CN116862050A - 一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备 - Google Patents
一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN116862050A CN116862050A CN202310686209.7A CN202310686209A CN116862050A CN 116862050 A CN116862050 A CN 116862050A CN 202310686209 A CN202310686209 A CN 202310686209A CN 116862050 A CN116862050 A CN 116862050A
- Authority
- CN
- China
- Prior art keywords
- network
- carbon emission
- gru
- power
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 117
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 19
- 238000010248 power generation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005206 flow analysis Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims description 2
- 239000003365 glass fiber Substances 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备,其方法包括步骤:S1、利用潮流分析和碳排分析结合,获取潮流和碳流历史数据;S2、设计门控循环单元网络,进行门控状态计算及潮流数据和网络参数训练;S3、进行损失函数计算与参数更新,迭代优化门控循环单元网络的权重参数和偏置参数;若优化完成则进行在线应用;否则,重新进行参数训练。本发明通过应用门控循环单元网络对碳排放系数进行日前预测,该模型结合了门控循环单元网络和碳排放时间序列数据,通过大量潮流数据和网络参数训练,来逼近实际系统的碳排放数据,并将网络应用于碳排放的快速分析。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备。
背景技术
随着化石能源的过度开发和无节制的碳排放,地球的平均温度逐渐升高,全球气候已逐渐变暖。各国迫切需要采取措施,应对全球变暖和空气污污染。对于电网来说,实现低碳发展和减少碳排放是一个共同的目标。由于电力电子行业的进步,新能源发电的稳定性和快速调整功率的能力都有所提高,这为环境友好型能源的利用和碳排放的优化而进行的电力分配提供了机会。
到目前为止,为实现基于碳排放的电力用户运营,已经进行了许多研究。简而言之,主要的研究集中在根据碳排放的精准计算或是基于低碳的最佳策略上。随着电网规模的扩大,电力系统变得越来越分散。为了获取各个节点的碳排放情况及其排放方向,通常使用传统的基于比例分摊原理的碳流追踪模型,并结合电力系统网络进行分析。但是,这种分析方法需要考虑系统的潮流拓扑数据,并解算潮流方程组和碳流方程组。在多节点的电力系统网络下,由于数据采集难度大且计算时间长,这种方法难以实现在线快速分析需求。此外,传统碳流分析法计算比较繁琐,并且潮流数据具有延迟性质,给碳排放计算带来一定误差。
同时,对碳排放系数的准确预测将有助于电力生产企业改进其碳工艺技术,并帮助电力消费者发展其用电行为。对电网来说,向消费者和供应商提供相应的电力碳排放系数是非常重要的。这就需要探索新的碳流分析方法。一种可能的解决方案是采用基于机器学习的方法;机器学习是一种强大的技术,可以在足够的数据和网络参数训练的情况下,自动学习数据的规律,从而实现快速准确的分析。因此,可以使用机器学习技术,开发出适用于多节点电力系统网络的碳流分析模型。
总的来说,能源转型是一个复杂而重要的挑战,需要各行各业的合作和努力。电力行业作为能源转型的主导行业,应积极探索新的能源转型方案,减少对环境的影响,提高可持续性。电力行业应增加可再生能源的比例、提高能源利用效率、减少能源浪费和提供透明的碳排放信息等方面。
发明内容
为解决现有技术所存在的技术问题,本发明提供一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备,通过应用门控循环单元网络对碳排放系数进行日前预测,该模型结合了门控循环单元网络和碳排放时间序列数据,通过大量潮流数据和网络参数训练,来逼近实际系统的碳排放数据,并将网络应用于碳排放的快速分析。
本发明方法采用以下技术方案来实现:一种基于时序网络的碳排放因子的日前预测方法,包括以下步骤:
S1、通过结合电力系统拓扑和负荷发电数据,进行潮流分析和碳排分析,获取潮流和碳流历史数据;
S2、设计门控循环单元网络GRU,进行门控状态计算,应用门控循环单元网络GRU对碳排放系数进行日前预测,结合门控循环单元网络GRU和碳排放时间序列数据,进行潮流数据和网络参数训练;
S3、进行损失函数计算与参数更新,迭代优化门控循环单元网络GRU的权重参数和偏置参数,令损失函数快速降低,并获取最终的权重参数和偏置参数;若优化完成则进行在线应用,将门控循环单元网络GRU应用于碳排放的快速分析;否则,利用反向传播更新,重新进行参数训练。
本发明系统采用以下技术方案来实现:一种基于时序网络的碳排放因子的日前预测系统,包括:
数据收集模块:通过结合电力系统拓扑和负荷发电数据,进行潮流分析和碳排分析结合,并收集潮流和碳流历史数据;
网络设计模块:用于设计门控循环单元网络GRU,采用更新门和重置门对输入和输出信息进行选择;
参数训练模块:用于进行网络的前向传播与输出计算;
损失函数更新模块:用于门控循环单元网络GRU的损失函数计算与参数的梯度计算,并更新相关的参数数值;
迭代优化模块:用于迭代优化门控循环单元网络GRU的权重参数和偏置参数;
在线应用模块:用于将门控循环单元网络GRU应用于碳排放的快速分析,结合实时负荷快速进行计算。
本发明还提出存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现本发明日前预测方法的步骤。
本发明还提出计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本发明日前预测方法。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明通过基于门控循环神经网络的日前碳排放预测算法,针对电力行业中碳排放的实时快速评估需求,能够为电力用户提供动态的碳排放因子数值,门控循环单元网络通过网络设计、GRU的门控状态计算、损失函数计算与参数更新的三个阶段,逐步优化网络的权重参数和偏置参数,以使得损失函数能够快速降低,并获取最终的权重和偏置参数。
3、本发明所提出的基于门控循环神经网络的日前碳排放预测算法通过离线网络训练和在线网络应用两个阶段,实现了更快速的碳排放因子计算过程,避免了集中计算过程中的部分节点信息缺失,使得碳排放计算结果更加稳定;同时,该方法不需要考虑实际电力系统的参数,只需要收集相关的历史数据,大大减少了信息收集的成本。
4、本发明基于门控循环神经网络的日前碳排放预测算法是一种针对电力用户碳排放因子计算的高效模型,该模型通过采用了基于机器学习的预测方法,大大减少了计算成本和复杂度,能够快速准确地预测电力系统的碳排放情况;相比传统算法,该模型不仅计算速率更快,而且精度更高,能够有效地提高碳排放控制的效率,所提出的预测模型,通过挖掘电力系统历史数据的信息,实现了实时碳排放因子的计算,可为用户提供节能减排的依据。
5、本发明的模型在碳排放控制和能源转型方面具有广泛的应用价值和实际意义,可以为推动电力行业的绿色发展作出积极贡献,通过提供动态的碳排放因子数值,该算法有望帮助电力用户在碳排放控制方面更好地制定决策,推动电力行业向可持续和低碳的方向转型。
附图说明
图1是本发明的方法流程图;
图2是本发明的潮流计算与碳排放计算的关系示意图;
图3是本发明的GRU门控循环单元网络的示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本实施例一种基于时序网络的碳排放因子的日前预测方法,包括以下步骤:
S1、通过结合电力系统拓扑和负荷发电数据,进行潮流分析和碳排分析,获取潮流和碳流历史数据;
S2、设计门控循环单元网络GRU,进行门控状态计算,应用门控循环单元网络GRU对碳排放系数进行日前预测,结合门控循环单元网络GRU和碳排放时间序列数据,通过大量潮流数据和网络参数训练,来逼近实际系统的碳排放数据;
S3、进行损失函数计算与参数更新,迭代优化门控循环单元网络GRU的权重参数和偏置参数,令损失函数快速降低,并获取最终的权重参数和偏置参数;若优化完成则进行在线应用,将门控循环单元网络GRU应用于碳排放的快速分析;否则,利用反向传播更新,重新进行参数训练。
如图2所示,本实施例中,步骤S1的具体过程如下:
S11、在符合电力系统网络拓扑和发电约束的限制下,进行潮流分析,对于一个包含m个节点的电力系统,其潮流方程如下:
其中,PGi、QGi分别为节点i的发电机对应的有功功率和无功功率输出;PLi、QLi分别为接入节点i的有功和无功负荷;Gij、Bij分别为连接节点i和节点j的i-j电导和电纳的负值;Ui、Uj分别为节点i和节点j的电压幅值;θij为节点i和节点j的电压角度差,即θij=θi-θj;其中,θi和θj分别为节点i和节点j的电压角度;
S12、基于比例分担原则的碳排放系数由区域电网的最优功率流、发电厂的发电碳排放和负荷用户决定;对于区域电网中的节点,碳排放系数表述如下:
其中,ng和np表示发电机节点和负荷节点;表示区域电网中第i个节点的碳排放系数;/>表示连接到第i个电网节点的第k个发电站的有功功率输出;/>为第k个发电站的相应碳排放系数;Pij为第j个节点向第i个节点传输的功率;/>为区域电网中第j个节点的碳排放系数;
S13、利用步骤S12的碳排放系数的计算,输入一个负荷序列其中,ns是数据样本的数量;然后执行潮流计算程序和碳排计算程序,并输出相应的功率流和碳排放因子。
具体地,本实施例中,负荷序列被选为输入特征,输电线路的功率损失和节点的碳排放系数被选为输出特征;收集到的负荷序列为其中,Fd是总的输入样本,Fi表示一个负荷序列,nk是节点的一个负荷序列的长度;对于输出特征,收集的数据为预测负荷/>输电线路功率损失/>其中,Po是功率损失的总输出样本,Pi表示一个功率损失样本,nl是电网中的实际线路数;输出碳排放因子δo={δp(1),δp(2),...,δp(ns)},/>其中,δo是碳排放因子的总输出样本,δp表示一个碳排放因子样本;综上,选取Fo,Po和δo是总输出的目标数据。
具体的,本实施例中,步骤S2中的门控循环单元网络GRU的设计结构如图3所示,其实现过程包括:
S211、收集负荷、电力功率流信息和碳排放因子的历史序列;
S212、进行网络训练的过程中,数据集的历史序列将被选作训练网络参数的输入和输出特征;
