CN115659845B - 一种基于电力数据的碳排放计算方法及装置 - Google Patents

一种基于电力数据的碳排放计算方法及装置 Download PDF

Info

Publication number
CN115659845B
CN115659845B CN202211567894.3A CN202211567894A CN115659845B CN 115659845 B CN115659845 B CN 115659845B CN 202211567894 A CN202211567894 A CN 202211567894A CN 115659845 B CN115659845 B CN 115659845B
Authority
CN
China
Prior art keywords
rule
enterprise
carbon emission
value
regression function
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
Application number
CN202211567894.3A
Other languages
English (en)
Other versions
CN115659845A (zh
Inventor
辛颖梅
吴炎
朱青
孙鹏
孙聪
陈妍珺
贺涛
张晨
于洪伟
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.)
Jiangsu Qingtian Industrial Internet Co ltd
Original Assignee
Jiangsu Qingtian Industrial Internet 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 Jiangsu Qingtian Industrial Internet Co ltd filed Critical Jiangsu Qingtian Industrial Internet Co ltd
Priority to CN202211567894.3A priority Critical patent/CN115659845B/zh
Publication of CN115659845A publication Critical patent/CN115659845A/zh
Application granted granted Critical
Publication of CN115659845B publication Critical patent/CN115659845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种基于电力数据的碳排放计算方法及装置，通过构建企业属性库，计算所述企业属性库的最小支持度，根据所述企业属性库基于Apriori方法生成企业属性库的规则库。根据所述规则库生成画像模型，从而准确地将待预测的案例与所述企业属性库进行对比。根据所述画像模型建立每条规则对应的规则子集，所述规则子集包括当前规则对应的参考案例数量、回归函数以及回归函数的损失值。将所述目标案例与所述画像模型匹配，以获取格式向量。在多种回归拟合融合的过程中，通过自创的权重系数对不同回归函数进行权重分析，降低单一回归的偏离误差。最后根据所述格式向量计算所述目标案例对应的碳排放推测值，提高碳排放测算的精确度。

