN112670997B (zh) 考虑光伏不确定性的电热能源系统时序概率潮流计算方法
CN112580875B (zh) 一种配电装置的故障预测方法及系统
Salman et al. Using recurrent neural network to forecast day and year ahead performance of load demand: A case study of France
Zuo et al. Short-term load forecasting for community battery systems based on temporal convolutional networks
Deng et al. Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network
Shi et al. A Short-Term Regional Net Load Prediction Method Based on Parallel Fragment Attention-BI-LSTM
Liu et al. Available power estimation of wind farms based on deep spatio-temporal neural networks
Han et al. Short-term prediction of wind power combining GM (1, 1) model with cloud model

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