CN116822997A - 一种考虑绿色电力的实时碳排放核算方法及装置 - Google Patents
一种考虑绿色电力的实时碳排放核算方法及装置 Download PDFInfo
- Publication number
- CN116822997A CN116822997A CN202311100734.2A CN202311100734A CN116822997A CN 116822997 A CN116822997 A CN 116822997A CN 202311100734 A CN202311100734 A CN 202311100734A CN 116822997 A CN116822997 A CN 116822997A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- real
- factor
- data
- time
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 258
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 258
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000005611 electricity Effects 0.000 claims abstract description 74
- 230000000694 effects Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 31
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 24
- 238000010248 power generation Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 12
- 239000001569 carbon dioxide Substances 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种考虑绿色电力的实时碳排放核算方法及装置,该方法为:周期性获取影响因素数据,影响因素数据包括:其他国家向中国净出口的电量中的绿电部分、中国电网地理范围内年度总发电量中的绿电部分;将影响因素数据输入预先建立的实时碳排放因子预测模型进行处理,得到更新后的实时碳排放因子;获取待核算企业的活动数据;基于活动数据和更新后的实时碳排放因子,计算碳排放核算结果。本方案利用实时碳排放因子预测模型来预测更新碳排放因子,从而解决目前存在的碳排放因子的滞后性,以及在预测更新碳排放因子时考虑了绿色电力,进而使碳排放核算结果能准确地反应现有能源结构下使用电力产生的间接碳排放量。
Description
技术领域
本发明涉及碳排放核算技术领域,具体涉及一种考虑绿色电力的实时碳排放核算方法及装置。
背景技术
排放因子法是目前使用范围较广和应用最为普遍的碳排放核算方法,然而目前所采用的排放因子存在更新速度较慢、区域平均碳排放因子无法实现企业精确碳排放计算,未能将企业使用绿色电力的环境价值充分体现,这样就会导致碳排放核算结果不能准确地反应现有能源结构下使用电力产生的间接碳排放量。
发明内容
有鉴于此,本发明实施例提供一种考虑绿色电力的实时碳排放核算方法及装置,以使计算出的碳排放核算结果能准确地反应现有能源结构下使用电力产生的间接碳排放量。
为实现上述目的,本发明实施例提供如下技术方案:
本发明实施例第一方面公开一种考虑绿色电力的实时碳排放核算方法,所述方法包括:
周期性获取影响因素数据,所述影响因素数据包括:中国火力发电产生的二氧化碳直接排放量、其他国家向中国净出口电量的发电平均二氧化碳排放因子、中国电网地理范围内年度总发电量、其他国家向中国净出口的电量中的绿电部分、中国电网地理范围内年度总发电量中的绿电部分;
将所述影响因素数据输入预设的实时碳排放因子预测模型进行碳排放因子的预测更新,以预测得到更新后的实时碳排放因子,所述实时碳排放因子预测模型基于历史影响因素数据和历史碳排放因子训练神经网络模型得到;
获取待核算企业的活动数据;
基于所述活动数据和所述更新后的实时碳排放因子,计算碳排放核算结果。
优选的,所述神经网络模型为长短期记忆网络模型;
基于历史影响因素数据和历史碳排放因子训练得到所述实时碳排放因子预测模型的过程,包括:
对所述历史影响因素数据进行预处理;
对所述历史碳排放因子和预处理后的所述历史影响因素数据进行切片处理,以构建相应的数据集;
将所述数据集划分为训练集和测试集;
利用所述训练集和所述测试集训练所述长短期记忆网络模型,以得到实时碳排放因子预测模型。
优选的,所述活动数据包含所述待核算企业在预设时长内的用电量;
基于所述活动数据和所述更新后的实时碳排放因子,计算碳排放核算结果,包括:
计算所述待核算企业在预设时长内的用电量和所述更新后的实时碳排放因子之间的乘积,以得到碳排放核算结果。
优选的,基于所述活动数据和所述更新后的实时碳排放因子,计算碳排放核算结果之后,还包括:
输出所述碳排放核算结果。
本发明实施例第二方面公开一种考虑绿色电力的实时碳排放核算装置,所述装置包括:
第一获取单元,用于周期性获取影响因素数据,所述影响因素数据包括:中国火力发电产生的二氧化碳直接排放量、其他国家向中国净出口电量的发电平均二氧化碳排放因子、中国电网地理范围内年度总发电量、其他国家向中国净出口的电量中的绿电部分、中国电网地理范围内年度总发电量中的绿电部分;
预测单元,用于将所述影响因素数据输入预设的实时碳排放因子预测模型进行碳排放因子的预测更新,以预测得到更新后的实时碳排放因子,所述实时碳排放因子预测模型基于历史影响因素数据和历史碳排放因子训练神经网络模型得到;
第二获取单元,用于获取待核算企业的活动数据;
计算单元,用于基于所述活动数据和所述更新后的实时碳排放因子,计算碳排放核算结果。
优选的,所述神经网络模型为长短期记忆网络模型;所述预测单元包括:
预处理模块,用于对所述历史影响因素数据进行预处理;
处理模块,用于对所述历史碳排放因子和预处理后的所述历史影响因素数据进行切片处理,以构建相应的数据集;
划分模块,用于将所述数据集划分为训练集和测试集;
训练模块,用于利用所述训练集和所述测试集训练所述长短期记忆网络模型,以得到实时碳排放因子预测模型。
优选的,所述活动数据包含所述待核算企业在预设时长内的用电量;所述计算单元具体用于:计算所述待核算企业在预设时长内的用电量和所述更新后的实时碳排放因子之间的乘积,以得到碳排放核算结果。
优选的,还包括:
输出单元,用于输出所述碳排放核算结果。
本发明实施例第三方面公开一种电子设备,包括:处理器以及存储器,所述处理器以及存储器通过通信总线相连;其中,所述处理器,用于调用并执行所述存储器中存储的程序;所述存储器,用于存储程序,所述程序用于实现本发明实施例第一方面公开的考虑绿色电力的实时碳排放核算方法。
本发明实施例第四方面公开一种计算机可读存储介质,所述计算机可读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用于执行本发明实施例第一方面公开的考虑绿色电力的实时碳排放核算方法。
基于上述本发明实施例提供的一种考虑绿色电力的实时碳排放核算方法及装置,该方法为:周期性获取影响因素数据,影响因素数据包括:其他国家向中国净出口的电量中的绿电部分、中国电网地理范围内年度总发电量中的绿电部分;将影响因素数据输入预设的实时碳排放因子预测模型进行碳排放因子的预测更新,以预测得到更新后的实时碳排放因子;获取待核算企业的活动数据;基于活动数据和更新后的实时碳排放因子,计算碳排放核算结果。本方案中,将包含绿电数据的影响因素数据输入实时碳排放因子预测模型进行预测更新,得到更新后的实时碳排放因子。利用更新后的实时碳排放因子,计算碳排放核算结果。利用实时碳排放因子预测模型处理包括绿电数据的影响因素数据来预测更新碳排放因子,从而解决目前存在的碳排放因子的滞后性,以及在预测更新碳排放因子时考虑了绿色电力,进而使碳排放核算结果能准确地反应现有能源结构下使用电力产生的间接碳排放量。
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考虑绿色电力的实时碳排放核算方法的流程图;
图2为本发明实施例提供的LSTM网络模型的结构示意图;
图3为本发明实施例提供的一种考虑绿色电力的实时碳排放核算方法的另一流程图;
图4为本发明实施例提供的一种考虑绿色电力的实时碳排放核算装置的结构框图;
图5为本发明实施例提供的一种考虑绿色电力的实时碳排放核算装置的另一结构框图;
图6为本发明实施例提供的一种考虑绿色电力的实时碳排放核算装置的又一结构框图。
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。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知,目前所采用的排放因子存在更新速度较慢、区域平均碳排放因子无法实现企业精确碳排放计算,未能将企业使用绿色电力的环境价值充分体现,这样就会导致碳排放核算结果不能准确地反应现有能源结构下使用电力产生的间接碳排放量。
因此,本发明实施例提供一种考虑绿色电力的实时碳排放核算方法及装置,将包含绿电数据的影响因素数据输入实时碳排放因子预测模型进行预测更新,得到更新后的实时碳排放因子。利用更新后的实时碳排放因子,计算碳排放核算结果。利用实时碳排放因子预测模型处理包括绿电数据的影响因素数据来预测更新碳排放因子,从而解决目前存在的碳排放因子的滞后性,以及在预测更新碳排放因子时考虑了绿色电力,进而使碳排放核算结果能准确地反应现有能源结构下使用电力产生的间接碳排放量。
参见图1,示出了本发明实施例提供的一种考虑绿色电力的实时碳排放核算方法的流程图,该实时碳排放核算方法包括:
步骤S101:周期性获取影响因素数据。
需要说明的是,本方案可以按照预设周期来周期性地预测更新碳排放因子,例如:可以每月或每周都对碳排放因子进行预测更新。
在具体实现步骤S101的过程中,按照预设周期,周期性获取影响因素数据,该影响因素数据包括:中国火力发电产生的二氧化碳直接排放量(也称为中国火力发电产生的CO2直接排放量)、其他国家向中国净出口电量的发电平均二氧化碳排放因子(如k国向中国净出口电量的发电平均CO2排放因子)、中国电网地理范围内年度总发电量、其他国家向中国净出口的电量(如k国向中国净出口的电量)、其他国家向中国净出口的电量中的绿电部分(如k国向中国净出口的电量中包括的绿电部分)、中国电网地理范围内年度总发电量中的绿电部分等。
需要说明的是,“绿电”即为绿色电力。
步骤S102:将影响因素数据输入预设的实时碳排放因子预测模型进行碳排放因子的预测更新,以预测得到更新后的实时碳排放因子。
需要说明的是,实时碳排放因子预测模型基于历史影响因素数据和历史碳排放因子训练神经网络模型得到,即基于历史影响因素数据和历史碳排放因子训练神经网络模型得到该实时碳排放因子预测模型,该神经网络模型可以是长短期记忆(Long Short-TermMemory,LSTM)网络模型。
在具体实现步骤S102的过程中,将步骤S101中获取得到的影响因素数据输入实时碳排放因子预测模型进行处理(对实时碳排放因子进行预测更新),获取由该实时碳排放因子预测模型输出的更新后的实时碳排放因子,更新后的实时碳排放因子即为实时碳排放因子预测模型的预测结果。
步骤S103:获取待核算企业的活动数据。
在具体实现步骤S103的过程中,获取待核算企业(待碳排放核算的用电企业)的活动数据,活动数据包含待核算企业在预设时长内的用电量。
步骤S104:基于活动数据和更新后的实时碳排放因子,计算碳排放核算结果。
在具体实现步骤S104的过程中,计算活动数据和更新后的实时碳排放因子之间的乘积,从而得到碳排放核算结果;具体来说,计算待核算企业在预设时长内的用电量和更新后的实时碳排放因子之间的乘积,以得到碳排放核算结果。
需要说明的是,碳排放核算结果即为温室气体排放(GHG),可以通过下式进行计算:温室气体排放(GHG)=活动数据(AD)×更新后的实时碳排放因子(EF)。
一些实施例中,在计算得到碳排放核算结果之后,可以输出该碳排放核算结果;例如:输出显示碳排放核算结果。
通过上述方式,可以周期性地更新实时碳排放因子,每个周期都可通过实时碳排放因子预测模型预测得到更新后的实时碳排放因子;若在某一周期内需计算碳排放核算结果时,可利用该周期对应的更新后的实时碳排放因子进行计算。
例如:在当前周期内需要计算碳排放核算结果时,可利用当前周期对应的更新后的实时碳排放因子进行计算;当下一周期到来时,先预测该“下一周期”对应的更新后的实时碳排放因子,在该“下一周期”内需要计算碳排放核算结果时,可利用该“下一周期”对应的更新后的实时碳排放因子进行计算。
在本发明实施例中,将包含绿电数据的影响因素数据输入实时碳排放因子预测模型进行预测更新,得到更新后的实时碳排放因子。利用更新后的实时碳排放因子,计算碳排放核算结果。利用实时碳排放因子预测模型处理包括绿电数据的影响因素数据来预测更新碳排放因子,从而解决目前存在的碳排放因子的滞后性,以及在预测更新碳排放因子时考虑了绿色电力,进而使碳排放核算结果能准确地反应现有能源结构下使用电力产生的间接碳排放量。
上述本发明实施例图1步骤S102中涉及的“基于历史影响因素数据和历史碳排放因子训练神经网络模型得到该实时碳排放因子预测模型”过程,以该神经网络模型为LSTM网络模型为示例,通过以下过程A1至A4进行解释说明。
A1、对关键信息进行提取与数据采集。
在具体实现中,对关键信息进行提取与数据采集,从而得到历史影响因素数据;此外也获取历史碳排放因子。
需要说明的是,历史影响因素数据中包括了:中国火力发电产生的CO2直接排放量、k国向中国净出口电量的发电平均CO2排放因子、中国电网地理范围内年度总发电量、k国向中国净出口的电量、k国向中国净出口的电量中包括的绿电部分、中国电网地理范围内年度总发电量中包括的绿电部分等。
A2、对历史影响因素数据进行预处理。
在具体实现中,对历史影响因素数据进行预处理,预处理包括但不仅限于:消除重复、消除异常值、利用线性插值补缺值、改变数据的时间分辨率等。
需要说明的是,在训练LSTM网络模型之前,先建立考虑绿色电力的碳排放因子计算模型(用于计算碳排放因子),将绿色电力与其它类型电力进行区分,碳排放因子计算模型的具体内容如公式(1)。
(1)
在公式(1)中,为碳排放因子,/>为中国火力发电产生的CO2直接排放量,/>为k国向中国净出口电量的发电平均CO2排放因子,/>为中国电网地理范围内年度总发电量,/>为k国向中国净出口的电量,/>为k国向中国净出口的电量中包括的绿电部分,/>为中国电网地理范围内年度总发电量中包括的绿电部分。
需要说明的是,发电厂商与用电企业所签订的合同中包含了绿电的销售量,因此在采用公式(1)计算碳排放因子的过程中,所涉及到的绿电部分均按照合同中的约定量进行计算。
A3、对历史碳排放因子和预处理后的历史影响因素数据进行切片处理,以构建相应的数据集。
需要说明的是,本方案所获取的历史影响因素数据和历史碳排放因子可表征过去一段时间(如过去几年)的碳排放量、能源消耗情况等情况,训练LSTM网络模型的目标是利用历史影响因素数据和历史碳排放因子来预测未来的碳排放因子。
为了构建LSTM网络模型所需要的输入和输出数据集,将历史影响因素数据和历史碳排放因子这些原始数据进行切片处理,以构建相应的数据集。可以理解的是,切片的目的是将历史影响因素数据和历史碳排放因子按照时间顺序分割为多个窗口,每个窗口包含了一段时间内的历史数据(如过去几个月或过去几年的历史数据),这样能让LSTM模型可以通过过去的数据学习到时间序列中的模式和趋势。
在切片完成后,将每个窗口的历史影响因素数据和历史碳排放因子作为输入,而窗口对应的未来一段时间内的碳排放因子作为输出,这样就构建了一组输入-输出样本,通过前述方式构建得到用于训练和验证LSTM网络模型的数据集。
A4、将该数据集划分为训练集和测试集。
具体实现中,将构建好的数据集按照一定的比例进行划分,从而划分出训练集和测试集。例如:将数据集中80%的数据划分为训练集以用于LSTM网络模型的参数更新和训练,剩下的20%数据划分为测试集以用于评估模型在新数据上的性能和泛化能力。
A5、利用该训练集和测试集训练长短期记忆网络模型(LSTM网络模型),以得到实时碳排放因子预测模型。
在具体实现中,使用PyTorch深度学习平台构建LSTM网络模型,通过定义网络的结构、设置超参数、选择损失函数和优化算法,结合训练集和测试集对LSTM网络模型进行训练和验证,从而得到实时碳排放因子预测模型。
需要说明的是,在训练过程中,LSTM网络模型将通过反向传播算法不断调整参数,以最小化预测输出与实际输出之间的差距,LSTM网络模型的模型结构如图2所示;其中,ht为输出变量(本方案中指更新后的实时碳排放因子),xt为输入变量,包括历史碳排放因子、中国火力发电产生的CO2直接排放量、k国向中国净出口电量的发电平均CO2排放因子、中国电网地理范围内年度总发电量、k国向中国净出口的电量、k国向中国净出口的电量中包括的绿电部分、中国电网地理范围内年度总发电量中包括的绿电部分,即包含公式(1)中的各个变量。
以上是关于训练得到实时碳排放因子预测模型的相关说明。
为更好解释说明上述内容,通过图3示出的一种考虑绿色电力的实时碳排放核算方法的另一流程图进行举例说明,图3包括以下步骤:
步骤S301:关键信息提取。
在具体实现步骤S301的过程中,对关键信息进行提取与数据采集从而得到历史影响因素数据,以及获取历史碳排放因子。
步骤S302:数据预处理。
在具体实现步骤S302的过程中,对历史影响因素数据进行预处理,预处理包括但不仅限于:消除重复、消除异常值、利用线性插值补缺值等。
步骤S303:建立考虑绿色电力的碳排放因子计算模型。
步骤S304:训练LSTM网络模型以得到实时碳排放因子预测模型。
步骤S305:基于实时碳排放因子预测模型预测得到更新后的实时碳排放因子,利用更新后的实时碳排放因子计算碳排放核算结果。
通过以上内容可见,本方案根据用电企业所签订的合同,从合同中提取绿电用电量、火电用电量、用能时间等关键信息作为后续碳排放核算的数据基础。建立考虑绿色电力的碳排放因子计算模型,在计算碳排放因子的时候考虑绿电的生产产生的碳排放量为零,因此计算碳排放因子的公式中发电量计算应该去掉绿电部分,只计算非绿电部分产生的碳排放,从而避免碳排放核算不准确、绿电的环境属性被重复计算的问题。基于考虑绿色电力的碳排放因子计算模型,通过LSTM网络模型实现碳排放因子的预测,从而解决碳排放因子更新滞后的问题。最后根据更新后的实时碳排放因子和用电企业的活动数据,精确计算企业碳排放量(碳排放核算结果)。
与上述本发明实施例提供的一种考虑绿色电力的实时碳排放核算方法相对应,参见图4,本发明实施例还提供了一种考虑绿色电力的实时碳排放核算装置的结构框图,该装置包括:第一获取单元401、预测单元402、第二获取单元403、计算单元404;
第一获取单元401,用于周期性获取影响因素数据,影响因素数据包括:中国火力发电产生的二氧化碳直接排放量、其他国家向中国净出口电量的发电平均二氧化碳排放因子、中国电网地理范围内年度总发电量、其他国家向中国净出口的电量中的绿电部分、中国电网地理范围内年度总发电量中的绿电部分。
预测单元402,用于将影响因素数据输入预设的实时碳排放因子预测模型进行碳排放因子的预测更新,以预测得到更新后的实时碳排放因子,实时碳排放因子预测模型基于历史影响因素数据和历史碳排放因子训练神经网络模型得到。
第二获取单元403,用于获取待核算企业的活动数据。
计算单元404,用于基于活动数据和更新后的实时碳排放因子,计算碳排放核算结果。
在具体实现中,活动数据包含待核算企业在预设时长内的用电量;计算单元404具体用于:计算待核算企业在预设时长内的用电量和更新后的实时碳排放因子之间的乘积,以得到碳排放核算结果。
在本发明实施例中,将包含绿电数据的影响因素数据输入实时碳排放因子预测模型进行预测更新,得到更新后的实时碳排放因子。利用更新后的实时碳排放因子,计算碳排放核算结果。利用实时碳排放因子预测模型处理包括绿电数据的影响因素数据来预测更新碳排放因子,从而解决目前存在的碳排放因子的滞后性,以及在预测更新碳排放因子时考虑了绿色电力,进而使碳排放核算结果能准确地反应现有能源结构下使用电力产生的间接碳排放量。
优选的,结合图4,参见图5,示出了本发明实施例提供的一种考虑绿色电力的实时碳排放核算装置的另一结构框图,神经网络模型为长短期记忆网络模型,预测单元402包括:预处理模块4021、处理模块4022、划分模块4023、训练模块4024;
预处理模块4021,用于对历史影响因素数据进行预处理。
处理模块4022,用于对历史碳排放因子和预处理后的历史影响因素数据进行切片处理,以构建相应的数据集。
划分模块4023,用于将数据集划分为训练集和测试集。
训练模块4024,用于利用训练集和测试集训练长短期记忆网络模型,以得到实时碳排放因子预测模型。
优选的,结合图5,参见图6,示出了本发明实施例提供的一种考虑绿色电力的实时碳排放核算装置的又一结构框图,该装置还包括:
输出单元405,用于输出碳排放核算结果。
优选的,本发明实施例还提供了一种电子设备,包括:处理器以及存储器,处理器以及存储器通过通信总线相连;其中,处理器,用于调用并执行存储器中存储的程序;存储器,用于存储程序,程序用于实现如上述方法实施例提供的考虑绿色电力的实时碳排放核算方法。
优选的,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机可执行指令,计算机可执行指令用于执行上述方法实施例提供的考虑绿色电力的实时碳排放核算方法。
综上所述,本发明实施例提供一种考虑绿色电力的实时碳排放核算方法及装置,将包含绿电数据的影响因素数据输入实时碳排放因子预测模型进行预测更新,得到更新后的实时碳排放因子。利用更新后的实时碳排放因子,计算碳排放核算结果。利用实时碳排放因子预测模型处理包括绿电数据的影响因素数据来预测更新碳排放因子,从而解决目前存在的碳排放因子的滞后性,以及在预测更新碳排放因子时考虑了绿色电力,进而使碳排放核算结果能准确地反应现有能源结构下使用电力产生的间接碳排放量。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述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或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种考虑绿色电力的实时碳排放核算方法,其特征在于,所述方法包括:
周期性获取影响因素数据,所述影响因素数据包括:中国火力发电产生的二氧化碳直接排放量、其他国家向中国净出口电量的发电平均二氧化碳排放因子、中国电网地理范围内年度总发电量、其他国家向中国净出口的电量中的绿电部分、中国电网地理范围内年度总发电量中的绿电部分;
将所述影响因素数据输入预设的实时碳排放因子预测模型进行碳排放因子的预测更新,以预测得到更新后的实时碳排放因子,所述实时碳排放因子预测模型基于历史影响因素数据和历史碳排放因子训练神经网络模型得到;
获取待核算企业的活动数据;
基于所述活动数据和所述更新后的实时碳排放因子,计算碳排放核算结果。
2.根据权利要求1所述的方法,其特征在于,所述神经网络模型为长短期记忆网络模型;
基于历史影响因素数据和历史碳排放因子训练得到所述实时碳排放因子预测模型的过程,包括:
对所述历史影响因素数据进行预处理;
对所述历史碳排放因子和预处理后的所述历史影响因素数据进行切片处理,以构建相应的数据集;
将所述数据集划分为训练集和测试集;
利用所述训练集和所述测试集训练所述长短期记忆网络模型,以得到实时碳排放因子预测模型。
3.根据权利要求1所述的方法,其特征在于,所述活动数据包含所述待核算企业在预设时长内的用电量;
基于所述活动数据和所述更新后的实时碳排放因子,计算碳排放核算结果,包括:
计算所述待核算企业在预设时长内的用电量和所述更新后的实时碳排放因子之间的乘积,以得到碳排放核算结果。
4.根据权利要求1-3中任一所述的方法,其特征在于,基于所述活动数据和所述更新后的实时碳排放因子,计算碳排放核算结果之后,还包括:
输出所述碳排放核算结果。
5.一种考虑绿色电力的实时碳排放核算装置,其特征在于,所述装置包括:
第一获取单元,用于周期性获取影响因素数据,所述影响因素数据包括:中国火力发电产生的二氧化碳直接排放量、其他国家向中国净出口电量的发电平均二氧化碳排放因子、中国电网地理范围内年度总发电量、其他国家向中国净出口的电量中的绿电部分、中国电网地理范围内年度总发电量中的绿电部分;
预测单元,用于将所述影响因素数据输入预设的实时碳排放因子预测模型进行碳排放因子的预测更新,以预测得到更新后的实时碳排放因子,所述实时碳排放因子预测模型基于历史影响因素数据和历史碳排放因子训练神经网络模型得到;
第二获取单元,用于获取待核算企业的活动数据;
计算单元,用于基于所述活动数据和所述更新后的实时碳排放因子,计算碳排放核算结果。
6.根据权利要求5所述的装置,其特征在于,所述神经网络模型为长短期记忆网络模型;所述预测单元包括:
预处理模块,用于对所述历史影响因素数据进行预处理;
处理模块,用于对所述历史碳排放因子和预处理后的所述历史影响因素数据进行切片处理,以构建相应的数据集;
划分模块,用于将所述数据集划分为训练集和测试集;
训练模块,用于利用所述训练集和所述测试集训练所述长短期记忆网络模型,以得到实时碳排放因子预测模型。
7.根据权利要求5所述的装置,其特征在于,所述活动数据包含所述待核算企业在预设时长内的用电量;所述计算单元具体用于:计算所述待核算企业在预设时长内的用电量和所述更新后的实时碳排放因子之间的乘积,以得到碳排放核算结果。
8.根据权利要求5-7中任一所述的装置,其特征在于,还包括:
输出单元,用于输出所述碳排放核算结果。
9.一种电子设备,其特征在于,包括:处理器以及存储器,所述处理器以及存储器通过通信总线相连;其中,所述处理器,用于调用并执行所述存储器中存储的程序;所述存储器,用于存储程序,所述程序用于实现如权利要求1-4中任一所述的考虑绿色电力的实时碳排放核算方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读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用于执行权利要求1-4中任一所述的考虑绿色电力的实时碳排放核算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311100734.2A CN116822997B (zh) | 2023-08-30 | 2023-08-30 | 一种考虑绿色电力的实时碳排放核算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311100734.2A CN116822997B (zh) | 2023-08-30 | 2023-08-30 | 一种考虑绿色电力的实时碳排放核算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116822997A true CN116822997A (zh) | 2023-09-29 |
CN116822997B CN116822997B (zh) | 2023-12-08 |
Family
ID=88120717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311100734.2A Active CN116822997B (zh) | 2023-08-30 | 2023-08-30 | 一种考虑绿色电力的实时碳排放核算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822997B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314468A (zh) * | 2023-10-08 | 2023-12-29 | 南方电网能源发展研究院有限责任公司 | 间接碳排放碳核算方法、装置、设备、介质和产品 |
CN117910657A (zh) * | 2024-03-14 | 2024-04-19 | 杭州阿里云飞天信息技术有限公司 | 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200372588A1 (en) * | 2019-05-20 | 2020-11-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
US20210241126A1 (en) * | 2006-02-14 | 2021-08-05 | Power Analytics Corporation | Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network |
CN114091785A (zh) * | 2021-12-01 | 2022-02-25 | 国网河南省电力公司南阳供电公司 | 一种基于能源大数据的碳排放监测方法 |
CN115293418A (zh) * | 2022-07-29 | 2022-11-04 | 暨南大学 | 基于lmdi模型与gru模型的区域碳排放预测方法、系统及介质 |
-
2023
- 2023-08-30 CN CN202311100734.2A patent/CN116822997B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210241126A1 (en) * | 2006-02-14 | 2021-08-05 | Power Analytics Corporation | Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network |
US20200372588A1 (en) * | 2019-05-20 | 2020-11-26 | Singularity Energy, Inc. | Methods and systems for machine-learning for prediction of grid carbon emissions |
CN114091785A (zh) * | 2021-12-01 | 2022-02-25 | 国网河南省电力公司南阳供电公司 | 一种基于能源大数据的碳排放监测方法 |
CN115293418A (zh) * | 2022-07-29 | 2022-11-04 | 暨南大学 | 基于lmdi模型与gru模型的区域碳排放预测方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
别佩 等: ""基于电力潮流追踪与绿色电力交易的企业用电侧碳排放因子核算"", 《南方电网技术》, vol. 17, no. 6, pages 35 - 41 * |
李方一 等: ""基于多维数据与深度学习的区域发电碳排放因子预测研究"", 《万方学术期刊数据库》, pages 11 - 16 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314468A (zh) * | 2023-10-08 | 2023-12-29 | 南方电网能源发展研究院有限责任公司 | 间接碳排放碳核算方法、装置、设备、介质和产品 |
CN117910657A (zh) * | 2024-03-14 | 2024-04-19 | 杭州阿里云飞天信息技术有限公司 | 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN116822997B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116822997B (zh) | 一种考虑绿色电力的实时碳排放核算方法及装置 | |
US10734811B2 (en) | System and method for optimal control of energy storage system | |
Perla et al. | Equilibrium imitation and growth | |
JP6721743B2 (ja) | 休職予測システム、休職予測方法及びプログラム | |
CN110046777B (zh) | 一种柔性作业车间持续重构调度方法及装置 | |
CN105205297B (zh) | 一种基于时间序列的业务预测方法及系统 | |
Liu et al. | Aggregate production planning for shipbuilding with variation-inventory trade-offs | |
CN109583629A (zh) | 基于偏差自校正的改进相似日短期负荷预测方法及装置 | |
CN108539738A (zh) | 一种基于梯度提升决策树的短期负荷预测方法 | |
CN106529704A (zh) | 月最大电力负荷预测方法及装置 | |
CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
CN112288163A (zh) | 目标对象的目标因子预测方法及相关设备 | |
CN103699947A (zh) | 一种基于元学习的电力系统时变非线性负荷组合预测方法 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN115994613A (zh) | 一种基于电碳模型的碳排放监测方法,终端机及存储介质 | |
CN108846488A (zh) | 风电场的检修调度方法和装置 | |
CN115545331A (zh) | 控制策略预测方法和装置、设备及存储介质 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN110740063B (zh) | 基于信号分解和周期特性的网络流量特征指标预测方法 | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 | |
CN114091325A (zh) | 一种基于多模型分层学习的配电台区负荷预测方法及系统 | |
Fan et al. | The application of empirical mode decomposition and gene expression programming to short-term load forecasting | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 |
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 |