Description

一种基于电力数据的碳排放计算方法及装置
技术领域
本申请涉及碳排放计算技术领域，尤其涉及一种基于电力数据的碳排放计算方法及装置。
背景技术
碳排放数据可以用于指导企业的资源消耗调整，即根据一个阶段的碳排放数据，调整下一个生产周期内的资源消耗量，从而提高生产效率，以及提高环保能力。大多数企业采用的碳排放测算方法主要是根据碳核查标准，即按照标准核算方法，结合企业用能数据核算出每个周期的碳排放量。然而，这种核查方法中是根据区域性的系数进行计算，因此测算出的结果与企业的实际碳排放量会有一定误差，从而导致整体的碳排放测算精确度较低。
发明内容
本申请提供了一种基于电力数据的碳排放计算方法及装置，以解决碳排放测算精确度较低的问题。
第一方面，本申请提供一种基于电力数据的碳排放计算方法，包括以下步骤：
获取用于显示碳排放数据的控制指令；响应于所述控制指令，获取目标案例与企业属性库，所述目标案例为待预测的案例，所述企业属性库包括企业历史生产及碳排放数据的参考案例；计算所述企业属性库的最小支持度，所述最小支持度为所述企业属性库中所有属性对应的企业数量中位数与行业企业数目的比值。
根据所述最小支持度基于Apriori方法生成所述企业属性库的规则库；按照所述规则库生成所述企业属性库的画像模型，所述画像模型包括每条规则对应的案例数量、电力消耗数值以及目标函数值。
根据所述画像模型建立每条规则对应的规则子集，所述规则子集包括当前规则对应的参考案例数量、回归函数以及回归函数的损失值；将所述目标案例与所述画像模型匹配，以获取格式向量，所述格式向量包括所述目标案例的匹配度、对应规则的目标规则子集以及所述目标规则子集中回归函数的权重。
根据所述格式向量计算所述目标案例对应的碳排放推测值，以及显示所述碳排放推测值。
结合第一方面，在第一方面的一种可实施方式中，所述获取企业属性库包括：根据行业类型将所有企业历史生产及碳排放数据的案例划分为多个属性集；将所述属性集中的数值型数据进行极差分位化处理，以及通过所述属性集构建企业属性库。
结合第一方面，在第一方面的一种可实施方式中，所述构建企业属性库的表达式为：
Figure SMS_1
式中，
Figure SMS_2
为企业属性库，
Figure SMS_3
为属性值，
Figure SMS_4
为二氧化碳排放量。
结合第一方面，在第一方面的一种可实施方式中，所述方法还包括：预设构建参数值，所述构建参数值包括confidence与Len值；根据所述最小支持度与所述构建参数值基于Apriori方法生成所述企业属性库的规则库。
结合第一方面，在第一方面的一种可实施方式中，所述回归函数包括线性回归函数、多项式回归函数、指数回归函数、对数回归函数、双曲线回归函数以及指数倒数回归函数中的一种或多种的组合。
结合第一方面，在第一方面的一种可实施方式中，所述方法还包括：当存在超过预设值的误差时，删除所述回归函数中所有单调递减的函数，以及保留所述规则子集中损失值最小的函数。
结合第一方面，在第一方面的一种可实施方式中，所述格式向量的表达式为：
Figure SMS_5
式中，
Figure SMS_6
为规则体，
Figure SMS_7
为回归函数对应的损失函数，
Figure SMS_8
为匹配度，
Figure SMS_9
为回归函数，
Figure SMS_10
为当前规则在下对应的权重,
Figure SMS_11
为待目标案例对应规则的序号；
所述损失函数
Figure SMS_12
的表达式为：
Figure SMS_13
式中，N表示当前回归函数对应的点的个数，y表示当前点的真实值，k表示回归函数对应的斜率参数，b表示回归函数对应的常数参数，x表示当前点x坐标对应的实际值。
结合第一方面，在第一方面的一种可实施方式中，所述权重的计算公式为：
Figure SMS_14
式中，
Figure SMS_15
为参考案例数量，
Figure SMS_16
为损失函数的修正参数。
结合第一方面，在第一方面的一种可实施方式中，所述碳排放推测值的计算公式为：
Figure SMS_17
式中，
Figure SMS_18
表示待推测案例对应的规则数量，
Figure SMS_19
为
Figure SMS_20
的最大值。
第二方面，本申请提供一种基于电力数据的碳排放计算装置，其特征在于，包括：
