CN117371667A - 碳排放量影响因数的分析方法及相关设备 - Google Patents
碳排放量影响因数的分析方法及相关设备 Download PDFInfo
- Publication number
- CN117371667A CN117371667A CN202311646238.7A CN202311646238A CN117371667A CN 117371667 A CN117371667 A CN 117371667A CN 202311646238 A CN202311646238 A CN 202311646238A CN 117371667 A CN117371667 A CN 117371667A
- Authority
- CN
- China
- Prior art keywords
- influence
- factors
- sampling
- factor
- 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.)
- Granted
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 190
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 185
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 129
- 230000000694 effects Effects 0.000 claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000012795 verification Methods 0.000 claims description 61
- 238000010438 heat treatment Methods 0.000 claims description 45
- 238000005057 refrigeration Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 19
- 238000005338 heat storage Methods 0.000 claims description 16
- 238000001816 cooling Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 12
- 239000002737 fuel gas Substances 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 7
- 230000009290 primary effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 239000000969 carrier Substances 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010206 sensitivity analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical group C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 239000002918 waste heat Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method 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
- G06Q10/06—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
- G06Q50/08—Construction
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种碳排放量影响因数的分析方法及相关设备,所述方法包括获取碳排放量的多种影响因数和每种影响因数对应的多个历史值;对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,其中,每个抽样集合中的历史值对应的影响因数包含所有影响因数;基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量;基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数;基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度,解决了现有技术中确定碳排放量的影响因数的影响程度并不准确的技术问题,通过准确确定影响因数的影响程度,达到精准对碳排量进行控制的目的。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种碳排放量影响因数的分析方法及相关设备。
背景技术
建筑领域的建筑多能源系统是整合建筑利用的多种能源,实现多设备之间协调规划、协同优化和交互响应的一体化能源系统。建筑多能源系统具备多维度、多参数的复杂性,需要识别影响碳排放的影响因数,进而降低建筑多能源系统的碳排放量。
现有技术中,对碳排放量的影响因数的分析方法中,一方面,依赖于影响因数和碳排放量的既有统计数据,推广性和普适性受到一定局限;另一方面,大多采用局部敏感性分析方法,局部敏感性分析方法每次针对单一影响因数的影响程度进行分析时,并没有考虑到上述单一影响因数的数值变化是否受到其他影响因数的影响。但是,上述单一影响因数的数值变化存在可能受到其他影响因数的影响的可能性,如果忽略上述可能性进行分析,对影响因数的影响程度的分析并不精准。
发明内容
有鉴于此,本申请的目的在于提出一种碳排放量影响因数的分析方法及相关设备,以克服现有技术中全部或部分不足。
基于上述目的,本申请提供了一种碳排放量影响因数的分析方法,包括:获取碳排放量的多种影响因数和每种影响因数对应的多个历史值;对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,其中,每个抽样集合中的历史值对应的影响因数包含所有影响因数;基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量;基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数;基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度。
可选地,所述对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,包括:基于多种影响因数的数量,确定每种影响因数对应的分组数量,其中,多种影响因数的数量与每种影响因数对应的分组数量相同;按照所述分组数量,对所述影响因数对应的所有历史值进行分组,并对每个分组中的历史值进行均匀分布处理;对所述分组中的历史值进行抽样,得到多个抽样值,对多个抽样值进行再次抽样,得到所述抽样集合。
可选地,所述历史值包括影响碳排放量的多种设备中每种设备对能源载体的消耗量,每种设备的工作效率和每种设备的外界影响因子;所述基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量,包括:通过以下公式确定所述碳排放量:;
其中,min ECO2为所述碳排放量,N m,t为时刻能源载体m的消耗量,n m,t,i为时刻设备i对能源载体m的消耗量,η i为设备i的工作效率,K i 为设备i的外界影响因子,C m 为能源载体m的预设碳排放因子,L exp i,t 为t时刻设备i的用电显示量,C grid 为向电网输出电力的碳效益,T为总时段,M为多种能源载体的总数量,I为多种设备的总数量。
可选地,所述历史值包括影响碳排放量的多种设备中每种设备对能源载体的消耗量和每种设备的工作效率,所述消耗量包括电网的输出电量,燃气原动机的发电量,光伏的发电量,空气源热泵的制热量,换热器的制热量,地源热泵的制热量,蓄热罐的放热量,电制冷机的制冷量,吸收式制冷机的制冷量,地源热泵的制冷量,蓄冷罐的放冷量;在基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量之前,所述方法包括:对抽样集合中的消耗量进行电力约束验证,若所述消耗量满足下式,则通过所述电力约束验证:;其中,P GRID,t 为t时刻电网的输出电量,E GT,t 为t时刻燃气原动机的发电量,E PV,t 为t时刻光伏的发电量,E disch ES,t 为t时刻蓄电池的放电量,E charge ES,t 为t时刻蓄电池的充电量,P EC,t 为t时刻电制冷机的输入电量,P ASHP,t 为t时刻空气源热泵的输入电量,L exp PV-R,t 为t时刻燃气原动机的剩余电量,L exp GT,t 为t时刻光伏发电的剩余电量,D e t为t时刻建筑的预设电力需求;对抽样集合中的消耗量进行供暖约束验证,若所述消耗量满足下式,则通过所述供暖约束验证:;其中,D ASHP,t 为t时刻空气源热泵的制热量,Q HE,t 为t时刻换热器的制热量,Q h GSHP,t 为t时刻地源热泵的制热量,Q disch TS,t 为t时刻蓄热罐的放热量,Q charge TS,t 为t时刻蓄热罐的蓄热量,D h t为t时刻建筑的预设供暖需求;对抽样集合中的消耗量进行制冷约束验证,若所述消耗量满足下式,则通过所述制冷约束验证:;其中,D EC,t 为t时刻电制冷机的制冷量,Q AC,t 为t时刻吸收式制冷机的制冷量,Q C GSHP,t 为t时刻地源热泵的制冷量,Q disch CS,t 为t时刻蓄冷罐的放冷量,Q charge TC,t 为t时刻蓄冷罐的蓄冷量,D C t为t时刻建筑的预设制冷需求;对抽样集合中的工作效率进行设备约束验证,若所述工作效率满足下式,则通过所述设备约束验证:;其中,Cap i 为设备i的可用容量,Cap i Min 为设备i的最小可用容量,y i 为二进制变量,F i,t 为t时刻设备i的输出能量,η i为设备i的工作效率;响应于确定所述消耗量未通过所述电力约束验证、所述供暖约束验证或所述制冷约束验证,或所述工作效率未通过所述设备约束验证,从多个抽样集合中剔除所述抽样集合。
可选地,所述基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数,包括:通过以下公式确定所述主效应指数:;其中,S j 为所述主效应指数,var(E[minECO2|x j ])为第j个影响因数的期望,j∈k,k为多种影响因数的总数量,V(minECO2)为所述碳排放量的方差,x j 为第j个影响因数对应的历史值,minECO2为所述碳排放量;通过以下公式确定所述总效应指数:;其中,T j 为所述总效应指数,x ~j 为多种影响因数中除第j个影响因数外的其他影响因数对应的历史值,var(E[minECO2|x ~j ])为除第j个影响因数外的其他影响因数的总期望,minECO2为所述碳排放量,V(minECO2)为所述碳排放量的方差。
可选地,还包括:通过以下公式确定所述碳排放量的方差:;其中,V(minECO2)为所述碳排放量的方差,k为多种影响因数的总数量,V j 是第j个影响因数x j 的一阶效应方差;V aj 是第a个影响因数和第j个影响因数的交互项方差;V 1,2,…k 是全部影响因数的交互方差。
可选地,所述基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度,包括:将所有影响因数的主效应指数按照从大到小的顺序排序,得到第一序列;将所有影响因数的总效应指数按照从大到小的顺序排序,得到第二序列;响应于确定所述影响因数在所述第一序列和所述第二序列中的序号相同,基于所述第一序列中的序号或所述第二序列中的序号确定每个影响因数的影响程度,其中,所述第一序列中的序号和所述第二序列中的序号与所述影响程度负相关。
基于同一发明构思,本申请还提供了一种碳排放量影响因数的分析装置,包括:获取模块,被配置为获取碳排放量的多种影响因数和每种影响因数对应的多个历史值;抽样模块,被配置为对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,其中,每个抽样集合中的历史值对应的影响因数包含所有影响因数;第一确定模块,被配置为基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量;第二确定模块,被配置为基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数;第三确定模块,被配置为基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度。
基于同一发明构思,本申请还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上所述的方法。
基于同一发明构思,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行如上所述的方法。
从上面所述可以看出,本申请提供的碳排放量影响因数的分析方法及相关设备,所述方法包括获取碳排放量的多种影响因数和每种影响因数对应的多个历史值;对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,其中,每个抽样集合中的历史值对应的影响因数包含所有影响因数,使得抽样集合具有丰富性。基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量,无需实际测量碳排放量,既节约了人力成本,又使得碳排放量具有准确性。基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数,较为全面的考虑了待分析的影响因数可能受到其他影响因数影响的情况。基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度,达到了准确确定影响因数的影响程度的目的,进而通过每种影响因数的影响程度,精准对碳排量进行控制。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关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申请的实施例,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,还可以根据这些附图获得其他的附图。
图1为本申请实施例的碳排放量影响因数的分析方法的流程示意图;
图2为本申请实施例的碳排放量影响因数的分析装置的结构示意图;
图3为本申请实施例电子设备硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如背景技术部分所述,“双碳”战略倡导绿色、环保、低碳的生活方式,在“双碳”背景下,建筑领域实现低碳发展十分必要,建筑领域的建筑多能源系统是整合建筑利用的多种能源,实现多设备之间协调规划、协同优化和交互响应的一体化能源系统。建筑多能源系统具备多维度、多参数的复杂性,需要识别影响碳排放的影响因数,进而降低建筑多能源系统的碳排放量。
现有技术中,对降低碳排放量的分析方法中,多选取单一经济性指标作为系统评价要素,或将二氧化碳排放指标折合成碳税计入成本费用,较少针对建筑多能源系统的碳排放影响因数进行分析研究。但是,对碳排放量的影响因数的分析方法中也存在缺陷,一方面,依赖于影响因数和碳排放量的既有统计数据,推广性和普适性受到一定局限;另一方面,大多采用局部敏感性分析方法,但是,局部敏感性分析方法通过对单一影响因数进行分析,以确定其影响程度,并没有考虑到上述单一影响因数的数值变化是否受到了其他影响因数的影响,进而对影响因数的影响程度分析并不精准。
有鉴于此,本申请实施例提出了一种碳排放量影响因数的分析方法,参考图1,包括以下步骤:
步骤101,获取碳排放量的多种影响因数和每种影响因数对应的多个历史值。
在该步骤中,碳排放量是指在生产、运输、使用及回收某产品时所产生的温室气体排放量,碳排放量受多种影响因数影响,通过对多种影响因数进行分析,可以获知每种影响因数对碳排放量的贡献量,针对碳排放量的贡献量采取相应措施,进而减少碳排放量,有利于低碳城市的建设。因此,需获取碳排放量的影响因数,以及获取每种影响因数对应的多个历史值,以便后续对每种影响因数进行分析。
多种影响因数与产生碳排放量的设备相关联,示例性的,多种影响因数包括原动机总效率、原动机热电比、余热锅炉效率、吸收式冷水机组性能系数、换热器效率、燃气锅炉效率、地源热泵机组全年综合性能系数、冷水机组性能系数、空气源热泵机组性能系数、光伏系统发电效率等。
步骤102,对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,其中,每个抽样集合中的历史值对应的影响因数包含所有影响因数。
在该步骤中,为了对多种影响因数中每种影响因数的影响程度进行分析,需确定包含所有影响因数以及所有影响因数对应的历史值的集合,以便后续可以获知每个影响因数在所有影响因数中的影响程度。由于每种影响因数具有多个历史值,需对多种影响因数对应的所有历史值进行多轮抽样,确保了对影响因数的分析具有随机性,使得后续针对影响因数的影响程度的分析更可靠。在抽样集合相对多的情况下,分析结果越准确,因此,需获取多个抽样集合。多个抽样集合的数量可以根据影响因数的数量确定。示例性的,所有历史值的总数量大于或等于所有影响因数的数量的预定倍数,预定倍数可以通过历史经验确定。此外,上述抽样方法可以为拉丁超立方抽样方法,在利用拉丁超立方抽样方法对多种影响因数对应的所有历史值进行抽样时,可以通过下式表达:randomLHS(c,k),c为所有历史值的总数量,k为影响因数的数量。对多种影响因数对应的所有历史值进行多轮抽样,抽样集合中的历史值具有随机性,打破了多种影响因数间历史值的固定性,通过相对少的影响因数的历史值,可获取相对多的抽样集合,使得抽样集合具有丰富性。
步骤103,基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量。
在该步骤中,多种影响因数共同决定着碳排放量,因此,需基于抽样集合中的每种影响因数的历史值确定碳排放量。示例性的,建筑物内的碳排放量由建筑物内的多种设备在运行过程中所排放的温室气体确定,多种设备的运行过程受多种影响因数影响,其中,上述多种设备为能够产生碳排放量的设备,例如,上述多种设备包括换热器和燃气锅炉等。通过抽样集合中的每种影响因数的历史值确定碳排放量,无需实际测量碳排放量,既节约了人力成本,又使得碳排放量具有准确性。
步骤104,基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数。
在该步骤中,每种影响因数可能会单独对碳排量造成影响,所以需确定每种因数的主效应指数,以确定每种影响因数单独对碳排放量造成的影响。但是,每种影响因数也可能会和其他因数相互作用而对碳排量造成影响,因此,还需确定每种影响因数的总效应指数。通过确定每种影响因数的主效应指数和总效应指数,较为全面的考虑了待分析的影响因数可能受到其他影响因数影响的情况。
步骤105,基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度。
在该步骤中,通过主效应指数和总效应指数可以衡量每种影响因数的敏感性,即可以确定每种影响因数的影响程度。主效应指数反映了待分析的影响因数单独对碳排量的影响,主效应指数越大,说明上述待分析的影响因数对碳排放量的影响越大,进而在利用影响因数的变化减少碳排放量时,不能忽略上述待分析的影响因数。但是,假如上述待分析的影响因数的主效应指数相对小,在利用影响因数的变化减少碳排放量时,也不能忽略上述待分析的影响因数。因为,上述待分析的影响因数可能会和其他因数相互作用,导致其主效应指数相对小,还需通过总效应指数,考虑待分析的影响因数的数值变化是否受到其他影响因数的影响。通过主效应指数和总效应指数共同确定每种影响因数的影响程度,达到了准确确定影响因数的影响程度的目的,进而通过每种影响因数的影响程度,精准对碳排量进行控制。
通过上述方案,获取碳排放量的多种影响因数和每种影响因数对应的多个历史值;对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,其中,每个抽样集合中的历史值对应的影响因数包含所有影响因数,使得抽样集合具有丰富性。基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量,无需实际测量碳排放量,既节约了人力成本,又使得碳排放量具有准确性。基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数,较为全面的考虑了待分析的影响因数可能受到其他影响因数影响的情况。基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度,达到了准确确定影响因数的影响程度的目的,进而通过每种影响因数的影响程度,精准对碳排量进行控制。
在一些实施例中,所述对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,包括:基于多种影响因数的数量,确定每种影响因数对应的分组数量,其中,多种影响因数的数量与每种影响因数对应的分组数量相同;按照所述分组数量,对所述影响因数对应的所有历史值进行分组,并对每个分组中的历史值进行均匀分布处理;对所述分组中的历史值进行抽样,得到多个抽样值,对多个抽样值进行再次抽样,得到所述抽样集合。
在本实施例中,每种影响因数具有多个历史值,需对每种影响因数的所有历史值进行抽样,进而组成包含所有影响因数对应的历史值的抽样集合。但是,如果对每种影响因数中的所有历史值只进行随机抽样,可能会导致抽样得到的历史值的分布并不合理,存在只集中对某一范围内的历史值进行抽样的可能性,进而影响后续确定的碳排放量的准确性。因此,需要对每种影响因数的历史值进行分组,在每种影响因数的所有历史值中确定最大值和最小值,基于最大值、最小值和分组数量对所有历史值进行分组,其中,分组数量与多种影响因数的数量相同,确保了每种影响因数具有相同的抽样数量,进而使得每种影响因数抽样后得到历史值数量相同。
为了进一步确保抽样的准确性,需要对每个分组中的历史值进行均匀分布处理,通过以下公式对每个分组中的历史值进行均匀分布处理:;其中,F (x)为经过均匀分布处理后的历史值,x为影响因数的历史值,a为影响因数的最小历史值,b为影响因数的最大历史值。示例性的,在影响因数为原动机总效率的情况下,其最小值为0.7,最大值为0.9;在影响因数为原动机热电比的情况下,其最小值为1,最大值为3;在影响因数为余热锅炉效率的情况下,其最小值为0.9,最大值为0.95;在影响因数为吸收式冷水机组性能系数的情况下,其最小值为1.1,最大值为1.4;在影响因数为换热器效率的情况下,其最小值为0.9,最大值为0.95;在影响因数为燃气锅炉效率的情况下,其最小值为0.9,最大值为0.95;在影响因数为地源热泵机组全年综合性能系数的情况下,其最小值为3.8,最大值为6.0;在影响因数为冷水机组性能系数的情况下,其最小值为4.2,最大值6.0;在影响因数为空气源热泵机组性能系数的情况下,其最小值为1.6,最大值为4.0;在影响因数为光伏系统发电效率的情况下,其最小值为0.15,最大值为0.2。针对于每个影响因数,对分组中的历史值进行抽样,得到多个抽样值,多个抽样值来自于每个分组,使得抽样值不集中来源于某一个分组,使得抽样值具有代表性。需确定每个抽样集合中的该影响因数的历史值,因此,需对多个抽样值进行再次抽样,得到抽样集合,使得抽样集合中的历史值既具有代表性,又具有随机性。
在一些实施例中,所述历史值包括影响碳排放量的多种设备中每种设备对能源载体的消耗量,每种设备的工作效率和每种设备的外界影响因子;所述基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量,包括:通过以下公式确定所述碳排放量:;
其中,min ECO2为所述碳排放量,N m,t为时刻能源载体m的消耗量,n m,t,i为时刻设备i对能源载体m的消耗量,η i为设备i的工作效率,K i 为设备i的外界影响因子,C m 为能源载体m的预设碳排放因子,L exp i,t 为t时刻设备i的用电显示量,C grid 为向电网输出电力的碳效益,T为总时段,M为多种能源载体的总数量,I为多种设备的总数量。
在本实施例中,碳排放量由多种影响因数共同计算确定,为了后续基于影响因数减少碳排放量,可以确定由多种影响因数共同计算的碳排放量的最小值,以便在碳排放量达到最小值的情况下,还能进一步减少碳排量的排放。能源载体的消耗量与预设碳排放因子的乘积,即为经由能源载体输入的碳含量,其中,能源载体可以为天然气和电。设备的用电显示量为设备在总时段内的用电量,设备的用电显示量与碳效益的乘积,即为设备所消耗的碳含量。能源载体输入的碳含量减去设备所消耗的碳含量,可得到排放的碳含量,即碳排放量。能源载体的消耗量通过设备对能源载体的消耗量乘以设备的工作效率和设备的外界影响因子确定。设备由于自身的限制,并不会将能源载体完全消耗,因此,设备对能源载体的消耗量与设备的工作效率的乘积,可以确定能源载体的实际消耗量;能源载体的实际消耗量也受到设备的外界影响因子影响,因此,上述实际消耗量也需乘以外界影响因子,其中,外界影响因子为来源于外界的影响,与设备的自身工作性能无关。通过多种影响因数共同计算碳排放量,将碳排放量数值化,达到了准确确定碳排放量的目的。
在一些实施例中,所述历史值包括影响碳排放量的多种设备中每种设备对能源载体的消耗量和每种设备的工作效率,所述消耗量包括电网的输出电量,燃气原动机的发电量,光伏的发电量,空气源热泵的制热量,换热器的制热量,地源热泵的制热量,蓄热罐的放热量,电制冷机的制冷量,吸收式制冷机的制冷量,地源热泵的制冷量,蓄冷罐的放冷量;在基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量之前,所述方法包括:对抽样集合中的消耗量进行电力约束验证,若所述消耗量满足下式,则通过所述电力约束验证:;其中,P GRID,t 为t时刻电网的输出电量,E GT,t 为t时刻燃气原动机的发电量,E PV,t 为t时刻光伏的发电量,E disch ES,t 为t时刻蓄电池的放电量,E charge ES,t 为t时刻蓄电池的充电量,P EC,t 为t时刻电制冷机的输入电量,P ASHP,t 为t时刻空气源热泵的输入电量,L exp PV-R,t 为t时刻燃气原动机的剩余电量,L exp GT,t 为t时刻光伏发电的剩余电量,D e t为t时刻建筑的预设电力需求;对抽样集合中的消耗量进行供暖约束验证,若所述消耗量满足下式,则通过所述供暖约束验证:;其中,D ASHP,t 为t时刻空气源热泵的制热量,Q HE,t 为t时刻换热器的制热量,Q h GSHP,t 为t时刻地源热泵的制热量,Q disch TS,t 为t时刻蓄热罐的放热量,Q charge TS,t 为t时刻蓄热罐的蓄热量,D h t为t时刻建筑的预设供暖需求;对抽样集合中的消耗量进行制冷约束验证,若所述消耗量满足下式,则通过所述制冷约束验证:;其中,D EC,t 为t时刻电制冷机的制冷量,Q AC,t 为t时刻吸收式制冷机的制冷量,Q C GSHP,t 为t时刻地源热泵的制冷量,Q disch CS,t 为t时刻蓄冷罐的放冷量,Q charge TC,t 为t时刻蓄冷罐的蓄冷量,D C t为t时刻建筑的预设制冷需求;对抽样集合中的工作效率进行设备约束验证,若所述工作效率满足下式,则通过所述设备约束验证:;其中,Cap i 为设备i的可用容量,Cap i Min 为设备i的最小可用容量,y i 为二进制变量,F i,t 为t时刻设备i的输出能量,η i为设备i的工作效率;响应于确定所述消耗量未通过所述电力约束验证、所述供暖约束验证或所述制冷约束验证,或所述工作效率未通过所述设备约束验证,从多个抽样集合中剔除所述抽样集合。
在本实施例中,由于多个抽样集合具有随机性,为了确保抽样集合中的历史值具有合理性,需对抽样集合中的历史值进行约束验证。需确保设备对能源载体的消耗量减去设备的使用量,得到的剩余量还能满足建筑物的能源需求。对抽样集合中的消耗量进行电力约束验证,设备对电力的消耗量减去设备使用的电量即可得到建筑物的电力需求,如果上述电力需求小于建筑物的预设电力需求,说明电力的剩余量并不能满足建筑物的电力需求,则消耗量未通过电力约束验证。对抽样集合中的消耗量进行供暖约束验证,设备对消耗能源载体产生的热量减去设备存储的热量即可得到建筑物的供暖需求,如果上述供暖需求小于建筑物的预设供暖需求,说明并不能满足建筑物的供暖需求,则消耗量未通过供暖约束验证。对抽样集合中的消耗量进行制冷约束验证,设备对消耗能源载体产生的制冷量减去设备存储的制冷量即可得到建筑物的制冷需求,如果上述制冷需求小于建筑物的预设制冷需求,说明并不能满足建筑物的制冷需求,则消耗量未通过制冷约束验证。对抽样集合中的工作效率进行设备约束验证,设备的能量需先存储至设备后再输出至建筑物内,因此,设备的可用容量需大于或等于设备中存储能量所需的容量。设备输出的能量与设备的工作效率即可得到设备的存储能量,如果设备的存储能量所需的容量大于设备的可用容量,说明并不满足设备约束,则工作效率未通过设备约束验证。响应于确定消耗量未通过电力约束验证、供暖约束验证或制冷约束验证,或工作效率未通过设备约束验证,从多个抽样集合中剔除抽样集合,使得抽样集合中的历史值具有可靠性。
需要说明的是,如果通过全部约束验证的抽样集合数量小于或等于预定数量,需对每种因数的全部历史值按照前述技术手段重新进行抽样,以确保基于满足预设数量的抽样集合准确确定碳排放量,其中,预设数量根据历史经验确定。
在一些实施例中,所述基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数,包括:通过以下公式确定所述主效应指数:;其中,S j 为所述主效应指数,var(E[minECO2|x j ])为第j个影响因数的期望,j∈k,k为多种影响因数的总数量,V(minECO2)为所述碳排放量的方差,x j 为第j个影响因数对应的历史值,minECO2为所述碳排放量;通过以下公式确定所述总效应指数:;其中,T j 为所述总效应指数,x ~j 为多种影响因数中除第j个影响因数外的其他影响因数对应的历史值,var(E[minECO2|x ~j ])为除第j个影响因数外的其他影响因数的总期望,minECO2为所述碳排放量,V(minECO2)为所述碳排放量的方差。
在本实施例中,计算得到的主效应指数体现了待分析的影响因数对碳排放量的方差的主要贡献,是衡量待分析的影响因数独自作用时对碳排放量的方差的影响程度,其中,主效应指数的取值范围在内。计算得到的总效应指数体现了影响因数间的相互作用的效应,其中,总效应指数的取值范围在内。通过将主效应指数和总效应指数数值化,可以得到准确的主效应指数和总效应指数。
在一些实施例中,通过以下公式确定所述碳排放量的方差:;其中,V(minECO2)为所述碳排放量的方差,k为多种影响因数的总数量,V j 是第j个影响因数x j 的一阶效应方差;V aj 是第a个影响因数和第j个影响因数的交互项方差;V 1,2,…k 是全部影响因数的交互方差。
在本实施例中,前述中的碳排放量计算公式输入至R语言平台,经由R语言平台中的分析方法可以分解为低维自变量集函数的公式:
;
其中,f(x 1 ,x 2 ,…,x k )为单个影响因数对应的碳排放量的方差和多个影响因数间对应的碳排放量的方差的和值,xj为第j个影响因数对应的历史值,k为多种影响因数的数量,xi为第i个影响因数对应的历史值,xk为第k个影响因数对应的历史值,f 0 为所述多种影响因数的预设截距。经由上述公式可以分离出多个影响因数间对应的碳排放量的方差的计算公式,即为碳排放量的方差的计算公式。碳排放量的方差需体现多种影响因数间的共同影响,在对多种影响因数的影响程度分析时,碳排放量的方差才能更具有代表性。因此,需分离得到多个影响因数间对应的碳排放量的方差的计算公式,进而使得碳排放量的方差具有代表性和准确性。
在一些实施例中,所述基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度,包括:将所有影响因数的主效应指数按照从大到小的顺序排序,得到第一序列;将所有影响因数的总效应指数按照从大到小的顺序排序,得到第二序列;响应于确定所述影响因数在所述第一序列和所述第二序列中的序号相同,基于所述第一序列中的序号或所述第二序列中的序号确定每个影响因数的影响程度,其中,所述第一序列中的序号和所述第二序列中的序号与所述影响程度负相关。
在本实施例中,为了体现影响因数在所有影响因数中的影响程度,需对全部影响因数的主效应指数和总效应指数分别进行排序,得到所有影响因数的主效应指数关联的第一序列和所述有因数的总效应指数关联的第二序列。响应于确定该影响因数在第一序列和第二序列中的序号相同,说明该影响因数单独对碳排放量造成了影响,并不是和其他影响因数相互作用才对碳排放量造成了影响,因此,可以基于该影响因数的第一排序的序号或第二排序的序号确定该影响因数的影响程度。该影响因数的序号越大,说明该影响因数在碳排放量的方差中占比相对大,进而对碳排放量的影响程度相对大,达到了准确确定影响因数的影响程度的目的。
需要说明的是,响应于确定该影响因数在第一序列和第二序列中的序号不相同,说明该影响因数是与其他影响因数相互作用才对碳排放量造成了影响,此时,还需对该影响因数的影响程度进行进一步分析,以确保准确确定碳排放量的影响程度。
需要说明的是,本申请实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种碳排放量影响因数的分析装置。
参考图2,所述碳排放量影响因数的分析装置,包括:
获取模块10,被配置为获取碳排放量的多种影响因数和每种影响因数对应的多个历史值。
抽样模块20,被配置为对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,其中,每个抽样集合中的历史值对应的影响因数包含所有影响因数。
第一确定模块30,被配置为基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量。
第二确定模块40,被配置为基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数。
第三确定模块50,被配置为基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度。
通过上述装置,获取碳排放量的多种影响因数和每种影响因数对应的多个历史值;对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,其中,每个抽样集合中的历史值对应的影响因数包含所有影响因数,使得抽样集合具有丰富性。基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量,无需实际测量碳排放量,既节约了人力成本,又使得碳排放量具有准确性。基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数,较为全面的考虑了待分析的影响因数可能受到其他影响因数影响的情况。基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度,达到了准确确定影响因数的影响程度的目的,进而通过每种影响因数的影响程度,精准对碳排量进行控制。
在一些实施例中,所述抽样模块20,还被配置为基于多种影响因数的数量,确定每种影响因数对应的分组数量,其中,多种影响因数的数量与每种影响因数对应的分组数量相同;按照所述分组数量,对所述影响因数对应的所有历史值进行分组,并对每个分组中的历史值进行均匀分布处理;对所述分组中的历史值进行抽样,得到多个抽样值,对多个抽样值进行再次抽样,得到所述抽样集合。
在一些实施例中,所述第一确定模块30,还被配置为所述历史值包括影响碳排放量的多种设备中每种设备对能源载体的消耗量,每种设备的工作效率和每种设备的外界影响因子;通过以下公式确定所述碳排放量:;
其中,min ECO2为所述碳排放量,N m,t为时刻能源载体m的消耗量,n m,t,i为时刻设备i对能源载体m的消耗量,η i为设备i的工作效率,K i 为设备i的外界影响因子,C m 为能源载体m的预设碳排放因子,L exp i,t 为t时刻设备i的用电显示量,C grid 为向电网输出电力的碳效益,T为总时段,M为多种能源载体的总数量,I为多种设备的总数量。
在一些实施例中,还包括验证模块,所述验证模块还被配置为所述历史值包括影响碳排放量的多种设备中每种设备对能源载体的消耗量和每种设备的工作效率,所述消耗量包括电网的输出电量,燃气原动机的发电量,光伏的发电量,空气源热泵的制热量,换热器的制热量,地源热泵的制热量,蓄热罐的放热量,电制冷机的制冷量,吸收式制冷机的制冷量,地源热泵的制冷量,蓄冷罐的放冷量;在基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量之前,对抽样集合中的消耗量进行电力约束验证,若所述消耗量满足下式,则通过所述电力约束验证:;其中,P GRID,t 为t时刻电网的输出电量,E GT,t 为t时刻燃气原动机的发电量,E PV,t 为t时刻光伏的发电量,E disch ES,t 为t时刻蓄电池的放电量,E charge ES,t 为t时刻蓄电池的充电量,P EC,t 为t时刻电制冷机的输入电量,P ASHP,t 为t时刻空气源热泵的输入电量,L exp PV-R,t 为t时刻燃气原动机的剩余电量,L exp GT,t 为t时刻光伏发电的剩余电量,D e t为t时刻建筑的预设电力需求;对抽样集合中的消耗量进行供暖约束验证,若所述消耗量满足下式,则通过所述供暖约束验证:;其中,D ASHP,t 为t时刻空气源热泵的制热量,Q HE,t 为t时刻换热器的制热量,Q h GSHP,t 为t时刻地源热泵的制热量,Q disch TS,t 为t时刻蓄热罐的放热量,Q charge TS,t 为t时刻蓄热罐的蓄热量,D h t为t时刻建筑的预设供暖需求;对抽样集合中的消耗量进行制冷约束验证,若所述消耗量满足下式,则通过所述制冷约束验证:;其中,D EC,t 为t时刻电制冷机的制冷量,Q AC,t 为t时刻吸收式制冷机的制冷量,Q C GSHP,t 为t时刻地源热泵的制冷量,Q disch CS,t 为t时刻蓄冷罐的放冷量,Q charge TC,t 为t时刻蓄冷罐的蓄冷量,D C t为t时刻建筑的预设制冷需求;对抽样集合中的工作效率进行设备约束验证,若所述工作效率满足下式,则通过所述设备约束验证:;其中,Cap i 为设备i的可用容量,Cap i Min 为设备i的最小可用容量,y i 为二进制变量,F i,t 为t时刻设备i的输出能量,η i为设备i的工作效率;响应于确定所述消耗量未通过所述电力约束验证、所述供暖约束验证或所述制冷约束验证,或所述工作效率未通过所述设备约束验证,从多个抽样集合中剔除所述抽样集合。
在一些实施例中,所述第二确定模块40,还被配置为通过以下公式确定所述主效应指数:;其中,S j 为所述主效应指数,var(E[minECO2|x j ])为第j个影响因数的期望,j∈k,k为多种影响因数的总数量,V(minECO2)为所述碳排放量的方差,x j 为第j个影响因数对应的历史值,minECO2为所述碳排放量;通过以下公式确定所述总效应指数:/>;其中,T j 为所述总效应指数,x ~j 为多种影响因数中除第j个影响因数外的其他影响因数对应的历史值,var(E[minECO2|x ~j ])为除第j个影响因数外的其他影响因数的总期望,minECO2为所述碳排放量,V(minECO2)为所述碳排放量的方差。
在一些实施例中,所述第二确定模块40,还被配置为通过以下公式确定所述碳排放量的方差:;其中,V(minECO2)为所述碳排放量的方差,k为多种影响因数的总数量,V j 是第j个影响因数x j 的一阶效应方差;V aj 是第a个影响因数和第j个影响因数的交互项方差;V 1,2,…k 是全部影响因数的交互方差。
在一些实施例中,所述第三确定模块50,还被配置为将所有影响因数的主效应指数按照从大到小的顺序排序,得到第一序列;将所有影响因数的总效应指数按照从大到小的顺序排序,得到第二序列;响应于确定所述影响因数在所述第一序列和所述第二序列中的序号相同,基于所述第一序列中的序号或所述第二序列中的序号确定每个影响因数的影响程度,其中,所述第一序列中的序号和所述第二序列中的序号与所述影响程度负相关。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的碳排放量影响因数的分析方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种电子设备,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程序时实现上任意一实施例所述的碳排放量影响因数的分析方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图, 该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(RandomAccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的碳排放量影响因数的分析方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的碳排放量影响因数的分析方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的碳排放量影响因数的分析方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种碳排放量影响因数的分析方法,其特征在于,包括:
获取碳排放量的多种影响因数和每种影响因数对应的多个历史值;
对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,其中,每个抽样集合中的历史值对应的影响因数包含所有影响因数;
基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量;
基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数;
基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度。
2.根据权利要求1所述的方法,其特征在于,所述对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,包括:
基于多种影响因数的数量,确定每种影响因数对应的分组数量,其中,多种影响因数的数量与每种影响因数对应的分组数量相同;
按照所述分组数量,对所述影响因数对应的所有历史值进行分组,并对每个分组中的历史值进行均匀分布处理;
对所述分组中的历史值进行抽样,得到多个抽样值,对多个抽样值进行再次抽样,得到所述抽样集合。
3.根据权利要求1所述的方法,其特征在于,所述历史值包括影响碳排放量的多种设备中每种设备对能源载体的消耗量,每种设备的工作效率和每种设备的外界影响因子;
所述基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量,包括:
通过以下公式确定所述碳排放量:
;
其中,min ECO2为所述碳排放量,N m,t为时刻能源载体m的消耗量,n m,t,i为时刻设备i对能源载体m的消耗量,η i为设备i的工作效率,K i 为设备i的外界影响因子,C m 为能源载体m的预设碳排放因子,L exp i,t 为t时刻设备i的用电显示量,C grid 为向电网输出电力的碳效益,T为总时段,M为多种能源载体的总数量,I为多种设备的总数量。
4.根据权利要求1所述的方法,其特征在于,所述历史值包括影响碳排放量的多种设备中每种设备对能源载体的消耗量和每种设备的工作效率,所述消耗量包括电网的输出电量,燃气原动机的发电量,光伏的发电量,空气源热泵的制热量,换热器的制热量,地源热泵的制热量,蓄热罐的放热量,电制冷机的制冷量,吸收式制冷机的制冷量,地源热泵的制冷量,蓄冷罐的放冷量;
在基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量之前,所述方法包括:
对抽样集合中的消耗量进行电力约束验证,若所述消耗量满足下式,则通过所述电力约束验证:
;
其中,P GRID,t 为t时刻电网的输出电量,E GT,t 为t时刻燃气原动机的发电量,E PV,t 为t时刻光伏的发电量,E disch ES,t 为t时刻蓄电池的放电量,E charge ES,t 为t时刻蓄电池的充电量,P EC,t 为t时刻电制冷机的输入电量,P ASHP,t 为t时刻空气源热泵的输入电量,L exp PV-R,t 为t时刻燃气原动机的剩余电量,L exp GT,t 为t时刻光伏发电的剩余电量,D e t为t时刻建筑的预设电力需求;
对抽样集合中的消耗量进行供暖约束验证,若所述消耗量满足下式,则通过所述供暖约束验证:
;
其中,D ASHP,t 为t时刻空气源热泵的制热量,Q HE,t 为t时刻换热器的制热量,Q h GSHP,t 为t时刻地源热泵的制热量,Q disch TS,t 为t时刻蓄热罐的放热量,Q charge TS,t 为t时刻蓄热罐的蓄热量,D h t为t时刻建筑的预设供暖需求;
对抽样集合中的消耗量进行制冷约束验证,若所述消耗量满足下式,则通过所述制冷约束验证:
;
其中,D EC,t 为t时刻电制冷机的制冷量,Q AC,t 为t时刻吸收式制冷机的制冷量,Q C GSHP,t 为t时刻地源热泵的制冷量,Q disch CS,t 为t时刻蓄冷罐的放冷量,Q charge TC,t 为t时刻蓄冷罐的蓄冷量,D C t为t时刻建筑的预设制冷需求;
对抽样集合中的工作效率进行设备约束验证,若所述工作效率满足下式,则通过所述设备约束验证:
;
其中,Cap i 为设备i的可用容量,Cap i Min 为设备i的最小可用容量,y i 为二进制变量,F i,t 为t时刻设备i的输出能量,η i为设备i的工作效率;
响应于确定所述消耗量未通过所述电力约束验证、所述供暖约束验证或所述制冷约束验证,或所述工作效率未通过所述设备约束验证,从多个抽样集合中剔除所述抽样集合。
5.根据权利要求1所述的方法,其特征在于,所述基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数,包括:
通过以下公式确定所述主效应指数:
;
其中,S j 为所述主效应指数,var(E[minECO2|x j ])为第j个影响因数的期望,j∈k,k为多种影响因数的总数量,V(minECO2)为所述碳排放量的方差,x j 为第j个影响因数对应的历史值,minECO2为所述碳排放量;
通过以下公式确定所述总效应指数:
;
其中,T j 为所述总效应指数,x ~j 为多种影响因数中除第j个影响因数外的其他影响因数对应的历史值,var(E[minECO2|x ~j ])为除第j个影响因数外的其他影响因数的总期望,minECO2为所述碳排放量,V(minECO2)为所述碳排放量的方差。
6.根据权利要求5所述的方法,其特征在于,还包括:
通过以下公式确定所述碳排放量的方差:
;
其中,V(minECO2)为所述碳排放量的方差,k为多种影响因数的总数量,V j 是第j个影响因数x j 的一阶效应方差;V aj 是第a个影响因数和第j个影响因数的交互项方差;V 1,2,…k 是全部影响因数的交互方差。
7.根据权利要求1所述的方法,其特征在于,所述基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度,包括:
将所有影响因数的主效应指数按照从大到小的顺序排序,得到第一序列;
将所有影响因数的总效应指数按照从大到小的顺序排序,得到第二序列;
响应于确定所述影响因数在所述第一序列和所述第二序列中的序号相同,基于所述第一序列中的序号或所述第二序列中的序号确定每个影响因数的影响程度,其中,所述第一序列中的序号和所述第二序列中的序号与所述影响程度负相关。
8.一种碳排放量影响因数的分析装置,其特征在于,包括:
获取模块,被配置为获取碳排放量的多种影响因数和每种影响因数对应的多个历史值;
抽样模块,被配置为对多种影响因数对应的所有历史值进行多轮抽样,得到多个抽样集合,其中,每个抽样集合中的历史值对应的影响因数包含所有影响因数;
第一确定模块,被配置为基于所述抽样集合中的每种影响因数的历史值,确定所述抽样集合对应的碳排放量;
第二确定模块,被配置为基于多个抽样集合和与其对应的碳排放量,确定每种影响因数的主效应指数和总效应指数;
第三确定模块,被配置为基于所述主效应指数和所述总效应指数,确定每种影响因数的影响程度。
9.一种电子设备,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程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,其特征在于,所述计算机指令用于使计算机执行权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311646238.7A CN117371667B (zh) | 2023-12-04 | 2023-12-04 | 碳排放量影响因数的分析方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311646238.7A CN117371667B (zh) | 2023-12-04 | 2023-12-04 | 碳排放量影响因数的分析方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117371667A true CN117371667A (zh) | 2024-01-09 |
CN117371667B CN117371667B (zh) | 2024-03-12 |
Family
ID=89398760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311646238.7A Active CN117371667B (zh) | 2023-12-04 | 2023-12-04 | 碳排放量影响因数的分析方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117371667B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781272A (zh) * | 2022-05-11 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 碳排放量预测方法、装置、设备及存储介质 |
CN114819668A (zh) * | 2022-05-05 | 2022-07-29 | 国网安徽省电力有限公司经济技术研究院 | 一种基于电力碳排放分析的能源系统碳排放影响力分析方法 |
CN115907173A (zh) * | 2022-11-29 | 2023-04-04 | 安徽南瑞中天电力电子有限公司 | 一种基于stirpat模型的碳峰值预测方法、系统和装置 |
CN115936390A (zh) * | 2022-12-26 | 2023-04-07 | 国网内蒙古东部电力有限公司供电服务监管与支持中心 | 基于动态碳排放因子的综合能源系统低碳需求响应方法 |
CN116227674A (zh) * | 2022-12-29 | 2023-06-06 | 沈阳化工大学 | 一种基于在线更新模型的碳排放预测方法 |
US20230186173A1 (en) * | 2021-12-14 | 2023-06-15 | Wuhan University | Method of analyzing influence factor for predicting carbon dioxide concentration of any spatiotemporal position |
CN116451855A (zh) * | 2023-04-07 | 2023-07-18 | 清云智通(北京)科技有限公司 | 面向工业园区的碳排放量预测方法及相关设备 |
WO2023160283A1 (zh) * | 2022-02-24 | 2023-08-31 | 清华大学 | 基于碳排放流的碳排放响应计算方法及装置 |
CN116843187A (zh) * | 2023-02-14 | 2023-10-03 | 江西思极智云数字科技有限公司 | 一种区域能源碳排放管理系统及管理方法 |
CN117114184A (zh) * | 2023-08-24 | 2023-11-24 | 国网天津市电力公司电力科学研究院 | 一种城市碳排放影响因素特征提取与中长期预测方法及装置 |
-
2023
- 2023-12-04 CN CN202311646238.7A patent/CN117371667B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230186173A1 (en) * | 2021-12-14 | 2023-06-15 | Wuhan University | Method of analyzing influence factor for predicting carbon dioxide concentration of any spatiotemporal position |
WO2023160283A1 (zh) * | 2022-02-24 | 2023-08-31 | 清华大学 | 基于碳排放流的碳排放响应计算方法及装置 |
CN114819668A (zh) * | 2022-05-05 | 2022-07-29 | 国网安徽省电力有限公司经济技术研究院 | 一种基于电力碳排放分析的能源系统碳排放影响力分析方法 |
CN114781272A (zh) * | 2022-05-11 | 2022-07-22 | 平安国际智慧城市科技股份有限公司 | 碳排放量预测方法、装置、设备及存储介质 |
CN115907173A (zh) * | 2022-11-29 | 2023-04-04 | 安徽南瑞中天电力电子有限公司 | 一种基于stirpat模型的碳峰值预测方法、系统和装置 |
CN115936390A (zh) * | 2022-12-26 | 2023-04-07 | 国网内蒙古东部电力有限公司供电服务监管与支持中心 | 基于动态碳排放因子的综合能源系统低碳需求响应方法 |
CN116227674A (zh) * | 2022-12-29 | 2023-06-06 | 沈阳化工大学 | 一种基于在线更新模型的碳排放预测方法 |
CN116843187A (zh) * | 2023-02-14 | 2023-10-03 | 江西思极智云数字科技有限公司 | 一种区域能源碳排放管理系统及管理方法 |
CN116451855A (zh) * | 2023-04-07 | 2023-07-18 | 清云智通(北京)科技有限公司 | 面向工业园区的碳排放量预测方法及相关设备 |
CN117114184A (zh) * | 2023-08-24 | 2023-11-24 | 国网天津市电力公司电力科学研究院 | 一种城市碳排放影响因素特征提取与中长期预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117371667B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103853106B (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
CN107425520B (zh) | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 | |
CN114037585A (zh) | 碳数据处理、交互与展示方法、电子设备以及存储介质 | |
CN113256033B (zh) | 基于模态互补的发电站选址定容方法、装置、系统及介质 | |
CN113205225A (zh) | 一种碳排放达峰的关键因子识别方法、系统及数据平台 | |
CN111711209B (zh) | 基于储能寿命和调频性能的光储充联合运行方法及系统 | |
CN116304669A (zh) | 一种短期校正的分布式光伏功率预测方法及系统 | |
CN116933157A (zh) | 一种窃电检测方法 | |
CN113295826B (zh) | 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法 | |
CN112257964B (zh) | 一种负荷密集型城市智慧园区需求聚合建模方法 | |
CN117371667B (zh) | 碳排放量影响因数的分析方法及相关设备 | |
CN109728607B (zh) | 一种风电消纳评估方法及装置 | |
CN110909916A (zh) | 一种基于熵权法的风力发电月度电量区间预测方法 | |
CN113608434B (zh) | 一种综合能源系统异质能流联动优化平台 | |
CN116307954A (zh) | 一种基于模块化的综合能源系统自动优化调度方法和系统 | |
CN115932706A (zh) | 一种电能表数据分析方法、电能表以及存储介质 | |
CN115776138A (zh) | 一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置 | |
Zarate Perez et al. | Evolution of smart grid assessment methods: science mapping and performance analysis | |
CN112613670A (zh) | 一种基于权重分配预测电力用户需量的装置及方法 | |
CN116894568B (zh) | 一种充电桩的碳排放综合管理预测方法及存储介质 | |
Ku et al. | Self-learning mechanism for prediction of energy consumption and generation | |
US20240054322A1 (en) | Targeted Energy Usage Device Presence Detection Using Multiple Trained Machine Learning Models | |
CN115826909B (zh) | 基于大数据分析的窃电检测系统 | |
CN117689272B (zh) | 衡量esg换电系统价值的方法、电子设备及存储介质 | |
CN114243695B (zh) | 一种基于双向长短时记忆神经网络的电力负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |