CN117151272A - 一种基于机器学习的碳核查电力排放因子预测方法 - Google Patents

一种基于机器学习的碳核查电力排放因子预测方法 Download PDF

Info

Publication number
CN117151272A
CN117151272A CN202310820521.0A CN202310820521A CN117151272A CN 117151272 A CN117151272 A CN 117151272A CN 202310820521 A CN202310820521 A CN 202310820521A CN 117151272 A CN117151272 A CN 117151272A
Authority
CN
China
Prior art keywords
power
power grid
grid
regional
factor
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
CN202310820521.0A
Other languages
English (en)
Inventor
张倩
杨万然
吴乐
王维冠
孙海鹏
王玉鑫
杨智博
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.)
China Machinery Huanyu Certification And Inspection Co ltd
Beijing National Innovation Institute of Lightweight Ltd
Original Assignee
China Machinery Huanyu Certification And Inspection Co ltd
Beijing National Innovation Institute of Lightweight Ltd
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 China Machinery Huanyu Certification And Inspection Co ltd, Beijing National Innovation Institute of Lightweight Ltd filed Critical China Machinery Huanyu Certification And Inspection Co ltd
Priority to CN202310820521.0A priority Critical patent/CN117151272A/zh
Publication of CN117151272A publication Critical patent/CN117151272A/zh
Pending legal-status Critical Current

Links

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
    • G06N20/00—Machine learning
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于机器学习的碳核查电力排放因子预测方法，包括以下步骤：构建电力输入数据模型；构建各区域电网碳排放核查因子特征参数；样本数据处理；特征参数编码；构建各区域电网碳排放核查因子预测模型；特征参数提取；电力输入数据结果预测；各区域电网碳排放核查因子预测。本发明通过构建基于机器学习的预测模型，构建完善的影响因素特征参数，计算出碳核查电力排放因子预测结果，有效提升了预测结果的准确性、算法模型的场景适用性，提高了区域覆盖广度和更新频率，为后期核算碳排放量提供了有效的标准和依据，有力促进了行业低碳发展。