输入模块，被配置为获取用于显示碳排放数据的控制指令；
采集模块，被配置为响应于所述控制指令，获取目标案例与企业属性库，所述目标案例为待预测的案例，所述企业属性库包括企业历史生产及碳排放数据的参考案例；
处理模块，被配置为计算所述企业属性库的最小支持度，所述最小支持度为所述企业属性库中所有属性对应的企业数量中位数与行业企业数目的比值；
根据所述最小支持度基于Apriori方法生成所述企业属性库的规则库；按照所述规则库生成所述企业属性库的画像模型，所述画像模型包括每条规则对应的案例数量、电力消耗数值以及目标函数值；根据所述画像模型建立每条规则对应的规则子集，所述规则子集包括当前规则对应的参考案例数量、回归函数以及回归函数的损失值；
将所述目标案例与所述画像模型匹配，以获取格式向量，所述格式向量包括所述目标案例的匹配度、对应规则的目标规则子集以及所述目标规则子集中回归函数的权重；
输出模块，被配置为根据所述格式向量计算所述目标案例对应的碳排放推测值；
显示模块，被配置为显示所述碳排放推测值。
由以上技术方案可知，本申请提供一种基于电力数据的碳排放计算方法及装置，所述方法首先获取目标案例与企业属性库，所述目标案例为待预测的案例，所述企业属性库包括企业历史生产及碳排放数据的参考案例。然后计算所述企业属性库的最小支持度，以及根据所述最小支持度基于Apriori方法生成企业属性库的规则库。根据所述规则库生成企业的画像模型，从而准确地将待预测的案例与所述企业属性库进行对比，所述画像模型包括每条规则对应的案例数量、电力消耗数值以及目标函数值。根据所述画像模型建立每条规则对应的规则子集，所述规则子集包括当前规则对应的参考案例数量、回归函数以及回归函数的损失值。将所述目标案例与所述画像模型匹配，以获取格式向量。在多种回归拟合融合的过程中，通过自创的权重系数对不同回归函数进行权重分析，降低单一回归的偏离误差。最后根据所述格式向量计算所述目标案例对应的碳排放推测值，提高碳排放测算的精确度。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于电力数据的碳排放计算方法的流程示意图；
图2为本申请实施例提供的画像模型示意图；
图3为本申请实施例提供的回归方程示意图；
图4为本申请实施例提供的基于电力数据的碳排放计算装置的结构示意图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
碳排放数据可以用于指导企业的资源消耗调整，即根据一个阶段的碳排放数据，调整下一个生产周期内的资源消耗量，从而提高生产效率，以及提高环保能力。为了实现碳中和的双碳目标，在一些实施例中，万吨标煤以上的用能企业已经开展多年的企业碳排放报送工作。其中，碳排放测算是用能企业在进行碳排放报送工作中至关重要的碳监测手段。
然而，企业碳排放统计工作虽然有优点，但也有着明显的缺陷：第一、在下一年统计上一年的企业碳排放数据，数据存在明显时间滞后性；第二、企业目前缺乏对实时碳排放数据的统计能力；第三、无法发挥碳排放数据对企业节能减排的引导作用。随着碳市场的开展和企业双碳意识的提升，目前的数据统计频率已经无法满足企业双碳管理需求。
为解决上述问题，部分企业采取了物联网监测技术，即通过监测电、燃气、煤、油等能源的消耗量折算成碳排放量。然而，该方法在成本、范围等方面仍存在一些问题，并且还存在一定的技术问题。一方面，企业安装在线监测的成本高，导致无法实现覆盖推广；另一方面，安装在线监测设备后期企业需要持续的运维投入，运维成本过高，导致企业难以持续物联网监测技术。
基于企业层面，电力数据具备时效性高、覆盖面广、客观性强等显著特征，电力数据为企业碳排放统计核算中能够获取到的最高频次数据。因此，有必要建立一套城市企业电力数据与碳排放的关联关系模型，更为准确且高频地核算出的企业的碳排放数据，以满足企业的精细化碳管理要求，提高碳排放测算的精确度。
在此基础上，本申请利用企业电力数据且易于实时收集并反馈的特点，基于各行业企业历史用电及碳排放数据，对各个企业进行了企业画像和电碳关联分析，从而建立企业用电量与碳排放的关系模型，并根据企业的实时用电数据核算该企业实时的碳排放数据。
图1为本申请提供的一种基于电力数据的碳排放计算方法的流程图，如图1所示，本申请提供的基于电力数据的碳排放计算方法包括：
S100：获取目标案例与企业属性库。
在执行步骤S100之前，还需要获取用于显示碳排放数据的控制指令，响应于所述控制指令，获取目标案例与企业属性库。显示碳排放数据的控制指令可以通过多种方式输入，本申请不作限制。
其中，所述目标案例为待预测的案例，所述企业属性库包括企业历史生产及碳排放数据的参考案例。获取企业历史生产及碳排放数据的参考案例的过程，主要是将企业历史核查库中的数据和当前企业属性及相应的电力消耗数据，进行数据规范化和清洗，形成标准格式的数据。其中，各个企业申报的数据包括：企业识别数据，例如：企业编号、企业名称、企业行业归属、纳税人识别号等；企业属性数据，例如：企业规模、企业主营产品、企业年销售额等；企业电力及目标数据，例如：企业年电力消耗值，企业当前电力消耗值，企业年碳排放值，企业当前碳排放值。
需要说明的是，如果历史核查库中企业当前电力消耗值为空，则当前企业属性及相应电力消耗数据中，企业当前碳排放值为空。
在对数据进行清洗规范化和清洗后，则可以根据处理后的数据生成企业属性库。因此，可以根据行业类型将所有企业历史生产及碳排放数据的案例划分为多个属性集。其中，每个行业的属性集不需要一致，相近的行业可以归纳为同一类型。例如：划分能源生产与加工转换行业为同一个行业类型A、划分工业与建筑业为同一类型B、农林牧渔为同一类型C等。然后收集每个行业的属性集，以形成企业属性库。
在一些实施例中，企业属性库的表达式为：
Figure SMS_21
式中，
Figure SMS_22
为企业属性库，
Figure SMS_23
为属性值，
Figure SMS_24
为目标值，即二氧化碳排放量。
Figure SMS_25
，
Figure SMS_26
为属性
Figure SMS_27
下对应的不同取值，B为企业序号，n为B企业对应的序号。由步骤S100可知，当前企业属性库
Figure SMS_28
中的企业案例即为已有的企业历史生产及相应碳排放核查数据。
S200：计算所述企业属性库的最小支持度。
在企业属性库
Figure SMS_31
中确定规则生成中的最小支持度
Figure SMS_33
，最小支持度
Figure SMS_35
为企业属性库
Figure SMS_30
中所有属性对应的企业数量中位数与行业企业数目的比值。即在一些实施例中，最小支持度
Figure SMS_32
其中
Figure SMS_34
表示
Figure SMS_36
所有属性对应的企业数量的中位数，
Figure SMS_29
为当前行业的企业数目。
S300：根据所述最小支持度基于Apriori方法生成所述企业属性库的规则库。
基于最小支持度，在企业属性库
Figure SMS_37
中执行Apriori方法，即可生成企业属性库
Figure SMS_38
的规则库。其中，目标属性
Figure SMS_39
不参加计算。Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在Apriori算法中，所有支持度大于最小支持度的项集称为频繁项集，简称频集。Apriori方法的核心思想为：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用找到的频集产生期望的规则，产生只包含集合的项的所有规则，每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。
在计算过程中，由于Apriori算法无法识别当前属性的数值意义，所以需要对每个数值型数据进行分位化，具体分位化的方式一般为上下十分位以及中间部分的极差分位。因此，在一些实施例中，根据行业类型将所有企业历史生产及碳排放数据的案例划分为多个属性集，每个行业的属性集不需要一致。将所述属性集中的数值型数据进行极差分位化处理，以及通过所述属性集构建企业属性库。
在一些实施例中，预设构建参数值，所述构建参数值包括confidence与Len值。根据所述最小支持度与所述构建参数值基于Apriori方法生成所述企业属性库的规则库。即确定企业属性库的最小支持度后，还需要预设构建参数值，所述构建参数值包括confidence与Len值。confidence与Len值可以根据实际需要进行设定，比如，可以设定confidence为0.8，Len值为4-5。
