CN117251672A - 基于电力数据的区域行业多维能源碳排放计算方法和装置 - Google Patents
基于电力数据的区域行业多维能源碳排放计算方法和装置 Download PDFInfo
- Publication number
- CN117251672A CN117251672A CN202311219417.2A CN202311219417A CN117251672A CN 117251672 A CN117251672 A CN 117251672A CN 202311219417 A CN202311219417 A CN 202311219417A CN 117251672 A CN117251672 A CN 117251672A
- Authority
- CN
- China
- Prior art keywords
- industry
- energy
- energy consumption
- data
- carbon emission
- 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 177
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 173
- 238000004364 calculation method Methods 0.000 title claims abstract description 63
- 238000005265 energy consumption Methods 0.000 claims abstract description 208
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000005611 electricity Effects 0.000 claims description 41
- 239000003245 coal Substances 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 239000005431 greenhouse gas Substances 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 description 12
- 238000005485 electric heating Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电力数据的区域行业多维能源碳排放计算方法和装置,方法包括:采集能源统计年鉴地区行业能源消耗数据和电网本地数据,并进行数据预处理形成历史数据集;构建除电力能源外的行业能耗预测模型,计算与电能强相关性行业能源消耗量和与电能弱相关行业年度能耗量;对电能强相关行业根据相关性公式直接拟合,对电能弱相关行业建立季节和月度的波动趋势预测,得到月度综合分解指数,对与电能弱相关行业年度能耗量进行分解;根据各个行业能源消耗量计算能源消耗碳排放量,由所有行业能源消耗碳排放量求和获得区域碳排放量。本发明能够准确预测行业和区域的能源消耗量,提高了能源碳排放量计算准确度,实现了行业和区域碳排放的预测。
Description
技术领域
本发明涉及一种基于电力数据的区域行业多维能源碳排放计算方法和装置,属于电力系统低碳数据统计及计算技术领域。
背景技术
为了推动经济社会绿色低碳转型。根据国家政策、能源结构和经济发展等因素科学合理的建立碳排放计算模型,有效估算碳排放量,而在碳排放量统计中,能源行业碳排放占全国总量的80%以上,电力行业碳排放在能源行业中占比超过40%,如何充分发挥电力大数据优势,研究能源碳排放预测成为重要课题。
在基于电力数据的能源碳排放预测模型研究过程中,如何以电力数据为基础,建立区域行业多维度的非电能源消耗预测体系问题亟待解决。电力拟合碳排放量过程中,电力数据构成存在多面性,仅考虑火力发电计算得到的电力碳排因子会造成计算误差较大,因此,综合考虑外电接入、清洁能源和热电联产等因素成为设计能源碳排放预测模型的一大难点。能源碳排放预测模型预测得到年度能耗量,由于全国各类能源统计清单中均以年为周期进行能源数据统计,因此无法实现能耗实时性监测。
为了解决非电能源消耗预测体系问题,因此急需一种时序分解方法对年度能耗量进行月度分解,实现月度碳排放量的计算。
发明内容
为了解决上述问题,本发明提出了一种基于电力数据的区域行业多维能源碳排放计算方法和装置,能够提高能源碳排放量计算的准确度,实现行业和区域碳排放的预测计算。
本发明解决其技术问题采取的技术方案是:
第一方面,本发明实施例提供的一种基于电力数据的区域行业多维能源碳排放计算方法,包括以下步骤:
采集能源统计年鉴地区行业能源消耗数据和电网本地数据,并进行数据预处理形成历史数据集;
构建除电力能源外的行业能耗预测模型,计算与电能强相关性行业能源消耗量和与电能弱相关行业年度能耗量;
对电能强相关行业根据相关性公式直接拟合,对电能弱相关行业建立季节和月度的波动趋势预测,得到月度综合分解指数,对与电能弱相关行业年度能耗量进行分解;
根据各个行业能源消耗量计算能源消耗碳排放量,由所有行业能源消耗碳排放量求和获得区域碳排放量。
作为本实施例一种可能的实现方式,所述采集能源统计年鉴地区行业能源消耗数据和电网本地数据,并进行数据预处理形成历史数据集,包括:
获取能源统计年鉴地区行业能源消耗数据,统计年鉴经济人口数据、IPCC温室气体清单数据;
采集电网本地发电数据、供热数据、外电交换数据、清洁能源发电数据;
将上述获取、统计和采集的数据进行清洗、修正和合并预处理,形成历史数据集。
作为本实施例一种可能的实现方式,所述将上述获取、统计和采集的数据进行清洗、修正和合并预处理,包括:
通过对能源历史数据统计口径检查,采取人工矫正的方式进行对应年度及行业的数据清洗工作;
通过均值、中值填充、临近和线性插值方式对异常波动变化数据进行数据修正;
将能耗数据计量单位统一折算为标准煤。
作为本实施例一种可能的实现方式,所述构建除电力能源外的行业能耗预测模型,包括:
将处理后的行业非电能源数据进行电能关联分析,提取行业用能历史波动、电力占比和电力占比波动特征;
通过皮尔逊算法分析电力消费和非电能源消费关联性,基于强弱相关性构建除电力能源外的行业能耗预测模型。
作为本实施例一种可能的实现方式,所述基于强弱相关性构建除电力能源外的行业能耗预测模型,包括:
基于与电能强相关性建立基于数据拟合的月度能耗预测模型;
基于与电能弱相关性建立年度能耗时序预测模型。
作为本实施例一种可能的实现方式,所述关联性计算公式如下:
其中,x={x1,x2,...,xn}和y={y1,y2,...,yn}分别是电力和行业能源消耗量总体数据;Cov(x,y)是电力和行业能源消耗量总体协方差;σx和σy分别是电力和行业能源消耗量标准差;E(x)和E(y)分别是电力和行业能源消耗量数据组的均值;设定|ρxy|≥0.8为强相关性,|ρxy|<0.8为弱相关性。
作为本实施例一种可能的实现方式,所述计算与电能强相关性行业能源消耗量,包括:采用行业历史用电数据和非电能耗数据运用线性、指数和幂数形式进行关系拟合,根据拟合效果加权综合多种函数获得“电-能”折算等式,得到与电能强相关性行业能源消耗量;
所述能源消耗量的计算公式为:
其中,y是行业能源消耗量数据;x是电力能源消耗量数据;a,b,c是常数系数。
作为本实施例一种可能的实现方式,一种所述计算与电能弱相关行业年度能耗量,包括:
选取灰度预测(GM)、动态回归模型(ARIMAX、SARIMAX)、指数平滑法(SES、ES)和函数拟合算法进行预测;
上述算法通过选取不同时间长度序列,综合多次计算结果取平均值减小预测误差;
根据综合测算效果选取误差小的算法,计算与电能弱相关行业年度能耗量。
作为本实施例一种可能的实现方式,另一种所述计算与电能弱相关行业年度能耗量,包括:
计算形成能耗预测结果与实际能耗量的误差序列,构建马尔可夫模型进行修正,将误差分为n个状态,每一个状态取一个误差修正值Xn,根据历史预测误差统计状态转移概率,并通过计算得到的状态转移矩阵预测下一个状态,进而使用误差修正值Xn对能耗误差进行修正,使得预测能耗量更加接近实际情况。所述马尔可夫修正模型计算公式如下:
P(Xn+1|X1=x1,X2=x2,...,Xn=xn)=P(Xn+1=x|Xn=xn)
其中n是影响转移状态的数目,每个状态的转移只依赖于之前的n个状态。
作为本实施例一种可能的实现方式,所述对电能强相关行业根据相关性公式直接拟合,对电能弱相关行业建立季节和月度的波动趋势预测,得到月度综合分解指数,对与电能弱相关行业年度能耗量进行分解,包括:
对于月度电量和季度经济数据,每4个月计算四项移动平均值,对得到的结果进行中心化处理,即二项移动平均,得到中心化移动平均值CMA;
将原始数据X同得到的月度或季度中心化移动平均值CMA进行比较,得到月度或季度指数Y,即:Y=X/CMA;
将求取到的月份和季度平均值加和再次求取月份或季度总平均值,将每个月份或季节比率的平均值除以月份或季度调整指数,得到修正后的月度或季节指数;
将月度电量指数和季度经济指数相乘得到月度综合分解指数。
将与电能弱相关计算得到的年度能耗数据乘以月度综合分解指数实现能耗数据的月度分解。
作为本实施例一种可能的实现方式,所述根据各个行业能源消耗量计算能源消耗碳排放量,由所有行业能源消耗碳排放量求和获得区域碳排放量,包括:
综合与电能强相关性行业能源消耗量和与电能弱相关行业年度能耗量的计算结果,乘以标准煤碳排放因子得到行业能源消耗的直接碳排放量:
CE直接碳排=EC预测标准煤耗量*CEF标准煤
其中,CE直接碳排为直接碳排放量;EC预测标准煤耗量是能耗预测模型预测的行业标准煤耗量;CEF标准煤为标准煤碳排放系数;
将动态综合碳排放因子与行业用电用热数据相乘,得到行业间接碳排放量:
其中,CE间接碳排为行业一定时间范围内用电用热总碳排放,DCCEFm为动态综合碳排放因子,E行业用电、H行业用热分别为同一时间范围内行业用电量、用热量;
对行业直接碳排放量与行业间接碳排放量进行求和,得到最终区域碳排放量:
其中,CE电力,热力行业为电力、热力行业的直接碳排放量,CE除电力、热力外的行业为除电力、热力行业外的直接碳排放量。
作为本实施例一种可能的实现方式,所述动态综合碳排放因子的计算公式如下:
其中,DCCEFm为m月/周/天动态综合碳排放因子,E外电,i,E清洁能源,i,E火电,i,i分别为区域外电电量、清洁能源发电量、火电发电量,CEF外电,i为外电所属区域电力碳排放因子,FCj为区域发电机组第j类折算标准煤消耗量,H供热,i为i月/周/天热电联产供热量,HV电力为电力热值。
第二方面,本发明实施例提供的一种基于电力数据的区域行业多维能源碳排放计算装置,包括:
数据采集模块,用于采集能源统计年鉴地区行业能源消耗数据和电网本地数据,并进行数据预处理形成历史数据集;
模型构建模块,用于构建除电力能源外的行业能耗预测模型,计算与电能强相关性行业能源消耗量和与电能弱相关行业年度能耗量;
能耗分解模块,用于对电能强相关行业根据相关性公式直接拟合,对电能弱相关行业建立季节和月度的波动趋势预测,得到月度综合分解指数,对与电能弱相关行业年度能耗量进行分解;
碳排放量计算模块,用于根据各个行业能源消耗量计算能源消耗碳排放量,由所有行业能源消耗碳排放量求和获得区域碳排放量。
本发明实施例的技术方案可以具有的有益效果如下:
本发明根据电力数据与行业非电能源数据关联关系,构建了能预测模型,能够准确预测行业和区域的能源消耗量,降低了预测误差,使预测误差小于5%。
本发明根据季度经济变化、月度电量变化,建立季节和月度的波动趋势预测,得到月度综合分解指数,实现了年度能耗预测数据的月度分解。
本发明根据不同季节发电结构变化、热电联产等因素,构建了动态综合碳排放因子,用于计算行业电力和热力的间接综合碳排放量,避免了采用电力数据测算行业能源碳排放量时电力和热力能源重复计算,提高了能源碳排放量计算的准确度。
本发明根据电力数据预测能源消耗数据结果,结合标准煤碳排放因子与动态电热综合碳排因子,实现了行业和区域碳排放的预测计算,可以预测未来能源碳排放情况。
附图说明
图1是根据一示例性实施例示出的一种基于电力数据的区域行业多维能源碳排放计算方法的流程图;
图2是根据一示例性实施例示出的一种基于电力数据的区域行业多维能源碳排放计算装置的示意图;
图3是根据一示例性实施例示出的一种采用本发明所述装置进行基于电力数据的区域行业多维能源碳排放计算的具体实施流程图;
图4是根据一示例性实施例示出的另一种计算与电能弱相关行业年度能耗量的具体实施流程图;
图5是根据一示例性实施例示出的一种中心化处理的具体实施流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示,本发明实施例提供的一种基于电力数据的区域行业多维能源碳排放计算方法,包括以下步骤:
采集能源统计年鉴地区行业能源消耗数据和电网本地数据,并进行数据预处理形成历史数据集;
构建除电力能源外的行业能耗预测模型,计算与电能强相关性行业能源消耗量和与电能弱相关行业年度能耗量;
对电能强相关行业根据相关性公式直接拟合,对电能弱相关行业建立季节和月度的波动趋势预测,得到月度综合分解指数,对与电能弱相关行业年度能耗量进行分解;
根据各个行业能源消耗量计算能源消耗碳排放量,由所有行业能源消耗碳排放量求和获得区域碳排放量。
作为本实施例一种可能的实现方式,所述采集能源统计年鉴地区行业能源消耗数据和电网本地数据,并进行数据预处理形成历史数据集,包括:
获取能源统计年鉴地区行业能源消耗数据,统计年鉴经济人口数据、IPCC温室气体清单数据;
采集电网本地发电数据、供热数据、外电交换数据、清洁能源发电数据;
将上述获取、统计和采集的数据进行清洗、修正和合并预处理,形成历史数据集。
作为本实施例一种可能的实现方式,所述将上述获取、统计和采集的数据进行清洗、修正和合并预处理,包括:
通过对能源历史数据统计口径检查,采取人工矫正的方式进行对应年度及行业的数据清洗工作;
通过均值、中值填充、临近和线性插值方式对异常波动变化数据进行数据修正;
将能耗数据计量单位统一折算为标准煤。
作为本实施例一种可能的实现方式,所述构建除电力能源外的行业能耗预测模型,包括:
将处理后的行业非电能源数据进行电能关联分析,提取行业用能历史波动、电力占比和电力占比波动特征;
通过皮尔逊算法分析电力消费和非电能源消费关联性,基于强弱相关性构建除电力能源外的行业能耗预测模型。
作为本实施例一种可能的实现方式,所述基于强弱相关性构建除电力能源外的行业能耗预测模型,包括:
基于与电能强相关性建立基于数据拟合的月度能耗预测模型;
基于与电能弱相关性建立年度能耗时序预测模型。
作为本实施例一种可能的实现方式,所述关联性计算公式如下:
其中,x={x1,x2,...,xn}和y={y1,y2,...,yn}分别是电力和行业能源消耗量总体数据;Cov(x,y)是电力和行业能源消耗量总体协方差;σx和σy分别是电力和行业能源消耗量标准差;E(x)和E(y)分别是电力和行业能源消耗量数据组的均值;设定|ρxy|≥0.8为强相关性,|ρxy|<0.8为弱相关性。
作为本实施例一种可能的实现方式,所述计算与电能强相关性行业能源消耗量,包括:采用行业历史用电数据和非电能耗数据运用线性、指数和幂数形式进行关系拟合,根据拟合效果加权综合多种函数获得“电-能”折算等式,得到与电能强相关性行业能源消耗量;
所述能源消耗量的计算公式为:
其中,y是行业能源消耗量数据;x是电力能源消耗量数据;a,b,c是常数系数。
作为本实施例一种可能的实现方式,一种所述计算与电能弱相关行业年度能耗量,包括:
选取灰度预测(GM)、动态回归模型(ARIMAX、SARIMAX)、指数平滑法(SES、ES)和函数拟合算法进行预测;
上述算法通过选取不同时间长度序列,综合多次计算结果取平均值减小预测误差;
根据综合测算效果选取误差小的算法,计算与电能弱相关行业年度能耗量。
作为本实施例一种可能的实现方式,另一种所述计算与电能弱相关行业年度能耗量,包括:
计算形成能耗预测结果与实际能耗量的误差序列,构建马尔可夫模型进行修正,将误差分为n个状态,每一个状态取一个误差修正值Xn,根据历史预测误差统计状态转移概率,并通过计算得到的状态转移矩阵预测下一个状态,进而使用误差修正值Xn对能耗误差进行修正,使得预测能耗量更加接近实际情况。所述马尔可夫修正模型计算公式如下:
P(Xn+1|X1=x1,X2=x2,...,Xn=xn)=P(Xn+1=x|Xn=xn)
其中n是影响转移状态的数目,每个状态的转移只依赖于之前的n个状态。
作为本实施例一种可能的实现方式,所述对电能强相关行业根据相关性公式直接拟合,对电能弱相关行业建立季节和月度的波动趋势预测,得到月度综合分解指数,对与电能弱相关行业年度能耗量进行分解,包括:
对于月度电量和季度经济数据,每4个月计算四项移动平均值,对得到的结果进行中心化处理,即二项移动平均,得到中心化移动平均值CMA;
将原始数据X同得到的月度或季度中心化移动平均值CMA进行比较,得到月度或季度指数Y,即:Y=X/CMA;
将求取到的月份和季度平均值加和再次求取月份或季度总平均值,将每个月份或季节比率的平均值除以月份或季度调整指数,得到修正后的月度或季节指数;
将月度电量指数和季度经济指数相乘得到月度综合分解指数。
将与电能弱相关计算得到的年度能耗数据乘以月度综合分解指数实现能耗数据的月度分解。
作为本实施例一种可能的实现方式,所述根据各个行业能源消耗量计算能源消耗碳排放量,由所有行业能源消耗碳排放量求和获得区域碳排放量,包括:
综合与电能强相关性行业能源消耗量和与电能弱相关行业年度能耗量的计算结果,乘以标准煤碳排放因子得到行业能源消耗的直接碳排放量:
CE直接碳排=EC预测标准煤耗量*CEF标准煤
其中,CE直接碳排为直接碳排放量;EC预测标准煤耗量是能耗预测模型预测的行业标准煤耗量;CEF标准煤为标准煤碳排放系数;
将动态综合碳排放因子与行业用电用热数据相乘,得到行业间接碳排放量:
其中,CE间接碳排为行业一定时间范围内用电用热总碳排放,DCCEFm为动态综合碳排放因子,E行业用电、H行业用热分别为同一时间范围内行业用电量、用热量;
对行业直接碳排放量与行业间接碳排放量进行求和,得到最终区域碳排放量:
其中,CE电力,热力行业为电力、热力行业的直接碳排放量,CE除电力、热力外的行业为除电力、热力行业外的直接碳排放量。
作为本实施例一种可能的实现方式,所述动态综合碳排放因子的计算公式如下:
其中,DCCEFm为m月/周/天动态综合碳排放因子,E外电,i,E清洁能源,i,E火电,i,i分别为区域外电电量、清洁能源发电量、火电发电量,CEF外电,i为外电所属区域电力碳排放因子,FCj为区域发电机组第j类折算标准煤消耗量,H供热,i为i月/周/天热电联产供热量,HV电力为电力热值。
如图2所示,本发明实施例提供的一种基于电力数据的区域行业多维能源碳排放计算装置,包括:
数据采集模块,用于采集能源统计年鉴地区行业能源消耗数据和电网本地数据,并进行数据预处理形成历史数据集;
模型构建模块,用于构建除电力能源外的行业能耗预测模型,计算与电能强相关性行业能源消耗量和与电能弱相关行业年度能耗量;
能耗分解模块,用于对电能强相关行业根据相关性公式直接拟合,对电能弱相关行业建立季节和月度的波动趋势预测,得到月度综合分解指数,对与电能弱相关行业年度能耗量进行分解;
碳排放量计算模块,用于根据各个行业能源消耗量计算能源消耗碳排放量,由所有行业能源消耗碳排放量求和获得区域碳排放量。
如图3所示,采用本发明所述装置进行基于电力数据的区域行业多维能源碳排放计算的具体过程如下。
外部收集能源统计年鉴地区行业能源消耗数据,统计年鉴经济人口数据,IPCC温室气体清单等数据;内部收集电网本地发电数据、供热数据、外电交换数据、清洁能源发电等数据,形成历史数据集。
将收集的7个大行业及工业下属41类子行业化石能源数据进行清洗、修正和合并。通过对化石能源历史数据统计口径检查,采取人工矫正的方式进行对应年度及行业的数据清洗工作;数据异常波动变化,通过均值、中值填充、临近、线性插值等方式进行数据修正;最终将将能耗数据计量单位统一折算为标准煤。
将数据处理后的行业非电能源数据进行电能关联分析,提取行业用能历史波动、电力占比、电力占比波动等特征,通过person等算法分析电力消费和非电能源消费关联性,分强弱相关性构建除电力能源外的行业能耗预测模型。总体皮尔逊person相关系数计算方法如下:
其中,x:{x1,x2,...,xn}和y:{y1,y2,...,yn}分别是电力和行业能源消耗量总体数据;Cov(x,y)是电力和行业能源消耗量总体协方差;σx和σy分别是电力和行业能源消耗量标准差;E(x)和E(y)分别是电力和行业能源消耗量数据组的均值;设定|ρxy|≥0.8为强相关性,|ρxy|<0.8为弱相关性。
其中与电能强相关性建立基于数据拟合的月度能耗预测模型,采用行业历史用电数据和非电能耗数据运用线性、指数、幂数等多种函数形式进行关系拟合,根据拟合效果加权综合多种函数获得“电-能”折算等式,得到与电能强相关性行业能源消耗量。
其中,y是行业能源消耗量数据;x是电力能源消耗量数据;a,b,c是常数系数。
与电能弱相关性建立年度能耗时序预测模型。由于行业能耗数据样本较少且波动形式多变,选取灰度预测(GM)、动态回归模型(ARIMAX、SARIMAX)、指数平滑法(SES、ES)、函数拟合等多种算法进行预测。考虑新旧信息应对预测值的影响程度不同、能耗波动多变等情况,算法通过选取不同时间长度序列,综合多次计算结果取平均值减小预测误差。根据综合测算效果选取误差小的算法,计算与电能弱相关行业年度能耗量。
如图4所示,以灰度预测为例说明年度能耗时序预测模型流程。
计算形成能耗预测结果与实际能耗量的误差序列,构建马尔可夫模型进行修正,将误差分为n个状态,每一个状态取一个误差修正值Xn,根据历史预测误差统计状态转移概率,并通过计算得到的状态转移矩阵预测下一个状态,进而使用误差修正值Xn对能耗误差进行修正,使得预测能耗量更加接近实际情况。马尔可夫修正模型计算公式如下:
P(Xn+1|X1=x1,X2=x2,...,Xn=xn)=P(Xn+1=x|Xn=xn)
其中n是影响转移状态的数目,每个状态的转移只依赖于之前的n个状态。
采用经济、电量、产出等季度、月度数据,对电能强相关行业根据相关性公式直接拟合,对电能弱相关行业建立季节和月度的波动趋势预测,得到月度综合分解指数,对年度能耗量进行分解。月度分解模型如下:
对于月度电量和季度经济数据,每4个月计算四项移动平均值,对得到的结果进行中心化处理,如图5所示,即二项移动平均,得到中心化移动平均值CMA。
将原始数据X同得到的月度或季度中心化移动平均值CMA进行比较,得到月度或季度指数Y,即:Y=X/CMA。将各年度相同月份或者季度的指数加和求取平均值,反映了某一月份或季度的数值占全年平均数值的大小。将求取到的月份和季度平均值加和再次求取月份或季度总平均值,即月份或季度调整指数。将每个月份或季节比率的平均值除以月份或季度调整指数,得到修正后的月度或季节指数。将月度电量指数和季度经济指数相乘得到月度综合分解指数。
将与电能弱相关计算得到的年度能耗数据乘以月度综合分解指数实现能耗数据的月度分解。
综合与电能强相关和与电能弱相关模型计算能耗预测结果,乘以标准煤碳排放因子得到行业能源消耗的直接碳排放。直接碳排计算公式如下:
CE直接碳排=EC预测标准煤耗量*CEF标准煤
其中,CE直接碳排为直接碳排放量;EC预测标准煤耗量是能耗预测模型预测的行业标准煤耗量;CEF标准煤为标准煤碳排放系数。
在计算行业直接碳排放方面为了避免电力和热力能源消耗数据重复计算,对行业电力和热力能耗进行单独计算。考虑不同季节发电结构变化、热电联产等因素,模型提出使用动态综合碳排放因子,用于计算行业电力和热力的综合碳排放量。综合动态综合碳排放因子计算公式如下:
其中,DCCEFm为m月/周/天动态综合碳排放因子,E外电,i,E清洁能源,i,E火电,i,i分别为区域外电电量、清洁能源发电量、火电发电量,CEF外电,i为外电所属区域电力碳排放因子,FCj为区域发电机组第j类折算标准煤消耗量,H供热,i为i月/周/天热电联产供热量,HV电力为电力热值。
将动态综合碳排放因子与行业用电用热数据相乘,得到行业间接碳排放。计算公式如下:
其中,CE间接碳排为行业一定时间范围内用电用热总碳排放,DCCEFm为动态综合碳排放因子,E行业用电、H行业用热分别为同一时间范围内行业用电量、用热量。
行业碳排放等于行业直接碳排放与行业间接碳排放的加和。最终区域碳排放量可由所有行业化石能源消耗碳排放量求和获得,计算公式如下:
其中,CE电力,热力行业为电力、热力行业的直接碳排放量,CE除电力、热力外的行业为除电力、热力行业外的直接碳排放量。
本发明致力于解决电-能源消耗预测、能-碳核算、年度能耗量月度分解三方面问题。首先建立能耗预测模型,从“电-能”直接关联、用能历史规律、用能影响因素三个角度出发,结合电能与能源消耗关联程度,用电力数据实现能耗测算。电-能源消耗预测模型根据行业电能与非电能源进行关联分析构建基于数据拟合的月度能耗预测模型和年度能耗时序预测模型并进行月度能耗分解。第二方面建立能-碳核算模型,预测能耗数据结合化石能源碳排放系数,得到直接碳排放量,动态综合碳排放因子结合行业用电量和用热量得到行业间接碳排放量,综合直接碳排和间接碳排实现碳排放量测算。行业碳排放计算综合了行业直接碳排放和间接碳排放,行业直接碳排放是除电力、热力数据的能源消耗乘以碳排因子,间接碳排放是电热综合碳排因子结合行业用电用热数据。第三方面月度能耗分析模型,根据电能关联程度,强相关可以通过电能拟合直接得到能耗数据,弱相关综合考虑季度经济变化、月度电量变化,建立季节和月度的波动趋势预测,得到月度综合分解指数,对年度能耗数据进行月度分解。
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 (10)
1.一种基于电力数据的区域行业多维能源碳排放计算方法,其特征在于,包括以下步骤:
采集能源统计年鉴地区行业能源消耗数据和电网本地数据,并进行数据预处理形成历史数据集;
构建除电力能源外的行业能耗预测模型,计算与电能强相关性行业能源消耗量和与电能弱相关行业年度能耗量;
对电能强相关行业根据相关性公式直接拟合,对电能弱相关行业建立季节和月度的波动趋势预测,得到月度综合分解指数,对与电能弱相关行业年度能耗量进行分解;
根据各个行业能源消耗量计算能源消耗碳排放量,由所有行业能源消耗碳排放量求和获得区域碳排放量。
2.根据权利要求1所述的基于电力数据的区域行业多维能源碳排放计算方法,其特征在于,所述采集能源统计年鉴地区行业能源消耗数据和电网本地数据,并进行数据预处理形成历史数据集,包括:
获取能源统计年鉴地区行业能源消耗数据,统计年鉴经济人口数据、IPCC温室气体清单数据;
采集电网本地发电数据、供热数据、外电交换数据、清洁能源发电数据;
将上述获取、统计和采集的数据进行清洗、修正和合并预处理,形成历史数据集。
3.根据权利要求2所述的基于电力数据的区域行业多维能源碳排放计算方法,其特征在于,所述将上述获取、统计和采集的数据进行清洗、修正和合并预处理,包括:
通过对能源历史数据统计口径检查,采取人工矫正的方式进行对应年度及行业的数据清洗工作;
通过均值、中值填充、临近和线性插值方式对异常波动变化数据进行数据修正;
将能耗数据计量单位统一折算为标准煤。
4.根据权利要求1所述的基于电力数据的区域行业多维能源碳排放计算方法,其特征在于,所述构建除电力能源外的行业能耗预测模型,包括:
将处理后的行业非电能源数据进行电能关联分析,提取行业用能历史波动、电力占比和电力占比波动特征;
通过皮尔逊算法分析电力消费和非电能源消费关联性,基于强弱相关性构建除电力能源外的行业能耗预测模型。
5.根据权利要求4所述的基于电力数据的区域行业多维能源碳排放计算方法,其特征在于,所述关联性计算公式如下:
其中,x={x1,x2,...,xn}和y={y1,y2,...,yn}分别是电力和行业能源消耗总体数据;Cov(x,y)分别是电力和行业能源消耗量总体协方差;σx和σy分别是电力和行业能源消耗量标准差;E(x)和E(y)分别是电力和行业能源消耗量数据组的均值;设定|ρxy|≥0.8为强相关性,|ρxy|<0.8为弱相关性。
6.根据权利要求1所述的基于电力数据的区域行业多维能源碳排放计算方法,其特征在于,所述计算与电能强相关性行业能源消耗量,包括:采用行业历史用电数据和非电能耗数据运用线性、指数和幂数形式进行关系拟合,根据拟合效果加权综合多种函数获得“电-能”折算等式,得到与电能强相关性行业能源消耗量。
7.根据权利要求1所述的基于电力数据的区域行业多维能源碳排放计算方法,其特征在于,所述计算与电能弱相关行业年度能耗量,包括:
选取灰度预测、动态回归模型、指数平滑法和函数拟合算法进行预测;
上述算法通过选取不同时间长度序列,综合多次计算结果取平均值减小预测误差;
根据综合测算效果选取误差小的算法,计算与电能弱相关行业年度能耗量。
8.根据权利要求1所述的基于电力数据的区域行业多维能源碳排放计算方法,其特征在于,所述对电能强相关行业根据相关性公式直接拟合,对电能弱相关行业建立季节和月度的波动趋势预测,得到月度综合分解指数,对与电能弱相关行业年度能耗量进行分解,包括:
对于月度电量和季度经济数据,每4个月计算四项移动平均值,对得到的结果进行中心化处理,即二项移动平均,得到中心化移动平均值CMA;
将原始数据X同得到的月度或季度中心化移动平均值CMA进行比较,得到月度或季度指数Y,即:Y=X/CMA;
将求取到的月份和季度平均值加和再次求取月份或季度总平均值,将每个月份或季节比率的平均值除以月份或季度调整指数,得到修正后的月度或季节指数;
将月度电量指数和季度经济指数相乘得到月度综合分解指数。
将与电能弱相关计算得到的年度能耗数据乘以月度综合分解指数实现能耗数据的月度分解。
9.根据权利要求1所述的基于电力数据的区域行业多维能源碳排放计算方法,其特征在于,所述根据各个行业能源消耗量计算能源消耗碳排放量,由所有行业能源消耗碳排放量求和获得区域碳排放量,包括:
综合与电能强相关性行业能源消耗量和与电能弱相关行业年度能耗量的计算结果,乘以标准煤碳排放因子得到行业能源消耗的直接碳排放量:
CE直接碳排=EC预测标准煤耗量*CEF标准煤
其中,CE直接碳排为直接碳排放量;EC预测标准煤耗量是能耗预测模型预测的行业标准煤耗量;CEF标准煤为标准煤碳排放系数;
将动态综合碳排放因子与行业用电用热数据相乘,得到行业间接碳排放量:
其中,CE间接碳排为行业一定时间范围内用电用热总碳排放,DCCEFm为动态综合碳排放因子,E行业用电、H行业用热分别为同一时间范围内行业用电量、用热量;
对行业直接碳排放量与行业间接碳排放量进行求和,得到最终区域碳排放量:
其中,CE电力,热力行业为电力、热力行业的直接碳排放量,CE除电力、热力外的行业为除电力、热力行业外的直接碳排放量。
10.一种基于电力数据的区域行业多维能源碳排放计算装置,其特征在于,包括:
数据采集模块,用于采集能源统计年鉴地区行业能源消耗数据和电网本地数据,并进行数据预处理形成历史数据集;
模型构建模块,用于构建除电力能源外的行业能耗预测模型,计算与电能强相关性行业能源消耗量和与电能弱相关行业年度能耗量;
能耗分解模块,用于对电能强相关行业根据相关性公式直接拟合,对电能弱相关行业建立季节和月度的波动趋势预测,得到月度综合分解指数,对与电能弱相关行业年度能耗量进行分解;
碳排放量计算模块,用于根据各个行业能源消耗量计算能源消耗碳排放量,由所有行业能源消耗碳排放量求和获得区域碳排放量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219417.2A CN117251672A (zh) | 2023-09-20 | 2023-09-20 | 基于电力数据的区域行业多维能源碳排放计算方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219417.2A CN117251672A (zh) | 2023-09-20 | 2023-09-20 | 基于电力数据的区域行业多维能源碳排放计算方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117251672A true CN117251672A (zh) | 2023-12-19 |
Family
ID=89128746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311219417.2A Pending CN117251672A (zh) | 2023-09-20 | 2023-09-20 | 基于电力数据的区域行业多维能源碳排放计算方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251672A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909936A (zh) * | 2024-03-20 | 2024-04-19 | 广东电网有限责任公司 | 一种基于时变参数的电能碳相关性建模方法及装置 |
-
2023
- 2023-09-20 CN CN202311219417.2A patent/CN117251672A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909936A (zh) * | 2024-03-20 | 2024-04-19 | 广东电网有限责任公司 | 一种基于时变参数的电能碳相关性建模方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Photovoltaic power forecasting with a hybrid deep learning approach | |
Liu et al. | A comparative study of the data-driven day-ahead hourly provincial load forecasting methods: From classical data mining to deep learning | |
Zhang et al. | Short term wind energy prediction model based on data decomposition and optimized LSSVM | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
Cheng et al. | Probabilistic residential load forecasting based on micrometeorological data and customer consumption pattern | |
CN117251672A (zh) | 基于电力数据的区域行业多维能源碳排放计算方法和装置 | |
CN111600300A (zh) | 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法 | |
CN113159102A (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
CN115600722A (zh) | 企业电碳因子长期预测方法 | |
Liu et al. | Super multi-step wind speed forecasting system with training set extension and horizontal–vertical integration neural network | |
Li et al. | An innovative combined model based on multi-objective optimization approach for forecasting short-term wind speed: A case study in China | |
CN116720985B (zh) | 一种建筑碳排放监测方法及系统 | |
Putra et al. | Modeling of high uncertainty photovoltaic generation in quasi dynamic power flow on distribution systems: A case study in Java Island, Indonesia | |
CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
Agga et al. | Convolutional neural network (cnn) extended architectures for photovoltaic power production forecasting | |
Parreno | Analysis and forecasting of electricity demand in Davao del Sur, Philippines | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
Deng et al. | Coupling framework for a wind speed forecasting model applied to wind energy | |
CN112036713A (zh) | 一种基于主成分分析的煤改电综合效益评价方法和系统 | |
Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
Zhou et al. | A Load Forecasting Framework Considering Hybrid Ensemble Deep Learning with Two-Stage Load Decomposition | |
Liu et al. | A Self-Data-Driven Method for Lifetime Prediction of PV Arrays Considering the Uncertainty and Volatility | |
Tu et al. | Unequal-order grey model with the difference information and its application | |
Rahmah et al. | Prediction of Electrical Energy Consumption of Educational Buildings in the Tropics Using Support Vector Regression (SVR) |
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 |