CN115879619A - 一种变电站日前碳排放因子预测方法及系统 - Google Patents
一种变电站日前碳排放因子预测方法及系统 Download PDFInfo
- Publication number
- CN115879619A CN115879619A CN202211573727.XA CN202211573727A CN115879619A CN 115879619 A CN115879619 A CN 115879619A CN 202211573727 A CN202211573727 A CN 202211573727A CN 115879619 A CN115879619 A CN 115879619A
- Authority
- CN
- China
- Prior art keywords
- data
- carbon emission
- emission factor
- time
- 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.)
- Pending
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
本发明提供了一种变电站日前碳排放因子预测方法及系统,该方法包括获取多个变电站之间的拓扑连接信息及历史碳排放因子数据;通过预设的数据预处理方式及数据归一化对所述历史碳排放因子数据进行处理,获得时序数据,在根据预设的时间标签及多维数据处理方式,对所述时序数据进行处理,获得高维数据,通过预设的预测模型对所述高维数据及所述拓扑连接信息进行处理,获得日前碳排放因子预测值,提高碳排放因子预测的准确度。
Description
技术领域
本发明涉及碳排放技术领域,尤其涉及一种变电站日前碳排放因子预测方法及系统。
背景技术
目前,已有很多相关研究致力于碳排放审计方法的精确化,探究影响碳排放的多因素,宏观上从省市区域间或具体地区研究碳排放的影响因素。还有利用灰色预测等传统方法对碳排放总量进行预测。但已有研究关注的是众多结构因素对碳排放总量的预测。
现有技术中没有对各支路中的碳流进行时空上精细化管理,变电站间碳排放系统为具有时空相关性的非线性系统,传统预测方法计算过程对非线性关系处理仍有欠缺,缺乏挖掘碳流分布的时空特征。同时,对于变电站站点的碳排放因子的日前预测精度上仍有欠缺,碳排放精细化调控,用户响应低碳目标仍有待进一步提升。
发明内容
本发明提供一种变电站日前碳排放因子预测方法及系统,提高碳排放因子预测的准确度。
为了实现上述目的,本发明提供一种变电站日前碳排放因子预测方法,包括:
获取多个变电站之间的拓扑连接信息及历史碳排放因子数据;
根据所述历史碳排放因子数据,通过预设的数据预处理方式及数据归一化处理,获得时序数据;
根据预设的时间标签及多维数据处理方式,对所述时序数据进行处理,获得高维数据;
通过预设的预测模型对所述高维数据及所述拓扑连接信息进行处理,以使所述预测模型提取所述高维数据及所述拓扑连接信息的时空特征信息,并融合所述时空特征信息,获得日前碳排放因子预测值。
本发明公开了一种变电站日前碳排放因子预测方法,首先获取多个变电站之间的拓扑连接关系及碳排放因子的历史数据,以便基于大量的历史数据后续进行预测,提高预测的精准度,接着根据所述历史碳排放因子数据,采取预设的数据预处理方式及数据归一化处理,获得对应的时序数据,以便根据所述时序数据获得所述碳排放因子数据的时间特征,接着通过预设的时间标签及多维数据处理方式,对所述时序数据进行多维拓展,挖掘数据之间的时间关联特性,最后根据所述高维数据及所述拓扑连接关系,通过预设的预测模型,根据所述高维数据及所述拓扑连接关系的时空特征,获得日期前碳排放因子的预测值,本发明通过挖掘变电站之间碳排放因子的时空特性,根据所述时空特性进行更加精确的碳排放因子的日前预测。
作为优选例子,在所述获取多个变电站之间的拓扑连接信息,具体包括:
根据所述多个变电站之间的物理连接关系,通过预设的稀疏矩阵储存方法记录所述物理连接关系,获得对应的无向图;
根据所述无向图的二维邻接矩阵,获得所述多个变电站之间的拓扑连接信息。