S400：按照所述规则库生成所述企业属性库的画像模型。
由步骤S300的执行结果得出规则库，根据所述规则库即可建立企业画像体系，即生成企业属性库
Figure SMS_40
的画像模型。然后搜索每条规则下的企业案例数量，和对应的电力消耗与目标函数值。
例如：如图2所示，画像模型中包括RULE、CONCLUSION、NUMBER OF ITEMS OCOURRENCES、DEGREE OF CONFIDENCE以及COVERAGE列。RULE与CONCLUSION列代表具体画像内容，NUMBER OF ITEMS OCOURRENCES列表示企业数量，DEGREE OF CONFIDENCE列表示置信度，COVERAGE列表示在总体的企业属性库中的占比。在RULE、CONCLUSION列中展示数据A_ DECILE、B_DECILE、C_DECILE以及D_DECILE。其中，A_DECILE代表用电量等级，B_DECILE代表主营产品，C_DECILE代表职工数量等级，D_DECILE代表波动方差等级。则ID为6的画像模型表明，当前存在9家企业，在总体库中占比为0.058的情况下，存在相同等级的用电量、职工数量、用电波动方差，且主营商品一致，这些数值代表当前9家企业具备相同的企业画像，可以针对此类企业进行电碳波动回归测算。
需要说明的是，图2仅为本申请实施例示出的一种示例，其中的数值也只是一种示例，不具备现实意义，且在实际应用中每列数据应该为多行。
S500：根据所述画像模型建立每条规则对应的规则子集。
基于S400步骤中得到的画像模型，可根据画像模型建立每条规则对应的规则子集，所述规则子集包括当前规则对应的参考案例数量、回归函数以及回归函数的损失值。
在一些实施例中，所述回归函数包括线性回归函数、多项式回归函数、指数回归函数、对数回归函数、双曲线回归函数以及指数倒数回归函数中的一种或多种的组合。
例如：规则子集中的回归函数
Figure SMS_41
可以同时包括：线性回归：
Figure SMS_42
、多项式回归：
Figure SMS_43
、指数回归：
Figure SMS_44
、对数回归：
Figure SMS_45
、双曲线回归：
Figure SMS_46
以及指数倒数回归：
Figure SMS_47
。
在一些实施例中，根据实际情况设定误差值，当存在超过预设值的误差时，即当获取的结果相较于实际情况存在较大的误差时，删除所述回归函数中所有单调递减的函数，以及保留所述规则子集中损失值最小的函数。
S600：将所述目标案例与所述画像模型匹配，以获取格式向量。
所述目标案例P1，（即需要通过电力消耗推测碳排放的企业案例，当前案例与企业案例库中的案例的区别仅为值未知）的匹配过程会产生如下参数：匹配度：s；匹配度阈值：S。P1在当前规则库下轮寻，可获取格式向量。
在一些实施例中，格式向量的表达式为：
Figure SMS_48
式中，
Figure SMS_49
为规则体，
Figure SMS_50
为回归函数对应的损失函数，
Figure SMS_51
为匹配度，
Figure SMS_52
为回归函数，
Figure SMS_53
为当前规则在
Figure SMS_54
下对应的权重,
Figure SMS_55
为待目标案例对应规则的序号；
所述损失函数
Figure SMS_56
的表达式为：
Figure SMS_57
式中，N表示当前回归函数对应的点的个数，y表示当前点的真实值，k表示回归函数对应的斜率参数，b表示回归函数对应的常数参数，x表示当前点x坐标对应的实际值。
在一些实施例中，所述权重的计算公式为：
Figure SMS_58
式中，
Figure SMS_59
为参考案例数量，
Figure SMS_60
为损失函数
Figure SMS_61
的修正参数。
本申请实施例中，使用了自创系数
Figure SMS_62
对不同回归公式从准确度层面进行了权重分析，并在最终通过融合的方式，降低了单一回归方式可能带来的感知偏离。
例如：如图2、图3所示，上述图2中的画像对应的RULR的ID为6，图3为对应生成的回归方程介绍。图中分别为对应的ID，L对应的损失函数的计算结果，a为常数项，b为对应的斜率参数，w为后续的权重计算结果，type为对应的回归函数类型。
