CN116187823A - 一种基于电力数据的区域碳排放计算方法及装置 - Google Patents

一种基于电力数据的区域碳排放计算方法及装置 Download PDF

Info

Publication number
CN116187823A
CN116187823A CN202211738709.2A CN202211738709A CN116187823A CN 116187823 A CN116187823 A CN 116187823A CN 202211738709 A CN202211738709 A CN 202211738709A CN 116187823 A CN116187823 A CN 116187823A
Authority
CN
China
Prior art keywords
annual
analyzed
industry
data
monthly
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
Application number
CN202211738709.2A
Other languages
English (en)
Inventor
吴杏平
樊涛
慕群
周春雷
苑帅
史昕
袁启恒
陈翔
李燕溪
宋金伟
江鹏
张贻红
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.)
Big Data Center Of State Grid Corp Of China
Original Assignee
Big Data Center Of State Grid Corp Of China
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 Big Data Center Of State Grid Corp Of China filed Critical Big Data Center Of State Grid Corp Of China
Priority to CN202211738709.2A priority Critical patent/CN116187823A/zh
Publication of CN116187823A publication Critical patent/CN116187823A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明涉及碳排放测算技术领域，具体提供了一种基于电力数据的区域碳排放计算方法及装置，包括：利用计算模型计算待分析地区的年度能源消耗量数据和各行业年度产品产量数据；基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据；基于待分析地区的月度能源消耗量数据和各行业月度产品产量数据确定待分析地区的月度碳排放。本发明提供的技术方案，建立了电力数据与能源活动、工业生产过程之间的关联关系，通过“以电算能(产量)、以能(产量)算碳”模型框架开展分地区、分行业开展月度碳排放量的计算，具备理论和实践的可行性。

Description

一种基于电力数据的区域碳排放计算方法及装置
技术领域
本发明涉及碳排放测算技术领域，具体涉及一种基于电力数据的区域碳排放计算方法及装置。
背景技术
目前碳排放核算主要依靠能源消耗量和主要化石能源的碳排放因子，因源端数据存在颗粒度不够细、缺乏实时性、精准度有限、维度单一等问题，还欠缺与信息技术紧密结合，导致核算结果难以满足测算需求。
碳排放测算方法可分为两类，一类是计算法，另一类是实测法。计算法不直接监测或计量二氧化碳，而是通过排放活动数据或物质平衡关系间接计算出二氧化碳排放量，分为排放因子法和物料平衡法两种方法。其中，物料平衡法以物质守恒和转化定律为基础，对其化学反应过程进行物料平衡计算的方法，由输入碳含量减去产品和废物中含有的碳得到实际排放量，用于企业碳排放核算，优势在于针对单体设备，计算更加准确，劣势为应用范围有限，受限于质量、密度等计量设备的准确性。排放因子法依照碳排放清单，针对每一种排放源构造其活动数据与排放因子，以活动数据和排放因子的乘积作为碳排放量，应用于国家、区域、行业等不同维度对象的碳排放核算，其优势在于应用范围广，成本低，劣势为依赖大量统计数据，时效性、分辨率等不高。实测法是通过测量仪器直接针对二氧化碳的浓度、流量等进行实时监测，包括宏观层面的卫星监测和微观层面的烟气排放连续监测。其中，卫星监测法适用于宏观区域大气的二氧化碳浓度监测，优势在于监测范围广，劣势是只能监测碳浓度状态，不能直接监测碳排放量；烟气排放连续监测法主要应用于企业的排放源设施(排口)，优势在于计量准确性高、计量实时性强，缺点是投资、运维成本高。
目前碳排放核算主要依靠能源消耗量和主要化石能源的碳排放因子，因源端数据存在颗粒度不够细、缺乏实时性、精准度有限、维度单一等问题，还欠缺与信息技术紧密结合，导致核算结果难以满足测算需求。
发明内容
为了克服上述缺陷，本发明提出了一种基于电力数据的区域碳排放计算方法及装置。
第一方面，提供一种基于电力数据的区域碳排放计算方法，所述基于电力数据的区域碳排放计算方法包括：
将待分析地区的年度用电量数据和年度第一补充变量作为预先构建的第一以电算能模型的输入，得到所述预先构建的第一以电算能模型输出的待分析地区的年度能源消耗量数据；
将各行业年度用电量数据和年度第二补充变量作为各行业对应的预先构建的第二以电算能模型的输入，得到所述各行业对应的预先构建的第二以电算能模型输出的待分析地区的各行业年度产品产量数据；
基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据；
基于待分析地区的月度能源消耗量数据和各行业月度产品产量数据确定待分析地区的月度碳排放。
优选的，所述第一补充变量包括下述中的至少一种：地区GDP、清洁能源占比；
所述第二补充变量包括下述中的至少一种：行业生产指数、行业供给指数。
优选的，所述预先构建的第一以电算能模型的获取过程包括：
利用待分析地区的历史年度用电量数据、历史年度第一补充变量和历史年度能源消耗量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述预先构建的第一以电算能模型。
优选的，所述各行业对应的预先构建的第二以电算能模型的获取过程包括：
利用待分析地区各行业的历史年度用电量数据、历史年度第二补充变量和各行业的历史年度产品产量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述各行业对应的预先构建的第二以电算能模型。
优选的，所述预先构建的第一以电算能模型或各行业对应的预先构建的第二以电算能模型的数学模型如下：
Figure SMS_1
上式中，Y为待分析地区的年度能源消耗量或各行业年度产品产量，a0为基础影响因素，Yt-j为t-j年份待分析地区的年度能源消耗量或各行业年度产品产量，φt-j为t-j年份待分析地区的年度能源消耗量影响程度系数或各行业年度产品产量影响程度系数，J为待分析地区的年度能源消耗量影响因素数据滞后阶数或各行业年度产品产量影响因素数据滞后阶数，ut为t年份的随机偏差，βt-p为t-p年份待分析地区的年度用电量数据影响程度系数或各行业年度用电量数据影响程度系数，ft-p为t-p年份待分析地区的年度用电量数据或各行业年度用电量数据，P为待分析地区的年度用电量数据滞后阶数或各行业年度用电量数据滞后阶数，γt-q为t-q年份待分析地区的年度第一补充变量影响程度系数或年度第二补充变量影响程度系数，gt-q为t-q年份待分析地区的年度第一补充变量或年度第二补充变量，Q为t-q年份待分析地区的年度第一补充变量滞后阶数或年度第二补充变量滞后阶数，t为当前年份。
优选的，所述基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据，包括：
将待分析地区的月度用电量数据和年度能源消耗量数据代入预先构建的月度拆分模型并求解，得到待分析地区的月度能源消耗量数据；
将待分析地区的各行业月度用电量数据和各行业年度产品产量数据代入预先构建的月度拆分模型并求解，得到待分析地区各行业月度产品产量数据。
进一步的，所述月度拆分模型的数学模型如下：
y＝arg min{(x-y)T A(x-y)}
Figure SMS_2
上式中，y为待分析地区12个月的能源消耗量向量或各行业月度产品产量向量，x为待分析地区12个月的月度用电量数据向量或各行业月度用电量数据向量，ym为待分析地区m月的能源消耗量或各行业月度产品产量，A为预设二次型矩阵，T为转置符号，s.t.表示约束条件，Y为待分析地区的年度能源消耗量或各行业年度产品产量。
优选的，所述待分析地区的月度碳排放的计算式如下：
Figure SMS_3
上式中，Cm为待分析地区m月的碳排放，am为待分析地区m月的能源消耗量，bm,i为待分析地区第i类行业m月的产品产量，I为待分析地区的行业类别数，cm为待分析地区m月的调入调出碳排放量，a′为能源消耗对应的碳排放因子，bi′为第i个行业的产品产量对应的碳排放因子。
第二方面，提供一种基于电力数据的区域碳排放计算装置，所述基于电力数据的区域碳排放计算装置包括：
第一分析模块，用于将待分析地区的年度用电量数据和年度第一补充变量作为预先构建的第一以电算能模型的输入，得到所述预先构建的第一以电算能模型输出的待分析地区的年度能源消耗量数据；
第二分析模块，用于将各行业年度用电量数据和年度第二补充变量作为各行业对应的预先构建的第二以电算能模型的输入，得到所述各行业对应的预先构建的第二以电算能模型输出的待分析地区的各行业年度产品产量数据；
第一确定模块，用于基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据；
第二确定模块，用于基于待分析地区的月度能源消耗量数据和各行业月度产品产量数据确定待分析地区的月度碳排放。
优选的，所述第一补充变量包括下述中的至少一种：地区GDP、清洁能源占比；
所述第二补充变量包括下述中的至少一种：行业生产指数、行业供给指数。
优选的，所述预先构建的第一以电算能模型的获取过程包括：
利用待分析地区的历史年度用电量数据、历史年度第一补充变量和历史年度能源消耗量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述预先构建的第一以电算能模型。
优选的，所述各行业对应的预先构建的第二以电算能模型的获取过程包括：
利用待分析地区各行业的历史年度用电量数据、历史年度第二补充变量和各行业的历史年度产品产量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述各行业对应的预先构建的第二以电算能模型。
优选的，所述预先构建的第一以电算能模型或各行业对应的预先构建的第二以电算能模型的数学模型如下：
Figure SMS_4
上式中，Y为待分析地区的年度能源消耗量或各行业年度产品产量，a0为基础影响因素，Yt-j为t-j年份待分析地区的年度能源消耗量或各行业年度产品产量，φt-j为t-j年份待分析地区的年度能源消耗量影响程度系数或各行业年度产品产量影响程度系数，J为待分析地区的年度能源消耗量影响因素数据滞后阶数或各行业年度产品产量影响因素数据滞后阶数，ut为t年份的随机偏差，βt-p为t-p年份待分析地区的年度用电量数据影响程度系数或各行业年度用电量数据影响程度系数，ft-p为t-p年份待分析地区的年度用电量数据或各行业年度用电量数据，P为待分析地区的年度用电量数据滞后阶数或各行业年度用电量数据滞后阶数，γt-q为t-q年份待分析地区的年度第一补充变量影响程度系数或年度第二补充变量影响程度系数，gt-q为t-q年份待分析地区的年度第一补充变量或年度第二补充变量，Q为t-q年份待分析地区的年度第一补充变量滞后阶数或年度第二补充变量滞后阶数，t为当前年份。
优选的，所述基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据，包括：
将待分析地区的月度用电量数据和年度能源消耗量数据代入预先构建的月度拆分模型并求解，得到待分析地区的月度能源消耗量数据；
将待分析地区的各行业月度用电量数据和各行业年度产品产量数据代入预先构建的月度拆分模型并求解，得到待分析地区各行业月度产品产量数据。
进一步的，所述月度拆分模型的数学模型如下：
y＝arg min{(x-y)T A(x-y)}
Figure SMS_5
上式中，y为待分析地区12个月的能源消耗量向量或各行业月度产品产量向量，x为待分析地区12个月的月度用电量数据向量或各行业月度用电量数据向量，ym为待分析地区m月的能源消耗量或各行业月度产品产量，A为预设二次型矩阵，T为转置符号，s.t.表示约束条件，Y为待分析地区的年度能源消耗量或各行业年度产品产量。
优选的，所述待分析地区的月度碳排放的计算式如下：
Figure SMS_6
上式中，Cm为待分析地区m月的碳排放，am为待分析地区m月的能源消耗量，bm,i为待分析地区第i类行业m月的产品产量，I为待分析地区的行业类别数，cm为待分析地区m月的调入调出碳排放量，a′为能源消耗对应的碳排放因子，bi′为第i个行业的产品产量对应的碳排放因子。
第三方面，提供一种计算机设备，包括：一个或多个处理器；
所述处理器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的基于电力数据的区域碳排放计算方法。
第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的基于电力数据的区域碳排放计算方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
本发明提供了一种基于电力数据的区域碳排放计算方法及装置，包括：利用计算模型计算待分析地区的年度能源消耗量数据和各行业年度产品产量数据；基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据；基于待分析地区的月度能源消耗量数据和各行业月度产品产量数据确定待分析地区的月度碳排放。本发明提供的技术方案，建立了电力数据与能源活动、工业生产过程之间的关联关系，分地区、分行业开展月度碳排放量的计算，具备理论和实践的可行性，进一步的，本发明提供的技术方案在IPCC体系基础上进行了继承和扩充，形成了电-碳分析方法学，并提出了“以电算能(产量)、以能(产量)算碳”、年度低频数据月度拆分的计算方法，具有较好的科学性和创新性，是现有碳排放核算方法的有效补充。
附图说明
图1是本发明实施例的基于电力数据的区域碳排放计算方法的主要步骤流程示意图；
图2是本发明实施例的基于电力数据的区域碳排放计算装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
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它实施例，都属于本发明保护的范围。
如背景技术中所公开的，目前碳排放核算主要依靠能源消耗量和主要化石能源的碳排放因子，因源端数据存在颗粒度不够细、缺乏实时性、精准度有限、维度单一等问题，还欠缺与信息技术紧密结合，导致核算结果难以满足测算需求。
碳排放测算方法可分为两类，一类是计算法，另一类是实测法。计算法不直接监测或计量二氧化碳，而是通过排放活动数据或物质平衡关系间接计算出二氧化碳排放量，分为排放因子法和物料平衡法两种方法。其中，物料平衡法以物质守恒和转化定律为基础，对其化学反应过程进行物料平衡计算的方法，由输入碳含量减去产品和废物中含有的碳得到实际排放量，用于企业碳排放核算，优势在于针对单体设备，计算更加准确，劣势为应用范围有限，受限于质量、密度等计量设备的准确性。排放因子法依照碳排放清单，针对每一种排放源构造其活动数据与排放因子，以活动数据和排放因子的乘积作为碳排放量，应用于国家、区域、行业等不同维度对象的碳排放核算，其优势在于应用范围广，成本低，劣势为依赖大量统计数据，时效性、分辨率等不高。实测法是通过测量仪器直接针对二氧化碳的浓度、流量等进行实时监测，包括宏观层面的卫星监测和微观层面的烟气排放连续监测。其中，卫星监测法适用于宏观区域大气的二氧化碳浓度监测，优势在于监测范围广，劣势是只能监测碳浓度状态，不能直接监测碳排放量；烟气排放连续监测法主要应用于企业的排放源设施(排口)，优势在于计量准确性高、计量实时性强，缺点是投资、运维成本高。
目前碳排放核算主要依靠能源消耗量和主要化石能源的碳排放因子，因源端数据存在颗粒度不够细、缺乏实时性、精准度有限、维度单一等问题，还欠缺与信息技术紧密结合，导致核算结果难以满足测算需求。
为了改善上述问题，本发明提供了一种基于电力数据的区域碳排放计算方法及装置，包括：利用计算模型计算待分析地区的年度能源消耗量数据和各行业年度产品产量数据；基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据；基于待分析地区的月度能源消耗量数据和各行业月度产品产量数据确定待分析地区的月度碳排放。本发明提供的技术方案，建立了电力数据与能源活动、工业生产过程之间的关联关系，分地区、分行业开展月度碳排放量的计算，具备理论和实践的可行性，进一步的，本发明提供的技术方案在IPCC体系基础上进行了继承和扩充，形成了电-碳分析方法学，并提出了“以电算能(产量)、以能(产量)算碳”、年度低频数据月度拆分的计算方法，具有较好的科学性和创新性，是现有碳排放核算方法的有效补充。下面对上述方案进行详细阐述。
实施例1
参阅附图1，图1是本发明的一个实施例的基于电力数据的区域碳排放计算方法的主要步骤流程示意图。如图1所示，本发明实施例中的基于电力数据的区域碳排放计算方法主要包括以下步骤：
步骤S101：将待分析地区的年度用电量数据和年度第一补充变量作为预先构建的第一以电算能模型的输入，得到所述预先构建的第一以电算能模型输出的待分析地区的年度能源消耗量数据；
步骤S102：将各行业年度用电量数据和年度第二补充变量作为各行业对应的预先构建的第二以电算能模型的输入，得到所述各行业对应的预先构建的第二以电算能模型输出的待分析地区的各行业年度产品产量数据；
步骤S103：基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据；
步骤S104：基于待分析地区的月度能源消耗量数据和各行业月度产品产量数据确定待分析地区的月度碳排放。
其中，所述第一补充变量包括下述中的至少一种：地区GDP、清洁能源占比；所述第二补充变量包括：行业生产指数、行业供给指数。
本实施例中提出了“电-碳分析模型”，通过大数据分析揭示电能与碳排放的内在关联，并通过机器学习算法构建电-碳关联函数，充分利用电力大数据全面、实时、准确的优点解决现有碳核算体系时效性差、准确率低等问题。以数据汇聚为基础，通过电量数据与能源、经济、人口等统计数据相互结合，支撑月度碳排放计算。其中，电网电量数据是提升时效性的关键，它充分利用电网的实时数据收集、智能化计算、大数据治理的能力，能够快速、全面的反映各地区、各行业的能源使用情况。“电-碳分析模型”以算法为核心，应用自回归分布滞后模型(ARDL)，时间序列模型(ARIMA)按照先整体后部分以及恒等原则，构建自动调参、自适应的“电-碳分析模型”。
具体的，所述预先构建的第一以电算能模型的获取过程包括：
利用待分析地区的历史年度用电量数据、历史年度第一补充变量和历史年度能源消耗量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述预先构建的第一以电算能模型。
所述各行业对应的预先构建的第二以电算能模型的获取过程包括：
利用待分析地区各行业的历史年度用电量数据、历史年度第二补充变量和各行业的历史年度产品产量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述各行业对应的预先构建的第二以电算能模型。
在一个实施方式中，所述预先构建的第一以电算能模型或各行业对应的预先构建的第二以电算能模型的数学模型如下：
Figure SMS_7
上式中，Y为待分析地区的年度能源消耗量或各行业年度产品产量，a0为基础影响因素，Yt-j为t-j年份待分析地区的年度能源消耗量或各行业年度产品产量，φt-j为t-j年份待分析地区的年度能源消耗量影响程度系数或各行业年度产品产量影响程度系数，J为待分析地区的年度能源消耗量影响因素数据滞后阶数或各行业年度产品产量影响因素数据滞后阶数，ut为t年份的随机偏差，βt-p为t-p年份待分析地区的年度用电量数据影响程度系数或各行业年度用电量数据影响程度系数，ft-p为t-p年份待分析地区的年度用电量数据或各行业年度用电量数据，P为待分析地区的年度用电量数据滞后阶数或各行业年度用电量数据滞后阶数，γt-q为t-q年份待分析地区的年度第一补充变量影响程度系数或年度第二补充变量影响程度系数，gt-q为t-q年份待分析地区的年度第一补充变量或年度第二补充变量，Q为t-q年份待分析地区的年度第一补充变量滞后阶数或年度第二补充变量滞后阶数，t为当前年份。
本实施例中，基于“月度拆分法”结合省级月度全行业用电量数据计算出省级月度全行业能源消耗数据。月度拆分主要用于将低频(年度)的数据。由于电力数据与能源活动、工业过程排放和碳排放总量皆具有显著的强相关性，所以数据转化为高频(月度)月度拆分基于二次型优化算法，将能源活动、工业过程与用电量数据之间的抽象距离作为目标函数，求取每月的能源活动和工业过程数据，使目标函数取最小值。因此，所述基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据，包括：
将待分析地区的月度用电量数据和年度能源消耗量数据代入预先构建的月度拆分模型并求解，得到待分析地区的月度能源消耗量数据；
将待分析地区的各行业月度用电量数据和各行业年度产品产量数据代入预先构建的月度拆分模型并求解，得到待分析地区各行业月度产品产量数据。
在一个实施方式中，所述月度拆分模型的数学模型如下：
y＝argmin{(x-y)TA(x-y)}
Figure SMS_8
上式中，y为待分析地区12个月的能源消耗量向量或各行业月度产品产量向量，x为待分析地区12个月的月度用电量数据向量或各行业月度用电量数据向量，ym为待分析地区m月的能源消耗量或各行业月度产品产量，A为预设二次型矩阵，T为转置符号，s.t.表示约束条件，Y为待分析地区的年度能源消耗量或各行业年度产品产量。
本实施例中，“以能(产量)算碳”将“以电算能(产量)”输出的能源消费和工业产量数据，乘以对应的碳排放因子得到碳排放量。碳排放因子包括《省级温室气体清单编制指南》、《企业温室气体排放核算方法与报告指南(试行)》等定义的通用因子，以及“以电算能(产量)”模块三计算的动态电力碳排放因子。因此，所述待分析地区的月度碳排放的计算式如下：
Figure SMS_9
上式中，Cm为待分析地区m月的碳排放，am为待分析地区m月的能源消耗量，bm,i为待分析地区第i类行业m月的产品产量，I为待分析地区的行业类别数，cm为待分析地区m月的调入调出碳排放量，a′为能源消耗对应的碳排放因子，bi′为第i个行业的产品产量对应的碳排放因子。
在一个具体的实施方式中，在模型的计算过程中，既需要计算能源活动和工业过程中产生的碳排放量，也需要考虑到同一地区有电量调入和调出的情况。因此在模型算法中，需要单独计算月度调入调出碳排放数据后，再与区域内能源活动和工业过程碳排放数据进行求和。
以某地区为例，碳排放涵盖能源活动和工业过程两部分。能源活动部分，通过某地区当期和历史电量数据和历史能耗数据训练得到“以电算能”模型，输入当月电量数据测算出2022年月度能耗数据，并基于排放因子法得到2022年月度能源碳排放，加上某地区调入调出电力碳排放得到月度能源活动碳排放。工业过程部分，通过某地区当期和历史电量数据和历史行业产量数据得到“以电算能”模型，输入当月电量数据测算出2022年月度产量数据，并基于排放因子法得到相应月度工业生产过程碳排放。能源活动部分和工业过程部分这两者相加得到某地区2022年月度碳排放量。
能源活动部分计算过程如下表1：
表1
Figure SMS_10
某地区工业过程部分计算过程如下表2：
表2
Figure SMS_11
Figure SMS_12
某地区碳排放数据计算过程如下表3：
表3
Figure SMS_13
实施例2
基于同一种发明构思，本发明还提供了一种基于电力数据的区域碳排放计算装置，如图2所示，所述基于电力数据的区域碳排放计算装置包括：
第一分析模块，用于将待分析地区的年度用电量数据和年度第一补充变量作为预先构建的第一以电算能模型的输入，得到所述预先构建的第一以电算能模型输出的待分析地区的年度能源消耗量数据；
第二分析模块，用于将各行业年度用电量数据和年度第二补充变量作为各行业对应的预先构建的第二以电算能模型的输入，得到所述各行业对应的预先构建的第二以电算能模型输出的待分析地区的各行业年度产品产量数据；
第一确定模块，用于基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据；
第二确定模块，用于基于待分析地区的月度能源消耗量数据和各行业月度产品产量数据确定待分析地区的月度碳排放。
优选的，所述第一补充变量包括下述中的至少一种：地区GDP、清洁能源占比；
所述第二补充变量包括：行业生产指数、行业供给指数。
优选的，所述预先构建的第一以电算能模型的获取过程包括：
利用待分析地区的历史年度用电量数据、历史年度第一补充变量和历史年度能源消耗量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述预先构建的第一以电算能模型。
优选的，所述各行业对应的预先构建的第二以电算能模型的获取过程包括：
利用待分析地区各行业的历史年度用电量数据、历史年度第二补充变量和各行业的历史年度产品产量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述各行业对应的预先构建的第二以电算能模型。
优选的，所述预先构建的第一以电算能模型或各行业对应的预先构建的第二以电算能模型的数学模型如下：
Figure SMS_14
上式中，Y为待分析地区的年度能源消耗量或各行业年度产品产量，a0为基础影响因素，Yt-j为t-j年份待分析地区的年度能源消耗量或各行业年度产品产量，φt-j为t-j年份待分析地区的年度能源消耗量影响程度系数或各行业年度产品产量影响程度系数，J为待分析地区的年度能源消耗量影响因素数据滞后阶数或各行业年度产品产量影响因素数据滞后阶数，ut为t年份的随机偏差，βt-p为t-p年份待分析地区的年度用电量数据影响程度系数或各行业年度用电量数据影响程度系数，ft-p为t-p年份待分析地区的年度用电量数据或各行业年度用电量数据，P为待分析地区的年度用电量数据滞后阶数或各行业年度用电量数据滞后阶数，γt-q为t-q年份待分析地区的年度第一补充变量影响程度系数或年度第二补充变量影响程度系数，gt-q为t-q年份待分析地区的年度第一补充变量或年度第二补充变量，Q为t-q年份待分析地区的年度第一补充变量滞后阶数或年度第二补充变量滞后阶数，t为当前年份。
优选的，所述基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据，包括：
将待分析地区的月度用电量数据和年度能源消耗量数据代入预先构建的月度拆分模型并求解，得到待分析地区的月度能源消耗量数据；
将待分析地区的各行业月度用电量数据和各行业年度产品产量数据代入预先构建的月度拆分模型并求解，得到待分析地区各行业月度产品产量数据。
进一步的，所述月度拆分模型的数学模型如下：
y＝arg min{(x-y)T A(x-y)}
Figure SMS_15
上式中，y为待分析地区12个月的能源消耗量向量或各行业月度产品产量向量，x为待分析地区12个月的月度用电量数据向量或各行业月度用电量数据向量，ym为待分析地区m月的能源消耗量或各行业月度产品产量，A为预设二次型矩阵，T为转置符号，s.t.表示约束条件，Y为待分析地区的年度能源消耗量或各行业年度产品产量。
优选的，所述待分析地区的月度碳排放的计算式如下：
Figure SMS_16
上式中，Cm为待分析地区m月的碳排放，am为待分析地区m月的能源消耗量，bm,i为待分析地区第i类行业m月的产品产量，I为待分析地区的行业类别数，cm为待分析地区m月的调入调出碳排放量，a′为能源消耗对应的碳排放因子，bi′为第i个行业的产品产量对应的碳排放因子。
实施例3
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种基于电力数据的区域碳排放计算方法的步骤。
实施例4
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种基于电力数据的区域碳排放计算方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (18)

1.一种基于电力数据的区域碳排放计算方法，其特征在于，所述方法包括：
将待分析地区的年度用电量数据和年度第一补充变量作为预先构建的第一以电算能模型的输入，得到所述预先构建的第一以电算能模型输出的待分析地区的年度能源消耗量数据；
将各行业年度用电量数据和年度第二补充变量作为各行业对应的预先构建的第二以电算能模型的输入，得到所述各行业对应的预先构建的第二以电算能模型输出的待分析地区的各行业年度产品产量数据；
基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据；
基于待分析地区的月度能源消耗量数据和各行业月度产品产量数据确定待分析地区的月度碳排放。
2.如权利要求1所述的方法，其特征在于，所述第一补充变量包括下述中的至少一种：地区GDP、清洁能源占比；
所述第二补充变量包括：行业生产指数、行业供给指数。
3.如权利要求1所述的方法，其特征在于，所述预先构建的第一以电算能模型的获取过程包括：
利用待分析地区的历史年度用电量数据、历史年度第一补充变量和历史年度能源消耗量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述预先构建的第一以电算能模型。
4.如权利要求1所述的方法，其特征在于，所述各行业对应的预先构建的第二以电算能模型的获取过程包括：
利用待分析地区各行业的历史年度用电量数据、历史年度第二补充变量和各行业的历史年度产品产量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述各行业对应的预先构建的第二以电算能模型。
5.如权利要求1所述的方法，其特征在于，所述预先构建的第一以电算能模型或各行业对应的预先构建的第二以电算能模型的数学模型如下：
Figure QLYQS_1
上式中，Y为待分析地区的年度能源消耗量或各行业年度产品产量，a0为基础影响因素，Yt-j为t-j年份待分析地区的年度能源消耗量或各行业年度产品产量，φt-j为t-j年份待分析地区的年度能源消耗量影响程度系数或各行业年度产品产量影响程度系数，J为待分析地区的年度能源消耗量影响因素数据滞后阶数或各行业年度产品产量影响因素数据滞后阶数，ut为t年份的随机偏差，βt-p为t-p年份待分析地区的年度用电量数据影响程度系数或各行业年度用电量数据影响程度系数，ft-p为t-p年份待分析地区的年度用电量数据或各行业年度用电量数据，P为待分析地区的年度用电量数据滞后阶数或各行业年度用电量数据滞后阶数，γt-q为t-q年份待分析地区的年度第一补充变量影响程度系数或年度第二补充变量影响程度系数，gt-q为t-q年份待分析地区的年度第一补充变量或年度第二补充变量，Q为t-q年份待分析地区的年度第一补充变量滞后阶数或年度第二补充变量滞后阶数，t为当前年份。
6.如权利要求1所述的方法，其特征在于，所述基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据，包括：
将待分析地区的月度用电量数据和年度能源消耗量数据代入预先构建的月度拆分模型并求解，得到待分析地区的月度能源消耗量数据；
将待分析地区的各行业月度用电量数据和各行业年度产品产量数据代入预先构建的月度拆分模型并求解，得到待分析地区各行业月度产品产量数据。
7.如权利要求6所述的方法，其特征在于，所述月度拆分模型的数学模型如下：
y＝arg min{(x-y)TA(x-y)}
Figure QLYQS_2
上式中，y为待分析地区12个月的能源消耗量向量或各行业月度产品产量向量，x为待分析地区12个月的月度用电量数据向量或各行业月度用电量数据向量，ym为待分析地区m月的能源消耗量或各行业月度产品产量，A为预设二次型矩阵，T为转置符号，s.t.表示约束条件，Y为待分析地区的年度能源消耗量或各行业年度产品产量。
8.如权利要求1所述的方法，其特征在于，所述待分析地区的月度碳排放的计算式如下：
Figure QLYQS_3
上式中，Cm为待分析地区m月的碳排放，am为待分析地区m月的能源消耗量，bm,i为待分析地区第i类行业m月的产品产量，I为待分析地区的行业类别数，cm为待分析地区m月的调入调出碳排放量，a′为能源消耗对应的碳排放因子，bi′为第i个行业的产品产量对应的碳排放因子。
9.一种基于电力数据的区域碳排放计算装置，其特征在于，所述装置包括：
第一分析模块，用于将待分析地区的年度用电量数据和年度第一补充变量作为预先构建的第一以电算能模型的输入，得到所述预先构建的第一以电算能模型输出的待分析地区的年度能源消耗量数据；
第二分析模块，用于将各行业年度用电量数据和年度第二补充变量作为各行业对应的预先构建的第二以电算能模型的输入，得到所述各行业对应的预先构建的第二以电算能模型输出的待分析地区的各行业年度产品产量数据；
第一确定模块，用于基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据；
第二确定模块，用于基于待分析地区的月度能源消耗量数据和各行业月度产品产量数据确定待分析地区的月度碳排放。
10.如权利要求9所述的装置，其特征在于，所述第一补充变量包括下述中的至少一种：地区GDP、清洁能源占比；
所述第二补充变量包括下述中的至少一种：行业生产指数、行业供给指数。
11.如权利要求9所述的装置，其特征在于，所述预先构建的第一以电算能模型的获取过程包括：
利用待分析地区的历史年度用电量数据、历史年度第一补充变量和历史年度能源消耗量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述预先构建的第一以电算能模型。
12.如权利要求9所述的装置，其特征在于，所述各行业对应的预先构建的第二以电算能模型的获取过程包括：
利用待分析地区各行业的历史年度用电量数据、历史年度第二补充变量和各行业的历史年度产品产量数据构建训练样本数据；
利用所述训练样本数据对初始自回归分布滞后模型进行训练，得到所述各行业对应的预先构建的第二以电算能模型。
13.如权利要求9所述的装置，其特征在于，所述预先构建的第一以电算能模型或各行业对应的预先构建的第二以电算能模型的数学模型如下：
Figure QLYQS_4
上式中，Y为待分析地区的年度能源消耗量或各行业年度产品产量，a0为基础影响因素，Yt-j为t-j年份待分析地区的年度能源消耗量或各行业年度产品产量，φt-j为t-j年份待分析地区的年度能源消耗量影响程度系数或各行业年度产品产量影响程度系数，J为待分析地区的年度能源消耗量影响因素数据滞后阶数或各行业年度产品产量影响因素数据滞后阶数，ut为t年份的随机偏差，βt-p为t-p年份待分析地区的年度用电量数据影响程度系数或各行业年度用电量数据影响程度系数，ft-p为t-p年份待分析地区的年度用电量数据或各行业年度用电量数据，P为待分析地区的年度用电量数据滞后阶数或各行业年度用电量数据滞后阶数，γt-q为t-q年份待分析地区的年度第一补充变量影响程度系数或年度第二补充变量影响程度系数，gt-q为t-q年份待分析地区的年度第一补充变量或年度第二补充变量，Q为t-q年份待分析地区的年度第一补充变量滞后阶数或年度第二补充变量滞后阶数，t为当前年份。
14.如权利要求9所述的装置，其特征在于，所述基于待分析地区的月度用电量数据、年度能源消耗量数据和各行业年度产品产量数据确定待分析地区的月度能源消耗量数据和各行业月度产品产量数据，包括：
将待分析地区的月度用电量数据和年度能源消耗量数据代入预先构建的月度拆分模型并求解，得到待分析地区的月度能源消耗量数据；
将待分析地区的各行业月度用电量数据和各行业年度产品产量数据代入预先构建的月度拆分模型并求解，得到待分析地区各行业月度产品产量数据。
15.如权利要求14所述的装置，其特征在于，所述月度拆分模型的数学模型如下：
y＝argmin{(x-y)TA(x-y)}
Figure QLYQS_5
上式中，y为待分析地区12个月的能源消耗量向量或各行业月度产品产量向量，x为待分析地区12个月的月度用电量数据向量或各行业月度用电量数据向量，ym为待分析地区m月的能源消耗量或各行业月度产品产量，A为预设二次型矩阵，T为转置符号，s.t.表示约束条件，Y为待分析地区的年度能源消耗量或各行业年度产品产量。
16.如权利要求9所述的装置，其特征在于，所述待分析地区的月度碳排放的计算式如下：
Figure QLYQS_6
上式中，Cm为待分析地区m月的碳排放，am为待分析地区m月的能源消耗量，bm,i为待分析地区第i类行业m月的产品产量，I为待分析地区的行业类别数，cm为待分析地区m月的调入调出碳排放量，a′为能源消耗对应的碳排放因子，bi′为第i个行业的产品产量对应的碳排放因子。
17.一种计算机设备，其特征在于，包括：一个或多个处理器；
所述处理器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至8中任意一项所述的基于电力数据的区域碳排放计算方法。
18.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至8中任意一项所述的基于电力数据的区域碳排放计算方法。
CN202211738709.2A 2022-12-31 2022-12-31 一种基于电力数据的区域碳排放计算方法及装置 Pending CN116187823A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211738709.2A CN116187823A (zh) 2022-12-31 2022-12-31 一种基于电力数据的区域碳排放计算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211738709.2A CN116187823A (zh) 2022-12-31 2022-12-31 一种基于电力数据的区域碳排放计算方法及装置

Publications (1)

Publication Number Publication Date
CN116187823A true CN116187823A (zh) 2023-05-30

Family

ID=86432009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211738709.2A Pending CN116187823A (zh) 2022-12-31 2022-12-31 一种基于电力数据的区域碳排放计算方法及装置

Country Status (1)

Country Link
CN (1) CN116187823A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117040135A (zh) * 2023-09-20 2023-11-10 北京国电通网络技术有限公司 电力设备供电方法、装置、电子设备和计算机可读介质
CN117273276A (zh) * 2023-10-10 2023-12-22 南方电网能源发展研究院有限责任公司 基于电力数据的碳排放监测方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117040135A (zh) * 2023-09-20 2023-11-10 北京国电通网络技术有限公司 电力设备供电方法、装置、电子设备和计算机可读介质
CN117040135B (zh) * 2023-09-20 2024-01-12 北京国电通网络技术有限公司 电力设备供电方法、装置、电子设备和计算机可读介质
CN117273276A (zh) * 2023-10-10 2023-12-22 南方电网能源发展研究院有限责任公司 基于电力数据的碳排放监测方法和装置

Similar Documents

Publication Publication Date Title
CN116187823A (zh) 一种基于电力数据的区域碳排放计算方法及装置
Chen et al. A two-stage network data envelopment analysis approach for measuring and decomposing environmental efficiency
Kellett et al. Feedback, dynamics, and optimal control in climate economics
Wang et al. Forecasting the monthly iron ore import of China using a model combining empirical mode decomposition, non-linear autoregressive neural network, and autoregressive integrated moving average
Duan et al. A novel dynamic time-delay grey model of energy prices and its application in crude oil price forecasting
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN110705771B (zh) 区域电网新能源发电功率预测优化方法和装置
CN113743960B (zh) 一种建筑碳排放监测系统及方法
CN105787587A (zh) 一种基于多元回归的电网系统应急物资需求预测方法
Velasco et al. Next day electric load forecasting using Artificial Neural Networks
CN114330937A (zh) 一种隐含碳排放量核算方法、设备及存储介质
Lu et al. Prophet-EEMD-LSTM based method for predicting energy consumption in the paint workshop
He et al. High frequency short-term demand forecasting model for distribution power grid based on ARIMA
CN107748931A (zh) 一种基于最小二乘法的电费收入预测方法
Sukhonos et al. Load forecasting and electricity consumption by regression model
Umarov et al. The cognitive model and its implementation of the enterprise Uzmobile
CN116384622A (zh) 基于电力大数据的碳排放监测方法及装置
Rostum et al. A combined effective time series model based on clustering and whale optimization algorithm for forecasting smart meters electricity consumption
CN115831264A (zh) 一种使用电量消费数据计算区域二氧化碳排放量的方法
CN107704967A (zh) 一种基于改进模糊神经网络的短期电力负荷预测方法
CN114897394A (zh) 用电量监管系统及方法
Hao et al. Prediction-based portfolio selection model using support vector machines
Mohamed et al. A comparative study of hourly wind speed and power forecasting using deep learning networks, weka time series, and ARIMA algorithms for smart grid integration
CN112036672A (zh) 一种基于迭代订正的新能源发电超短期功率预测方法及系统
Zhang et al. When will China’s total water consumption reach the turning point? EKC simulation and influencing factors

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