Description

一种基于机器学习的碳核查电力排放因子预测方法
技术领域
本发明涉及低碳核查技术领域，具体而言，涉及一种基于机器学习的碳核查电力排放因子预测方法
背景技术
碳排放核查因子是用能企业计算碳排放量的唯一指标，极大程度影响着温室气体排放的核算质量。现有研究中，大多针对碳排放量进行预测方法研究，涉及碳排放核查因子的预测方法较少，现行的碳排放核查因子核算方法主要使用的是标准公式计算方法，但是由于公式中各个参数数据多源于年度数据、同频化数据，部分维度数据难以获取，影响因素考虑不全面等，导致碳排放核查因子的测算结果准确度不高，无法对当前用能企业给出比较合理的碳排放量标准。
发明内容
为克服上述现有技术中存在的电力行业碳排放核查因子测算影响因素考虑不完善、预测结果不准确、模型适用场景有限等问题，提出一种基于机器学习的碳核查电力排放因子预测方法，包括以下步骤：
步骤S1中，构建电力输入数据模型，采集各区域电网包含的相关电力输入数据。
进一步地，所述各区域电网包含的相关电力输入数据包括区域电网i覆盖的地理范围内发电产生的碳排放量Emgrid,i、区域电网j向区域电网i净送出的电量Eimp,j,i、向区域电网i净送出电量的区域电网j的碳排放核查因子EFgrid,j、区域电网i覆盖的地理范围内年度总发电量Egrid,i，具体表示为：
f(x)＝{Emgrid,i,EFgrid,j,Eimp,j,i,Egrid,i}
其中：i表示东北、华北、华东、华中、西北和南方区域电网之一，j表示向区域电网i净送出电量的其他区域电网。
步骤S2中，构建各区域电网碳排放核查因子特征参数，包括内部影响因素及外部影响因素的相关特征参数。
进一步地，采用碳排放核查因子计算公式，获取各区域电网碳排放核查因子，所述的内部影响因素包括区域电网i覆盖的地理范围内发电产生的碳排放量Emgrid,i、区域电网j向区域电网i净送出的电量Eimp,j,i、向区域电网i净送出电量的区域电网j的碳排放核查因子EFgrid,j、区域电网i覆盖的地理范围内年度总发电量Egrid,i。
进一步地，通过对影响因素的解释分析，获取各区域电网包含的相关电力输入数据对应的特征，所述的外部影响因素包括人口因素Ai、经济因素Bi、技术因素Ci、天气因素Di等。
所述外部影响因素具体包括：所述人口因素Ai包括总人口A1和各区域电网从业人数A2,具体表示为：Ai＝{A1,A2}；经济因素Bi包括各区域生产总值B1、各区域生活水平B2、各区域城镇化率B3，具体表示为：Bi＝{B1,B2,,B3}；技术因素Ci包括各区域能源排放强度C1、各区域劳动生产率C2、各区域能源消耗量C3，具体表示为Ci＝{C1,C2,,C3}；天气因素Di包括各区域天气情况D1、各区域温度D2，具体表示为：Di＝{D1,D2,}。
步骤S3中，样本数据处理，将构建的电力输入数据及特征参数进行样本数据清洗和数据质量检查，并进行归一化处理。
步骤S4中，特征参数编码，将处理后的各区域电网碳排放核查因子特征参数进行编码。
进一步地，特征参数编码类型包括序号编码(Ordinal encoding)和独热编码(One-hot Encoding)。
步骤S5中，构建各区域电网碳排放核查因子预测模型，以处理后电力输入数据以及编码后的特征参数作为模型输入，构建预测模型。
首先确定各区域影响因素指标一级权重ωi、二级权重μi，其次基于处理后电力输入数据以及编码后的特征参数作为模型输入，构建预测模型，具体关系式如下：
步骤S6中，特征参数提取，根据预测模型中的特征参数重要度剔除特征的方法来提取电力输入数据对应的特定特征参数。
进一步地，对所述各区域电网包含的相关电力输入数据，以各区域电网覆盖的地理范围内年度总发电量作为预测的参数对象。所述步骤S5和S6中预测模型构建和特征参数提取的步骤包括：
步骤S101：采集各区域历史电网覆盖的地理范围内年度总发电量数据和各区域历史电网覆盖的地理范围内年度总发电量构建的特征参数数据。
步骤S102：对所述各区域历史电网覆盖的地理范围内年度总发电量构建的特征参数通过特征重要度剔除的方法进行特征提取，得到各区域历史电网覆盖的地理范围内年度总发电量对应的特定特征参数。
步骤S103：以所述各区域电网覆盖的地理范围内年度总发电量对应的特征参数为输入，以预测各区域电网覆盖的地理范围内年度总发电量为输出，采用机器学习算法构建并训练预测模型。
进一步地，所述机器学习算法至少包括下述中的一种或多种：随机森林、GBDT、XGBOOST模型。
进一步地，以所述各区域电网覆盖的地理范围内年度总发电量对应的特征参数为输入，以预测各区域电网覆盖的地理范围内年度总发电量为输出，通过偏差损失函数对所述预测模型行进训练，得到各区域电网覆盖的地理范围内年度总发电量对应的特征参数与各区域电网覆盖的地理范围内年度总发电量的预测值之间对应关系的预测模型。
步骤S7中，电力输入数据结果预测，将提取后的特定特征参数输入预先建立的预测模型，得到各区域电网的各电力输入数据的最优预测结果。
进一步地，基于步骤S5和S6，不断对算法进行训练迭代和参数调参，最终选择最优算法并记录预测结果。
步骤S8中，各区域电网碳排放核查因子预测，基于各区域电网的各电力输入数据的预测结果，采用碳排放核查因子计算公式，得出各区域电网碳排放核查因子预测结果。
本发明的上述技术方案的有益效果如下：
本发明提供一种基于机器学习的碳核查电力排放因子预测方法，包括：构建电力输入数据模型；构建各区域电网碳排放核查因子特征参数；样本数据处理；特征参数编码；构建各区域电网碳排放核查因子预测模型；特征参数提取；电力输入数据结果预测；各区域电网碳排放核查因子预测。本发明通过全面考虑碳排放核查因子预测的相关影响因素，基于机器学习构建预测模型，有效解决了影响因素考虑不完善、预测结果不准确、模型适用场景有限等问题，可实现大规模典型行业碳排放核查因子的预测与分析，有效促进行业低碳发展，提升碳排管理精细化水平。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的基于机器学习的电力行业碳排放核查因子预测方法流程示意图；
图2电力输入数据模型图；
图3区域电网碳排放核查因子特征参数图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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、完整地描述。
本发明实施例提供了一种基于机器学习的碳核查电力排放因子预测方法。
图1为本发明实施例的基于机器学习的电力行业碳排放核查因子预测方法流程示意图，包括：
步骤1：所述构建电力输入数据模型，采集各区域电网包含的相关电力输入数据。
实施例中如图2所示，所述各区域电网包含的相关电力输入数据包括区域电网i覆盖的地理范围内发电产生的碳排放量Emgrid,i、区域电网j向区域电网i净送出的电量Eimp,j,i、向区域电网i净送出电量的区域电网j的碳排放核查因子EFgrid,j、区域电网i覆盖的地理范围内年度总发电量Egrid,i，具体表示为：
f(x)＝{Emgrid,i,EFgrid,j,Eimp,j,i,Egrid,i}
其中：i表示东北、华北、华东、华中、西北和南方区域电网之一，j表示向区域电网i净送出电量的其他区域电网。
步骤2：所述构建各区域电网碳排放核查因子特征参数，包括内部影响因素及外部影响因素的相关特征参数。
实施例中采用碳排放核查因子计算公式，获取各区域电网碳排放核查因子，所述的内部影响因素包括区域电网i覆盖的地理范围内发电产生的碳排放量Emgrid,i、区域电网j向区域电网i净送出的电量Eimp,j,i、向区域电网i净送出电量的区域电网j的碳排放核查因子EFgrid,j、区域电网i覆盖的地理范围内年度总发电量Egrid,i。
实施例中通过对影响因素的解释分析，获取各区域电网包含的相关电力输入数据对应的特征，所述的外部影响因素包括人口因素Ai、经济因素Bi、技术因素Ci、天气因素Di。
所述外部影响因素具体包括：所述人口因素Ai包括总人口A1和各区域电网从业人数A2,具体表示为：Ai＝{A1,A2}；经济因素Bi包括各区域生产总值B1、各区域生活水平B2、各区域城镇化率B3，具体表示为：Bi＝{B1,B2,,B3}；技术因素Ci包括各区域能源排放强度C1、各区域劳动生产率C2、各区域能源消耗量C3，具体表示为Ci＝{C1,C2,,C3}；天气因素Di包括各区域天气情况D1、各区域温度D2，具体表示为：Di＝{D1,D2,}。
步骤3：所述样本数据处理，将构建的电力输入数据及特征参数进行样本数据清洗和数据质量检查，并进行归一化处理。
步骤4：所述特征参数编码，将处理后的各区域电网碳排放核查因子特征参数进行编码。
实施例中特征参数编码类型包括：序号编码(Ordinal encoding)和独热编码(One-hot Encoding)；
步骤5：所述构建各区域电网碳排放核查因子预测模型，以处理后电力输入数据以及编码后的特征参数作为模型输入，构建预测模型。
首先确定各区域影响因素指标一级权重ωi、二级权重μi，其次基于处理后电力输入数据以及编码后的特征参数作为模型输入，构建预测模型，具体关系式如下：
步骤6：所述特征参数提取，根据预测模型中的特征参数重要度剔除特征的方法来提取电力输入数据对应的特定特征参数。
实施例中对所述各区域电网包含的相关电力输入数据，以各区域电网覆盖的地理范围内年度总发电量作为预测的参数对象。所述步骤5和6中包含的预测模型的构建和特征参数的提取，具体实施步骤包括：