本发明通过变电站之间的物理连接关系,建立变电站之间的物理连接关系,进而获得所述变电站之间碳排放因子之间的物理连接关系,通过预设的稀疏矩阵储存方法存储所述变电站之间的物理连接关系,获得对应的无向图,根据所述无向图,能够获得整个若干个变电站之间的碳排放因子之间的拓扑连接信息,即空间信息,为后续预测提供空间特征。
作为优选例子,在所述通过预设的数据预处理方式及数据归一化处理,获得时序数据,具体包括:
根据所述历史碳排放因子数据,通过获取同一天同一时刻相邻若干个时段的第一历史碳排放因子数据,对所述第一历史碳排放因子数据进行平均处理,获得预处理信息;所述预处理信息包括缺省值和处理异常值。
本发明将各个站点的数据收集装置存储的信息汇总到一起,用同一时段相邻若个时段的数据做平均填充单时段的异常值或者缺省值,根据所述缺省值,判断每天的历史数据是否合格,若是某一天的数据缺少该缺省值到一定程度,则标记出来,并且剔除该天内的数据,减少异常数据,提高预测的准确度。
作为优选例子,在所述通过预设的数据预处理方式及数据归一化处理,获得时序数据,具体包括:
根据所述预处理信息,对所述历史碳排放因子数据进行数据清洗,获得第一历史数据;
根据所述第一历史数据,通过预设的数据归一化处理方式,获得所述第一历史数据对应的时序数据的最大值和最小值;
根据所述最大值和最小值,通过预设的数据映射公式对所述时序数据进行处理,获得对应的时序数据。
本发明通过预处理信息对历史数据进行筛选后,根据预设的时间标签及数据归一化处理方式,获得对应的时序数据的最大值和最小值后,再通过预设的映射公式,将所述时序数据重新进行处理,提高预测效率。
作为优选例子,在所述根据预设的时间标签及多维数据处理方式,对所述时序数据进行处理,获得高维数据,具体包括:
根据所述时序数据的时间标签,获得所述时序数据对应的时间属性;
根据所述时间属性,通过独热编码的方式,对所述时间数据进行多维拓展,获得高维数据。
本发明根据所述时序数据的时间标签及独热编码方式,对所述时序数据进行拓展,挖掘所述碳排放因子历史数据的更多时间特征,便于后续进行预测,提高预测的精准度。
作为优选例子,在所述以使所述预测模型提取所述高维数据及所述拓扑连接信息的时空特征信息,具体包括:
根据所述高维数据,通过所述预测模型的全连接层,获取所述时序数据的时间特性;
根据所述时间特性,通过所述预测模型的时间注意力模块,获得对应的时间相关性;
根据所述拓扑连接信息,通过所述预测模型的空间注意力模块,获取对应的空间相关性;
根据所述事件相关性和空间相关性,通过所述预测模型的时空卷积模块,融合所述时间相关性和所述空间相关性,获得所述时空特征信息。
本发明根据预设的预测模型分别对所述高维数据及所述拓扑连接信息进行时间特征和空间特征的提取,以使后续根据所述时空特征进行预测,提高预测的精准度。
作为优选例子,在所述融合所述时空特征信息,获得碳排放因子预测值,具体包括:
根据所述时空特征信息,通过所述预测模型的多层感知模块,获得第一日前碳排放因子预测值;
通过预设的反归一化处理,对所述第一日前碳排放因子预测值进行统一化处理,获得日前碳排放因子预测值。
本发明通过所述获取的时空特征信息,基于预测模型的多层感知模块,获得第一日前碳排放因子预测值,再通过反归一化处理,分别获得所有变电站的日前预测值,提高预测效率及预测的精准度。
作为优选例子,在所述预测模型的训练过程,具体包括:
通过迭代器随机抽取数据及设定的训练次数,采用批量处理的方式训练初始模型,不断地更新所述初始模型的模型参数;
采用Ear lyStoppi ng机制及Adam学习率衰减优化器,基于输入输出的均方差作为损失函数,计算更新模型参数后所述初始模型的损失值,当所述损失值最小时,根据当前的模型参数,结合所述初始模型,获得所述预测模型。
本发明在进行模型训练时,使用了数据迭代器,随机抽取数据切片,增强模型学习的泛化能力,训练过程中,使用了批量处理机制,可以增强并行计算,提高训练速度,加入Ear lyStoppi ng机制观测使用验证集数据的模型损失函数变化,达到最大验证成功次数时,模型便会退出训练模式,防止模型进入过拟合状态,提高模型预测的精准度。
另一方面,本发明提供了一种变电站日前碳排放因子预测系统,包括获取模块、时序模块、处理模块和预测模块;
所述获取模块用于获取多个变电站之间的拓扑连接信息及历史碳排放因子数据;
所述时序模块用于根据所述历史碳排放因子数据,通过预设的数据预处理方式及数据归一化处理,获得时序数据;
所述处理模块用于根据预设的时间标签及多维数据处理方式,对所述时序数据进行处理,获得高维数据;
所述预测模块用于通过预设的预测模型对所述高维数据及所述拓扑连接信息进行处理,以使所述预测模型提取所述高维数据及所述拓扑连接信息的时空特征信息,并融合所述时空特征信息,获得日前碳排放因子预测值。
本发明公开的一种变电站日前碳排放因子预测系统,首先通过获取模块获取多个变电站之间的拓扑连接关系及碳排放因子的历史数据,以便基于大量的历史数据后续进行预测,提高预测的精准度,接着通过时序模块根据所述历史碳排放因子数据,采取预设的数据预处理方式及数据归一化处理,获得对应的时序数据,以便根据所述时序数据获得所述碳排放因子数据的时间特征,接着通过处理模块通过预设的时间标签及多维数据处理方式,对所述时序数据进行多维拓展,挖掘数据之间的时间关联特性,提高预测的准确度,最后根据所述高维数据及所述拓扑连接关系,通过预设的预测模型,根据所述高维数据及所述拓扑连接关系的时空特征,获得日期前碳排放因子的预测值,本发明通过挖掘变电站之间碳排放因子的时空特性,根据所述时空特性进行更加精确的碳排放因子的日前预测。
作为优选例子,所述时序模块包括预处理单元、清洗单元和映射单元;
所述预处理单元用于根据所述历史碳排放因子数据,通过获取同一天同一时刻相邻若干个时段的第一历史碳排放因子数据,对所述第一历史碳排放因子数据进行平均处理,获得预处理信息;
所述清洗单元用于根据所述预处理信息,对所述历史碳排放因子数据进行数据清洗,获得第一历史数据;
所述映射单元用于根据所述第一历史数据,通过预设的数据归一化处理方式,获得所述第一历史数据对应的时序数据的最大值和最小值;根据所述最大值和最小值,通过预设的数据映射公式,获得对应的时序数据。
本发明将各个站点的数据收集装置存储的信息汇总到一起,用同一时段相邻若个时段的数据做平均填充单时段的异常值或者缺省值,根据所述缺省值,判断每天的历史数据是否合格,若是某一天的数据缺少该缺省值到一定程度,则标记出来,并且剔除该天内的数据,减少异常数据,提高预测的准确度,接着通过预处理信息对历史数据进行筛选后,根据预设的时间标签及数据归一化处理方式,获得对应的时序数据的最大值和最小值后,再通过预设的映射公式,将所述时序数据重新进行处理,提高预测效率。
附图说明
图1:为本发明实施例提供的一种变电站日前碳排放因子预测方法的流程示意图;
图2:为本发明实施例提供的一种变电站日前碳排放因子预测系统的结构示意图;
图3:为本发明另一实施例提供的一种变电站日前碳排放因子预测方法的流程示意图。
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作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。
实施例一
本实施例提供了一种变电站日前碳排放因子预测方法,该方法的具体流程请参照图1,主要包括步骤101至步骤104,每一个步骤具体包括:
步骤101:获取多个变电站之间的拓扑连接信息及历史碳排放因子数据。
在本实施例中,该步骤具体包括:根据所述多个变电站之间的物理连接关系,通过预设的稀疏矩阵储存方法记录所述物理连接关系,获得对应的无向图;根据所述无向图的二维邻接矩阵,获得所述多个变电站之间的拓扑连接信息。同时收集所述多个变电站中的数据收集装置存储的历史碳排放因子数据。
步骤102:根据所述历史碳排放因子数据,通过预设的数据预处理方式及数据归一化处理,获得时序数据。
在本实施例中,该步骤具体包括:根据所述历史碳排放因子数据,通过获取同一天同一时刻相邻若干个时段的第一历史碳排放因子数据,对所述第一历史碳排放因子数据进行平均处理,获得预处理信息;所述预处理信息包括缺省值和处理异常值。根据所述预处理信息,对所述历史碳排放因子数据进行数据清洗,获得第一历史数据;根据所述第一历史数据,通过预设的数据归一化处理方式,获得所述第一历史数据对应的时序数据的最大值和最小值;根据所述最大值和最小值,通过预设的数据映射公式对所述时序数据进行处理,获得对应的时序数据。
步骤103:根据预设的时间标签及多维数据处理方式,对所述时序数据进行处理,获得高维数据。
在本实施例中,该步骤具体包括:根据所述时序数据的时间标签,获得所述时序数据对应的时间属性;根据所述时间属性,通过独热编码的方式,对所述时间数据进行多维拓展,获得高维数据。
步骤104:通过预设的预测模型对所述高维数据及所述拓扑连接信息进行处理,以使所述预测模型提取所述高维数据及所述拓扑连接信息的时空特征信息,并融合所述时空特征信息,获得日前碳排放因子预测值。
在本实施例中,该步骤具体包括:根据所述高维数据,通过所述预测模型的全连接层,获取所述时序数据的时间特性;根据所述时间特性,通过所述预测模型的时间注意力模块,获得对应的时间相关性;根据所述拓扑连接信息,通过所述预测模型的空间注意力模块,获取对应的空间相关性;根据所述事件相关性和空间相关性,通过所述预测模型的时空卷积模块,融合所述时间相关性和所述空间相关性,获得所述时空特征信息。根据所述时空特征信息,通过所述预测模型的多层感知模块,获得第一日前碳排放因子预测值;通过预设的反归一化处理,对所述第一日前碳排放因子预测值进行统一化处理,获得日前碳排放因子预测值。
另一方面,本实施例还提供了一种变电站日前碳排放因子预测系统,该系统的结构其参照图2,主要包括获取模块201、时序模块202、处理模块203和预测模块204;
所述获取模块201用于获取多个变电站之间的拓扑连接信息及历史碳排放因子数据;
所述时序模块202用于根据所述历史碳排放因子数据,通过预设的数据预处理方式及数据归一化处理,获得时序数据;
所述处理模块203用于根据预设的时间标签及多维数据处理方式,对所述时序数据进行处理,获得高维数据;
所述预测模块204用于通过预设的预测模型对所述高维数据及所述拓扑连接信息进行处理,以使所述预测模型提取所述高维数据及所述拓扑连接信息的时空特征信息,并融合所述时空特征信息,获得日前碳排放因子预测值。
作为优选例子,所述时序模块202包括预处理单元、清洗单元和映射单元;
所述预处理单元用于根据所述历史碳排放因子数据,通过获取同一天同一时刻相邻若干个时段的第一历史碳排放因子数据,对所述第一历史碳排放因子数据进行平均处理,获得预处理信息;
所述清洗单元用于根据所述预处理信息,对所述历史碳排放因子数据进行数据清洗,获得第一历史数据;
所述映射单元用于根据所述第一历史数据,通过预设的数据归一化处理方式,获得所述第一历史数据对应的时序数据的最大值和最小值;根据所述最大值和最小值,通过预设的数据映射公式,获得对应的时序数据。
在本实施例中,通过将各个站点的数据收集装置存储的信息汇总到一起,用同一时段相邻若个时段的数据做平均填充单时段的异常值或者缺省值,根据所述缺省值,判断每天的历史数据是否合格,若是某一天的数据缺少该缺省值到一定程度,则标记出来,并且剔除该天内的数据,减少异常数据,提高预测的准确度。同时根据所述预处理信息对历史数据进行筛选后,根据预设的时间标签及数据归一化处理方式,获得对应的时序数据的最大值和最小值后,再通过预设的映射公式,将所述时序数据重新进行处理,提高预测效率。
在本实施例,主要提供了一种变电站日前碳排放因子预测方法及系统,首先通过获取多个变电站之间的拓扑连接关系及碳排放因子的历史数据,以便基于大量的历史数据后续进行预测,提高预测的精准度,接着根据所述历史碳排放因子数据,采取预设的数据预处理方式及数据归一化处理,获得对应的时序数据,以便根据所述时序数据获得所述碳排放因子数据的时间特征,接着通过预设的时间标签及多维数据处理方式,对所述时序数据进行多维拓展,挖掘数据之间的时间关联特性,最后根据所述高维数据及所述拓扑连接关系,通过预设的预测模型,根据所述高维数据及所述拓扑连接关系的时空特征,获得日期前碳排放因子的预测值,本发明通过挖掘变电站之间碳排放因子的时空特性,根据所述时空特性进行更加精确的碳排放因子的日前预测。
实施例二
在本实施例中,提供了另外一种变电站日前碳排放因子预测方法,该方法的流程请参照图3,主要包括步骤301至步骤304,每一个步骤具体为:
步骤301:获取多个变电站之间的拓扑连接信息及历史碳排放因子数据。
在本实施例中,该步骤主要包括:根据多个变电站之间的物理连接关系,通过预设的稀疏矩阵储存方法记录所述物理连接关系,获得对应的无向图;根据所述无向图的二维邻接矩阵,获得所述多个变电站之间的拓扑连接信息。同时收集所述多个变电站中的数据收集装置存储的历史碳排放因子数据。
在本实施例中,该步骤具体为:根据现实中物理连接确定站点的连接关系,每一对连接通过一条记录存储起来,所有记录构成了站点间拓扑连接信息,其为一种稀疏矩阵的存储方式。进一步处理,站点连接的拓扑信息通过无向图的二维邻接矩阵表示生成,如果i站点与j站点之间连通,则连接矩阵adj的元素aij=1和aji=1,其中i≠j;否则为0。同时将各个变电站点的历史数据收集装置存储的信息进行汇总。
步骤302:对所述历史碳排放因子数据进行预处理及归一化处理,获得时序数据。
在本实施例中,该步骤主要包括:根据所述历史碳排放因子数据,通过获取同一天同一时刻相邻若干个时段的第一历史碳排放因子数据,对所述第一历史碳排放因子数据进行平均处理,获得预处理信息,根据所述预处理信息,对所述历史碳排放因子数据进行数据清洗及归一化处理,获得时序数据。
在本实施例中,该步骤具体为:用同一时段相邻4个时段的数据做平均填充单时段的异常值或者缺省值,若是缺省一天周期的1/4数据,则标记出来,并且剔除该天内的数据。对集中收集的历史数据进行归一化处理,采用Mi n-Max归一化的形式。在前面预处理信息的基础上,分别找出时序数据的最大值和最小值,利用公式将数据映射到[0,1]之间,重新生成时序数据。
步骤303:对所述时序数据进行多维拓展,获得高维数据。
在本实施例中,该步骤具体包括:根据所述时序数据的时间标签,获得所述时序数据对应的时间属性;根据所述时间属性,通过独热编码的方式,对所述时间数据进行多维拓展,获得高维数据。
在本实施例中,该步骤具体为:根据其数据的时间标签,通过查日历的方式找出一些时间属性,进行多维拓展,采取独热编码的方式,如果是,则该拓展位置填充1,否则填充0。这些时间属性包括,是否为节假日,是否为周一,是否为1月等。同时将所有变电站点的相同时间段的信息堆叠在一起,形成更高维数据,其为完整的模型输入数据。
步骤304:根据所述高维数据通过预设的改进型ASTGCN模型获得日前碳排放因子预测值。
在本实施例中,该步骤具体包括:根据所述高维数据,通过所述预测模型的全连接层,获取所述时序数据的时间特性;根据所述时间特性,通过所述预测模型的时间注意力模块,获得对应的时间相关性;根据所述拓扑连接信息,通过所述预测模型的空间注意力模块,获取对应的空间相关性;根据所述事件相关性和空间相关性,通过所述预测模型的时空卷积模块,融合所述时间相关性和所述空间相关性,获得所述时空特征信息。根据所述时空特征信息,通过所述预测模型的多层感知模块,获得第一日前碳排放因子预测值;通过预设的反归一化处理,对所述第一日前碳排放因子预测值进行统一化处理,获得日前碳排放因子预测值。
在本实施例中,该步骤具体为:将获得的高维数据利用改进型ASTGCN模型中的一个全连接层进行降维处理的数据重塑,挖掘隐藏在时序数据中的时间特性。接着通过时间注意力模块建模了变电站点在时间维度上的动态关联。
在本实施例中,所述时间注意力模块中的矩阵生成如下述公式所示:
接着通过空间注意力模块建模了变电站点间的空间相关性,在本实施例中,所述空间注意力模块中的矩阵生成如下述公式所示:
接着通过时空卷积块串联时间注意力模块和空间注意力模块,用于捕捉变电站点的时空动态关联。将多个串联的时空卷积快提取的特征信息放在多层感知机中进行特征融合输出第一日前碳排放因子预测值,对所述第一预测值进行统一的反归一化处理后得到最后的预测值。
在本实施例中,对获得的高维数据进行切片,将以上高维数据前三天的数据作为模型训练的输入,将后一天的数据作为模型输出结果,由于采用的时间尺度为1小时,所以输入数据为三天共72时间段的数据。同时将所有站点的相同时间段的信息堆叠在一起,形成更高维数据,其为完整的模型输入。后一天数据作为模型训练的真实输出。将数据集划分,分成训练集,验证集以及测试集,在时间尺度上进行划分,最近3天数据作为测试集,其余数据的前60%作为训练集,剩下的40%数据作为验证集。将固定格式的模型的输入和输出形成一个数据对放入迭代器中,训练模型时会从迭代器中抽取数据。由于数据集进行了划分,所以共3个数据迭代器,训练集数据迭代器,验证集数据迭代器,测试集数据迭代器。利用所述数据迭代器训练所述改进型ASTGCN模型。
在本实施例中,训练模型时,会在迭代器随机抽取数据。训练模型时,以输入输出的均方差作为损失函数,采用Adam学习率衰减优化器(设定学习率为η=0.001)进行迭代学习模型参数。采用批量处理方式,批量值设为32,可以实现并行计算,加快网络训练。同时设定训练最大次数(最大迭代次数设为1000),训练达到最大次数或均方差小于一定程度时,停止训练。采用EarlyStopping机制,单次训练完后,进入网络训练的eval模式(此模式下,信息前向传播后,优化器不改变参数学习),使用验证集迭代器中的验证集数据对模型进行验证,观察利用验证集数据下的模型损失函数,当损失函数小于一定程度时,验证成功次数+1。当经过达到最大验证次数时(此处设为30),会提前结束网络训练阶段。EarlyStopping机制可有效防止网络过拟合。
在本实施例中,提供的一种变电站日前碳排放因子预测方法,在数据准备阶段,根据数据时间标签,对数据进行多维拓展,同时,在模型设计上加入全连接层进行数据降维,重塑数据,该两种方法均可以挖掘数据的时间上的关联特性,后者更是在数据重塑上实现的时间关联的增强。加入基于注意力机制的图卷积神经网络,通过计算权重矩阵,可以在模型训练时更加关注时间关联和站点间的空间上的关联。训练时,使用了数据迭代器,随机抽取数据切片,增强模型学习的泛化能力。训练时,使用了批量处理机制,可以增强并行计算,提高训练速度。训练时,加入EarlyStopping机制观测使用验证集数据的模型损失函数变化,达到最大验证成功次数时,模型便会退出训练模式,防止模型进入过拟合状态。模型预测应用了多层感知机,可以将多层图卷积块的数据,映射成输出格式的数据,对站点进行更加精确的碳排放因子的日前预测。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种变电站日前碳排放因子预测方法,其特征在于,包括:
获取多个变电站之间的拓扑连接信息及历史碳排放因子数据;
根据所述历史碳排放因子数据,通过预设的数据预处理方式及数据归一化处理,获得时序数据;
根据预设的时间标签及多维数据处理方式,对所述时序数据进行处理,获得高维数据;
通过预设的预测模型对所述高维数据及所述拓扑连接信息进行处理,以使所述预测模型提取所述高维数据及所述拓扑连接信息的时空特征信息,并融合所述时空特征信息,获得日前碳排放因子预测值。
2.如权利要求1所述的一种变电站日前碳排放因子预测方法,其特征在于,所述获取多个变电站之间的拓扑连接信息,具体包括:
根据所述多个变电站之间的物理连接关系,通过预设的稀疏矩阵储存方法记录所述物理连接关系,获得对应的无向图;
根据所述无向图的二维邻接矩阵,获得所述多个变电站之间的拓扑连接信息。
3.如权利要求1所述的一种变电站日前碳排放因子预测方法,其特征在于,所述通过预设的数据预处理方式及数据归一化处理,获得时序数据,具体包括:
根据所述历史碳排放因子数据,通过获取同一天同一时刻相邻若干个时段的第一历史碳排放因子数据,对所述第一历史碳排放因子数据进行平均处理,获得预处理信息;所述预处理信息包括缺省值和处理异常值。
4.如权利要求3所述的一种变电站日前碳排放因子预测方法,其特征在于,所述通过预设的数据预处理方式及数据归一化处理,获得时序数据,具体包括:
根据所述预处理信息,对所述历史碳排放因子数据进行数据清洗,获得第一历史数据;
根据所述第一历史数据,通过预设的数据归一化处理方式,获得所述第一历史数据对应的时序数据的最大值和最小值;
根据所述最大值和最小值,通过预设的数据映射公式对所述时序数据进行处理,获得对应的时序数据。
5.如权利要求1所述的一种变电站日前碳排放因子预测方法,其特征在于,所述根据预设的时间标签及多维数据处理方式,对所述时序数据进行处理,获得高维数据,具体包括:
根据所述时序数据的时间标签,获得所述时序数据对应的时间属性;
根据所述时间属性,通过独热编码的方式,对所述时序数据进行多维拓展,获得高维数据。
6.如权利要求1所述的一种变电站日前碳排放因子预测方法,其特征在于,所述以使所述预测模型提取所述高维数据及所述拓扑连接信息的时空特征信息,具体包括:
根据所述高维数据,通过所述预测模型的全连接层,获取所述时序数据的时间特性;
根据所述时间特性,通过所述预测模型的时间注意力模块,获得对应的时间相关性;
根据所述拓扑连接信息,通过所述预测模型的空间注意力模块,获取对应的空间相关性;
根据所述时间相关性和空间相关性,通过所述预测模型的时空卷积模块,融合所述时间相关性和所述空间相关性,获得所述时空特征信息。
7.如权利要求1所述的一种变电站日前碳排放因子预测方法,其特征在于,所述融合所述时空特征信息,获得碳排放因子预测值,具体包括:
根据所述时空特征信息,通过所述预测模型的多层感知模块,获得第一日前碳排放因子预测值;
通过预设的反归一化处理,对所述第一日前碳排放因子预测值进行统一化处理,获得日前碳排放因子预测值。
8.如权利要求1所述的一种变电站日前碳排放因子预测方法,其特征在于,所述预测模型的训练过程,具体包括:
通过迭代器随机抽取数据及设定的训练次数,采用批量处理的方式训练初始模型,不断地更新所述初始模型的模型参数;
采用EarlyStopping机制及Adam学习率衰减优化器,基于输入输出的均方差作为损失函数,计算更新模型参数后所述初始模型的损失值,当所述损失值最小时,根据当前的模型参数,结合所述初始模型,获得所述预测模型。
9.一种变电站日前碳排放因子预测系统,其特征在于,包括获取模块、时序模块、处理模块和预测模块;
所述获取模块用于获取多个变电站之间的拓扑连接信息及历史碳排放因子数据;
所述时序模块用于根据所述历史碳排放因子数据,通过预设的数据预处理方式及数据归一化处理,获得时序数据;
所述处理模块用于根据预设的时间标签及多维数据处理方式,对所述时序数据进行处理,获得高维数据;
所述预测模块用于通过预设的预测模型对所述高维数据及所述拓扑连接信息进行处理,以使所述预测模型提取所述高维数据及所述拓扑连接信息的时空特征信息,并融合所述时空特征信息,获得日前碳排放因子预测值。
10.如权利要求9所述的一种变电站日前碳排放因子预测系统,其特征在于,所述时序模块包括预处理单元、清洗单元和映射单元;
所述预处理单元用于根据所述历史碳排放因子数据,通过获取同一天同一时刻相邻若干个时段的第一历史碳排放因子数据,对所述第一历史碳排放因子数据进行平均处理,获得预处理信息;
所述清洗单元用于根据所述预处理信息,对所述历史碳排放因子数据进行数据清洗,获得第一历史数据;
所述映射单元用于根据所述第一历史数据,通过预设的数据归一化处理方式,获得所述第一历史数据对应的时序数据的最大值和最小值;根据所述最大值和最小值,通过预设的数据映射公式,获得对应的时序数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211573727.XA CN115879619A (zh) | 2022-12-08 | 2022-12-08 | 一种变电站日前碳排放因子预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211573727.XA CN115879619A (zh) | 2022-12-08 | 2022-12-08 | 一种变电站日前碳排放因子预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879619A true CN115879619A (zh) | 2023-03-31 |
Family
ID=85766615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211573727.XA Pending CN115879619A (zh) | 2022-12-08 | 2022-12-08 | 一种变电站日前碳排放因子预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879619A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116632829A (zh) * | 2023-05-29 | 2023-08-22 | 南方电网能源发展研究院有限责任公司 | 碳排放因子预测方法、系统、计算机设备和存储介质 |
CN117934247A (zh) * | 2024-03-22 | 2024-04-26 | 广东电网有限责任公司 | 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-12-08 CN CN202211573727.XA patent/CN115879619A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116632829A (zh) * | 2023-05-29 | 2023-08-22 | 南方电网能源发展研究院有限责任公司 | 碳排放因子预测方法、系统、计算机设备和存储介质 |
CN117934247A (zh) * | 2024-03-22 | 2024-04-26 | 广东电网有限责任公司 | 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110164128B (zh) | 一种城市级智能交通仿真系统 | |
CN115879619A (zh) | 一种变电站日前碳排放因子预测方法及系统 | |
CN107292249A (zh) | 一种基于结构化分段网络的时间动作检测方法 | |
CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN105005711A (zh) | 获取统计线损的方法及装置 | |
CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
CN116596151B (zh) | 基于时空图注意力的交通流量预测方法及计算设备 | |
Zhang et al. | Forecasting of electricity prices using deep learning networks | |
CN116307103A (zh) | 一种基于硬参数共享多任务学习的交通事故预测方法 | |
CN115760213A (zh) | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
CN112508734B (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
CN113537645A (zh) | 基于机器学习融合卫星与天气数据的大豆产量预测方法 | |
CN111145535B (zh) | 一种复杂场景下的行程时间可靠性分布预测方法 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN113537607B (zh) | 停电预测方法 | |
CN115149528A (zh) | 一种基于大数据非侵入技术的智能电能表分布式预测方法 | |
CN113053123B (zh) | 一种基于时空大数据的交通量预测方法及装置 | |
CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
CN114154617A (zh) | 一种基于vfl的低压居民用户异常用电识别方法及系统 | |
Zhang | Deep learning-based hybrid short-term solar forecast using sky images and meteorological data | |
CN113744081B (zh) | 窃电行为分析方法 | |
CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、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 |