需要说明的是，图3仅为本申请实施例示出的一种示例，其中的数值也只是一种示例，不具备现实意义，且在实际应用中每列数据应该为多行。图2中画像模型的意义在于，首先明确当前企业的画像归属，才能够获得回归需要的案例库，从而进行相应的回归拟合。
S700：根据所述格式向量计算所述目标案例对应的碳排放推测值。
基于步骤S600获取的格式向量，即可计算出目标案例P1最终的碳排放推测值。
在一些实施例中，所述碳排放推测值的计算公式为：
Figure SMS_63
式中，
Figure SMS_64
表示待推测案例对应的规则数量，
Figure SMS_65
为
Figure SMS_66
的最大值。
在计算出目标案例对应的碳排放推测值，显示所述碳排放推测值
Figure SMS_67
。
根据上述实施例提供的基于电力数据的碳排放计算方法，本申请还提供一种基于电力数据的碳排放计算装置，如图4所示，所述装置包括：采集模块、处理模块以及输出模块。各个模块被配置为执行以下步骤：
输入模块，被配置为获取用于显示碳排放数据的控制指令；
采集模块，被配置为响应于所述控制指令，获取目标案例与企业属性库，所述目标案例为待预测的案例，所述企业属性库包括企业历史生产及碳排放数据的参考案例；
处理模块，被配置为计算所述企业属性库的最小支持度，所述最小支持度为所述企业属性库中所有属性对应的企业数量中位数与行业企业数目的比值；
根据所述最小支持度基于Apriori方法生成所述企业属性库的规则库；按照所述规则库生成所述企业属性库的画像模型，所述画像模型包括每条规则对应的案例数量、电力消耗数值以及目标函数值；根据所述画像模型建立每条规则对应的规则子集，所述规则子集包括当前规则对应的参考案例数量、回归函数以及回归函数的损失值；
将所述目标案例与所述画像模型匹配，以获取格式向量，所述格式向量包括所述目标案例的匹配度、对应规则的目标规则子集以及所述目标规则子集中回归函数的权重；
输出模块，被配置为根据所述格式向量计算所述目标案例对应的碳排放推测值；
显示模块，被配置为显示所述碳排放推测值。
此外，本申请还可以包括更多模块，例如发送模块、接收模块、判别模块等。对此，本申请不作限制。
由以上技术方案可知，本申请提供一种基于电力数据的碳排放计算方法及装置，所述方法首先获取目标案例与企业属性库，所述目标案例为待预测的案例，所述企业属性库包括企业历史生产及碳排放数据的参考案例。然后计算所述企业属性库的最小支持度，以及根据所述最小支持度基于Apriori方法生成企业属性库的规则库。根据所述规则库生成企业的画像模型，从而准确地将待预测的案例与所述企业属性库进行对比，所述画像模型包括每条规则对应的案例数量、电力消耗数值以及目标函数值。根据所述画像模型建立每条规则对应的规则子集，所述规则子集包括当前规则对应的参考案例数量、回归函数以及回归函数的损失值。将所述目标案例与所述画像模型匹配，以获取格式向量。在多种回归拟合融合的过程中，通过自创的权重系数对不同回归函数进行权重分析，降低单一回归的偏离误差。最后根据所述格式向量计算所述目标案例对应的碳排放推测值，提高碳排放测算的精确度。
本申请提供的基于电力数据的碳排放计算方法及装置，通过执行Apriori方法，建立了企业画像库，一方面保证可以构建出千人千面的画像模型，另一方面也可以更准确地使得待测企业完善电碳感知的多样回归。并且通过多样非线性回归拟合的方式，以及多种曲线回归相结合，可以得出最为准确的企业电碳感知回归方式，从而保证了企业电碳感知的准确性。在多种回归拟合进行融合的过程中，使用了自创系数对不同回归公式从准确度层面进行了权重分析，并在最终通过融合的方式，降低了单一回归方式可能带来的感知偏离。本申请输入的变量仅为企业的耗电量，并不依赖于地区的其他能源消耗量来进行计算，更加便捷、精准。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的基于电力数据的碳排放计算方法及装置的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体（英文：read-only memory，简称：ROM）或随机存储记忆体（英文：random access memory，简称：RAM）等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (7)