步骤S101：采集各区域历史电网覆盖的地理范围内年度总发电量数据和各区域历史电网覆盖的地理范围内年度总发电量构建的特征参数数据；
步骤S102：对所述各区域历史电网覆盖的地理范围内年度总发电量构建的特征参数通过特征重要度剔除的方法进行特征提取，得到各区域历史电网覆盖的地理范围内年度总发电量对应的特定特征参数；
步骤S103：以所述各区域电网覆盖的地理范围内年度总发电量对应的特征参数为输入，以预测各区域电网覆盖的地理范围内年度总发电量为输出，采用机器学习算法构建并训练预测模型；
步骤S104：以所述各区域电网覆盖的地理范围内年度总发电量对应的特征参数为输入，以预测各区域电网覆盖的地理范围内年度总发电量为输出，采用机器学习算法构建并训练预测模型，包括：
采用随机森林、梯度提升树(GBDT)、极致梯度提升(XGBOOST)等机器学习算法通过步骤6提取的特征参数建立预测模型，并对算法参数进行整体微调。本发明采用机器学习算法对提取特征进行回归分析训练，以各区域电网覆盖的地理范围内年度总发电量对应的特征参数为输入，以预测各区域电网覆盖的地理范围内年度总发电量为输出，通过偏差损失函数对所述预测模型行进训练，得到各区域电网覆盖的地理范围内年度总发电量对应的特征参数与各区域电网覆盖的地理范围内年度总发电量的预测值之间对应关系的预测模型；
步骤7：所述电力输入数据结果预测，将提取后的特定特征参数输入预先建立的预测模型，得到各区域电网的各电力输入数据的最优预测结果；
进一步地，基于步骤S5和S6，不断对算法进行训练迭代和参数调参，最终选择最优算法并记录预测结果。
步骤8：所述各区域电网碳排放核查因子预测，基于各区域电网的各电力输入数据的预测结果，采用碳排放核查因子计算公式，得出各区域电网碳排放核查因子预测结果。
进一步地，碳排放核查因子计算公式为：
其中：Emgrid,i表示区域电网i覆盖的地理范围内发电产生的碳排放量；
Eimp,j,i表示区域电网j向区域电网i净送出的电量；
EFgrid,j表示向区域电网i净送出电量的区域电网j的碳排放核查因子；
Egrid,i表示区域电网i覆盖的地理范围内年度总发电量；
i表示东北、华北、华东、华中、西北和南方区域电网之一；
j表示向区域电网i净送出电量的其他区域电网。
进一步地，对于区域电网i，其区域电网i覆盖的地理范围内发电产生的碳排放量Emgrid,i由基于区域电网覆盖的地理范围内用于发电的化石燃料m的消费量FCm、化石燃料m的平均低位热值NCVm和化石燃料m的碳排放因子EFm决定，具体公式为：
Emgrid,i＝∑m(FCm×NCVm×EFm/1000) (2)
其中：m表示发电消费的化石燃料种类。
按照以上步骤，分别对公式1中各区域电力输入数据的参数进行数值预测，把最终预测后的结果参数带入到碳排放核查因子计算公式中，得出最终预测结果。
实施例中基于预测模型的预测结果，进一步采用碳排放核查因子计算公式计算碳排放核查因子，解决了碳排放核查因子预测模型适用场景有限的问题；依托本发明方法，可实现大规模典型行业碳排放核查因子的预测与分析，有效促进行业低碳发展，提升碳排管理精细化水平。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的普通技术人员来说，在不脱离本发明所述方法的前提下，还可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于机器学习的碳核查电力排放因子预测方法，其特征在于，包括以下步骤：
步骤1：构建电力输入数据模型，采集各区域电网包含的相关电力输入数据；
步骤2：构建各区域电网碳排放核查因子特征参数，包括内部影响因素及外部影响因素的相关特征参数；
步骤3：样本数据处理，将构建的电力输入数据及特征参数进行样本数据清洗和数据质量检查，并进行归一化处理；
步骤4：特征参数编码，将处理后的各区域电网碳排放核查因子特征参数进行编码；
步骤5：构建各区域电网碳排放核查因子预测模型，以处理后电力输入数据以及编码后的特征参数作为模型输入，构建预测模型；
步骤6：特征参数提取，根据预测模型中的特征参数重要度剔除特征的方法来提取电力输入数据对应的特定特征参数；
步骤7：电力输入数据结果预测，将提取后的特定特征参数输入预先建立的预测模型，得到各区域电网的各电力输入数据的最优预测结果；
步骤8：各区域电网碳排放核查因子预测，基于各区域电网的各电力输入数据的预测结果，采用碳排放核查因子计算公式，得出各区域电网碳排放核查因子预测结果。
2.根据权利要求1所述的一种基于机器学习的碳核查电力排放因子预测方法，其特征在于，所述步骤1中各区域电网包含的相关电力输入数据包括：
所述各区域电网包含的相关电力输入数据包括区域电网i覆盖的地理范围内发电产生的碳排放量Emgrid,i、区域电网j向区域电网i净送出的电量Eimp,j,i、向区域电网i净送出电量的区域电网j的碳排放核查因子EFgrid,j、区域电网i覆盖的地理范围内年度总发电量Egrid,i，具体表示为：
f(x)＝{Emgrid,i,EFgrid,j,Eimp,j,i,Egrid,i}
其中：i--表示东北、华北、华东、华中、西北和南方区域电网之一；
j--表示向区域电网i净送出电量的其他区域电网。
3.根据权利要求1所述的一种基于机器学习的碳核查电力排放因子预测方法，其特征在于，所述步骤2中构建各区域电网碳排放核查因子特征参数的内部影响因素和外部影响因素包括：
内部影响因素：采用碳排放核查因子计算公式，获取各区域电网碳排放核查因子，所述的内部影响因素包括区域电网i覆盖的地理范围内发电产生的碳排放量Emgrid,i、区域电网j向区域电网i净送出的电量Eimp,j,i、向区域电网i净送出电量的区域电网j的碳排放核查因子EFgrid,j、区域电网i覆盖的地理范围内年度总发电量Egrid,i。
外部影响因素：通过对影响因素的解释分析，获取各区域电网包含的相关电力输入数据对应的特征，所述的外部影响因素包括人口因素Ai、经济因素Bi、技术因素Ci、天气因素Di等。
4.根据权利要求3所述的一种基于机器学习的碳核查电力排放因子预测方法，其特征在于，所述外部影响因素具体包括：
所述人口因素Ai包括总人口A1和各区域电网从业人数A2,具体表示为：Ai＝
{A1,A2}；
所述经济因素Bi包括各区域生产总值B1、各区域生活水平B2、各区域城镇化率B3，具体表示为：Bi＝{B1,B2,,B3}；
所述技术因素Ci包括各区域能源排放强度C1、各区域劳动生产率C2、各区域能源消耗量C3，具体表示为Ci＝{C1,C2,,C3}；
所述天气因素Di包括各区域天气情况D1、各区域温度D2，具体表示为：Di＝
{D1,D2,}。
5.根据权利要求1所述的一种基于机器学习的碳核查电力排放因子预测方法，其特征在于，所述步骤4中特征参数编码类型包括：
序号编码(Ordinal encoding)和独热编码(One-hot Encoding)。
6.根据权利要求1所述的一种基于机器学习的碳核查电力排放因子预测方法，其特征在于，所述步骤5中预测模型为：
首先确定各区域影响因素指标一级权重ωi、二级权重μi，其次基于处理后电力输入数据以及编码后的特征参数作为模型输入，构建预测模型，具体关系式如下：
7.根据权利要求1所述的一种基于机器学习的碳核查电力排放因子预测方法，其特征在于，对所述各区域电网包含的相关电力输入数据，以各区域电网覆盖的地理范围内年度总发电量作为预测的参数对象，所述步骤5和6中预测模型的建立和特征参数提取，具体包括：
步骤S101：采集各区域历史电网覆盖的地理范围内年度总发电量数据和各区域历史电网覆盖的地理范围内年度总发电量构建的特征参数数据；
步骤S102：对所述各区域历史电网覆盖的地理范围内年度总发电量构建的特征参数通过特征重要度剔除的方法进行特征提取，得到各区域历史电网覆盖的地理范围内年度总发电量对应的特定特征参数；
步骤S103：以所述各区域电网覆盖的地理范围内年度总发电量对应的特征参数为输入，以预测各区域电网覆盖的地理范围内年度总发电量为输出，采用机器学习算法构建并训练预测模型。
8.根据权利要求5所述的一种基于机器学习的碳核查电力排放因子预测方法，其特征在于，对所述各区域电网覆盖的地理范围内年度总发电量对应的特征参数为输入，以预测各区域电网覆盖的地理范围内年度总发电量为输出，采用机器学习算法构建并训练量化模型，包括：
以所述各区域电网覆盖的地理范围内年度总发电量对应的特征参数为输入，以预测各区域电网覆盖的地理范围内年度总发电量为输出，通过偏差损失函数对所述预测模型行进训练，得到各区域电网覆盖的地理范围内年度总发电量对应的特征参数与各区域电网覆盖的地理范围内年度总发电量的预测值之间对应关系的预测模型。
CN202310820521.0A 2023-07-05 2023-07-05 一种基于机器学习的碳核查电力排放因子预测方法 Pending CN117151272A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310820521.0A CN117151272A (zh) 2023-07-05 2023-07-05 一种基于机器学习的碳核查电力排放因子预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310820521.0A CN117151272A (zh) 2023-07-05 2023-07-05 一种基于机器学习的碳核查电力排放因子预测方法

Publications (1)

Publication Number Publication Date
CN117151272A true CN117151272A (zh) 2023-12-01

Family

ID=88883045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310820521.0A Pending CN117151272A (zh) 2023-07-05 2023-07-05 一种基于机器学习的碳核查电力排放因子预测方法

Country Status (1)

Country Link
CN (1) CN117151272A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575175A (zh) * 2024-01-15 2024-02-20 国网浙江省电力有限公司 碳排放评估方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210203159A1 (en) * 2019-12-27 2021-07-01 North China Electric Power University Power load forecasting method in multi-energy coupling mode
CN114239928A (zh) * 2021-11-29 2022-03-25 国网北京市电力公司 碳排放的预测方法、装置、存储介质及处理器
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
CN115423386A (zh) * 2022-11-04 2022-12-02 上海远景科创智能科技有限公司 一种电力碳排放因子的确定方法、装置、设备及介质
CN115693650A (zh) * 2022-10-17 2023-02-03 上海远景科创智能科技有限公司 一种区域电力碳排放因子的确定方法、装置、设备及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210203159A1 (en) * 2019-12-27 2021-07-01 North China Electric Power University Power load forecasting method in multi-energy coupling mode
CN114239928A (zh) * 2021-11-29 2022-03-25 国网北京市电力公司 碳排放的预测方法、装置、存储介质及处理器
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
CN115693650A (zh) * 2022-10-17 2023-02-03 上海远景科创智能科技有限公司 一种区域电力碳排放因子的确定方法、装置、设备及介质
CN115423386A (zh) * 2022-11-04 2022-12-02 上海远景科创智能科技有限公司 一种电力碳排放因子的确定方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575175A (zh) * 2024-01-15 2024-02-20 国网浙江省电力有限公司 碳排放评估方法、装置、电子设备和存储介质
CN117575175B (zh) * 2024-01-15 2024-03-29 国网浙江省电力有限公司 碳排放评估方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN117151272A (zh) 一种基于机器学习的碳核查电力排放因子预测方法
CN117013527A (zh) 一种分布式光伏发电功率预测方法
CN111369057A (zh) 一种基于深度学习的空气质量预测优化方法及系统
CN110570012A (zh) 一种基于Storm的电厂生产设备故障预警方法及系统
CN117394306B (zh) 基于新能源并网的风电功率预测模型建立方法及其应用
CN110390343B (zh) 一种空间气象数据的订正方法及系统
CN114819374B (zh) 区域新能源超短期功率预测方法及系统
CN114169434A (zh) 一种负荷预测方法
CN114880948B (zh) 一种基于随机森林优化算法的谐波预测建模方法和系统
Lee et al. An efficient prediction for heavy rain from big weather data using genetic algorithm
CN114186723A (zh) 一种基于时空关联的分布式光伏功率网格虚拟预测系统
CN115954910A (zh) 一种基于能量优化的分布式储能控制方法及系统
CN118036822A (zh) 电氢一体化能源站的电氢负荷预测方法、装置及存储介质
CN117408394B (zh) 电力系统的碳排放因子预测方法、装置及电子设备
CN108062603A (zh) 基于配电自动化终端设备全生命周期寿命预测方法及系统
CN112348236B (zh) 用于智能用电监测终端的异常日负荷需求预测系统与方法
CN116663871B (zh) 用电需求量预测方法及系统
CN117407681B (zh) 一种基于向量聚类的时序数据预测模型建立方法
CN108108837B (zh) 一种地区新能源电源结构优化预测方法和系统
CN116885715B (zh) 一种分布式光伏集群功率短期预测方法及装置
CN117634678A (zh) 基于实际运行场景的低碳园区碳排放预测方法
CN117761802A (zh) 一种基于联邦学习的风电场气象预报算法
CN117217376A (zh) 一种用于光伏电站建设的选址方法及系统
CN115983478A (zh) 分布式光伏发电功率预测分析方法、系统、终端及介质
CN115965134A (zh) 一种区域电网风力发电功率预测优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination