CN117494931A - 基于电网节点的边际碳排放因子确定方法、系统及设备 - Google Patents

基于电网节点的边际碳排放因子确定方法、系统及设备 Download PDF

Info

Publication number
CN117494931A
CN117494931A CN202311232664.6A CN202311232664A CN117494931A CN 117494931 A CN117494931 A CN 117494931A CN 202311232664 A CN202311232664 A CN 202311232664A CN 117494931 A CN117494931 A CN 117494931A
Authority
CN
China
Prior art keywords
carbon emission
emission factor
marginal
grid node
marginal carbon
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
CN202311232664.6A
Other languages
English (en)
Inventor
雷庆生
张继宏
严道波
余红伟
方华亮
夏勇军
徐文渊
徐骥
郭齐涛
王亚捷
赵爽
王雅文
张籍
王江虹
汪颖翔
李斯吾
迟赫天
陶元
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.)
Hubei Central China Technology Development Of Electric Power Co ltd
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Hubei Central China Technology Development Of Electric Power Co ltd
Economic and Technological Research Institute of State Grid Hubei Electric Power Co 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 Hubei Central China Technology Development Of Electric Power Co ltd, Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Hubei Central China Technology Development Of Electric Power Co ltd
Priority to CN202311232664.6A priority Critical patent/CN117494931A/zh
Publication of CN117494931A publication Critical patent/CN117494931A/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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

一种基于电网节点的边际碳排放因子确定方法、系统及设备，首先计算时间节点内电网节点的边际碳排放率，并排序获得边际碳排放因子序列，形成为边际碳排放因子历史数据库，然后对其内的每个电网节点的边际碳排放因子进行模态分解，最后基于神经网络构建碳排放预测模型进行预测，获得电网节点的边际碳排放因子；本设计在应用中，依据电网节点的历史数据预测每个节点碳排放因子的预测值，通过对电网的节点数据的分解与基于神经网络构建的碳排放因子预测模型进行预测，降低了预测过程中的波动因素的影响，提高了预测的精度，所获得的碳排放因子与企业的匹配程度更高。因此，本发明可以准确预测碳排放因子。

Description

基于电网节点的边际碳排放因子确定方法、系统及设备
技术领域
本发明涉及一种边际碳排放因子确定方法，属于低碳电力技术领域，尤其涉及一种基于电网节点的边际碳排放因子确定方法、系统及设备。
背景技术
用电企业的电力构成均包括一般电力交易与绿电交易，企业用电的绿电部分可通过交易流与结算流进行较清楚的核算，但是企业通常并不知道一般电力交易部分的碳排放因子；目前用电企业通常使用全网的平均排放因子，但是全网的平均排放因子的计算通常局限于全网的平均数据，计算所获得的平均排放因子仅具有一定的参考价值，与用电企业自身的实际状况之间存在一定的偏差，匹配程度较低，不仅无法形成对于企业的有效激励，企业也无法根据排放效率和经济效率合理安排生产，不利于企业核算产品的碳足迹。
公开该背景技术部分的信息仅仅旨在增加对本申请的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的是克服现有技术中存在的上述缺陷与问题，提供一种基于电网节点数据计算并且可以准确预测碳排放因子的一种基于电网节点的边际碳排放因子确定方法、系统及设备。
为实现以上目的，本发明的技术解决方案是：一种基于电网节点的边际碳排放因子确定方法，所述方法包括：
S1、计算时间节点内电网节点的边际碳排放因子，并排序获得边际碳排放因子序列，形成为边际碳排放因子历史数据库；
S2、对边际碳排放因子历史数据库内的每个电网节点的边际碳排放因子进行模态分解，获得若干个不同周期的IMF分量与趋势项；
S3、基于神经网络碳排放因子预测模型，对若干个不同周期的IMF分量与趋势项进行预测，获得电网节点的边际碳排放因子。
所述计算时间节点内电网节点的边际碳排放因子，并排序获得边际碳排放因子序列，形成为边际碳排放因子历史数据库，是指：
将电网节点中每个边际机组的排放强度与其响应比例相乘并累加求和进行计算，获得其边际碳排放率，然后基于时间顺序进行排序，获得电网节点边际碳排放因子序列，并形成为边际碳排放因子历史数据库。
所述对边际碳排放因子历史数据库内的每个电网节点的边际碳排放因子进行模态分解，包括：
S21、分别将不同的白噪声序列添加于边际碳排放因子序列上，并进行EMD经验模态分解，获得不同的若干个IMF分量与趋势项；所述白噪声序列需满足以下条件：
其中：εn为白噪声的波幅，ε为白噪声的标准差，N为白噪声加入次数；
S22、将不同的若干个IMF分量与趋势项进行求平均，获得若干个不同周期的IMF分量与一个趋势项。
所述基于神经网络碳排放因子预测模型，并对若干个不同周期的IMF分量与趋势项进行预测，包括：
S31、将若干个不同周期的IMF分量划分为训练集与测试集；
S32、对训练集中的每个IMF分量建立相应的GRU神经网络并进行训练；
S33、依据电网节点碳排放因子历史数据库对趋势项进行时间序列预测，获得长期趋势分量；
S34、将测试集中的每个IMF分量输入到GRU神经网络中进行预测，获得若干个IMF分量的预测值；
S35、基于求和公式计算若干个IMF分量的预测值与长期趋势分量之和，获得电网节点的边际碳排放因子的最终预测值。
所述步骤S33中，所述依据电网节点碳排放因子历史数据库对趋势项进行时间序列预测，是指：
将趋势项作为中间值，选取其两侧若干时间段内的电网节点碳排放因子历史数据库中的历史负荷数据，并计算其平均值，获得长期趋势分量。
所述步骤S35中，所述求和公式如下：
其中：为电网节点碳排放因子的最终预测值，/>为若干个IMF分量的预测值的和，/>为长期趋势分量的预测值。
所述步骤S3之后，还包括对IMF分量进行影响分析的步骤：
将若干个不同周期的IMF分量进行指标标识为(IMF1，IMF2，…IMFi)，并计算其均值，并对该均值是否区别于0进行t检验，获得短期波动影响序列与重大事件影响序列；其中t检验统计量为：
其中：为指标i的均值，σi为指标i的标准差，n为指标i的样本容量；
若均值在指标i处不为零，则指标i之前的IMF分量为高频分量，即短期波动影响序列；指标i之后的IMF分量为低频分量，即重大事件影响序列。
一种基于电网节点的边际碳排放因子确定系统，所述系统包括：
碳排放因子历史数据数据库构建模块，用于计算时间节点内电网节点的边际碳排放率，并排序获得边际碳排放因子序列，形成为边际碳排放因子历史数据库；
碳排放因子分解模块，用于对边际碳排放因子历史数据库内的每个电网节点的边际碳排放因子进行模态分解；
碳排放因子预测模型构建模块，用于基于神经网络构建碳排放预测模型，并进行电网节点的边际碳排放因子预测。
一种基于电网节点的边际碳排放因子确定系统，所述系统还包括：
碳排放因子影响分析模块，用于对IMF分量进行影响分析，获得短期波动影响序列与重大事件影响序列。
一种基于电网节点的边际碳排放因子确定设备，所述设备包括：
处理器以及存储器；所述存储器用于存储计算机程序代码，并将所述计算机程序代码传输给所述处理器；
所述处理器用于根据所述计算机程序代码中的指令执行所述的基于电网节点的边际碳排放因子确定方法。
与现有技术相比，本发明的有益效果为：
1、本发明一种基于电网节点的边际碳排放因子确定方法、系统及设备中，首先计算时间节点内电网节点的边际碳排放率，并排序获得边际碳排放因子序列，形成为边际碳排放因子历史数据库，然后对其内的每个电网节点的边际碳排放因子进行模态分解，最后基于神经网络构建碳排放预测模型进行预测，获得电网节点的边际碳排放因子；本设计在应用中，依据电网节点的历史数据预测每个节点碳排放因子的预测值，通过对电网的节点数据的分解与基于神经网络构建的碳排放因子预测模型进行预测，降低了预测过程中的波动因素的影响，提高了预测的精度，所获得的碳排放因子与企业的匹配程度更高。因此，本发明可以准确预测碳排放因子。
附图说明
图1是本发明的方法步骤示意图。
图2是本发明的系统结构示意图。
图3是本发明的设备结构示意图。
图4是本发明的碳排放因子预测逻辑示意图。
图5是本发明的实施例2中的忽略输电约束调度的结果示意图。
图6是本发明的实施例2中的考虑输电约束调度的结果示意图。
图中：碳排放因子历史数据数据库构建模块1、碳排放因子分解模块2、碳排放因子预测模型构建模块3、碳排放因子影响分析模块4、处理器5、存储器6、计算机程序代码61。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
实施例1：
参见图1，一种基于电网节点的边际碳排放因子确定方法，所述方法包括：
S1、计算时间节点内电网节点的边际碳排放因子，并排序获得边际碳排放因子序列，形成为边际碳排放因子历史数据库；
进一步的，将电网节点中每个边际机组的排放强度与其响应比例相乘并累加求和进行计算，获得其边际碳排放率，即边际碳排放因子，然后基于时间顺序进行排序，获得电网节点边际碳排放因子序列，并形成为边际碳排放因子历史数据库；该历史数据库中还记录有该节点的时间、名称、节点ID、节点碳排放量、负荷水平、温度、风力、湿度、光照等数据。
针对下一个时间节点边际碳排放因子预测可使用机器学习的方法进行预测，从而更好地激励企业使用低排放的电力，同时也鼓励低排放的电力更多的出力，降低整体电力的排放因子。
S2、对边际碳排放因子历史数据库内的每个电网节点的边际碳排放因子进行模态分解，获得若干个不同周期的IMF分量与趋势项；所述若干个不同周期的IMF分量代表若干个不同发生频率的碳排放因子形成影响因素，所述趋势项代表电网节点碳排放因子的长期内在运行趋势；
进一步的，对边际碳排放因子历史数据库内的每个电网节点的边际碳排放因子进行模态分解，是指：
通过EEMD集成经验模态分解(Ensemble Empirical mode decomposition，EEMD)方法，预先设定白噪声标准差ε为0.2，集成次数ε为100，对电网每个节点的历史碳排放因子序列被自适应地分解成若干个不同周期的IMF和1个趋势项；具体步骤如下：
S21、分别将不同的白噪声序列添加于边际碳排放因子序列上，并进行EMD经验模态分解，获得不同的若干个IMF分量与趋势项；所述白噪声序列需满足以下条件：
其中：εn为白噪声的波幅，ε为白噪声的标准差，N为白噪声加入次数；
其中：所述EDM经验模态分解(Empirical mode decomposition，EMD)，其分解原理如下：
S211、找出原始信号序列X(t)的所有极值，并分别对所有的极大值和极小值用三次样条函数进行插值，拟合构造出X(t)的上包络线Xmax(t)和下包线路Xmin(t)；
S212、根据上、下包络线求得均值，其表达式如下：
m1(t)＝[Xmax(t)+Xmin(t)]/2；
S213、将原始信号序列X(t)去均值m1(t)，获得“潜在IMF”，其表达式如下：
h1(t)＝X(t)-m1(t)；
S214、根据IMF的定义判定“潜在IMF”，若满足定义要求(极值点个数与零点个数的差值为0或1且任意点上的上下包络线均值为0)，则认为h1(t)为IMF，其表达式如下：
c1(t)＝h1(t)；
S215、对残差r1(t)重复进行步骤S211-S214，直至其满足终止条件(一般采用两个连续IMF之间的标准差大小来判断是否终止)；所述残差r1(t)表达式如下：
r1(t)＝X(t)-c1(t)；
S216、当最后的IMF被“筛选”出后，rn(t)即为趋势项，则原信号序列X(t)被EMD分解为：
S22、将不同的若干个IMF分量与趋势项进行求平均，获得若干个不同周期的IMF分量与一个趋势项。
S3、基于神经网络碳排放因子预测模型，对若干个不同周期的IMF分量与趋势项进行预测，获得电网节点边际碳排放因子。
进一步的，基于神经网络碳排放预测模型，并对若干个不同周期的IMF分量与趋势项进行预测，包括：
S31、将若干个不同周期的IMF分量划分为训练集与测试集；
S32、对训练集中的每个IMF分量建立相应的GRU神经网络并进行训练；
S33、依据电网节点碳排放因子历史数据库对趋势项进行时间序列预测，获得长期趋势分量；
进一步的，将趋势项作为中间值，选取其两侧若干时间段内的电网节点碳排放因子历史数据库中的历史负荷数据，并计算其平均值，获得长期趋势分量。
例如：可用每一节点的历史负荷做负荷预测，电网节点A，2022年5月13日早上9点的负荷，使用历史数据进行预测，可用5月13日前10天负荷数据，以及2021年5月13日前10天与后10天数据形成平均值代入，获得长期趋势分量。
S34、将测试集中的每个IMF分量输入到GRU神经网络中进行预测，获得若干个IMF分量的预测值；
S35、基于求和公式计算若干个IMF分量的预测值与长期趋势分量之和，获得电网节点的边际碳排放因子的最终预测值；所述求和公式如下：
其中：为电网节点碳排放因子的最终预测值，/>为若干个IMF分量的预测值的和，/>为长期趋势分量的预测值。
优选的，所述GRU神经网络是通过门控来选择和控制信息流进行信号处理的，其中每个GRU神经元的详细结构原理如下：
1、更新门；
Zt＝σ(xtWz+ht-1Uz)；
其中：Zt为更新门，t为时间步，σ为激活函数，xt为当前神经元的输入，ht-1为上一个时间步的隐藏状态；
其中：Wz∈Rd×h代表输入层到更新门的权重矩阵，d和h分别为输入数据的维度和隐藏层的节点数量；
其中：Uz∈Rh×h代表从上一时刻隐藏状态到该时刻更新门的权重矩阵；
2、重置门；
rt＝σ(xtWr+ht-1Ur)；
其中：Wr∈Rd×h代表从输入层到重置门的权重，Ur∈Rh×h代表从隐藏层到重置门的权重，σ函数将元素的值转换为0到1之间，因此，重置门和更新门的值都在[0,1]内；
3、候选隐藏状态；
其中：为候选隐藏状态，⊙为矩阵的哈达玛乘积；
其中：Wxh∈Rd×h代表从输入层到候选隐藏状态的权重，Whh为从上一时刻隐藏层到下一时刻隐藏层的权重；重置门rt决定了门控制的打开程度，从而控制了从ht-1引入到t时刻候选隐藏层的信息量；如果该元素接近于0，则完全忘记ht-1的信息；
4、隐藏状态；
其中：当前隐藏层状态ht是先前隐藏状态ht-1与当前候选隐藏状态的线性和；当上次信息传递的程度进入当前时间由更新门Zt控制，Zt越接近1，最后一次需要保留的信息越多。
实施例2：
基本内容同实施例1，不同之处在于：
参见图5-图6，电网节点的边际排放率指标可以在一定程度上提供节点处负荷变化带来的排放量变化预测，在此对步骤S1的原理进行说明。
所述边际机组是位于实时调度队列末端的机组，它决定了边际排放因子，并且会随着实时负荷变化而调整出力，将每个边际机组的排放强度和它的响应比例相乘再累加求和，即可得到某节点处的边际碳排放率，即边际碳排放因子，边际碳排放率较高意味着此时边际机组中火电机组的高响应比例，继续增加电力负荷很可能导致排放量的大幅增加。
例如：为了满足节点A在某时刻新增的电力需求，要求边际机组X的出力增加量为新增需求的75％，边际机组Y的出力增加量为新增需求的25％；为了满足节点B在某时刻新增的电力需求，要求边际机组X的出力增加量为新增需求的130％，边际机组Y的出力减少量为新增需求的30％。
假设下一个5分钟区域1负荷增加10MW，电厂A发电容量400MW，报价360元/MWh，碳排放强度750gCO2/KWh(此数据可根据国家生态环保部纳入碳交易市场的机组名录中获得年平均供电碳排放量，如果未来可获得机组的实时碳强度数据可替换为实时数据)；
区域2负荷增加240MW，电厂B发电容量为200MW，报价为410元/MWh，碳排放强度为800gCO2/KWh。两个区域间的输电线容量位200MW。
在忽略输电约束的情况下，市场调度的结果如图5所示，电厂A为边际机组，输出功率为250MW，电厂B未被调度，系统内边际碳排放强度处处相等，都为750gCO2/KWh，价格处处相等，为360元/MWh。
在考虑输电约束的情况下，市场调度结果如图6所示，区域1和区域2之间的潮流不能超过200MW，因此必须调度区域2内的机组以满足区域内负荷的需要，此时区域1和区域2拥有不同的边际机组，决定了不同的节点边际碳排放因子，区域1的边际碳排放因子为电厂A的单位供电碳排放强度750gCO2/KWh，区域2的边际碳排放因子为电厂A与电厂B单位供电碳排放因子的加权平均值(200*750+40*800)/(200+40)＝758.34gCO2/KWh。
实施例3：
基本内容同实施例1，不同之处在于：
电网节点的边际碳排放因子历史数据经EEMD分解成若干个IMF和1个趋势项，每个IMF的周期各不相同；短期碳排放因子波动应该围绕均值上下震荡，而重大事件对碳排放因子会产生一定程度的或正或负经济影响。
根据上述规律，步骤S3之后，还包括对IMF分量进行影响分析的步骤，具体如下：
将若干个不同周期的IMF分量进行指标标识为(IMF1，IMF2，…IMFi)，并计算其均值，并对该均值是否区别于0进行t检验，获得短期波动影响序列与重大事件影响序列；其中t检验统计量为：
其中：为指标i的均值，σi为指标i的标准差，n为指标i的样本容量；
若均值在指标i处不为零，则指标i之前的IMF分量为高频分量，即短期波动影响序列；指标i之后的IMF分量为低频分量，即重大事件影响序列。
例如：均值在IMF4处不为零，则IMF1、IMF2、IMF3代表高频分量，IMF1、IMF2、IMF3之后的代表低频分量。
高频分量的特征是振幅小，频率高，围绕零均值随机波动，是短期波动影响序列，体现了机组的调度行为、短期供需变动(负荷)、当日气温、光照等因素的影响；
低频分量包括季度性波动序列(季节平均温度)、重大冲击波动序列(极端天气)、年度性波动序列(经济增长)等，主要体现了季度性因素、年度性因素、重大事件等因素的影响，是重大事件影响序列。
实施例4：
参见图2，一种基于电网节点的边际碳排放因子确定系统，所述系统包括：
碳排放因子历史数据数据库构建模块1，用于计算时间节点内电网节点的边际碳排放因子，并排序获得边际碳排放因子序列，形成为边际碳排放因子历史数据库；
碳排放因子分解模块2，用于对边际碳排放因子历史数据库内的每个电网节点的边际碳排放因子进行模态分解；
碳排放预测模型构建模块3，用于基于神经网络构建碳排放因子预测模型，并进行电网节点边际碳排放因子预测；
碳排放因子影响分析模块4，用于对IMF分量进行影响分析，获得短期波动影响序列与重大事件影响序列。
实施例5：
参见图3，一种基于电网节点的边际碳排放因子确定设备，所述设备包括：
处理器5以及存储器6；所述存储器6用于存储计算机程序代码61，并将所述计算机程序代码61传输给所述处理器5；
所述处理器5用于根据所述计算机程序代码61中的指令执行所述的基于电网节点的边际碳排放因子确定方法。
一般来说，用以实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAn)、只读存储器(ROn)、可擦式可编程只读存储器(EKROn或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROn)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一个或多个程序设计语言或其组合来编写用以执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Snalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Kython语言和基于TensorFlow、KyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意个类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述设备和非临时性计算机可读存储介质，可以参见对一种基于电网节点的边际碳排放因子确定方法及有益效果的具体描述，在此不再赘述。
尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (10)

1.一种基于电网节点的边际碳排放因子确定方法，其特征在于，所述方法包括：
S1、计算时间节点内电网节点的边际碳排放因子，并排序获得边际碳排放因子序列，形成为边际碳排放因子历史数据库；
S2、对边际碳排放因子历史数据库内的每个电网节点的边际碳排放因子进行模态分解，获得若干个不同周期的IMF分量与趋势项；
S3、基于神经网络碳排放因子预测模型，对若干个不同周期的IMF分量与趋势项进行预测，获得电网节点的边际碳排放因子。
2.根据权利要求1所述的一种基于电网节点的边际碳排放因子确定方法，其特征在于：
所述计算时间节点内电网节点的边际碳排放因子，并排序获得边际碳排放因子序列，形成为边际碳排放因子历史数据库，是指：
将电网节点中每个边际机组的排放强度与其响应比例相乘并累加求和进行计算，获得其边际碳排放率，然后基于时间顺序进行排序，获得电网节点边际碳排放因子序列，并形成为边际碳排放因子历史数据库。
3.根据权利要求1所述的一种基于电网节点的边际碳排放因子确定方法，其特征在于：
所述对边际碳排放因子历史数据库内的每个电网节点的边际碳排放因子进行模态分解，包括：
S21、分别将不同的白噪声序列添加于边际碳排放因子序列上，并进行EMD经验模态分解，获得不同的若干个IMF分量与趋势项；所述白噪声序列需满足以下条件：
其中：εn为白噪声的波幅，ε为白噪声的标准差，N为白噪声加入次数；
S22、将不同的若干个IMF分量与趋势项进行求平均，获得若干个不同周期的IMF分量与一个趋势项。
4.根据权利要求1所述的一种基于电网节点的边际碳排放因子确定方法，其特征在于：
所述基于神经网络碳排放因子预测模型，并对若干个不同周期的IMF分量与趋势项进行预测，包括：
S31、将若干个不同周期的IMF分量划分为训练集与测试集；
S32、对训练集中的每个IMF分量建立相应的GRU神经网络并进行训练；
S33、依据电网节点碳排放因子历史数据库对趋势项进行时间序列预测，获得长期趋势分量；
S34、将测试集中的每个IMF分量输入到GRU神经网络中进行预测，获得若干个IMF分量的预测值；
S35、基于求和公式计算若干个IMF分量的预测值与长期趋势分量之和，获得电网节点的边际碳排放因子的最终预测值。
5.根据权利要求4所述的一种基于电网节点的边际碳排放因子确定方法，其特征在于：
所述步骤S33中，所述依据电网节点碳排放因子历史数据库对趋势项进行时间序列预测，是指：
将趋势项作为中间值，选取其两侧若干时间段内的电网节点碳排放因子历史数据库中的历史负荷数据，并计算其平均值，获得长期趋势分量。
6.根据权利要求4所述的一种基于电网节点的边际碳排放因子确定方法，其特征在于：
所述步骤S35中，所述求和公式如下：
其中：为电网节点碳排放因子的最终预测值，/>为若干个IMF分量的预测值的和，为长期趋势分量的预测值。
7.根据权利要求1所述的一种基于电网节点的边际碳排放因子确定方法，其特征在于：
所述步骤S3之后，还包括对IMF分量进行影响分析的步骤：
将若干个不同周期的IMF分量进行指标标识为(IMF1，IMF2，…IMFi)，并计算其均值，并对该均值是否区别于0进行t检验，获得短期波动影响序列与重大事件影响序列；其中t检验统计量为：
其中：为指标i的均值，σi为指标i的标准差，n为指标i的样本容量；
若均值在指标i处不为零，则指标i之前的IMF分量为高频分量，即短期波动影响序列；指标i之后的IMF分量为低频分量，即重大事件影响序列。
8.一种基于电网节点的边际碳排放因子确定系统，其特征在于，所述系统包括：
碳排放因子历史数据数据库构建模块(1)，计算时间节点内电网节点的边际碳排放因子，并排序获得边际碳排放因子序列，形成为边际碳排放因子历史数据库；
碳排放因子分解模块(2)，用于对边际碳排放因子历史数据库内的每个电网节点的边际碳排放因子进行模态分解；
碳排放因子预测模型构建模块(3)，用于基于神经网络构建碳排放因子预测模型，并进行电网节点的边际碳排放因子预测。
9.一种基于电网节点的边际碳排放因子确定系统，其特征在于，所述系统还包括：
碳排放因子影响分析模块(4)，用于对IMF分量进行影响分析，获得短期波动影响序列与重大事件影响序列。
10.一种基于电网节点的边际碳排放因子确定设备，其特征在于：
所述设备包括处理器(5)以及存储器(6)；所述存储器(6)用于存储计算机程序代码(61)，并将所述计算机程序代码(61)传输给所述处理器(5)；
所述处理器(5)用于根据所述计算机程序代码(61)中的指令执行如权利要求1-7中任一项所述的基于电网节点的边际碳排放因子确定方法。
CN202311232664.6A 2023-09-22 2023-09-22 基于电网节点的边际碳排放因子确定方法、系统及设备 Pending CN117494931A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311232664.6A CN117494931A (zh) 2023-09-22 2023-09-22 基于电网节点的边际碳排放因子确定方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311232664.6A CN117494931A (zh) 2023-09-22 2023-09-22 基于电网节点的边际碳排放因子确定方法、系统及设备

Publications (1)

Publication Number Publication Date
CN117494931A true CN117494931A (zh) 2024-02-02

Family

ID=89675185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311232664.6A Pending CN117494931A (zh) 2023-09-22 2023-09-22 基于电网节点的边际碳排放因子确定方法、系统及设备

Country Status (1)

Country Link
CN (1) CN117494931A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
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
CN117934247A (zh) * 2024-03-22 2024-04-26 广东电网有限责任公司 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN117934247A (zh) * 2024-03-22 2024-04-26 广东电网有限责任公司 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质
CN117934247B (zh) * 2024-03-22 2024-06-25 广东电网有限责任公司 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US8010324B1 (en) Computer-implemented system and method for storing data analysis models
Munkhammar et al. Very short term load forecasting of residential electricity consumption using the Markov-chain mixture distribution (MCM) model
CN117494931A (zh) 基于电网节点的边际碳排放因子确定方法、系统及设备
US7251589B1 (en) Computer-implemented system and method for generating forecasts
JP2020501491A (ja) 動的エネルギーストレージシステム制御のためのシステムおよび方法
CN112488396A (zh) 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法
Zhu et al. Short‐Term Electricity Consumption Forecasting Based on the EMD‐Fbprophet‐LSTM Method
CN108491982A (zh) 一种基于回声状态网络的短期负荷预测方法及系统
Komatsu et al. Peak demand alert system based on electricity demand forecasting for smart meter data
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN115983485A (zh) 一种发电厂碳排放的预测方法及系统
CN114154716B (zh) 一种基于图神经网络的企业能耗预测方法及装置
CN115310685A (zh) 一种基于参数修正的水电机组全生命周期成本计算方法
CN113743667A (zh) 一种台区用电量预测方法、装置、设备及存储介质
CN116865254A (zh) 一种电力负荷指标预测方法、系统、设备及介质
Liu et al. Energy loss calculation of low voltage distribution area based on variational mode decomposition and least squares support vector machine
CN116646917A (zh) 一种校园多步概率电力负荷预测方法及系统
Som Time Load Forecasting: A Smarter Expertise Through Modern Methods
Govender et al. Short-term load forecasting using artificial neural networks and multiple linear regression
Sun et al. A novel grey power-Markov model for the prediction of China’s electricity consumption
Daraghmi et al. Accurate and time‐efficient negative binomial linear model for electric load forecasting in IoE
Shen et al. An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed
Gong et al. Integrated multi-horizon power and energy forecast for aggregated electric water heaters
Amakali Development of models for short-term load forecasting using artificial neural networks
Mansoor et al. Echo State Network Performance in Electrical and Industrial Applications

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