CN116629452B - 基于发电量的碳排放量预测方法、装置及存储介质 - Google Patents
基于发电量的碳排放量预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116629452B CN116629452B CN202310875808.3A CN202310875808A CN116629452B CN 116629452 B CN116629452 B CN 116629452B CN 202310875808 A CN202310875808 A CN 202310875808A CN 116629452 B CN116629452 B CN 116629452B
- Authority
- CN
- China
- Prior art keywords
- power generation
- model
- carbon emission
- prediction
- value
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 166
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000010248 power generation Methods 0.000 claims abstract description 259
- 239000003245 coal Substances 0.000 claims abstract description 81
- 238000006243 chemical reaction Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 22
- 239000003546 flue gas Substances 0.000 claims description 21
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 20
- 102100033620 Calponin-1 Human genes 0.000 claims description 18
- 102100033591 Calponin-2 Human genes 0.000 claims description 18
- 102100033592 Calponin-3 Human genes 0.000 claims description 18
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 claims description 18
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 claims description 18
- 101000945410 Homo sapiens Calponin-3 Proteins 0.000 claims description 18
- 230000001174 ascending effect Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- 239000000779 smoke Substances 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 206010017472 Fumbling Diseases 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于发电量的碳排放量预测方法、装置及存储介质,涉及碳排放预测技术领域,方法包括:获得每个单一发电场景对应的三元组预测结果,并计算发电量预估值,标记每个单一发电场景的作业状态,获得并遍历2k种发电组合的预估数据,得到可行解候选序列;利用可行解候选序列获得可行解精度最高的碳排放量预测值、最小的碳排放量预测值及最小煤耗对应的碳排放量预测值。本发明通过深度神经网络模型建立发电厂单一发电场景下碳排放量、煤耗量及发电量的关系,利用三个预测分支分别预估碳排放量、煤耗量和发电转换率,并通过融合三个分支特征进行基于发电量的碳排放量预测,可智能准确地估计发电厂的碳排放量以及可能采用的发电组合策略。
Description
技术领域
本申请涉及碳排放预测技术领域,具体而言,涉及一种基于发电量的碳排放量预测方法、装置及存储介质。
背景技术
电能的获取主要依靠火电,火电是通过矿物燃烧转换而来的,这个过程中会排放二氧化碳等含碳气体,称为碳排放。当前绿色发展是社会发展的主要方向,过量的碳排放容易导致臭氧层被破坏、全球气候变暖,进而导致极端天气出现的概率增加,故而控制碳排放是绿色发展的重要内容之一,控制碳排放首先便是进行碳排放估算。
目前,现有的碳排放估算方案分为两种:一种是核算方法,主要是根据能源消耗通过与乘积因子相乘进行估算,该方法操作简单,但误差很大,估算结果基本没有参考意义;另一种是基于连续监测的方法,通过直接测量烟气流速和烟气中二氧化碳(CO2)浓度来计算温室气体的排放量。其中,连续监测方法与核算方法的监测结果具有等效性,2019年有155个设施采用连续监测方法,主要集中于德国、法国、捷克等。我国尚在摸索阶段,在北京市、上海市、广东省、深圳市和湖北省的核算和报告指南中提到,允许使用连续监测的方法来确定温室气体排放量,但由于缺乏具体的监测和报告要求,如监测参数、监测要求、质量保证和质量控制措施等,导致实际上难以实施,更难以进行碳排放估算。
发明内容
本申请提供一种基于发电量的碳排放量预测方法、装置及存储介质,能够利用发电厂在线电量和相关参数估算二氧化碳的实时排放量。
具体的技术方案如下:
第一方面,本申请实施例提供了一种基于发电量的碳排放量预测方法,所述方法包括:
利用二叉树构建发电厂k种不同的单一发电场景,并获取每个所述单一发电场景对应的输入特征,根据每个所述单一发电场景对应的输入特征,并基于碳排放量预测模型获得每个所述单一发电场景对应的三元组预测结果,其中,所述k为正整数,所述k为不同功率火电机组的不同负荷率组合数,所述单一发电场景的输入特征包括机组功率、负荷率,所述三元组预测结果包括每个所述单一发电场景对应的碳排放量预估值、煤耗量预估值、发电转换率预估值;
根据每个所述单一发电场景对应的所述机组功率、所述负荷率以及所述发电转换率预估值,计算得到每个所述单一发电场景对应的发电量预估值,并对每个所述单一发电场景的作业状态进行标记,获得2k种发电组合的预估数据,其中,所述单一发电场景的作业状态包括开启状态和关闭状态,每种所述发电组合的预估数据包括每种所述发电组合的总发电量预估值、总碳排放量预估值和总煤耗量预估值;
遍历2k种所述发电组合的预估数据,每种所述发电组合的预估数据的遍历过程包括:根据所述发电组合的所述总发电量预估值和所述发电厂的每秒钟发电量,计算得到所述发电组合的可行解精度,若所述可行解精度小于预设阈值,则将所述发电组合的预估数据和所述可行解精度存储于可行解候选序列中;
针对所述可行解候选序列中的第一维度按照数值大小进行升序排序,获得可行解精度最高的碳排放量预测值,针对所述可行解候选序列中的第三维度按照数值大小进行升序排序,获得最小的碳排放量预测值,针对所述可行解候选序列中的第四维度按照数值大小进行升序排序,获得最小煤耗对应的碳排放量预测值,其中,所述第一维度为所述可行解精度所在的维度,所述第三维度为所述总碳排放量预估值所在的维度,所述第四维度为所述总煤耗量预估值所在的维度。
在一种实施方式中,所述单一发电场景的输入特征还包括烟气流量、烟气温度、烟气压力和烟气含湿量,所述方法还包括:实时在线获取所述发电厂的特征参数,并对所述发电厂的特征参数进行数据的归一化处理,将数据处理后的特征参数作为所述单一发电场景的输入特征。
在一种实施方式中,所述碳排放量预测模型设置三个预测分支,分别用于预估所述单一发电场景的碳排放量、煤耗量和发电转换率;每个预测分支均利用自注意力机制Self–Attention模型提取特征,第一预测分支利用卷积神经网络CNN1模型和前馈神经网络Feed–Forword1模型,获得碳排放量初始预估值,第二预测分支利用CNN2模型和Feed–Forword2模型,获得煤耗量初始预估值,第三预测分支利用CNN3模型和Feed–Forword3模型,获得发电转换率初始预估值,将所述碳排放量初始预估值、所述煤耗量初始预估值和所述发电转换率初始预估值进行特征融合,根据融合后的特征并基于Feed–Forword4模型预测所述单一发电场景的所述碳排放量预估值、所述煤耗量预估值和所述发电转换率预估值,其中,所述Self–Attention模型设置为N重网络结构,所述N为正整数,所述N为所述发电厂的不同功率火电机组的数量。
在一种实施方式中,在所述CNN1模型、所述CNN2模型、所述CNN3模型、所述Feed–Forword1模型、所述Feed–Forword2模型以及所述Feed–Forword3模型的训练阶段,分别采用各自独立的损失函数求导后进行反向传播;在所述Self–Attention模型的训练阶段,对反向传播过来的三个分支数据进行加权平均处理。
在一种实施方式中,在所述CNN1模型和所述Feed–Forword1模型的训练阶段,第一预测分支根据碳排放量最大值和碳排放量最小值对所述碳排放量初始预估值进行归一化处理,将归一化处理后的数值作为所述CNN1模型和所述Feed–Forword1模型的预测输出;和/或,
在所述CNN2模型和所述Feed–Forword2模型的训练阶段,第二预测分支根据煤耗量最大值和煤耗量最小值对所述煤耗量初始预估值进行归一化处理,将归一化处理后的数值作为所述CNN2模型和所述Feed–Forword2模型的预测输出;和/或,
在所述CNN3模型和所述Feed–Forword3模型的训练阶段,第三预测分支根据发电转换率最大值和发电转换率最小值对所述发电转换率初始预估值进行归一化处理,将归一化处理后的数值作为所述CNN3模型和所述Feed–Forword3模型的预测输出。
在一种实施方式中,在所述Feed–Forword4模型的训练阶段,所述Feed–Forword4模型的输入数据包括三个预测分支的输出特征提取后进行顺序拼接的特征数据。
第二方面,本申请实施例提供了一种基于发电量的碳排放量预测装置,所述装置包括:
三元组预测模块,用于利用二叉树构建发电厂k种不同的单一发电场景,并获取每个所述单一发电场景对应的输入特征,根据每个所述单一发电场景对应的输入特征,并基于碳排放量预测模型获得每个所述单一发电场景对应的三元组预测结果,其中,所述k为正整数,所述k为不同功率火电机组的不同负荷率组合数,所述单一发电场景的输入特征包括机组功率、负荷率,所述三元组预测结果包括每个所述单一发电场景对应的碳排放量预估值、煤耗量预估值、发电转换率预估值;
发电组合预估模块,用于根据每个所述单一发电场景对应的所述机组功率、所述负荷率以及所述发电转换率预估值,计算得到每个所述单一发电场景对应的发电量预估值,并对每个所述单一发电场景的作业状态进行标记,获得2k种发电组合的预估数据,其中,所述单一发电场景的作业状态包括开启状态和关闭状态,每种所述发电组合的预估数据包括每种所述发电组合的总发电量预估值、总碳排放量预估值和总煤耗量预估值;
可行解查找模块,用于遍历2k种所述发电组合的预估数据,每种所述发电组合的预估数据的遍历过程包括:根据所述发电组合的所述总发电量预估值和所述发电厂的每秒钟发电量,计算得到所述发电组合的可行解精度,若所述可行解精度小于预设阈值,则将所述发电组合的预估数据和所述可行解精度存储于可行解候选序列中;
碳排预测计算模块,用于针对所述可行解候选序列中的第一维度按照数值大小进行升序排序,获得可行解精度最高的碳排放量预测值,针对所述可行解候选序列中的第三维度按照数值大小进行升序排序,获得最小的碳排放量预测值,针对所述可行解候选序列中的第四维度按照数值大小进行升序排序,获得最小煤耗对应的碳排放量预测值,其中,所述第一维度为所述可行解精度所在的维度,所述第三维度为所述总碳排放量预估值所在的维度,所述第四维度为所述总煤耗量预估值所在的维度。
在一种实施方式中,所述单一发电场景的输入特征还包括烟气流量、烟气温度、烟气压力和烟气含湿量,所述三元组预测模块还用于实时在线获取所述发电厂的特征参数,并对所述发电厂的特征参数进行数据的归一化处理,将数据处理后的特征参数作为所述单一发电场景的输入特征。
在一种实施方式中,所述碳排放量预测模型设置三个预测分支,分别用于预估所述单一发电场景的碳排放量、煤耗量和发电转换率;每个预测分支均利用自注意力机制Self–Attention模型提取特征,第一预测分支利用卷积神经网络CNN1模型和前馈神经网络Feed–Forword1模型,获得碳排放量初始预估值,第二预测分支利用CNN2模型和Feed–Forword2模型,获得煤耗量初始预估值,第三预测分支利用CNN3模型和Feed–Forword3模型,获得发电转换率初始预估值,将所述碳排放量初始预估值、所述煤耗量初始预估值和所述发电转换率初始预估值进行特征融合,根据融合后的特征并基于Feed–Forword4模型预测所述单一发电场景的所述碳排放量预估值、所述煤耗量预估值和所述发电转换率预估值,其中,所述Self–Attention模型设置为N重网络结构,所述N为正整数,所述N为所述发电厂的不同功率火电机组的数量。
第三方面,本申请实施例提供了一种存储介质,其上存储有可执行指令,所述指令被处理器执行时使处理器实现第一方面任一实施方式所述的方法。
由上述内容可知,本申请实施例提供的基于发电量的碳排放量预测方法、装置及存储介质,通过深度神经网络模型建立发电厂单一发电场景下碳排放量、煤耗量及发电量的关系,利用三个预测分支分别预估单一发电场景的碳排放量、煤耗量和发电转换率,并通过融合三个分支特征进行基于发电量的碳排放量预测,从而通过深度学习的方法建立了一种稳定的映射关系和一套估计方法,能够智能、准确的估计发电厂的碳排放量以及可能采用的发电组合策略,且对于不同的发电机组制造商、不同功率的发电机组均成立。此外,本申请实施例能够实现基于发电量的碳排放量的快速估计,还可根据发电厂的基础设备预测最小的碳排放量及煤耗最小时的碳排放量。
本申请实施例的创新点包括但不限于以下几点:
1、本申请实施例提出了一种单一发电场景下碳排放量、煤耗量以及发电量预估的网络模型,其主要由自注意力机制Self–Attention、卷积神经网络CNN和前馈神经网络Feed–Forword几部分组成,可通过残差方式避免信息损失,同时,该模型设置有三个预测分支,分别用于预估单一发电场景的碳排放量、煤耗量和发电转换率,并通过融合三个分支特征进行预测,进一步加强了特征信息量,提升了模型整体的预测准确度。
2、通过二叉树的方式构建不同的发电场景组合方式,将碳排放量的预测估计转换为组合方式的遍历计算问题,效果更好,计算结果更精准。
3、本申请实施例通过获取包括发电组合的可行解精度、总发电量预估值、总碳排放量预估值及总煤耗量预估值的可行解候选序列List,能够同时计算给出最精确估算情况下的碳排放量、最小煤耗条件下的碳排放量以及最小的碳排放量,灵活便捷,更智能。
附图说明
为了更清楚地说明本申请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做简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于发电量的碳排放量预测方法的流程示意图;
图2为本申请实施例提供的一种碳排放量预测模型结构的示例图;
图3为本申请实施例提供的一种碳排放量预测模型结构中三个预测分支独立训练的模型结构示例图;
图4为本申请实施例提供的一种基于发电量的碳排放量预测装置的组成框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。本申请实施例及附图中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如,包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
图1为本申请实施例提供的一种基于发电量的碳排放量预测方法的流程示意图,该方法可以应用于终端,也可以应用于服务器。如图1所示,该方法可以包括如下步骤:
S110:利用二叉树构建发电厂k种不同的单一发电场景,并获取每个单一发电场景对应的输入特征,根据每个单一发电场景对应的输入特征,并基于碳排放量预测模型获得每个单一发电场景对应的三元组预测结果。
其中,k为正整数,k为不同功率火电机组的不同负荷率组合数,单一发电场景的输入特征包括机组功率、负荷率,三元组预测结果包括每个单一发电场景对应的碳排放量预估值、煤耗量预估值、发电转换率预估值。
单一发电场景是指发电厂火电机组最小的且不可再分割的独立发电场景,例如,300MW火电机组在负荷率50%时所对应的发电场景。该方法通过二叉树构建发电厂不同功率火电机组、不同负荷的可能组合,假设该发电厂具有N中不同功率的火电机组,各自对应的数量分别为,则该发电厂不同功率火电机组的不同负荷率组合数,需要注意的是,本申请中的组合数指的是发电厂所有不同功率火电机组的不同负荷率的组合的种数。
本申请实施例中的碳排放量预测模型为单一发电场景下碳排放量、煤耗量以及发电转换率的预测网络结构,如图2所述,Input为碳排放量预测模型的输入特征,具体为每秒钟单一发电场景的特征参数数据,其包括但不限于机组功率、负荷率、烟气流量、烟气温度、烟气压力以及烟气含湿量六个特征,这些特征均可为发电厂在线实时采集或确定的特征,碳排放量预测模型的网络输出结果为每秒钟所对应的预测结果,结果为输入特征所对应的碳排放量、煤耗量和发电转换率。
在一具体实施例中,该方法可实时在线获取发电厂的特征参数,并对发电厂的特征参数进行数据的归一化处理,将数据处理后的特征参数作为单一发电场景的输入特征。假设实时在线获取的发电厂的特征参数可以表示为,对这些数据进行归一化处理,处理后的特征参数作为单一发电场景的输入特征,便于能够稳定地训练深度学习网络模型,其中,数据归一化处理的计算公式如下:
;
;
…;
;
在上式中,为归一化处理后的特征参数,即单一发电场景的输入特征。
每个单一发电场景都对应一组Input特征,将输入特征送入预测网络后都可以得到对应的三元组预测结果,即每个单一发电场景对应的碳排放量预估值、煤耗量预估值、发电转换率预估值。
在另一具体实施例中,如图2所示,该方法中的碳排放量预测模型设置有三个预测分支,分别用于预估单一发电场景的碳排放量、煤耗量和发电转换率,每个预测分支均利用自注意力机制Self–Attention模型提取特征,并分别利用一个卷积神经网络(Convolutional Neural Network,CNN)模型和一个前馈神经网络Feed–Forword模型进行预测,详细的,第一预测分支利用CNN1模型和Feed–Forword1模型获得碳排放量初始预估值,第二预测分支利用CNN2模型和Feed–Forword2模型获得煤耗量初始预估值,第三预测分支利用CNN3模型和Feed–Forword3模型获得发电转换率初始预估值,进一步的,将碳排放量初始预估值、煤耗量初始预估值和发电转换率初始预估值进行特征融合,根据融合后的特征并基于Feed–Forword4模型预测单一发电场景的碳排放量预估值、煤耗量预估值和发电转换率预估值。需要注意的是,图2和图3中所示的编码器自注意力机制(Encoder Self–Attention)为本申请中所述的自注意力机制Self–Attention。
本申请实施例中的碳排放量预测模型的网络模型结构主要由自注意力机制Self–Attention、卷积神经网络CNN和前馈神经网络Feed–Forword几部分组成,可通过残差方式避免信息损失,最后融合碳排放量、煤耗量和发电转换率三个预测分支模型的特征,通过Feed–Forword预测输出三个变量。通过该融合过程,可进一步加强特征信息量,提升预测准确度。
在碳排放量预测模型的训练阶段,整体的训练过程主要分为两个阶段:
第一阶段为三个预测分支的独立训练,如图3所示,在训练时,Self–Attention模型设置为N重网络结构,其为三个预测分支共享的特征提取部分,N为正整数,具体的,所述N通过发电厂所具有的不同功率火电机组的数量确定。CNN1模型、CNN2模型、CNN3模型、Feed–Forword1模型、Feed–Forword2模型和Feed–Forword3模型为独立部分,其分别采用各自独立的损失函数求导后进行反向传播;Self–Attention模型为共享部分,其训练通过对反向传播过来的三个分支数据进行加权平均处理。
其中,三个预测分支在计算损失函数(Loss Function)时可对预测目标进行特殊处理。在一个具体的实施过程中,在CNN1模型和Feed–Forword1模型的训练阶段,第一预测分支可根据碳排放量最大值和碳排放量最小值对碳排放量初始预估值进行归一化处理,将归一化处理后的数值作为CNN1模型和Feed–Forword1模型的预测输出,具体的归一化处理的计算公式如下:
;
其中,为所对应的碳排量,通过对应数值的最大值/>和最小值进行归一化处理;/>为处理后的数值,也为网络结构的预测输出,该数值直接参与第一预测分支Loss函数的计算。
在CNN2模型和Feed–Forword2模型的训练阶段,第二预测分支可根据煤耗量最大值和煤耗量最小值对煤耗量初始预估值进行归一化处理,将归一化处理后的数值作为CNN2模型和Feed–Forword2模型的预测输出,具体的归一化处理的计算公式如下:
;
其中,为所对应的煤耗量,通过对应数值的最大值/>和最小值进行归一化处理;/>为处理后的数值,也为网络结构的预测输出,该数值直接参与第二预测分支Loss函数的计算。
同样的,在CNN3模型和Feed–Forword3模型的训练阶段,第三预测分支也可根据发电转换率最大值和发电转换率最小值对发电转换率初始预估值进行归一化处理,将归一化处理后的数值作为CNN3模型和Feed–Forword3模型的预测输出。其中,在本申请实施例中的碳排放量预测模型的发电量预测结果为百分比,也为当前单一发电场景下的发电转换率,例如,对于300MW火电机组在负荷率50%时所对应的单一发电场景下,每秒的发电量为。
在另一个具体的实施例中,三个预测分支的Loss函数均可采用均方误差的方式:
;
其中,表示样本个数,/>表示对应的预测结果,/>表示标定结果,即真实测样结果。
第二阶段为Feed–Forword4模型的训练,在此训练过程中,固定上述第一阶段训练得到的网络结构,只训练Feed–Forword4模型。训练时,Feed–Forword4模型的Loss函数计算可与第一阶段中的Loss函数计算相同,但Feed–Forword4模型的输入数据包括三个预测分支的输出特征提取后进行顺序拼接的特征数据,因此,本申请实施例中三个预测分支特征提取的最上层的特征通道数量相同,均为n。
S120:根据每个单一发电场景对应的机组功率、负荷率以及发电转换率预估值,计算得到每个单一发电场景对应的发电量预估值,并对每个单一发电场景的作业状态进行标记,获得2k种发电组合的预估数据。
其中,单一发电场景的作业状态包括开启状态和关闭状态,每种发电组合的预估数据包括每种发电组合的总发电量预估值、总碳排放量预估值和总煤耗量预估值。
假设发电厂每秒钟的发电量为,/>为可变的某一个数值,且其每秒钟可进行实时更新。单一发电场景的作业状态包括开启状态和关闭状态两种状态,在本申请实施例中,设定每个单一发电场景开启状态时用1进行标记表示,关闭状态时用0进行标记表示,从而,k种单一发电场景可以用k个二进制结果来表示,可能的组合总计共用2k种。在2k种组合中,可能有多种组合满足总发电量为,找到这些组合就可以根据预测的三元组预测结果计算对应的碳排及煤耗。
在本申请实施例中,对于每个单一发电场景的发电量均可用额定功率/>(即机组功率)、负荷率/>以及对应的发电转换率/>计算得到,具体的计算公式如下:
;
需注意的是,本申请实施例中的六个输入特征,机组功率的单位为MW,负荷率的单位为%,烟气流量的单位为kg/h,烟气温度的单位为℃,烟气压力的单位为,烟气含湿量的单位为%。
计算获得每个单一发电场景对应的发电量预估值,之后,再分别计算2k种发电组合对应的总发电量预估值、总碳排放量预估值及总煤耗量预估值。
S130:遍历2k种发电组合的预估数据,每种发电组合的预估数据的遍历过程包括:根据发电组合的总发电量预估值和发电厂的每秒钟发电量,计算得到发电组合的可行解精度,若可行解精度小于预设阈值,则将发电组合的预估数据和可行解精度存储于可行解候选序列中。
在本申请实施例中,通过遍历2k种发电组合的预估数据,查找可行解。具体的,通过计算得到的发电组合的可行解精度,判断当前发电组合是否满足可行解的精度要求,其中,发电组合的可行解精度的具体计算公式如下:
;
在上式中,表示可行解精度,其数值越小代表精度越高;/>表示当前发电组合的总发电量预估值;/>表示当前发电厂的发电量;/>表示预设阈值,其值可根据实际需求进行设定。
若当前发电组合的可行解精度小于预设阈值,说明该发电组合的可行解精度满足预设要求,则可将放入可行解候选序列List中,将2k种发电组合中的每个发电组合的可行解精度与预设阈值进行比较,从而获得所有可行解的可行解候选序列List。
S140:针对可行解候选序列中的第一维度按照数值大小进行升序排序,获得可行解精度最高的碳排放量预测值,针对可行解候选序列中的第三维度按照数值大小进行升序排序,获得最小的碳排放量预测值,针对可行解候选序列中的第四维度按照数值大小进行升序排序,获得最小煤耗对应的碳排放量预测值。
其中,第一维度为可行解精度所在的维度,第三维度为总碳排放量预估值所在的维度,第四维度为总煤耗量预估值所在的维度。
在本申请实施例中,该方法能够同时计算得到最精确估算情况下的碳排放量、最小煤耗条件下的碳排放量以及最小的碳排放量,灵活便捷,且更智能。具体的,针对上述步骤S130得到的可行解候选序列List中第一维度(即列),按照由小到大的顺序排列,队首对应的/>即为可行解精度最高的碳排放量预测值;针对可行解候选序列List中第三维度(即/>列),按照由小到大的顺序排列,队首对应的/>即为最小的碳排放量预测值;针对可行解候选序列List中第四维度(即/>列),按照由小到大的顺序排列,队首对应的/>即为最小煤耗对应的碳排放量预测值。
本申请实施例提供的基于发电量的碳排放量预测方法,通过深度神经网络模型建立发电厂单一发电场景下碳排放量、煤耗量及发电量的关系,利用三个预测分支分别预估单一发电场景的碳排放量、煤耗量和发电转换率,并通过融合三个分支特征进行基于发电量的碳排放量预测,从而通过深度学习的方法建立了一种稳定的映射关系和一套估计方法,能够智能、准确的估计发电厂的碳排放量以及可能采用的发电组合策略,且对于不同的发电机组制造商、不同功率的发电机组均成立。此外,本申请实施例能够实现基于发电量的碳排放量的快速估计,还可根据发电厂的基础设备预测最小的碳排放量及煤耗最小时的碳排放量。
相应于上述方法实施例,本申请实施例提供了一种基于发电量的碳排放量预测装置,如图4所示,所述装置包括:
三元组预测模块210,用于利用二叉树构建发电厂k种不同的单一发电场景,并获取每个所述单一发电场景对应的输入特征,根据每个所述单一发电场景对应的输入特征,并基于碳排放量预测模型获得每个所述单一发电场景对应的三元组预测结果,其中,所述k为正整数,所述k为不同功率火电机组的不同负荷率组合数,所述单一发电场景的输入特征包括机组功率、负荷率,所述三元组预测结果包括每个所述单一发电场景对应的碳排放量预估值、煤耗量预估值、发电转换率预估值;
发电组合预估模块220,用于根据每个所述单一发电场景对应的所述机组功率、所述负荷率以及所述发电转换率预估值,计算得到每个所述单一发电场景对应的发电量预估值,并对每个所述单一发电场景的作业状态进行标记,获得2k种发电组合的预估数据,其中,所述单一发电场景的作业状态包括开启状态和关闭状态,每种所述发电组合的预估数据包括每种所述发电组合的总发电量预估值、总碳排放量预估值和总煤耗量预估值;
可行解查找模块230,用于遍历2k种所述发电组合的预估数据,每种所述发电组合的预估数据的遍历过程包括:根据所述发电组合的所述总发电量预估值和所述发电厂的每秒钟发电量,计算得到所述发电组合的可行解精度,若所述可行解精度小于预设阈值,则将所述发电组合的预估数据和所述可行解精度存储于可行解候选序列中;
碳排预测计算模块240,用于针对所述可行解候选序列中的第一维度按照数值大小进行升序排序,获得可行解精度最高的碳排放量预测值,针对所述可行解候选序列中的第三维度按照数值大小进行升序排序,获得最小的碳排放量预测值,针对所述可行解候选序列中的第四维度按照数值大小进行升序排序,获得最小煤耗对应的碳排放量预测值,其中,所述第一维度为所述可行解精度所在的维度,所述第三维度为所述总碳排放量预估值所在的维度,所述第四维度为所述总煤耗量预估值所在的维度。
在一种实施方式中,所述单一发电场景的输入特征还包括烟气流量、烟气温度、烟气压力和烟气含湿量,所述三元组预测模块还用于实时在线获取所述发电厂的特征参数,并对所述发电厂的特征参数进行数据的归一化处理,将数据处理后的特征参数作为所述单一发电场景的输入特征。
在一种实施方式中,所述碳排放量预测模型设置三个预测分支,分别用于预估所述单一发电场景的碳排放量、煤耗量和发电转换率;每个预测分支均利用自注意力机制Self–Attention模型提取特征,第一预测分支利用卷积神经网络CNN1模型和前馈神经网络Feed–Forword1模型,获得碳排放量初始预估值,第二预测分支利用CNN2模型和Feed–Forword2模型,获得煤耗量初始预估值,第三预测分支利用CNN3模型和Feed–Forword3模型,获得发电转换率初始预估值,将所述碳排放量初始预估值、所述煤耗量初始预估值和所述发电转换率初始预估值进行特征融合,根据融合后的特征并基于Feed–Forword4模型预测所述单一发电场景的所述碳排放量预估值、所述煤耗量预估值和所述发电转换率预估值,其中,所述Self–Attention模型设置为N重网络结构,所述N为正整数,所述N为所述发电厂的不同功率火电机组的数量。
在一种实施方式中,在所述CNN1模型、所述CNN2模型、所述CNN3模型、所述Feed–Forword1模型、所述Feed–Forword2模型以及所述Feed–Forword3模型的训练阶段,分别采用各自独立的损失函数求导后进行反向传播;在所述Self–Attention模型的训练阶段,对反向传播过来的三个分支数据进行加权平均处理。
在一种实施方式中,在所述CNN1模型和所述Feed–Forword1模型的训练阶段,第一预测分支根据碳排放量最大值和碳排放量最小值对所述碳排放量初始预估值进行归一化处理,将归一化处理后的数值作为所述CNN1模型和所述Feed–Forword1模型的预测输出;和/或,
在所述CNN2模型和所述Feed–Forword2模型的训练阶段,第二预测分支根据煤耗量最大值和煤耗量最小值对所述煤耗量初始预估值进行归一化处理,将归一化处理后的数值作为所述CNN2模型和所述Feed–Forword2模型的预测输出;和/或,
在所述CNN3模型和所述Feed–Forword3模型的训练阶段,第三预测分支根据发电转换率最大值和发电转换率最小值对所述发电转换率初始预估值进行归一化处理,将归一化处理后的数值作为所述CNN3模型和所述Feed–Forword3模型的预测输出。
在一种实施方式中,在所述Feed–Forword4模型的训练阶段,所述Feed–Forword4模型的输入数据包括三个预测分支的输出特征提取后进行顺序拼接的特征数据。
本申请实施例提供的基于发电量的碳排放量预测装置,通过深度神经网络模型建立发电厂单一发电场景下碳排放量、煤耗量及发电量的关系,利用三个预测分支分别预估单一发电场景的碳排放量、煤耗量和发电转换率,并通过融合三个分支特征进行基于发电量的碳排放量预测,从而通过深度学习的方法建立了一种稳定的映射关系和一套估计方法,能够智能、准确的估计发电厂的碳排放量以及可能采用的发电组合策略,且对于不同的发电机组制造商、不同功率的发电机组均成立。此外,本申请实施例能够实现基于发电量的碳排放量的快速估计,还可根据发电厂的基础设备预测最小的碳排放量及煤耗最小时的碳排放量。
基于上述方法实施例,本申请的另一实施例提供了一种存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现如上所述的方法。
上述装置实施例与方法实施例相对应,与该方法实施例具有同样的技术效果,具体说明参见方法实施例。装置实施例是基于方法实施例得到的,具体的说明可以参见方法实施例部分,此处不再赘述。本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本申请所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照上述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对上述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。
Claims (10)
1.一种基于发电量的碳排放量预测方法,其特征在于,所述方法包括:
利用二叉树构建发电厂k种不同的单一发电场景,并获取每个所述单一发电场景对应的输入特征,根据每个所述单一发电场景对应的输入特征,并基于碳排放量预测模型获得每个所述单一发电场景对应的三元组预测结果,其中,所述k为正整数,所述k为不同功率火电机组的不同负荷率组合数,所述单一发电场景的输入特征包括机组功率、负荷率,所述三元组预测结果包括每个所述单一发电场景对应的碳排放量预估值、煤耗量预估值、发电转换率预估值;
根据每个所述单一发电场景对应的所述机组功率、所述负荷率以及所述发电转换率预估值,计算得到每个所述单一发电场景对应的发电量预估值,并对每个所述单一发电场景的作业状态进行标记,获得2k种发电组合的预估数据,其中,所述单一发电场景的作业状态包括开启状态和关闭状态,每种所述发电组合的预估数据包括每种所述发电组合的总发电量预估值、总碳排放量预估值和总煤耗量预估值;
遍历2k种所述发电组合的预估数据,每种所述发电组合的预估数据的遍历过程包括:根据所述发电组合的所述总发电量预估值和所述发电厂的每秒钟发电量,计算得到所述发电组合的可行解精度,若所述可行解精度小于预设阈值,则将所述发电组合的预估数据和所述可行解精度存储于可行解候选序列中;
针对所述可行解候选序列中的第一维度按照数值大小进行升序排序,获得可行解精度最高的碳排放量预测值,针对所述可行解候选序列中的第三维度按照数值大小进行升序排序,获得最小的碳排放量预测值,针对所述可行解候选序列中的第四维度按照数值大小进行升序排序,获得最小煤耗对应的碳排放量预测值,其中,所述第一维度为所述可行解精度所在的维度,所述第三维度为所述总碳排放量预估值所在的维度,所述第四维度为所述总煤耗量预估值所在的维度。
2.根据权利要求1所述的方法,其特征在于,所述单一发电场景的输入特征还包括烟气流量、烟气温度、烟气压力和烟气含湿量,所述方法还包括:实时在线获取所述发电厂的特征参数,并对所述发电厂的特征参数进行数据的归一化处理,将数据处理后的特征参数作为所述单一发电场景的输入特征。
3.根据权利要求1所述的方法,其特征在于,所述碳排放量预测模型设置三个预测分支,分别用于预估所述单一发电场景的碳排放量、煤耗量和发电转换率;每个预测分支均利用自注意力机制Self–Attention模型提取特征,第一预测分支利用卷积神经网络CNN1模型和前馈神经网络Feed–Forword1模型,获得碳排放量初始预估值,第二预测分支利用CNN2模型和Feed–Forword2模型,获得煤耗量初始预估值,第三预测分支利用CNN3模型和Feed–Forword3模型,获得发电转换率初始预估值,将所述碳排放量初始预估值、所述煤耗量初始预估值和所述发电转换率初始预估值进行特征融合,根据融合后的特征并基于Feed–Forword4模型预测所述单一发电场景的所述碳排放量预估值、所述煤耗量预估值和所述发电转换率预估值,其中,所述Self–Attention模型设置为N重网络结构,所述N为正整数,所述N为所述发电厂的不同功率火电机组的数量。
4.根据权利要求3所述的方法,其特征在于,在所述CNN1模型、所述CNN2模型、所述CNN3模型、所述Feed–Forword1模型、所述Feed–Forword2模型以及所述Feed–Forword3模型的训练阶段,分别采用各自独立的损失函数求导后进行反向传播;在所述Self–Attention模型的训练阶段,对反向传播过来的三个分支数据进行加权平均处理。
5.根据权利要求4所述的方法,其特征在于,在所述CNN1模型和所述Feed–Forword1模型的训练阶段,第一预测分支根据碳排放量最大值和碳排放量最小值对所述碳排放量初始预估值进行归一化处理,将归一化处理后的数值作为所述CNN1模型和所述Feed–Forword1模型的预测输出;和/或,
在所述CNN2模型和所述Feed–Forword2模型的训练阶段,第二预测分支根据煤耗量最大值和煤耗量最小值对所述煤耗量初始预估值进行归一化处理,将归一化处理后的数值作为所述CNN2模型和所述Feed–Forword2模型的预测输出;和/或,
在所述CNN3模型和所述Feed–Forword3模型的训练阶段,第三预测分支根据发电转换率最大值和发电转换率最小值对所述发电转换率初始预估值进行归一化处理,将归一化处理后的数值作为所述CNN3模型和所述Feed–Forword3模型的预测输出。
6.根据权利要求3所述的方法,其特征在于,在所述Feed–Forword4模型的训练阶段,所述Feed–Forword4模型的输入数据包括三个预测分支的输出特征提取后进行顺序拼接的特征数据。
7.一种基于发电量的碳排放量预测装置,其特征在于,所述装置包括:
三元组预测模块,用于利用二叉树构建发电厂k种不同的单一发电场景,并获取每个所述单一发电场景对应的输入特征,根据每个所述单一发电场景对应的输入特征,并基于碳排放量预测模型获得每个所述单一发电场景对应的三元组预测结果,其中,所述k为正整数,所述k为不同功率火电机组的不同负荷率组合数,所述单一发电场景的输入特征包括机组功率、负荷率,所述三元组预测结果包括每个所述单一发电场景对应的碳排放量预估值、煤耗量预估值、发电转换率预估值;
发电组合预估模块,用于根据每个所述单一发电场景对应的所述机组功率、所述负荷率以及所述发电转换率预估值,计算得到每个所述单一发电场景对应的发电量预估值,并对每个所述单一发电场景的作业状态进行标记,获得2k种发电组合的预估数据,其中,所述单一发电场景的作业状态包括开启状态和关闭状态,每种所述发电组合的预估数据包括每种所述发电组合的总发电量预估值、总碳排放量预估值和总煤耗量预估值;
可行解查找模块,用于遍历2k种所述发电组合的预估数据,每种所述发电组合的预估数据的遍历过程包括:根据所述发电组合的所述总发电量预估值和所述发电厂的每秒钟发电量,计算得到所述发电组合的可行解精度,若所述可行解精度小于预设阈值,则将所述发电组合的预估数据和所述可行解精度存储于可行解候选序列中;
碳排预测计算模块,用于针对所述可行解候选序列中的第一维度按照数值大小进行升序排序,获得可行解精度最高的碳排放量预测值,针对所述可行解候选序列中的第三维度按照数值大小进行升序排序,获得最小的碳排放量预测值,针对所述可行解候选序列中的第四维度按照数值大小进行升序排序,获得最小煤耗对应的碳排放量预测值,其中,所述第一维度为所述可行解精度所在的维度,所述第三维度为所述总碳排放量预估值所在的维度,所述第四维度为所述总煤耗量预估值所在的维度。
8.根据权利要求7所述的装置,其特征在于,所述单一发电场景的输入特征还包括烟气流量、烟气温度、烟气压力和烟气含湿量,所述三元组预测模块还用于实时在线获取所述发电厂的特征参数,并对所述发电厂的特征参数进行数据的归一化处理,将数据处理后的特征参数作为所述单一发电场景的输入特征。
9.根据权利要求7所述的装置,其特征在于,所述碳排放量预测模型设置三个预测分支,分别用于预估所述单一发电场景的碳排放量、煤耗量和发电转换率;每个预测分支均利用自注意力机制Self–Attention模型提取特征,第一预测分支利用卷积神经网络CNN1模型和前馈神经网络Feed–Forword1模型,获得碳排放量初始预估值,第二预测分支利用CNN2模型和Feed–Forword2模型,获得煤耗量初始预估值,第三预测分支利用CNN3模型和Feed–Forword3模型,获得发电转换率初始预估值,将所述碳排放量初始预估值、所述煤耗量初始预估值和所述发电转换率初始预估值进行特征融合,根据融合后的特征并基于Feed–Forword4模型预测所述单一发电场景的所述碳排放量预估值、所述煤耗量预估值和所述发电转换率预估值,其中,所述Self–Attention模型设置为N重网络结构,所述N为正整数,所述N为所述发电厂的不同功率火电机组的数量。
10.一种存储介质,其特征在于,其上存储有可执行指令,所述指令被处理器执行时使处理器实现权利要求1–6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875808.3A CN116629452B (zh) | 2023-07-18 | 2023-07-18 | 基于发电量的碳排放量预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875808.3A CN116629452B (zh) | 2023-07-18 | 2023-07-18 | 基于发电量的碳排放量预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629452A CN116629452A (zh) | 2023-08-22 |
CN116629452B true CN116629452B (zh) | 2023-09-19 |
Family
ID=87642082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310875808.3A Active CN116629452B (zh) | 2023-07-18 | 2023-07-18 | 基于发电量的碳排放量预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629452B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600099A (zh) * | 2016-11-01 | 2017-04-26 | 国网江西省电力公司电力科学研究院 | 一种计及碳交易的低碳调度与减排效益评估方法 |
CN112016186A (zh) * | 2020-07-09 | 2020-12-01 | 中国农业大学 | 一种基于随机场景构建的年度弃风、弃光率计算方法 |
CN113724104A (zh) * | 2021-11-02 | 2021-11-30 | 国网北京市电力公司 | 一种电力减碳量预测方法、系统、设备及介质 |
CN113987934A (zh) * | 2021-10-27 | 2022-01-28 | 杭州英集动力科技有限公司 | 基于模糊分析的多机组多模式供热电厂运行综合评价方法 |
CN115034430A (zh) * | 2022-04-21 | 2022-09-09 | 国网河北省电力有限公司经济技术研究院 | 碳排放量预测方法、装置、终端及存储介质 |
CN115829391A (zh) * | 2022-11-28 | 2023-03-21 | 国网福建省电力有限公司 | 一种新能源并网场景下电力系统碳排放量评估方法及终端 |
CN115983485A (zh) * | 2023-01-09 | 2023-04-18 | 广东工业大学 | 一种发电厂碳排放的预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11398000B2 (en) * | 2019-05-20 | 2022-07-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
-
2023
- 2023-07-18 CN CN202310875808.3A patent/CN116629452B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600099A (zh) * | 2016-11-01 | 2017-04-26 | 国网江西省电力公司电力科学研究院 | 一种计及碳交易的低碳调度与减排效益评估方法 |
CN112016186A (zh) * | 2020-07-09 | 2020-12-01 | 中国农业大学 | 一种基于随机场景构建的年度弃风、弃光率计算方法 |
CN113987934A (zh) * | 2021-10-27 | 2022-01-28 | 杭州英集动力科技有限公司 | 基于模糊分析的多机组多模式供热电厂运行综合评价方法 |
CN113724104A (zh) * | 2021-11-02 | 2021-11-30 | 国网北京市电力公司 | 一种电力减碳量预测方法、系统、设备及介质 |
CN115034430A (zh) * | 2022-04-21 | 2022-09-09 | 国网河北省电力有限公司经济技术研究院 | 碳排放量预测方法、装置、终端及存储介质 |
CN115829391A (zh) * | 2022-11-28 | 2023-03-21 | 国网福建省电力有限公司 | 一种新能源并网场景下电力系统碳排放量评估方法及终端 |
CN115983485A (zh) * | 2023-01-09 | 2023-04-18 | 广东工业大学 | 一种发电厂碳排放的预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116629452A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | A hybrid remaining useful life prognostic method for proton exchange membrane fuel cell | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
Becker et al. | Predictive models for PEM-electrolyzer performance using adaptive neuro-fuzzy inference systems | |
CN107092989A (zh) | 短期风电功率的预测方法和设备 | |
CN111582551A (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN113485261B (zh) | 一种基于CAEs-ACNN的软测量建模方法 | |
CN114021822A (zh) | 一种清洁能源发电功率预测方法和系统 | |
CN111537888A (zh) | 一种数据驱动的梯次电池soc预测方法 | |
CN113947186A (zh) | 一种基于生成对抗网络的供热能耗循环预测方法 | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN116629452B (zh) | 基于发电量的碳排放量预测方法、装置及存储介质 | |
CN116993128B (zh) | 一种综合能源系统深度强化学习低碳调度方法及系统 | |
CN117251686A (zh) | Scada数据集缺失值填充方法、装置、设备及介质 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
Bouzem et al. | Probabilistic and Reliability Analysis of an Intelligent Power Control for a Doubly Fed Induction Generator-Based Wind Turbine System | |
CN107742886B (zh) | 一种热电联合系统负荷峰值同时系数的预测方法 | |
Shen et al. | Forecasting the remaining useful life of proton exchange membrane fuel cells by utilizing nonlinear autoregressive exogenous networks enhanced by genetic algorithms | |
Hu et al. | A Study on Short‐Term Wind Power Forecasting Method Based on Wind Speed Spatio‐Temporal Calibration and Power Self‐adaptive Correction | |
Eryilmaz et al. | Statistics and probability theory in renewable energy: Teaching and research | |
Chen et al. | Research on real-time carbon emission factor prediction method for load nodes of power system based on gated recurrent cell network | |
CN116256647B (zh) | 燃料电池性能的在线识别预测方法及系统 | |
CN115660136A (zh) | 一种基于多因素的岸电系统负荷预测方法及装置 | |
CN117933453A (zh) | 区域电网电力碳排放的预测方法、系统、设备及存储介质 | |
CN118194245A (zh) | 一种电力市场环境下碳排放配额评估方法及装置 |
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 |