CN116167669B - 一种基于电力消费回归的碳排放评估方法 - Google Patents
一种基于电力消费回归的碳排放评估方法 Download PDFInfo
- Publication number
- CN116167669B CN116167669B CN202310459438.5A CN202310459438A CN116167669B CN 116167669 B CN116167669 B CN 116167669B CN 202310459438 A CN202310459438 A CN 202310459438A CN 116167669 B CN116167669 B CN 116167669B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- power consumption
- model
- carbon emission
- regression
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 48
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 48
- 238000005265 energy consumption Methods 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012417 linear regression Methods 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims description 14
- 238000006467 substitution reaction Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000007254 oxidation reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 239000003245 coal Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电力消费回归的碳排放评估方法,根据现有的能源消费和电力消费情况,首先建立包括线性回归模型、自回归模型、自回归分布时滞模型中的至少两种回归模型,并利用历史数据进行训练,能够确定能源消费和电力消费之间的相关性,其次从训练完毕的回归模型中选择最优模型,再次利用最优模型和当前时间节点的电力消费数据,计算当前时间节点的能源消费量预测值,最终通过能源消费量预测值以及碳排因子计算碳排放量。本发明解决了现有技术存在的能源消费数据滞后导致碳排放评估不准确的问题,具有较高的实时性和准确性。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种基于电力消费回归的碳排放评估方法。
背景技术
近年来,由于社会经济发展对化石能源的过度依赖,能源资源日渐枯竭,同时大量碳排放也导致温室效应日益加重,极端天气的频繁出现,减少温室气体排放成为了重要研究方向。对碳排放量的准确评估,可以为碳减排规划提供科学的参考,是制定碳减排方案的重要依据。
化石能源燃烧是温室气体的主要来源之一,然而目前对于能源消费量的统计大多存在滞后现象。例如,能源消费数据一般来源于各类统计年鉴,然而某些省市的统计年鉴一般在下半年才公布,且其中提供的是去年的能源消费数据。因此,掌握当前时间的能源消费量是碳排放评估过程中亟需解决的问题之一。
发明内容
针对现有技术由于能源消费数据滞后导致碳排放评估不准确的问题,本发明提供一种基于电力消费回归的碳排放评估方法,通过建立和训练多种回归模型,并从中选择最优模型,借助当前时间节点的电力消费数据计算当前时间节点的能源消费量预测值,进而计算碳排放,避免了能源消费数据滞后带来的数据滞后问题,能够实时分析碳排放。
以下是本发明的技术方案。
一种基于电力消费回归的碳排放评估方法,包括以下步骤:
步骤1:建立能源消费和电力消费之间的多种回归模型;
步骤2:利用能源消费和电力消费的历史数据训练所述多种回归模型;
步骤3:从步骤2训练好的回归模型中选择最优模型;
步骤4:利用最优模型和当前时间节点的电力消费数据计算当前时间节点的能源消费量预测值;
步骤5:利用步骤4所计算的能源消费量预测值以及碳排因子计算碳排放量。
本发明中,由于回归模型通过历史数据训练,因此能够挖掘能源消费和电力消费之间的相关性,并通过最优模型和当前时间节点的电力消费数据计算当前时间节点的能源消费量预测值,解决了能源消费数据滞后的问题,通过能源消费量预测值计算碳排放,具有较高的实时性和准确性。
作为优选,所述步骤1:建立能源消费和电力消费之间的多种回归模型,包括:
基于能源消费和电力消费情况,建立线性回归模型、自回归模型、自回归分布时滞模型中的至少两种回归模型。
作为优选,所述线性回归模型,包括:
;
其中, 和 />分别表示时间节点t的能源消费量和电力消费量; />和 />为参数,训练时通过最小二乘法求解; />为噪声项。
作为优选,所述自回归模型,包括:
;
其中, 表示时间节点t的能源消费量;/>为参数; />为噪声项;
训练时,自回归模型的最优自回归阶数P通过赤池信息准则最小化原则选取,其中自回归模型的赤池信息准则AIC的定义为:
;
其中,L为最大似然度;在确定最优自回归阶数后,参数 通过最小二乘法求解。
作为优选,所述自回归分布时滞模型,包括:
;
其中, 和 />分别表示时间节点t的能源消费量和电力消费量; />,为参数; />为噪声项;
训练时,自回归分布时滞模型的最优自回归阶数P和最优时滞阶数 ,通过赤池信息准则最小化原则选取,其中自回归分布时滞模型的赤池信息准则AIC的定义为:
;
其中, L为最大似然度;在确定最优自回归阶数和最优时滞阶数后,参数,,/>通过最小二乘法求解。
作为优选,所述步骤2中,历史数据的选取步骤包括:
对于每个选定的省份或市,根据其包含的不同级别子地区的父子关系,建立地区层级树状图,每个节点S表示一个子地区,其属性为 (s,t,y,x),其中s为地区级别,t为时间,y为能源消费量,x为电力消费量;
对于每一个地区层级树状图进行简化,计算地区级别最小的节点之间的属性关联性,如关联性不达标则从上级节点属性中剔除,依次从不同级别的节点执行属性剔除操作,直至到达最上级节点;
遍历并简化所有地区层级树状图,优化节点属性;
根据需求选择地区,从地区层级树状图下载对应节点的优化后的属性,得到对应的能源消费量和电力消费量作为历史数据训练样本。
本发明在历史数据的选择中进行了优化,传统技术中,例如某市大部分行政区的能源消费量和电力消费量的关联程度较高,而其中个别行政区的能源消费量和电力消费量的关联程度较低,那么在选择历史数据时,如直接导入全市数据,则容易影响训练结果(因为数据质量较低),因此本发明首先进行了关联性分析,将关联性不达标的区域剔除,提高数据质量,间接优化训练结果。
作为优选,所述步骤3:从步骤2训练好的回归模型中选择最优模型,包括:
分别不同回归模型的计算预测值和R方( ), R方值最大者选为最优模型,其中R方的计算方法为:
;
其中, 是第i个时间节点能源消费量的预测值, />是第i个时间节点能源消费量的真实值, />是所有 />的平均值。
作为优选,所述步骤4:利用最优模型和当前时间节点的电力消费数据计算当前时间节点的能源消费量预测值,包括:
获取当前时间节点的电力消费量 ,根据最优模型选择的不同,分以下三种情况计算;
如最优模型为线性回归模型,则将当前时间节点的电力消费量 代入公式:
;
计算得 为当前时间节点的能源消费量预测值;
如最优模型为自回归模型,则将前P个时间节点的能源消费量 代入公式:
;
计算得 为当前时间节点的能源消费量预测值;
如最优模型为自回归分布时滞模型,则将前P个时间节点的能源消费量 、前 />个时间节点的电力消费量/> ,以及当前时间节点的电力消费量 />代入公式:
;
计算得 为当前时间节点的能源消费量预测值。
作为优选,所述步骤5:利用步骤4所计算的能源消费量预测值以及碳排因子计算碳排放量,包括:
;
其中, 表示行业 />消费能源i产生的碳排量, />表示行业 />中能源i的消费量,即能源消费量预测值,/>表示消费单位质量能源i产生的净热值, />表示能源i产生单位净热值时排放的CO2量, />表示行业 />在消费能源i时的氧化系数。
本发明还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现上述的一种基于电力消费回归的碳排放评估方法的步骤。
本发明还提供一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现上述的一种基于电力消费回归的碳排放评估方法的步骤。
本发明的实质性效果包括:
本发明针对能源消费量统计滞后问题,利用多种模型挖掘能源消费和电力消费之间的相关性,对能源消费量做出推算,并基于能源消费量用碳排因子法推算相应的碳排放,最终实现了实时碳排放的评估。本发明通过对历史数据的选择进行优化,提高模型训练质量,优化训练结果,便于提供更准确的数据。
附图说明
图1为本发明实施例的流程简图;
图2为本发明实施例中多种回归模型的预测值与真实值对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例,对本技术方案进行清楚、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。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
下面以具体的实施例对本发明的技术方案进行详细说明。实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例:一种基于电力消费回归的碳排放评估方法,如图1所示,包括以下步骤:
步骤1:建立能源消费和电力消费之间的多种回归模型。
所述回归模型包括:线性回归模型(LR)、自回归模型(AR)、自回归分布时滞模型(ARDL)。
(1) LR模型由以下公式描述:
其中, 和 />分别表示时间节点t的能源消费量和电力消费量; />和/>为参数;为噪声项。
(2) AR模型由以下公式描述:
其中, 表示时间节点t的能源消费量; />为参数; />为噪声项。
(3) ARDL模型由以下公式描述:
其中, 和 />分别表示时间节点t的能源消费量和电力消费量;/>,/>,为参数; />为噪声项。
步骤2:利用能源消费和电力消费的历史数据训练所述多种回归模型。
其中,历史数据的选取步骤包括:
对于每个选定的省份或市,根据其包含的不同级别子地区的父子关系,建立地区层级树状图,每个节点S表示一个子地区,其属性为 (s,t,y,x),其中s为地区级别,t为时间,y为能源消费量,x为电力消费量;
对于每一个地区层级树状图进行简化,计算地区级别最小的节点之间的属性关联性,如关联性不达标则从上级节点属性中剔除,依次从不同级别的节点执行属性剔除操作,直至到达最上级节点;
遍历并简化所有地区层级树状图,优化节点属性;
根据需求选择地区,从地区层级树状图下载对应节点的优化后的属性,得到对应的能源消费量和电力消费量作为历史数据训练样本。
本实施例在历史数据的选择中进行了优化,传统技术中,例如某市大部分行政区的能源消费量和电力消费量的关联程度较高,而其中个别行政区的能源消费量和电力消费量的关联程度较低,那么在选择历史数据时,如直接导入全市数据,则容易影响训练结果(因为数据质量较低),因此本实施例首先进行了关联性分析,将关联性不达标的区域剔除,提高数据质量,间接优化训练结果。其中关联性计算,可以是绘制能源消费量和电力消费量的轨迹图或柱状图等统计图,通过对比两地区的统计图判断关联性,达标与否可通过设置相似度阈值或其他类似手段实现。
具体到本实施例,例如,需要的数据是我国某市2008-2019年钢铁业的原煤消费量和电力消费量。则首先绘制该市的地区层级树状图,并依次计算所述的若干子地区的关联性,如全市原本的原煤消费量为Y0,电力消费量为X0,经过关联性计算,子地区a的关联性不达标,则优化后全市的原煤消费量为(Y0-Ya),电力消费量为(X0-Xa)。
因此步骤2的训练过程具体为:
(1) 选取我国某市2008-2019年钢铁业的原煤消费量和电力消费量的优化后的历史数据,原煤消费量单位为吨,电力消费量单位为万千瓦时。
(2) 通过最小二乘法求解LR模型的参数和/>。
(3) 通过AIC最小化原则选取AR模型的最优自回归阶数P,其中AR模型的AIC的定义为:
其中,L为最大似然度。
(4) 所述AR模型在确定最优自回归阶数后,其参数通过最小二乘法求解。
(5) 通过AIC最小化原则ARDL模型的最优自回归阶数P和最优时滞阶数 ,其中ARDL模型的AIC的定义为:
其中, L为最大似然度函数。
(6) 所述ARDL模型在确定最优自回归阶数和最优时滞阶数后,其参数 ,,/> 通过最小二乘法求解。
训练所得结果如表1所示:
步骤3:从步骤2训练好的回归模型中选择最优模型。
用步骤2的LR, AR, ARDL模型,分别计算预测值和R方( ), R方值最大者选为最优模型,其中R方的计算方法为:
其中,是第i个时间节点的预测值, />是第i个时间节点的真实值, />是所有的平均值。
针对本实施例的数据,R方的计算结果如表2所示:
因此,最优模型为:ARDL模型。
步骤4:利用最优模型和当前时间节点的电力消费数据计算当前时间节点的能源消费量预测值。
本实施例中,以2020年为需要推算的时间节点,因为步骤3选取的最优模型为ARDL模型,其自回归阶数为1,时滞阶数为1,所以需要获取2020年的电力消费量 (万千瓦时)、2019年的电力消费量/> (万千瓦时)、2019年的原煤消费量(t)。将上述数据带入ARDL模型,根据步骤2所训练出的参数,其公式为:
;
算得2020年原煤消费量预测值为 (t)。
而实际上,本实施例中多种回归模型的预测值与真实值对比见图2,可见最优模型的准确率较高。
步骤5:利用步骤4所计算的能源消费量预测值以及碳排因子计算碳排放量:
其中, 表示行业 />消费能源i产生的碳排量, />表示行业/>中能源i的消费量, />表示消费单位质量能源i产生的净热值, />表示能源i产生单位净热值时排放的CO2量, />表示行业 />在消费能源i时的氧化系数。具体到本实施例中行业为钢铁业而能源种类为原煤的情况,/>,/>,/>,,计算得2020年钢铁业消费原煤所产生得碳排放为:
计算结束。
本实施例还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现上述的一种基于电力消费回归的碳排放评估方法的步骤。
本实施例还提供一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现上述的一种基于电力消费回归的碳排放评估方法的步骤。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中可以根据需要而将上述功能分配由不同的功能模块完成,即将具体装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中,应该理解到,所揭露的结构和方法,可以通过其它的方式实现。例如,以上所描述的关于结构的实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个结构,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,结构或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于电力消费回归的碳排放评估方法,其特征在于,包括以下步骤:
步骤1:建立能源消费和电力消费之间的多种回归模型;
步骤2:利用能源消费和电力消费的历史数据训练所述多种回归模型;
步骤3:从步骤2训练好的回归模型中选择最优模型;
步骤4:利用最优模型和当前时间节点的电力消费数据计算当前时间节点的能源消费量预测值;
步骤5:利用步骤4所计算的能源消费量预测值以及碳排因子计算碳排放量;
所述步骤2中,历史数据的选取步骤包括:
对于每个选定的省份或市,根据其包含的不同级别子地区的父子关系,建立地区层级树状图,每个节点S表示一个子地区,其属性为 (s,t,y,x),其中s为地区级别,t为时间,y为能源消费量,x为电力消费量;
对于每一个地区层级树状图进行简化,计算地区级别最小的节点之间的属性关联性,如关联性不达标则从上级节点属性中剔除,依次从不同级别的节点执行属性剔除操作,直至到达最上级节点;
遍历并简化所有地区层级树状图,优化节点属性;
根据需求选择地区,从地区层级树状图下载对应节点的优化后的属性,得到对应的能源消费量和电力消费量作为历史数据训练样本;
其中关联性计算,包括绘制能源消费量和电力消费量的轨迹图或柱状图在内的统计图,通过对比两地区的统计图判断关联性,关联性达标与否通过设置相似度阈值实现。
2.根据权利要求1所述的一种基于电力消费回归的碳排放评估方法,其特征在于,所述步骤1:建立能源消费和电力消费之间的多种回归模型,包括:
基于能源消费和电力消费情况,建立线性回归模型、自回归模型、自回归分布时滞模型中的至少两种回归模型。
3.根据权利要求2所述的一种基于电力消费回归的碳排放评估方法,其特征在于,所述线性回归模型,包括:
;
其中,和/>分别表示时间节点t的能源消费量和电力消费量;/>和 />为参数,训练时通过最小二乘法求解;/>为噪声项。
4.根据权利要求3所述的一种基于电力消费回归的碳排放评估方法,其特征在于,所述自回归模型,包括:
;
其中,表示时间节点t的能源消费量;/>为参数;/>为噪声项;
训练时,自回归模型的最优自回归阶数P通过赤池信息准则最小化原则选取,其中自回归模型的赤池信息准则AIC的定义为:
;
其中, L为最大似然度;在确定最优自回归阶数后,参数通过最小二乘法求解。
5.根据权利要求4所述的一种基于电力消费回归的碳排放评估方法,其特征在于,所述自回归分布时滞模型,包括:
;
其中,和/>分别表示时间节点t 的能源消费量和电力消费量;/>,/>为参数;/>为噪声项;
训练时,自回归分布时滞模型的最优自回归阶数P和最优时滞阶数 ,通过赤池信息准则最小化原则选取,其中自回归分布时滞模型的赤池信息准则AIC的定义为:
;
其中, L为最大似然度;在确定最优自回归阶数和最优时滞阶数后,参数, />,通过最小二乘法求解。
6.根据权利要求5所述的一种基于电力消费回归的碳排放评估方法,其特征在于,所述步骤3:从步骤2训练好的回归模型中选择最优模型,包括:
分别计算不同回归模型的预测值和 方( />), />方值最大者选为最优模型,其中 />方的计算方法为:
;
其中, 是第i个时间节点能源消费量的预测值,/>是第i个时间节点能源消费量的真实值,/>是所有/>的平均值。
7.根据权利要求6所述的一种基于电力消费回归的碳排放评估方法,其特征在于,所述步骤4:利用最优模型和当前时间节点的电力消费数据计算当前时间节点的能源消费量预测值,包括:
获取当前时间节点的电力消费量,根据最优模型选择的不同,分以下三种情况计算;
如最优模型为线性回归模型,则将当前时间节点的电力消费量代入公式:
;
计算得 为当前时间节点的能源消费量预测值;
如最优模型为自回归模型,则将前P个时间节点的能源消费量 代入公式:
;
计算得 为当前时间节点的能源消费量预测值;
如最优模型为自回归分布时滞模型,则将前P个时间节点的能源消费量 、前/>个时间节点的电力消费量/> ,以及当前时间节点的电力消费量 />代入公式:
;
计算得 为当前时间节点的能源消费量预测值。
8.根据权利要求1所述的一种基于电力消费回归的碳排放评估方法,其特征在于,所述步骤5:利用步骤4所计算的能源消费量预测值以及碳排因子计算碳排放量,包括:
;
其中, 表示行业/>消费能源i产生的碳排量, />表示行业/>中能源i的消费量,即能源消费量预测值, />表示消费单位质量能源i产生的净热值, />表示能源/>产生单位净热值时排放的CO2量, />表示行业/>在消费能源i时的氧化系数。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现如权利要求1至8中任意一项所述的一种基于电力消费回归的碳排放评估方法的步骤。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至8中任意一项所述的一种基于电力消费回归的碳排放评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459438.5A CN116167669B (zh) | 2023-04-26 | 2023-04-26 | 一种基于电力消费回归的碳排放评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459438.5A CN116167669B (zh) | 2023-04-26 | 2023-04-26 | 一种基于电力消费回归的碳排放评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116167669A CN116167669A (zh) | 2023-05-26 |
CN116167669B true CN116167669B (zh) | 2023-07-21 |
Family
ID=86411786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310459438.5A Active CN116167669B (zh) | 2023-04-26 | 2023-04-26 | 一种基于电力消费回归的碳排放评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167669B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699933A (zh) * | 2020-12-28 | 2021-04-23 | 华中师范大学 | 用户教学素材加工处理能力自动识别方法及系统 |
CN115829113A (zh) * | 2022-11-25 | 2023-03-21 | 国网浙江省电力有限公司绍兴供电公司 | 基于能源消费数据的碳排放估算方法 |
CN115907176A (zh) * | 2022-11-29 | 2023-04-04 | 贵州电网有限责任公司 | 一种基于联邦学习的输电侧碳排放预测方法 |
CN115907222A (zh) * | 2022-12-26 | 2023-04-04 | 中能融合智慧科技有限公司 | 一种碳排放预测方法和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495588B (zh) * | 2011-11-24 | 2014-08-06 | 合肥工业大学 | 数控机床热误差补偿高次多阶自回归分布滞后建模方法 |
US9519912B2 (en) * | 2013-09-20 | 2016-12-13 | Xerox Corporation | Hybrid system for demand prediction |
US11894971B2 (en) * | 2021-03-31 | 2024-02-06 | Equifax Inc. | Techniques for prediction models using time series data |
CN113627677A (zh) * | 2021-08-18 | 2021-11-09 | 广东电网有限责任公司 | 多区域能源需求预测方法、装置、终端设备及存储介质 |
CN114266593A (zh) * | 2021-12-21 | 2022-04-01 | 云南电网有限责任公司电力科学研究院 | 一种基于kpca和线性回归的电力消费预测方法 |
CN115831264A (zh) * | 2022-12-09 | 2023-03-21 | 国网河南省电力公司经济技术研究院 | 一种使用电量消费数据计算区域二氧化碳排放量的方法 |
-
2023
- 2023-04-26 CN CN202310459438.5A patent/CN116167669B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699933A (zh) * | 2020-12-28 | 2021-04-23 | 华中师范大学 | 用户教学素材加工处理能力自动识别方法及系统 |
CN115829113A (zh) * | 2022-11-25 | 2023-03-21 | 国网浙江省电力有限公司绍兴供电公司 | 基于能源消费数据的碳排放估算方法 |
CN115907176A (zh) * | 2022-11-29 | 2023-04-04 | 贵州电网有限责任公司 | 一种基于联邦学习的输电侧碳排放预测方法 |
CN115907222A (zh) * | 2022-12-26 | 2023-04-04 | 中能融合智慧科技有限公司 | 一种碳排放预测方法和系统 |
Non-Patent Citations (3)
Title |
---|
Research on the application of a combined model in carbon emission prediction;Liu Rui等;《 2020 19th International Symposium on Distributed Computing and Applications for Business Engineering and Science (DCABES)》;全文 * |
基于动态平滑系数回归模型对我国能源消费与碳排放的关系研究;吴遵;钟东南;;价值工程(第36期);全文 * |
面向临港新片区的碳排放核算与预测研究;陈赟等;《自动化仪表》(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116167669A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113609443B (zh) | 基于区块链的碳足迹跟踪处理方法、装置及存储介质 | |
CN112163335A (zh) | 一种NOx浓度预测模型的训练方法、预测方法和装置 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
CN114757602A (zh) | 供给侧电力碳排放风险预警方法、装置和计算机设备 | |
CN115907173A (zh) | 一种基于stirpat模型的碳峰值预测方法、系统和装置 | |
CN110968564A (zh) | 一种数据处理方法及数据状态预测模型的训练方法 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
CN116167669B (zh) | 一种基于电力消费回归的碳排放评估方法 | |
CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
CN114358367A (zh) | 一种非侵入式负荷分解方法及装置 | |
CN114076841A (zh) | 基于用电信息数据的窃电行为识别方法及系统 | |
CN114548475A (zh) | 一种基于大数据预测的碳排放强度分级评价方法和可视化系统 | |
CN111814399B (zh) | 太阳能光伏电池系统的模型参数优化提取方法和测量数据预测方法 | |
CN116862077A (zh) | 基于多模态组合模型的电采暖运行成本预测方法和介质 | |
CN112053006A (zh) | 基于迁移学习的冷热电联供系统优化时间加速方法及系统 | |
CN116821913A (zh) | 基于效用调节策略的智能合约漏洞检测方法 | |
CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 | |
CN114139785A (zh) | 锅炉燃烧热效率预测方法及装置 | |
CN109583763A (zh) | 分行业用户电力负荷增长特征挖掘算法 | |
CN114331219A (zh) | 一种双碳目标下城市规模工业发展可行域评估方法 | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
CN112597323A (zh) | 遥感影像存储迁移方法、装置和存储介质 | |
KR102542488B1 (ko) | 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치 | |
CN113128217B (zh) | 一种基于网络孪生空间的舆情处置决策方法 |
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 |