1.一种基于电力数据的碳排放计算方法，其特征在于，包括：
获取用于显示碳排放数据的控制指令；
响应于所述控制指令，获取目标案例与企业属性库，所述目标案例为待预测的案例，所述企业属性库包括企业历史生产及碳排放数据的参考案例；
计算所述企业属性库的最小支持度，所述最小支持度为所述企业属性库中所有属性对应的企业数量中位数与行业企业数目的比值；
根据所述最小支持度基于Apriori方法生成所述企业属性库的规则库；
按照所述规则库生成所述企业属性库的画像模型，所述画像模型包括每条规则对应的案例数量、电力消耗数值以及目标函数值；
根据所述画像模型建立每条规则对应的规则子集，所述规则子集包括当前规则对应的参考案例数量、回归函数以及回归函数的损失值；
将所述目标案例与所述画像模型匹配，以获取格式向量，所述格式向量的表达式为：
Figure QLYQS_1
；
式中，
Figure QLYQS_3
为规则体，
Figure QLYQS_6
为回归函数
Figure QLYQS_8
对应的损失函数，
Figure QLYQS_4
为匹配度，
Figure QLYQS_5
为回归函数，
Figure QLYQS_7
为当前规则在
Figure QLYQS_9
下对应的权重,
Figure QLYQS_2
为待目标案例对应规则的序号；
所述损失函数
Figure QLYQS_10
的表达式为：
Figure QLYQS_11
；
式中，N表示当前回归函数对应的点的个数，
Figure QLYQS_12
表示当前点i的真实值，k表示回归函数对应的斜率参数，b表示回归函数对应的常数参数，
Figure QLYQS_13
表示当前点i坐标对应的实际值；
所述权重的计算公式为：
Figure QLYQS_14
；
式中，
Figure QLYQS_15
为参考案例数量，
Figure QLYQS_16
为损失函数的修正参数；
根据所述格式向量计算所述目标案例对应的碳排放推测值，以及显示所述碳排放推测值；
所述碳排放推测值的计算公式为：
Figure QLYQS_17
；
式中，
Figure QLYQS_18
表示待推测案例对应的规则数量，
Figure QLYQS_19
为
Figure QLYQS_20
的最大值。
2.根据权利要求1所述的基于电力数据的碳排放计算方法，其特征在于，所述获取企业属性库包括：
根据行业类型将所有企业历史生产及碳排放数据的案例划分为多个属性集；
将所述属性集中的数值型数据进行极差分位化处理，以及通过所述属性集构建企业属性库。
3.根据权利要求2所述的基于电力数据的碳排放计算方法，其特征在于，所述构建企业属性库的表达式为：
Figure QLYQS_21
；
式中，
Figure QLYQS_22
为企业属性库，
Figure QLYQS_23
为属性值，
Figure QLYQS_24
为二氧化碳排放量。
4.根据权利要求1所述的基于电力数据的碳排放计算方法，其特征在于，所述方法还包括：
预设构建参数值，所述构建参数值包括confidence与Len值；
根据所述最小支持度与所述构建参数值基于Apriori方法生成所述企业属性库的规则库。
5.根据权利要求1所述的基于电力数据的碳排放计算方法，其特征在于，所述回归函数包括线性回归函数、多项式回归函数、指数回归函数、对数回归函数、双曲线回归函数以及指数倒数回归函数中的一种或多种的组合。
6.根据权利要求5所述的基于电力数据的碳排放计算方法，其特征在于，所述方法还包括：
当存在超过预设值的误差时，删除所述回归函数中所有单调递减的函数，以及保留所述规则子集中损失值最小的函数。
7.一种基于电力数据的碳排放计算装置，其特征在于，包括：
输入模块，被配置为获取用于显示碳排放数据的控制指令；
采集模块，被配置为响应于所述控制指令，获取目标案例与企业属性库，所述目标案例为待预测的案例，所述企业属性库包括企业历史生产及碳排放数据的参考案例；
处理模块，被配置为计算所述企业属性库的最小支持度，所述最小支持度为所述企业属性库中所有属性对应的企业数量中位数与行业企业数目的比值；
根据所述最小支持度基于Apriori方法生成所述企业属性库的规则库；按照所述规则库生成所述企业属性库的画像模型，所述画像模型包括每条规则对应的案例数量、电力消耗数值以及目标函数值；根据所述画像模型建立每条规则对应的规则子集，所述规则子集包括当前规则对应的参考案例数量、回归函数以及回归函数的损失值；
将所述目标案例与所述画像模型匹配，以获取格式向量，所述格式向量的表达式为：
Figure QLYQS_25
；
式中，
Figure QLYQS_28
为规则体，
Figure QLYQS_30
为回归函数
Figure QLYQS_32
对应的损失函数，
Figure QLYQS_27
为匹配度，
Figure QLYQS_29
为回归函数，
Figure QLYQS_31
为当前规则在
Figure QLYQS_33
下对应的权重,
Figure QLYQS_26
为待目标案例对应规则的序号；
所述损失函数
Figure QLYQS_34
的表达式为：
Figure QLYQS_35
；
式中，N表示当前回归函数对应的点的个数，
Figure QLYQS_36
表示当前点i的真实值，k表示回归函数对应的斜率参数，b表示回归函数对应的常数参数，
Figure QLYQS_37
表示当前点i坐标对应的实际值；
所述权重的计算公式为：
Figure QLYQS_38
；
式中，
Figure QLYQS_39
为参考案例数量，
Figure QLYQS_40
为损失函数的修正参数；
输出模块，被配置为根据所述格式向量计算所述目标案例对应的碳排放推测值；所述碳排放推测值的计算公式为：
Figure QLYQS_41
；
式中，
Figure QLYQS_42
表示待推测案例对应的规则数量，
Figure QLYQS_43
为
Figure QLYQS_44
的最大值；
显示模块，被配置为显示所述碳排放推测值。
CN202211567894.3A 2022-12-08 2022-12-08 一种基于电力数据的碳排放计算方法及装置 Active CN115659845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211567894.3A CN115659845B (zh) 2022-12-08 2022-12-08 一种基于电力数据的碳排放计算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211567894.3A CN115659845B (zh) 2022-12-08 2022-12-08 一种基于电力数据的碳排放计算方法及装置

Publications (2)

Publication Number Publication Date
CN115659845A CN115659845A (zh) 2023-01-31
CN115659845B true CN115659845B (zh) 2023-04-07

Family

ID=85017964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211567894.3A Active CN115659845B (zh) 2022-12-08 2022-12-08 一种基于电力数据的碳排放计算方法及装置

Country Status (1)

Country Link
CN (1) CN115659845B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147012A (zh) * 2022-08-31 2022-10-04 南方电网数字电网研究院有限公司 一种基于神经网络模型的碳排放量核算方法及装置
CN115271345A (zh) * 2022-06-22 2022-11-01 国网山东省电力公司经济技术研究院 一种变压器生产物流碳排放核算方法、系统、设备及介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709822A (zh) * 2017-03-14 2017-05-24 国家电网公司 一种行业用电数据关联关系挖掘方法及装置
CN111771315A (zh) * 2018-01-18 2020-10-13 伊顿智能动力有限公司 使用分布式分类账来管理能量分配的系统和方法
US10909446B2 (en) * 2019-05-09 2021-02-02 ClimateAI, Inc. Systems and methods for selecting global climate simulation models for training neural network climate forecasting models
CN111709602A (zh) * 2020-05-15 2020-09-25 贵州电网有限责任公司 一种泛在电力物联网系统中可靠性的评价方法
US20220237556A1 (en) * 2021-01-28 2022-07-28 Shopify Inc. Methods and systems for generating geographic coordinate data for packages in transit
CN113239314A (zh) * 2021-04-09 2021-08-10 国网河北省电力有限公司沧州供电分公司 用于碳排放量预测的方法、装置、终端及计算机可读存储介质
CN113393302A (zh) * 2021-06-30 2021-09-14 江苏擎天工业互联网有限公司 一种实现产品碳中和的智能推荐系统及其推荐方法
CN113706208A (zh) * 2021-08-31 2021-11-26 国网四川省电力公司经济技术研究院 一种综合能源服务套餐配置方法
CN115034454A (zh) * 2022-05-25 2022-09-09 北京电链科技有限公司 一种基于电量数据的碳排放量预测的方法及装置
CN115076765A (zh) * 2022-06-15 2022-09-20 北京嘉洁能科技股份有限公司 基于关联分析的碳纤维电供暖室内温控调度方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271345A (zh) * 2022-06-22 2022-11-01 国网山东省电力公司经济技术研究院 一种变压器生产物流碳排放核算方法、系统、设备及介质
CN115147012A (zh) * 2022-08-31 2022-10-04 南方电网数字电网研究院有限公司 一种基于神经网络模型的碳排放量核算方法及装置

Also Published As

Publication number Publication date
CN115659845A (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
US11875232B2 (en) Attributing reasons to predictive model scores
CN113570396A (zh) 时间序列数据异常检测方法、装置、设备及存储介质
CN112116184A (zh) 使用历史检验数据的工厂风险估计
CN110956303A (zh) 信息预测方法、装置、终端及可读存储介质
Bidyuk et al. Methods for forecasting nonlinear non-stationary processes in machine learning
CN116227786A (zh) 一种无人机综合效能评估系统
CN116034379A (zh) 使用深度学习和机器学习的活动性水平测量
CN114997916A (zh) 潜在用户的预测方法、系统、电子设备和存储介质
CN117574180B (zh) 燃料生产排放系统数据关联性控制管理系统
Rankovic et al. COSMIC FP method in software development estimation using artificial neural networks based on orthogonal arrays
CN115659845B (zh) 一种基于电力数据的碳排放计算方法及装置
Bayram et al. DQSOps: Data Quality Scoring Operations Framework for Data-Driven Applications
CN116365519A (zh) 一种电力负荷预测方法、系统、存储介质及设备
Das et al. Statistical process monitoring based on maximum entropy density approximation and level set principle
CN115062687A (zh) 企业信用监控方法、装置、设备及存储介质
CN106156470A (zh) 一种时间序列异常检测标注方法及系统
Zhao Research on E-Commerce Retail Demand Forecasting Based on SARIMA Model and K-means Clustering Algorithm
CN113434713B (zh) 一种基于一张图的林业大数据建设方法及系统
CN112287387B (zh) 一种隐私保护统计分析方法及系统、服务器端、设备终端
CN118296565B (zh) 基于数据挖掘的动力电池事故溯源管控系统
CN118035654A (zh) 基于量化业务数据的企业内控评价方法
CN118780659A (zh) 一种科学数据质量量化评定方法、系统、装置
CN114612237A (zh) 一种基于gis的碳中和交易方法、系统及存储介质
CN118246949A (zh) 基于vmd-emd-qrdcc的碳市场价格概率密度预测方法
Zhao E-Commerce Demand Forecasting Using SARIMA Model and K-means Clustering Analysis

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