S213、进行在线应用过程中,为了快速评估负荷信息、电力流和碳排放因素,将使用训练后的网络。
具体地,本实施例中,步骤S2的具体过程包括:
S221、门控循环单元GRU采用更新门和重置门对输入和输出信息进行选择,并采用sigmoid层将输出值限制在[0,1]范围内;
S222、门控循环单元GRU通过历史记忆调节单元的状态,提高网络的训练效果,更新门和重置门的输出表达式如下:
ht=(1-zt)×ht-1+zt×Ht (7)
其中,sigmoid代表sigmoid运算;tanh代表tanh函数运算;xt表示第t个时间维度的输入;ht-1表示第t-1个时间维度的特征输出;rt,zt和Ht分别表示第t个时间维度的重置门控状态、更新门口状态和候选隐藏状态;wr,wz,wH代表GRU层的权重参数;br,bz,bH表示GRU层的偏置参数;代表时间序列特征的聚合操作ht-1和xt;rt×ht-1表示卷积操作;
S223、根据步骤S221、步骤S222的操作,LSTM的输出特征如下:
ht=GRUt(ht-1,xt,ct-1,Wt,Bt) (4)
其中,Wt是LSTM网络的权重参数集,Bt代表GRU网络的偏置参数集;GRUt表示GRU的第t次操作。
具体地,本实施例中,门控循环单元网络GRU的损失函数计算与参数更新的具体过程包括:在参数训练过程中,利用反向传播更新神经网络参数,基于损失函数的评估,将平均绝对值作为损失函数,如下所示:
其中,d代表网络的总输出维度,d=1+np+ns;代表第j个样本的第i个输出维度的实际输出目标;/>表示第j个样本的第i个输出维度的网络的输出值。
具体地,本实施例中,迭代优化的具体过程为:时序网络通过前向传播结合训练参数数据输出结果;再根据链式法则结合损失函数数值计算各个参数的梯度,并更新各个参数的数值;通过反复迭代计算与更新,优化网络参数。
具体地,本实施例中,门控循环单元GRU的在线动态应用过程包括:对于实时预测的动态碳排放因子和输电线路功率损失,这些指标可以由已训练的网络根据动态负荷序列和网络参数快速计算出来,具体如下:
其中,是网络的预测输出;W是总的权重参数设置;B是总的偏置参数设置。
本发明基于循环神经网络的碳排放因子的日期预测算法,能获取系统的历史数据,并提取时序数据中的特征,有效地预测用户节点的碳排放。在实际电力系统中,本发明方法能在电力系统网络中运用该算法时,为用户快速提供相应供电来源的碳排放因子数值,促进用户减碳降碳的行为。
基于相同的发明构思,本发明还提出一种基于时序网络的碳排放因子的日前预测系统,包括:
数据收集模块:通过结合电力系统拓扑和负荷发电数据,进行潮流分析和碳排分析结合,并收集潮流和碳流历史数据;
网络设计模块:用于设计门控循环单元网络GRU,采用更新门和重置门对输入和输出信息进行选择;
参数训练模块:用于进行网络的前向传播与输出计算;
损失函数更新模块:用于门控循环单元网络GRU的损失函数计算与参数的梯度计算,并更新相关的参数数值;
迭代优化模块:用于迭代优化门控循环单元网络GRU的权重参数和偏置参数;
在线应用模块:用于将门控循环单元网络GRU应用于碳排放的快速分析,结合实时负荷快速进行计算。
此外,本发明还提出存储介质及计算机设备。其中存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现本发明日前预测方法的步骤S1-S3。而计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现本发明日前预测方法,即包括上述步骤S1-S3的过程。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于时序网络的碳排放因子的日前预测方法,其特征在于,包括以下步骤:
S1、通过结合电力系统拓扑和负荷发电数据,进行潮流分析和碳排分析,获取潮流和碳流历史数据;
S2、设计门控循环单元网络GRU,进行门控状态计算,应用门控循环单元网络GRU对碳排放系数进行日前预测,结合门控循环单元网络GRU和碳排放时间序列数据,进行潮流数据和网络参数训练;
S3、进行损失函数计算与参数更新,迭代优化门控循环单元网络GRU的权重参数和偏置参数,令损失函数快速降低,并获取最终的权重参数和偏置参数;若优化完成则进行在线应用,将门控循环单元网络GRU应用于碳排放的快速分析;否则,利用反向传播更新,重新进行参数训练。
2.根据权利要求1所述的一种基于时序网络的碳排放因子的日前预测方法,其特征在于,步骤S1的具体过程如下:
S11、进行潮流分析,对于一个包含m个节点的电力系统,其潮流方程如下:
其中,PGi、QGi分别为节点i的发电机对应的有功功率和无功功率输出;PLi、QLi分别为接入节点i的有功和无功负荷;Gij、Bij分别为连接节点i和节点j的i-j电导和电纳的负值;Ui、Uj分别为节点i和节点j的电压幅值;θij为节点i和节点j的电压角度差,即θij=θi-θj;其中,θi和θj分别为节点i和节点j的电压角度;
S12、基于比例分担原则的碳排放系数由区域电网的最优功率流、发电厂的发电碳排放和负荷用户决定;对于区域电网中的节点,碳排放系数表述如下:
其中,ng和np表示发电机节点和负荷节点;表示区域电网中第i个节点的碳排放系数;表示连接到第i个电网节点的第k个发电站的有功功率输出;/>为第k个发电站的相应碳排放系数;Pij为第j个节点向第i个节点传输的功率;/>为区域电网中第j个节点的碳排放系数;
S13、利用步骤S12的碳排放系数的计算,输入一个负荷序列其中,ns是数据样本的数量;然后执行潮流计算程序和碳排计算程序,并输出相应的功率流和碳排放因子。
3.根据权利要求2所述的一种基于时序网络的碳排放因子的日前预测方法,其特征在于,负荷序列被选为输入特征,输电线路的功率损失和节点的碳排放系数被选为输出特征;收集到的负荷序列为其中,Fd是总的输入样本,Fi表示一个负荷序列,nk是节点的一个负荷序列的长度;对于输出特征,收集的数据为预测负荷/>输电线路功率损失/>其中,Po是功率损失的总输出样本,Pi表示一个功率损失样本,n1是电网中的实际线路数;输出碳排放因子δo={δp(1),δp(2),...,δp(ns)},/>其中,δo是碳排放因子的总输出样本,δp表示一个碳排放因子样本;选取Fo,Po和δo是总输出的目标数据。
4.根据权利要求1所述的一种基于时序网络的碳排放因子的日前预测方法,其特征在于,步骤S2中的具体过程包括:
S221、门控循环单元GRU采用更新门和重置门对输入和输出信息进行选择,并采用sigmoid层将输出值限制在[0,1]范围内;
S222、门控循环单元GRU通过历史记忆调节单元的状态,更新门和重置门的输出表达式如下:
ht=(1-zt)×ht-1+zt×Ht (7)
其中,sigmoid代表sigmoid运算;tanh代表tanh函数运算;xt表示第t个时间维度的输入;ht-1表示第t-1个时间维度的特征输出;rt,zt和Ht分别表示第t个时间维度的重置门控状态、更新门口状态和候选隐藏状态;wr,wz,wH代表GRU层的权重参数;br,bz,bH表示GRU层的偏置参数;代表时间序列特征的聚合操作ht-1和xt;rt×ht-1表示卷积操作;
S223、根据根据步骤S221、步骤S222的操作,LSTM的输出特征如下:
ht=GRUt(ht-1,xt,ct-1,Wt,Bt) (1)
其中,Wt是LSTM网络的权重参数集,Bt代表GRU网络的偏置参数集;GRUt表示GRU的第t次操作。
5.根据权利要求1所述的一种基于时序网络的碳排放因子的日前预测方法,其特征在于,步骤S3中的门控循环单元网络GRU的损失函数计算与参数更新的具体过程包括:在参数训练过程中,利用反向传播更新神经网络参数,基于损失函数的评估,将平均绝对值作为损失函数,如下所示:
其中,d代表网络的总输出维度,d=1+bp+bs;代表第j个样本的第i个输出维度的实际输出目标;/>表示第j个样本的第i个输出维度的网络的输出值。
6.根据权利要求1所述的一种基于时序网络的碳排放因子的日前预测方法,其特征在于,步骤S3中迭代优化的具体过程为:时序网络通过前向传播结合训练参数数据输出结果;再根据链式法则结合损失函数数值计算各个参数的梯度,并更新各个参数的数值;通过反复迭代计算与更新,优化网络参数。
7.根据权利要求1所述的一种基于时序网络的碳排放因子的日前预测方法,其特征在于,步骤S3中的门控循环单元GRU的在线动态应用过程包括:对于实时预测的动态碳排放因子和输电线路功率损失,这些指标可以由已训练的网络根据动态负荷序列和网络参数快速计算出来,具体如下:
其中,是网络的预测输出;W是总的权重参数设置;B是总的偏置参数设置。
8.一种基于时序网络的碳排放因子的日前预测系统,其特征在于,包括:
数据收集模块:通过结合电力系统拓扑和负荷发电数据,进行潮流分析和碳排分析结合,并收集潮流和碳流历史数据;
网络设计模块:用于设计门控循环单元网络GRU,采用更新门和重置门对输入和输出信息进行选择;
参数训练模块:用于进行网络的前向传播与输出计算;
损失函数更新模块:用于门控循环单元网络GRU的损失函数计算与参数的梯度计算,并更新相关的参数数值;
迭代优化模块:用于迭代优化门控循环单元网络GRU的权重参数和偏置参数;
在线应用模块:用于将门控循环单元网络GRU应用于碳排放的快速分析,结合实时负荷快速进行计算。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-7中任一项所述日前预测方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1-7中任一项所述的日前预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686209.7A CN116862050A (zh) | 2023-06-09 | 2023-06-09 | 一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686209.7A CN116862050A (zh) | 2023-06-09 | 2023-06-09 | 一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862050A true CN116862050A (zh) | 2023-10-10 |
Family
ID=88229457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310686209.7A Pending CN116862050A (zh) | 2023-06-09 | 2023-06-09 | 一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862050A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN118074224A (zh) * | 2024-04-24 | 2024-05-24 | 国网辽宁省电力有限公司营口供电公司 | 电力系统的运行调节方法及系统 |
-
2023
- 2023-06-09 CN CN202310686209.7A patent/CN116862050A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN118074224A (zh) * | 2024-04-24 | 2024-05-24 | 国网辽宁省电力有限公司营口供电公司 | 电力系统的运行调节方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
Zhang et al. | Optimization scheme of wind energy prediction based on artificial intelligence | |
Yang et al. | Hybrid policy-based reinforcement learning of adaptive energy management for the Energy transmission-constrained island group | |
Liu et al. | Short-term load forecasting of multi-energy in integrated energy system based on multivariate phase space reconstruction and support vector regression mode | |
Wang et al. | Forecasting the seasonal natural gas consumption in the US using a gray model with dummy variables | |
Zhang et al. | A novel ensemble system for short-term wind speed forecasting based on Two-stage Attention-Based Recurrent Neural Network | |
CN110264012B (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN111367349A (zh) | 一种基于预测模型的光伏mppt控制方法及系统 | |
Yu et al. | Parameter identification of photovoltaic models using a sine cosine differential gradient based optimizer | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN116862050A (zh) | 一种基于时序网络的碳排放因子的日前预测方法、系统、存储介质及设备 | |
CN114784823A (zh) | 基于深度确定性策略梯度的微电网频率控制方法及系统 | |
Khan et al. | Optimally configured gated recurrent unit using hyperband for the long-term forecasting of photovoltaic plant | |
Wang et al. | A novel wind power prediction model improved with feature enhancement and autoregressive error compensation | |
CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
CN105913161A (zh) | 一种基于多目标优化的光伏系统最大功率点的获取方法 | |
Pandu et al. | Artificial Intelligence Based Solar Radiation Predictive Model Using Weather Forecasts. | |
CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
Li et al. | Multi-objective optimization of turbine blade profiles based on multi-agent reinforcement learning | |
CN114139778A (zh) | 风电机组功率预测建模方法及装置 | |
Su et al. | A combined model based on secondary decomposition technique and grey wolf optimizer for short-term wind power forecasting | |
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 | |
CN115001002B (zh) | 一种求解储能参与削峰填谷的优化调度方法和系统 | |
Yin et al. | Quantum-inspired distributed policy-value optimization learning with advanced environmental forecasting for real-time generation control in novel power systems | |
CN116054240A (zh) | 一种基于功率预测的风电并网运行控制优化方法及系统 |
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 |