CN115983485A - 一种发电厂碳排放的预测方法及系统 - Google Patents
一种发电厂碳排放的预测方法及系统 Download PDFInfo
- Publication number
- CN115983485A CN115983485A CN202310026765.1A CN202310026765A CN115983485A CN 115983485 A CN115983485 A CN 115983485A CN 202310026765 A CN202310026765 A CN 202310026765A CN 115983485 A CN115983485 A CN 115983485A
- Authority
- CN
- China
- Prior art keywords
- carbon
- predicting
- emission
- optimized model
- representing
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 54
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 40
- 241000254158 Lampyridae Species 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 17
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 18
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 8
- 239000003245 coal Substances 0.000 claims description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
本发明公开了一种发电厂碳排放的预测方法及系统,该方法包括:获取输入指标并根据相关系数进行筛选,得到评价指标;基于萤火虫算法和评价指标对埃尔曼神经网络进行优化,得到优化后的模型;基于优化后的模型进行碳排放预测。该系统包括:指标筛选模块、优化模块和预测模块。通过使用本发明,能够快速精准地对碳排放进行预测,从而判断碳排放量是否在国家政策规定的限度内并且决定是否进行低碳技术发展来减少碳配额的使用或购买来提升企业经济效益。本发明作为一种发电厂碳排放的预测方法及系统,可广泛应用于数据预测领域。
Description
技术领域
本发明涉及数据预测领域,尤其涉及一种发电厂碳排放的预测方法及系统。
背景技术
国家对企业的碳排放量额度分配有一定的限制标准,现如今水力发电量的不确定性会影响火力发电量,煤炭火力发电在发电中还是占据主要地位,减少多少火力发电比重以降低碳排放来提升企业经济效益成为企业关心的重要问题,故提前预测当年的碳排放量问题是非常必要的。现有的几种预测方法均存在缺陷,基于萤火虫算法的预测方法对优秀个体依赖程度太高导致收敛速度降低,基于回归分析的预测方法在选用何种因子和该因子采用何种表达式只是一种推测,这影响了发电因子的多样性和某些因子的不可测性。目前的预测方法存在预测时间较长和预测结果不精确的问题。
发明内容
为了解决上述技术问题,本发明的目的是提供一种发电厂碳排放的预测方法及系统,能够快速精准地对碳排放进行预测。
本发明所采用的第一技术方案是:一种发电厂碳排放的预测方法,包括以下步骤:
获取输入指标并根据相关系数进行筛选,得到评价指标;
基于萤火虫算法和评价指标对埃尔曼神经网络进行优化,得到优化后的模型;
基于优化后的模型进行碳排放预测。
进一步,所述输入指标包括总装机容量、清洁能源装机占比、发电量、市场电量、资产总额、净利润、耗用标准煤量、耗油总量、烟尘排放总量、二氧化硫排放总量、氮氧化物排放总量、在岗员工人数、二氧化碳排放总量,所述评价指标包括发电量、供电煤耗、氮氧化物排放率、二氧化硫排放率。
进一步,所述基于萤火虫算法和评价指标对埃尔曼神经网络进行优化,得到优化后的模型这一步骤,其具体包括:
以评价指标为输入的神经元;
初始化萤火虫的种群和位置并设置基本参数;
基于萤火虫算法对埃尔曼神经网络进行优化,输出最优参数解,得到优化后的模型。
进一步,所述基于萤火虫算法对埃尔曼神经网络进行优化,输出最优参数解,得到优化后的模型这一步骤,其具体包括:
导入特征处理过的数据并筛选出的重要因子和碳排放量;
计算萤火虫之间的吸引力;
更新步长向量;
更新萤火虫的位置;
判断到满足迭代终止条件,输出最优参数解,得到优化后的模型。
进一步,筛选的公式表示如下:
上式中,n为样本容量,ρ为相关系数,x,y为两个变量中对应的元素。
进一步,所述优化后的模型的目标函数表达式如下:
上式中,Y表示碳排放量,Ymax表示国家分配给企业的碳排放额度,Y′表示国家允许购买的碳排放额度的最大值,w1表示输入层到隐藏层的权重,w2表示承接层到隐藏的权重,w3表示隐藏层到输出层的权重,xc(k-1)表示隐藏层的输出,xc(k)表示隐藏层的输入,m表示输出层中的节点数,f表示隐藏层传递函数,g表示输出层传递函数,E表示预测误差。
本发明所采用的第二技术方案是:一种发电厂碳排放的预测系统,包括:
指标筛选模块,用于获取输入指标并根据相关系数进行筛选,得到评价指标;
优化模块,基于萤火虫算法和评价指标对埃尔曼神经网络进行优化,得到优化后的模型;
预测模块,基于优化后的模型进行碳排放预测。
本发明方法及系统的有益效果是:本发明提出一种基于距离相关系数和改进萤火虫算法优化的埃尔曼神经网络来预测发电厂碳排放的方法,通过距离相关系数方法找到与碳排放量关联度高的指标,解决了无关变量对预测结果的影响问题;改进的萤火虫算法全局搜索能力强,收敛速度快,具备较好的全局巡优能力,能够快速跳出局部最优点,并且具有并行处理能力以及鲁棒性强等特点,有效的解决了萤火虫算法对优秀个体依赖性较高的问题。
附图说明
图1是本发明一种发电厂碳排放的预测方法的步骤流程图;
图2是本发明具体实施例应用场景示意图;
图3是本发明一种发电厂碳排放的预测系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明的应用场景图如图2所示
如图1所示,本发明提供了一种发电厂碳排放的预测方法,该方法包括以下步骤:
S1、获取输入指标并根据相关系数进行筛选,得到评价指标;
S1.1、选取输入指标:x1,x2,...,xn,n表示指标的总数量。
发电厂的指标输入有:总装机容量、清洁能源和可再生能源装机占比、发电量、市场电量、资产总额、净利润、耗用标准煤量、耗油总量、烟尘排放总量、二氧化硫排放总量、氮氧化物排放总量、在岗员工人数、二氧化碳排放总量。
筛选后的评价指标包括发电量、供电煤耗、氮氧化物排放率、二氧化硫排放率。
S1.2、由距离相关系数方法确定出k个重要性指标作为输入的神经元,u1,u2,...,uk,k表示选取重要指标的数量。
筛选的公式表示如下:
上式中,n为样本容量,ρ为相关系数,x,y为两个变量中对应的元素。
S2、基于萤火虫算法和评价指标对埃尔曼神经网络进行优化,得到优化后的模型;
输入层参数的选择是建立合理的神经网络模型的关键,但随着输入层参数的增加,会增加神经网络迭代的次数,降低整个模型的运行效率,并影响神经网络最终预测值的准确性。
S2.1、以评价指标为输入的神经元;
还包括训练步骤:输入的是筛选出来的重要指标(即评价指标)和碳排放量,输出是预测的碳排放量。这样可以找到预测模型的最小预测误差进行预测。
S2.2、初始化萤火虫的种群和位置并设置基本参数;
具体地,所述基本参数包括步进系数、光吸引强度系数、最大吸引力和最大迭代次数。
在Elman中初始化w1,w2,w3得到第一次的目标函数值,萤火虫算法就是优化以得到最优的w1,w2,w3,使预测精度降低。
S2.3、基于萤火虫算法对埃尔曼神经网络进行优化,输出最优参数解,得到优化后的模型。
S2.3.1、导入特征处理过的数据并筛选出的重要因子和碳排放量;
S2.3.4、更新萤火虫的位置:xj(t+1)=xj(t)+βij(xi(t)-xj(t))+αζj。
S2.3.5、判断到满足迭代终止条件,输出最优参数解,得到优化后的模型。
所述优化后的模型的目标函数表达式如下:
上式中,Y表示碳排放量,Ymax表示国家分配给企业的碳排放额度,Y′表示国家允许购买的碳排放额度的最大值,w1表示输入层到隐藏层的权重,w2表示承接层到隐藏的权重,w3表示隐藏层到输出层的权重,xc(k-1)表示隐藏层的输出,xc(k)表示隐藏层的输入,m表示输出层中的节点数,f表示隐藏层传递函数,g表示输出层传递函数,E表示预测误差。
S3、基于优化后的模型进行碳排放预测。
模型的主要结构包括输入层、隐含层、输出层,其每一层之间连接权可以进行学习修正;反馈连接由一组“结构”单元构成,用来记忆前一时刻的输出值,其连接权值是固定的。除了普通的隐含层外,还有一个特别的隐含层,称为关联层,该层从隐含层接收反馈信号,每一个隐含层节点都有一个与之对应的关联层节点连接。关联层的作用是通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈。
本专利主要通过距离相关系数法对碳排放指标进行重要因素筛选,再使用AFSA优化的埃尔曼神经网络来预测当年企业的碳排放量以达到企业决定是否进行技术改革来降低碳税并提升企业收入以及控制碳排放量在国家政策规定的限度内的目的。
如图3所示,一种发电厂碳排放的预测系统,包括:
指标筛选模块,用于获取输入指标并根据相关系数进行筛选,得到评价指标;
优化模块,基于萤火虫算法和评价指标对埃尔曼神经网络进行优化,得到优化后的模型;
预测模块,基于优化后的模型进行碳排放预测。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种发电厂碳排放的预测装置:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述一种发电厂碳排放的预测方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种存储介质,其中存储有处理器可执行的指令,其特征在于:所述处理器可执行的指令在由处理器执行时用于实现如上所述一种发电厂碳排放的预测方法。
上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种发电厂碳排放的预测方法,其特征在于,包括以下步骤:
获取输入指标并根据相关系数进行筛选,得到评价指标;
基于萤火虫算法和评价指标对埃尔曼神经网络进行优化,得到优化后的模型;
基于优化后的模型进行碳排放预测。
2.根据权利要求1所述一种发电厂碳排放的预测方法,其特征在于,所述输入指标包括总装机容量、清洁能源装机占比、发电量、市场电量、资产总额、净利润、耗用标准煤量、耗油总量、烟尘排放总量、二氧化硫排放总量、氮氧化物排放总量、在岗员工人数、二氧化碳排放总量,所述评价指标包括发电量、供电煤耗、氮氧化物排放率、二氧化硫排放率。
3.根据权利要求2所述一种发电厂碳排放的预测方法,其特征在于,所述基于萤火虫算法和评价指标对埃尔曼神经网络进行优化,得到优化后的模型这一步骤,其具体包括:
以评价指标为输入的神经元;
初始化萤火虫的种群和位置并设置基本参数;
基于萤火虫算法对埃尔曼神经网络进行优化,输出最优参数解,得到优化后的模型。
4.根据权利要求3所述一种发电厂碳排放的预测方法,其特征在于,所述基于萤火虫算法对埃尔曼神经网络进行优化,输出最优参数解,得到优化后的模型这一步骤,其具体包括:
导入特征处理过的数据并筛选出的重要因子和碳排放量;
计算萤火虫之间的吸引力;
更新步长向量;
更新萤火虫的位置;
判断到满足迭代终止条件,输出最优参数解,得到优化后的模型。
7.一种发电厂碳排放的预测系统,其特征在于,包括:
指标筛选模块,用于获取输入指标并根据相关系数进行筛选,得到评价指标;
优化模块,基于萤火虫算法和评价指标对埃尔曼神经网络进行优化,得到优化后的模型;
预测模块,基于优化后的模型进行碳排放预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026765.1A CN115983485A (zh) | 2023-01-09 | 2023-01-09 | 一种发电厂碳排放的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026765.1A CN115983485A (zh) | 2023-01-09 | 2023-01-09 | 一种发电厂碳排放的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115983485A true CN115983485A (zh) | 2023-04-18 |
Family
ID=85970038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310026765.1A Pending CN115983485A (zh) | 2023-01-09 | 2023-01-09 | 一种发电厂碳排放的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983485A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562444A (zh) * | 2023-05-11 | 2023-08-08 | 淮阴工学院 | 一种工业园区智能碳排放调节方法及设备 |
CN116629452A (zh) * | 2023-07-18 | 2023-08-22 | 北京壹清能环科技有限公司 | 基于发电量的碳排放量预测方法、装置及存储介质 |
CN117391258A (zh) * | 2023-12-08 | 2024-01-12 | 深圳碳中和生物燃气股份有限公司 | 一种负碳排放的预测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529701A (zh) * | 2016-10-21 | 2017-03-22 | 国网吉林省电力有限公司信息通信公司 | 基于改进的萤火虫算法优化神经网络的光纤状态预测方法 |
CN110097236A (zh) * | 2019-05-16 | 2019-08-06 | 南京工程学院 | 一种基于FA优化Elman神经网络的短期负荷预测方法 |
CN110728411A (zh) * | 2019-10-18 | 2020-01-24 | 河海大学 | 一种基于卷积神经网络的高低空区域联合降雨预测方法 |
-
2023
- 2023-01-09 CN CN202310026765.1A patent/CN115983485A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529701A (zh) * | 2016-10-21 | 2017-03-22 | 国网吉林省电力有限公司信息通信公司 | 基于改进的萤火虫算法优化神经网络的光纤状态预测方法 |
CN110097236A (zh) * | 2019-05-16 | 2019-08-06 | 南京工程学院 | 一种基于FA优化Elman神经网络的短期负荷预测方法 |
CN110728411A (zh) * | 2019-10-18 | 2020-01-24 | 河海大学 | 一种基于卷积神经网络的高低空区域联合降雨预测方法 |
Non-Patent Citations (2)
Title |
---|
YUANSHENG HUANG, ETC: "Elman neural network optimized by firefly algorithm for forecasting China\'s carbon dioxide emissions", 《SYSTEMS SCIENCE & CONTROL ENGINEERING》, vol. 7, no. 2, pages 8 - 15 * |
张天宁: "基于神经网络的中国省域居民直接碳排放预测系统研究", 《中国优秀硕士学位论文全文数据库(月刊)》, no. 6, pages 3 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562444A (zh) * | 2023-05-11 | 2023-08-08 | 淮阴工学院 | 一种工业园区智能碳排放调节方法及设备 |
CN116629452A (zh) * | 2023-07-18 | 2023-08-22 | 北京壹清能环科技有限公司 | 基于发电量的碳排放量预测方法、装置及存储介质 |
CN116629452B (zh) * | 2023-07-18 | 2023-09-19 | 北京壹清能环科技有限公司 | 基于发电量的碳排放量预测方法、装置及存储介质 |
CN117391258A (zh) * | 2023-12-08 | 2024-01-12 | 深圳碳中和生物燃气股份有限公司 | 一种负碳排放的预测方法、装置、设备及存储介质 |
CN117391258B (zh) * | 2023-12-08 | 2024-03-15 | 深圳碳中和生物燃气股份有限公司 | 一种负碳排放的预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115983485A (zh) | 一种发电厂碳排放的预测方法及系统 | |
CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
Wang et al. | An integrated power load point-interval forecasting system based on information entropy and multi-objective optimization | |
Zeng et al. | Prediction of fluctuation loads based on GARCH family-CatBoost-CNNLSTM | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN116307652A (zh) | 一种智能电网人工智能资源分配方法 | |
Yang et al. | An ensemble prediction system based on artificial neural networks and deep learning methods for deterministic and probabilistic carbon price forecasting | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
Yu et al. | Ceam: A novel approach using cycle embeddings with attention mechanism for stock price prediction | |
CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN117149293B (zh) | 一种操作系统个性化配置方法 | |
CN115660725A (zh) | 多维度能源用户画像的刻画方法 | |
CN117494931A (zh) | 基于电网节点的边际碳排放因子确定方法、系统及设备 | |
Pranolo et al. | Optimized Three Deep Learning Models Based-PSO Hyperparameters for Beijing PM2. 5 Prediction | |
He et al. | Neural computing for grey Richards differential equation to forecast traffic parameters with various time granularity | |
Wang et al. | Multi‐objective expansion planning of park‐level integrated energy system considering the volatility trend of CETP | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN113723660A (zh) | 一种基于dnn-lstm融合模型的特定行为类型预测方法及系统 | |
Shen et al. | An interval analysis scheme based on empirical error and mcmc to quantify uncertainty of wind speed | |
Lee et al. | Application of temperature prediction model based on LSTNet in telecommunication Room | |
CN117540938B (zh) | 基于td3强化学习优化的集成式建筑能耗预测方法及系统 | |
Liu | Research on Short-term Load Forecasting of Power System Based on Wavelet Denoising and Artificial Neural Network |
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 |