CN115907070A - 一种基于电力数据的区域碳排放量预测方法 - Google Patents
一种基于电力数据的区域碳排放量预测方法 Download PDFInfo
- Publication number
- CN115907070A CN115907070A CN202211097272.9A CN202211097272A CN115907070A CN 115907070 A CN115907070 A CN 115907070A CN 202211097272 A CN202211097272 A CN 202211097272A CN 115907070 A CN115907070 A CN 115907070A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- data
- carbon emission
- power consumption
- prediction
- 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
本发明公开了一种基于电力数据的区域碳排放量预测方法。该方法包括:根据企业历史电量数据,构建企业用电量预测模型,得出企业用电量预测数据;根据企业用电量预测数据,结合碳排放系数,得出行业碳排放量预测数据;建立区域碳排放量预测模型,输出区域未来一段时间碳排放量的预测结果及各相关行业的影响程度;根据各行业碳排放相对贡献度及企业用电量预测占比,分析企业对碳排放的贡献度,形成治理企业清单。本发明对应到相应的碳排放企业,更为精准的对区域二氧化碳排放趋势进行预测,助力节能减排。
Description
技术领域
本发明涉及电力数据应用技术领域、计算机技术领域,更具体的说,是一种基于电力数据的区域碳排放量预测方法。
背景技术
全球气候变暖问题仍十分严峻,需要世界各国共同努力应对。当前,除了交通、航空运输业,石化、化工、建材、钢铁、有色、造纸行业也是全国乃至全球的重点碳排放行业,对全球气候形成了严重威胁。
2021年3月,国网公司发布《“碳达峰、碳中和”行动方案》,将以“碳达峰”为基础前提,“碳中和”为最终目标,加快推进能源供给多元化清洁化低碳化、能源消费高效化减量化电气化。
发明内容
本发明的目的在于提供了一种基于电力数据的区域碳排放量预测方法,解决了现有技术不能及时反映碳排放量的排放情况及应急措施针对性不强的问题,对应到相应的碳排放企业,更为精准的对区域二氧化碳排放趋势进行预测,助力节能减排、治理环境污染,辅助环保部门管理方案的制定,加快实现“碳达峰”、“碳中和”目标。
为了实现上述目的,本发明提供如下技术方案:
一种基于电力数据的区域碳排放量预测方法,其特征在于,包括:
根据企业历史电量数据,构建企业用电量预测模型,得出企业用电量预测数据;
根据企业用电量预测数据,结合碳排放系数,得出行业碳排放量预测数据;
建立区域碳排放量预测模型,输出区域未来一段时间碳排放量的预测结果及各相关行业的影响程度;
根据各行业碳排放相对贡献度及企业用电量预测占比,分析企业对碳排放的贡献度,形成治理企业清单。
优选的,还包括获取选定区域的空气质量数据、能源消费数据、经济信息数据、电力数据;数据预处理:缺失值和异常值处理;
获取选定区域的空气质量数据、能源消费数据、经济信息数据、电力数据,包括:
获取区域二氧化碳排放量数据等空气质量数据、全行业能源消费数据、重点行业能源消费数据等能源消费相关数据、区域用电量、各行业用电量、重点企业用电量等电量数据、GDP值、常住人口等经济信息数据和企业信息、企业行业属性等企业信息数据。
优选的,数据预处理:缺失值和异常值处理,包括:
缺失值:对应时间序列数据可采用移动平均法进行缺失值填补,取出缺失值发生之前的一段滚动时间内的非缺失异常值,计算均值时根据实际情况选择适当方法,如指数加权,给最近的数据点赋予更高的权重。
加权移动平均法的计算公式:
Ft=ω1At-1+ω2At-2+ω3At-3+...+ωnAt-n
其中Ft为第t期时间序列观测值,Ai为第i期时间序列观测值(i=t-1,t-2,…,t-n),ωj为第t-j期时间序列数据的权重(j=1,2,…,n),ω1+ω1+...+ωn=1。
异常值处理:所收集的数据为时间序列数据,具有周期性,可使用STL算法将时序数据拆解成趋势项、季节项、周期项、随机波动项。每个时刻的时序数据等于当前时序趋势项、季节项、周期项和随机波动项的和,根据STL分解后的随机波动项判断时序数据是否异常,一般情况下,随机波动项的是平稳分布状态,可对随机波动项设置恒定阈值或者动态阈值,如果某个时间节点的分解随机波动项超过设定阈值,则是异常数据,异常值按照缺失值进行性处理。
Yt=Tt+St+Ct+It
Yt:时序数据项,Tt:趋势项,St:季节项,Ct:周期项,It:随机波动项。
优选的,根据企业历史电量数据,构建企业用电量预测模型,得出企业用电量预测数据,包括:
构造算法一,由自回归模型拟合企业用电量曲线,并利用LightGBM集成学习算法预测企业用电量;
由自回归模型拟合企业用电量曲线,并利用LightGBM集成学习算法预测企业用电量,是指:建立自回归模型:
f(Xt-1,Xt-2,...,Xt-p)=Xt
其中,序列值随机变量Xt由前p个时刻的序列值得到。基于计算得到的自回归模型,利用LightGBM算法预测企业用电量。
利用集成学习中的LightGBM算法,对自回归拟合出来的企业用电量进行预测。主要特点如下:
直方图算法寻找最优分割点,利用带深度限制的Leaf-wise的叶子生长策略,进行决策树的搜索和分裂,利用基于直方图的稀疏特征优化,降低更多误差,提高拟合精度。
构造算法二,利用X13季节分解算法分解企业用电量曲线处理,以得到预测后的企业用电量曲线;
用X13季节分解算法分解企业用电量曲线,分解为趋势项、季节项、随机项,并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测,并将预测结果进行重构,以得到预测后的企业用电量曲线,包括:
在预处理的基础上,采用X13季节调整算法将历史企业用电量数据分解为趋势项、季节项和随机项三个序列:
Yt=Tt+St+It
其中Yt表示预处理之后的历史企业用电量数据,Tt表示企业用电量趋势项,St表示企业用电量季节项,It表示企业用电量随机项。
基于分解的企业用电量,利用ARIMA模型对趋势项进行预测,将预测后的三部分加和,得到最终的预测企业用电量。
结合差分自回归移动平均(ARIMA)算法,对企业用电量的趋势项进行预测,再将三部分预测结果进行加和,得到最终的预测结果。
对算法一的结果以及算法二的结果进行优化估计,得到正常情况下模型最优预测结果。
用卡尔曼滤波算法,基于历史企业用电量,对算法一结果以及算法二结果进行优化估计,得到正常情况下模型最优预测结果,是指:
根据历史企业用电量值,利用卡尔曼滤波对算法一结果和算法二结果进行优化估计,得到现在状态(k)的最优化估算值X(k|k):
X(k|k)=X(k|k-1)+Kg(k)(Z(k)-H*X(k|k-1))
其中,Kg为卡尔曼增益,H为状态系统参数,Z是k时刻测量值/真实值,需要对其方差进行递归更新,得到最优的加权结果。
优选的,根据企业用电量预测数据,结合碳排放系数,得出行业碳排放量预测数据,方法如下:
根据电网数据平台中企业的所属行业,对重点污染企业用电量预测数据相加,得出重点碳排放行业用电量预测数据,计算方法如下:
z=∑Xi
计算式中,z为重点污染行业用电量预测数据,Xi为重点碳排放企业用电量预测数据;
根据行业历史行业能源消费数据以及行业碳排放量排放数据,计算得出行业碳排放系数,计算方法如下:
计算式中,w为行业碳排放系数,n为重点碳排放企业数,xi为企业i碳排放量,yi为企业i能源消费量;
根据重点企业用电量预测数据,结合行业碳排放系数,计算得出行业碳排放量预测数据:
首先建立重点碳排放行业用电量与行业能源消费量之间的函数关系:
Z=f(Yi)=α+βYi
计算式中,Yi为重点碳排放行业i历史能源消费量数据,Z为重点碳排放行业历史用电量数据,α,β为参数;
计算行业碳排放量预测数据,计算方法如下:
t=w*z
计算式中t为行业碳排放量预测数据,w为行业碳排放系数,z为重点碳排放行业用电量预测数据。
优选的,建立区域碳排放量预测模型,输出区域未来一段时间碳排放量的预测结果及各相关行业的影响程度,包括:
建立区域碳排放量预测模型,将企业用电量、企业信息历史数据,能源消费数据、经济信息数据进行清洗整合,作为训练集带入模型;企业用电量预测、经济信息预测、行业碳排放量预测作为预测集带入模型;模型输出区域未来一段时间碳排放量的预测结果及各相关行业的影响贡献度。
首先根据我国碳排放量的需求趋势,确定输出层、中间层和输入层:输出层的输出节点为区域碳排放量y;用试凑法确定中间隐层节点数有数个,逐个做试验,通过BP网络训练结果比较,选取网络训练误差和网络训练次数组合最有对应的隐层神经元数目;将碳排放量的影响因素作为确定对应输入层节点:x1人口总量,x2城镇化,x3人均GDP,x4第三产业GDP比例,x5能源强度吨标准煤,x6煤炭消费比例,x7区域用电量,x8各行业用电量,x9各行业碳排放量。
基于粒子群优化算法的BP神经网络:
粒子群优化算法(PSO算法)用于求解优化问题。算法中的每个粒子代表问题的一个潜在解,粒子的特征由位置、速度和适应度值来表示,每个粒子对应一个由适应度函数决定的适应度值,其值的好坏代表粒子的优劣。
将粒子群优化算法应用于BP神经网络,具体算法流程为:
(1)确定待优化BP神经网络的拓扑结构、初始权值和阈值;
(2)对初始权值和阈值进行编码,编码方式有两种,即向量编码和矩阵编码,这里采用向量编码,假设有N个待优化的权值和阈值,即群体中的每个粒子被编码成由N个权值和阈值构成的N维向量,每个粒子对应两个向量:位置zi={zi1,zi2,...,ziD}和速度vi={vi1,vi2,...,viD},每个粒子根据下式更新自己的位置和速度:
vid(t+1)=ωvid(t)+c1r1[pid-zid(t)]+c2r2[pgd-zid(t)]
zid(t+1)=zid(t)+vid(t+1)
vid(t+1)表示第i个粒子在t+1次迭代中第d维上的速度,ω为惯性权重,c1,c2为加速常数,r1,r2为0~1之间的随机数,pid为个体极值,pgd为全局极值。ω取线性递减惯性权重,计算公式为:iter表示当前迭代次数,itermax表示最大迭代次数,ωmax表示惯性权重初值,ωmin表示惯性权重终值。
(3)将训练得到的误差指标函数值作为适应度函数值;计算每个粒子的适应度值,计算公式如下:
n为输出节点数;yi为神经网络第i个节点的期望输出;oi为第i个节点的预测输出;k为系数;abs()返回数字的绝对值。
(4)将每个个体的适应度值F(i)与其相应个体极值的适应度值pid进行比较,如果更优则将其作为个体极值;
(5)将每个个体的适应度值pid与全体极值的适应度值pgd进行比较,如果更优,则将其作为全局极值;
(6)更新粒子的速度和位置;当满足终止条件时,将粒子解码,得到最优权值和阈值并赋给BP神经网络。
针对本方法实测目标,神经网络模型采用三层前馈网络,由输入层,隐含层,输出层组成。输入层每个神经元对应一个影响因素(影响因素:GDP、区域常住人口、能源消费量、用电量、行业碳排放量等),其输入为因素的归一化结果值;输出层有一个神经元,输出为区域碳排放量。
第一层(输入层):将神经元引入神经网络。
第二层(隐藏层):
其中f(x)为传递函数,这里采用的是正切Sigmoid函数:f(x)=tanh(x)
第三层(输出层):
其中m,n,l分别代表输入层节点数,输出点节点数,隐藏神经元个数。至于l不能直接确定,可采用经验公式:yk为区域碳排放量预测值。
各行业碳排放相对贡献度:s=t/yk
s为行业碳排放相对贡献度,t为行业碳排放量预测值,yk为区域碳排放量预测值。
优选的,根据各行业碳排放相对贡献度及企业用电量预测占比,分析企业对碳排放的贡献度,形成治理企业清单,辅助环保部门管理方案的制定,计算方法如下:
m=(y企/y行)*s
计算式中m为企业贡献度,y企为企业用电量,y行为行业用电量,s为行业碳排放相对贡献度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的实施例,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获得其他的附图。
图1为本发明实施例提供的一种基于电力数据的区域碳排放量预测方法的流程图;
图2为本发明实施例提供的一种企业用电量预测方法的流程图。
图3本发明实施例提供的一种粒子群优化算法应用于BP神经网络的算法流程图。
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。
实施例1:
本发明实施例提供了一种基于电力大数据的区域碳排放预测方法,如图1所示,该方法包括如下步骤:
S101:获取选定区域的能源消费数据、经济信息数据、电厂发电量数据;
发达经济体的经济增长的同时与能源相关的二氧化碳排放总量在下降。电力行业减排领先,占总碳排放的三分之一,“2021~2025”期间逐步纳入八个高耗能行业,具体如下表:
S102:数据预处理:缺失值和异常值处理;
缺失值:对应时间序列数据可采用移动平均法进行缺失值填补,取出缺失值发生之前的一段滚动时间内的非缺失异常值,计算均值时根据实际情况选择适当方法,如指数加权,给最近的数据点赋予更高的权重。
加权移动平均法的计算公式:
Ft=ω1At-1+ω2At-2+ω3At-3+...+ωnAt-n
其中Ft为第t期时间序列观测值,Ai为第i期时间序列观测值(i=t-1,t-2,…,t-n),ωj为第t-j期时间序列数据的权重(j=1,2,…,n),ω1+ω1+...+ωn=1。
异常值处理:所收集的数据为时间序列数据,具有周期性,可使用STL算法将时序数据拆解成趋势项、季节项、周期项、随机波动项。每个时刻的时序数据等于当前时序趋势项、季节项、周期项和随机波动项的和,根据STL分解后的随机波动项判断时序数据是否异常,一般情况下,随机波动项的是平稳分布状态,可对随机波动项设置恒定阈值或者动态阈值,如果某个时间节点的分解随机波动项超过设定阈值,则是异常数据,异常值按照缺失值进行性处理。
Yt=Tt+St+Ct+It
Yt:时序数据项,Tt:趋势项,St:季节项,Ct:周期项,It:随机波动项。
S103:根据企业历史电量数据,构建企业用电量预测模型,得出企业用电量预测数据;
请参阅图2,其出示了本发明实施例提供的一种企业用电量预测方法的流程图,包括:
S301:构造算法一,由自回归模型拟合企业用电量曲线,并利用LightGBM集成学习算法预测企业用电量;
由自回归模型拟合企业用电量曲线,并利用LightGBM集成学习算法预测企业用电量,是指:建立自回归模型:
f(Xt-1,Xt-2,...,Xt-p)=Xt
其中,序列值随机变量Xt由前p个时刻的序列值得到。基于计算得到的自回归模型,利用LightGBM算法预测企业用电量。
S302:构造算法二,利用X13季节分解算法分解企业用电量曲线处理,以得到预测后的企业用电量曲线;
用X13季节分解算法分解企业用电量曲线,分解为趋势项、季节项、随机项,并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测,并将预测结果进行重构,以得到预测后的企业用电量曲线,包括:
在预处理的基础上,采用X13季节调整算法将历史企业用电量数据分解为趋势项、季节项和随机项三个序列:
Yt=Tt+St+It
其中Yt表示预处理之后的历史企业用电量数据,Tt表示企业用电量趋势项,St表示企业用电量季节项,It表示企业用电量随机项。
基于分解的企业用电量,利用ARIMA模型对趋势项进行预测,将预测后的三部分加和,得到最终的预测企业用电量。
结合差分自回归移动平均(ARIMA)算法,对企业用电量的趋势项进行预测,再将三部分预测结果进行加和,得到最终的预测结果。
对算法一的结果以及算法二的结果进行优化估计,得到正常情况下模型最优预测结果。
S303:用卡尔曼滤波算法,基于历史企业用电量,对算法一结果以及算法二结果进行优化估计,得到正常情况下模型最优预测结果,是指:
根据历史企业用电量值,利用卡尔曼滤波对算法一结果和算法二结果进行优化估计,得到现在状态(k)的最优化估算值X(k|k):
X(k|k)=X(k|k-1)+Kg(k)(Z(k)-H*X(k|k-1))
其中,Kg为卡尔曼增益,H为状态系统参数,Z是k时刻测量值/真实值,需要对其方差进行递归更新,得到最优的加权结果。
S104:根据企业用电量预测数据,结合碳排放系数,得出行业碳排放量预测数据;
根据电网数据平台中企业的所属行业,对重点污染企业用电量预测数据相加,得出重点碳排放行业用电量预测数据,计算方法如下:
z=∑Xi
计算式中,z为重点污染行业用电量预测数据,Xi为重点碳排放企业用电量预测数据;
根据行业历史行业能源消费数据以及行业碳排放量排放数据,计算得出行业碳排放系数,计算方法如下:
计算式中,w为行业碳排放系数,n为重点碳排放企业数,xi为企业i碳排放量,yi为企业i能源消费量;
根据重点企业用电量预测数据,结合行业碳排放系数,计算得出行业碳排放量预测数据:
首先建立重点碳排放行业用电量与行业能源消费量之间的函数关系:
Z=f(Yi)=α+βYi
计算式中,Yi为重点碳排放行业i历史能源消费量数据,Z为重点碳排放行业历史用电量数据,α,β为参数;
计算行业碳排放量预测数据,计算方法如下:
t=w*z
计算式中t为行业碳排放量预测数据,w为行业碳排放系数,z为重点碳排放行业用电量预测数据。
序号 | 行业名称 | 碳排放量/亿吨 |
1 | 发电 | <![CDATA[t<sub>1</sub>]]> |
2 | 石化 | <![CDATA[t<sub>2</sub>]]> |
3 | 化工 | <![CDATA[t<sub>3</sub>]]> |
4 | 建材 | <![CDATA[t<sub>4</sub>]]> |
5 | 钢铁 | <![CDATA[t<sub>5</sub>]]> |
6 | 有色金属 | <![CDATA[t<sub>6</sub>]]> |
7 | 造纸 | <![CDATA[t<sub>7</sub>]]> |
8 | 国内民用航空 | <![CDATA[t<sub>8</sub>]]> |
S105:建立区域碳排放量预测模型,输出区域未来一段时间碳排放量的预测结果及各相关行业的影响程度;
请参阅图3,其出示了本发明实施例提供的一种粒子群优化算法应用于BP神经网络的算法流程图,包括:
输入层:
S501:输入碳排放量的因素,即x1-x9,并对数据进行归一化处理;
粒子群优化:
S502:确定待优化BP神经网络的拓扑结构;
S503:初始化粒子群算法参数;
S504:对粒子进行初始化编码,编码方式有两种,即向量编码和矩阵编码,这里采用向量编码,假设有N个待优化的粒子,即群体中的每个粒子被编码成由N个权值和阈值构成的N维向量,每个粒子对应两个向量:位置zi={zi1,zi2,...,ziD}和速度vi={vi1,vi2,...,viD},每个粒子根据下式更新自己的位置和速度:
vid(t+1)=ωvid(t)+c1r1[pid-zid(t)]+c2r2[pgd-zid(t)]
zid(t+1)=zid(t)+vid(t+1)
vid(t+1)表示第i个粒子在t+1次迭代中第d维上的速度,ω为惯性权重,c1,c2为加速常数,r1,r2为0~1之间的随机数,pid为个体极值,pgd为全局极值。ω取线性递减惯性权重,计算公式为:iter表示当前迭代次数,itermax表示最大迭代次数,ωmax表示惯性权重初值,ωmin表示惯性权重终值。
S505:将训练得到的误差指标函数值作为适应度函数值;计算每个粒子的适应度值,计算公式如下:
n为输出节点数;yi为神经网络第i个节点的期望输出;oi为第i个节点的预测输出;k为系数;abs()返回数字的绝对值。
S506:将每个个体的适应度值F(i)与其相应个体极值的适应度值pid进行比较,如果更优则将其作为个体极值;
S507:将每个个体的适应度值pid与全体极值的适应度值pgd进行比较,如果更优,则将其作为全局极值;
S508:更新粒子的速度和位置;当满足终止条件时,将粒子解码,得到最优权值和阈值并赋给BP神经网络;
输入层到中间层:
S509:BP神经网络获取最优连续权值和阈值,进行粒子群优化的BP神经网络模型的建立;
中间层到输出层:
S510:进行模型准确性检验,如果满足终止条件,则进行基于粒子群优化的BP神经网络的区域碳排放量预测模型的构建。
根据设置好的参数,将训练样本输入对网络进行训练,粒子在迭代过程中的适应度随着进化代数逐渐减小,进化多次后适应度值达到最小,说明粒子群优化算法具有较强的寻优能力。通过粒子群优化算法后,进行网络训练和仿真测试。
针对本方法实测目标,神经网络模型采用三层前馈网络,由输入层,隐含层,输出层组成。根据我国碳排放量的需求趋势,确定输出层、中间层和输入层;输出层的输出节点为区域碳排放量y;用试凑法确定中间隐层节点数有数个,逐个做试验,通过BP网络训练结果比较,选取网络训练误差和网络训练次数组合最有对应的隐层神经元数目;将碳排放量的影响因素作为确定对应输入层节点,其输入为影响因素的归一化结果值:x1人口总量,x2城镇化,x3人均GDP,x4第三产业GDP比例,x5能源强度吨标准煤,x6煤炭消费比例,x7区域用电量,x8各行业用电量,x9各行业碳排放量。
在本方案中,中间隐藏层为神经元的输入,部分神经元输入列举如下:
数据在通过输入层之后,在中间隐藏层经过计算,得出0-1之间的数字,用于输出层将最终概率进行输出。
输出层有一个神经元,输出为区域碳排放量。
时间 | 地区 | 实际值(亿吨) | 预测值(亿吨) | 相对误差(%) |
x月x日 | 地市1 | 0.888493 | 0.917184 | 3.2292 |
x月x日 | 地市2 | 0.907865 | 0.905500 | -0.2606 |
x月x日 | 地市3 | 0.933190 | 0.930687 | -0.2682 |
x月x日 | 地市4 | 0.940.47 | 0.939066 | -0.1363 |
S106:根据各行业碳排放相对贡献度及企业用电量预测占比,分析企业对碳排放的贡献度,形成治理企业清单。
根据各行业碳排放相对贡献度及企业用电量预测占比,分析企业对碳排放的贡献度,形成治理企业清单,辅助环保部门结合当地实际情况针对相关企业制定生产管控计划。计算方法如下:
m=(y企/y行)*s
计算式中m为企业贡献度,y企为企业用电量,y行为行业用电量,s为行业碳排放相对贡献度。
表1地市1和地市2发生污染时各行业碳排放量影响排名
表2地市1和地市2近三天主要影响碳排放量的top5企业。
Claims (9)
1.一种基于电力数据的区域碳排放量预测方法,其特征在于,包括:
根据企业历史电量数据,构建企业用电量预测模型,得出企业用电量预测数据;
根据企业用电量预测数据,结合碳排放系数,得出行业碳排放量预测数据;
根据所述碳排放量预测数据,以及区域现有行业用电信息建立区域碳排放量预测模型,输出区域未来一段时间碳排放量的预测结果及各相关行业的影响贡献度;
根据各行业碳排放相对贡献度及企业用电量预测占比,分析企业对碳排放的贡献度。
2.根据权利要求1所述的一种基于电力数据的区域碳排放量预测方法,其特征在于,根据企业历史电量数据,构建企业用电量预测模型,得出企业用电量预测数据,包括:
构造算法一,由自回归模型拟合企业用电量曲线,并利用LightGBM集成学习算法预测企业用电量;
由自回归模型拟合企业用电量曲线,并利用LightGBM集成学习算法预测企业用电量,是指:建立自回归模型:
f(Xt-1,Xt-2,...,Xt-p)=Xt
其中,序列值随机变量Xt由前p个时刻的序列值得到,基于计算得到的自回归模型,利用LightGBM算法预测企业用电量;
构造算法二,利用X13季节分解算法分解企业用电量曲线处理,以得到预测后的企业用电量曲线;
用X13季节分解算法分解企业用电量曲线,分解为趋势项、季节项、随机项,并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测,并将预测结果进行重构,以得到预测后的企业用电量曲线。
3.根据权利要求2所述的一种基于电力数据的区域碳排放量预测方法,其特征在于,构造算法二具体包括:
在预处理的基础上,采用X13季节调整算法将历史企业用电量数据分解为趋势项、季节项和随机项三个序列:
Yt=Tt+St+It
其中Yt表示预处理之后的历史企业用电量数据,Tt表示企业用电量趋势项,St表示企业用电量季节项,It表示企业用电量随机项;
基于分解的企业用电量,利用ARIMA模型对趋势项进行预测,将预测后的三部分加和,得到最终的预测企业用电量;
结合差分自回归移动平均(ARIMA)算法,对企业用电量的趋势项进行预测,再将三部分预测结果进行加和,得到最终的预测结果;
对算法一的结果以及算法二的结果进行优化估计,得到正常情况下模型最优预测结果。
4.根据权利要求3所述的一种基于电力数据的区域碳排放量预测方法,其特征在于,用卡尔曼滤波算法,基于历史企业用电量,对算法一结果以及算法二结果进行优化估计,得到正常情况下模型最优预测结果,是指:
根据历史企业用电量值,利用卡尔曼滤波对算法一结果和算法二结果进行优化估计,得到现在状态(k)的最优化估算值X(k|k):
X(k|k)=X(k|k-1)+Kg(k)(Z(k)-H*X(k|k-1))
其中,Kg为卡尔曼增益,H为状态系统参数,Z是k时刻测量值/真实值,需要对其方差进行递归更新,得到最优的加权结果。
5.根据权利要求1所述的方法,其特征在于,根据企业用电量预测数据,结合碳排放系数,得出行业碳排放量预测数据,方法如下:
根据电网数据平台中企业的所属行业,对重点污染企业用电量预测数据相加,得出重点碳排放行业用电量预测数据,计算方法如下:
z=∑Xi
计算式中,z为重点污染行业用电量预测数据,Xi为重点碳排放企业用电量预测数据;
根据行业历史行业能源消费数据以及行业碳排放量排放数据,计算得出行业碳排放系数,计算方法如下:
计算式中,w为行业碳排放系数,n为重点碳排放企业数,xi为企业i碳排放量,yi为企业i能源消费量;
根据重点企业用电量预测数据,结合行业碳排放系数,计算得出行业碳排放量预测数据:
首先建立重点碳排放行业用电量与行业能源消费量之间的函数关系:
Z=f(Yi)=α+βYi
计算式中,Yi为重点碳排放行业i历史能源消费量数据,Z为重点碳排放行业历史用电量数据,α,β为参数;计算行业碳排放量预测数据,计算方法如下:
t=w*z
计算式中t为行业碳排放量预测数据,w为行业碳排放系数,z为重点碳排放行业用电量预测数据。
6.根据权利要求1所述的方法,其特征在于,建立区域碳排放量预测模型,输出区域未来一段时间碳排放量的预测结果及各相关行业的影响程度,包括:
基于LightGBM集成学习算法和X13季节调整算法,分别建立企业用电量预测模型,将清洗整合后的企业历史用电量数据作为入参,利用LightGBM算法预测企业用电量;用X13季节调整算法将企业历史用电量数据分解为趋势项、季节项和随机项三个序列,通过将三个序列的预测结果进行加和,得出预测结果;再用卡尔曼滤波算法对两个预测结果进行优化估计,得出最优预测结果,该结果将作为区域碳排放量预测模型的入参之一进行应用。
区域碳排放量预测模型主要基于粒子群优化的BP神经网络算法建立,将企业用电量、企业信息历史数据,能源消费数据、经济信息数据进行清洗整合,作为训练集带入模型;将企业用电量预测、经济信息预测、行业碳排放量预测作为预测集带入模型;输出区域未来一段时间碳排放量的预测结果及各相关行业的影响贡献度。
7.根据权利要求6所述的方法,其特征在于,根据各行业碳排放相对贡献度及企业用电量预测占比,分析企业对碳排放的贡献度,计算方法如下:
m=(y企/y行)*s
计算式中m为企业贡献度,y企为企业用电量,y行为行业用电量,s为行业碳排放绝对贡献度。
8.根据权利要求1所述的方法,其特征在于,还包括数据预处理:缺失值和异常值处理,包括:
缺失值:对应时间序列数据可采用移动平均法进行缺失值填补,取出缺失值发生之前的一段滚动时间内的非缺失异常值,计算均值时根据实际情况选择适当方法,如指数加权,给最近的数据点赋予更高的权重。
9.根据权利要求8所述的方法,其特征在于,加权移动平均法的计算公式:
Ft=ω1At-1+ω2At-2+ω3At-3+...+ωnAt-n
其中Ft为第t期时间序列观测值,Ai为第i期时间序列观测值(i=t-1,t-2,…,t-n),ωj为第t-j期时间序列数据的权重(j=1,2,…,n),ω1+ω1+...+ωn=1;
异常值处理:所收集的数据为时间序列数据,具有周期性,可使用STL算法将时序数据拆解成趋势项、季节项、周期项、随机波动项;每个时刻的时序数据等于当前时序趋势项、季节项、周期项和随机波动项的和,根据STL分解后的随机波动项判断时序数据是否异常,一般情况下,随机波动项的是平稳分布状态,可对随机波动项设置恒定阈值或者动态阈值,如果某个时间节点的分解随机波动项超过设定阈值,则是异常数据,异常值按照缺失值进行性处理:
Yt=Tt+St+Ct+It
Yt:时序数据项,Tt:趋势项,St:季节项,Ct:周期项,It:随机波动项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211097272.9A CN115907070A (zh) | 2022-09-06 | 2022-09-06 | 一种基于电力数据的区域碳排放量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211097272.9A CN115907070A (zh) | 2022-09-06 | 2022-09-06 | 一种基于电力数据的区域碳排放量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907070A true CN115907070A (zh) | 2023-04-04 |
Family
ID=86488595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211097272.9A Pending CN115907070A (zh) | 2022-09-06 | 2022-09-06 | 一种基于电力数据的区域碳排放量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907070A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304248A (zh) * | 2023-05-09 | 2023-06-23 | 城印文化科技集团有限公司 | 一种用于零碳展厅的可视化管理方法及系统 |
CN117057487A (zh) * | 2023-10-12 | 2023-11-14 | 国网浙江省电力有限公司宁波供电公司 | 一种配电网碳排放强度预测方法、系统、设备及存储介质 |
CN117494063A (zh) * | 2023-09-08 | 2024-02-02 | 国网江苏省电力有限公司仪征市供电分公司 | 新型电力系统下企业碳排放监测方法、系统、终端及介质 |
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 |
CN117951457A (zh) * | 2024-03-26 | 2024-04-30 | 深圳碳中和生物燃气股份有限公司 | 基于生物炭的负碳产品碳减排量核算方法及系统 |
-
2022
- 2022-09-06 CN CN202211097272.9A patent/CN115907070A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304248A (zh) * | 2023-05-09 | 2023-06-23 | 城印文化科技集团有限公司 | 一种用于零碳展厅的可视化管理方法及系统 |
CN117494063A (zh) * | 2023-09-08 | 2024-02-02 | 国网江苏省电力有限公司仪征市供电分公司 | 新型电力系统下企业碳排放监测方法、系统、终端及介质 |
CN117494063B (zh) * | 2023-09-08 | 2024-06-07 | 国网江苏省电力有限公司仪征市供电分公司 | 新型电力系统下企业碳排放监测方法 |
CN117057487A (zh) * | 2023-10-12 | 2023-11-14 | 国网浙江省电力有限公司宁波供电公司 | 一种配电网碳排放强度预测方法、系统、设备及存储介质 |
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 |
CN117951457A (zh) * | 2024-03-26 | 2024-04-30 | 深圳碳中和生物燃气股份有限公司 | 基于生物炭的负碳产品碳减排量核算方法及系统 |
CN117951457B (zh) * | 2024-03-26 | 2024-06-11 | 深圳碳中和生物燃气股份有限公司 | 基于生物炭的负碳产品碳减排量核算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115907070A (zh) | 一种基于电力数据的区域碳排放量预测方法 | |
Fu | Deep belief network based ensemble approach for cooling load forecasting of air-conditioning system | |
Wang et al. | A novel hybrid approach for wind speed prediction | |
CN107967542B (zh) | 一种基于长短期记忆网络的售电量预测方法 | |
CN106777465B (zh) | 高含硫天然气净化工艺动态演化建模与节能优化方法 | |
Tian | Backtracking search optimization algorithm-based least square support vector machine and its applications | |
Piltan et al. | Energy demand forecasting in Iranian metal industry using linear and nonlinear models based on evolutionary algorithms | |
CN106971238A (zh) | 基于T‑S模糊Elman神经网络的短期电力负荷预测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
Zhang et al. | An improved OIF Elman neural network based on CSO algorithm and its applications | |
CN113360848A (zh) | 一种时序数据预测方法及装置 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN115471008A (zh) | 一种基于长短期记忆神经网络的燃气短期负荷预测方法 | |
Čurčić et al. | Gaining insights into dwelling characteristics using machine learning for policy making on nearly zero-energy buildings with the use of smart meter and weather data | |
Wang et al. | Probabilistic power curve estimation based on meteorological factors and density LSTM | |
Zhou et al. | Integrated dynamic framework for predicting urban flooding and providing early warning | |
CN114580762A (zh) | 一种基于XGBoost的水文预报误差校正方法 | |
Tundo et al. | Fuzzy Inference System Tsukamoto–Decision Tree C 4.5 in Predicting the Amount of Roof Tile Production in Kebumen | |
CN111724004B (zh) | 一种基于改进量子灰狼算法的水库可供水量预报方法 | |
Zhang et al. | A network traffic prediction model based on quantum inspired PSO and neural network | |
Lu et al. | Traffic flow prediction based on wavelet analysis, genetic algorithm and artificial neural network | |
Mu et al. | An improved effective approach for urban air quality forecast | |
Wang et al. | Short term load forecasting: A dynamic neural network based genetic algorithm optimization | |
Kayakuş | The Estimation of Turkey's Energy Demand Through Artificial Neural Networks and Support Vector Regression Methods | |
CN113191526A (zh) | 一种基于随机敏感度的短期风速区间多目标优化预测方法及系统 |
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 |