CN118195337A - 一种基于自回归分布滞后模型的电碳排放预测方法和系统 - Google Patents
一种基于自回归分布滞后模型的电碳排放预测方法和系统 Download PDFInfo
- Publication number
- CN118195337A CN118195337A CN202410156096.4A CN202410156096A CN118195337A CN 118195337 A CN118195337 A CN 118195337A CN 202410156096 A CN202410156096 A CN 202410156096A CN 118195337 A CN118195337 A CN 118195337A
- Authority
- CN
- China
- Prior art keywords
- data
- carbon emission
- energy
- model
- electricity
- 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 393
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 386
- 238000009826 distribution Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000005611 electricity Effects 0.000 claims abstract description 135
- 238000005265 energy consumption Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 74
- 238000012795 verification Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 16
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 12
- 239000003245 coal Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 239000003345 natural gas Substances 0.000 claims description 6
- 239000003208 petroleum Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims 2
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000000354 decomposition reaction Methods 0.000 abstract description 2
- 239000004568 cement Substances 0.000 description 22
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 18
- 229910052782 aluminium Inorganic materials 0.000 description 18
- 238000010586 diagram Methods 0.000 description 18
- 230000001419 dependent effect Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 8
- 230000007774 longterm Effects 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- RQMIWLMVTCKXAQ-UHFFFAOYSA-N [AlH3].[C] Chemical compound [AlH3].[C] RQMIWLMVTCKXAQ-UHFFFAOYSA-N 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 229910052593 corundum Inorganic materials 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 229910001845 yogo sapphire Inorganic materials 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于自回归分布滞后模型的电碳排放预测方法和系统,包括:获取待预测用能行业的含电综合能源数据和产量数据;基于所述含电综合能源数据和产量数据,利用预先构建的该用能行业的碳排放预测模型,得到所述含电综合能源数据和所述产量数据对应的不同时间序列下的碳排放预测值;本发明通过预先构建的基于自回归分布滞后模型的待预测用能行业的碳排放预测模型,对待预测用能行业的含电综合能源数据和产量数据进行碳排放预测,有利于对重点用能行业能源消费进行分解,研究不同工艺特征含电综合能源数据、产量数据与碳排放之间的关系,进而预测重点用能行业不同的减排潜力。
Description
技术领域
本发明涉及碳排放预测技术领域,具体涉及一种基于自回归分布滞后模型的电碳排放预测方法和系统。
背景技术
目前,碳排放预测是应对气候变化、推动绿色发展的战略举措,是助力实现绿色低碳的重要过程。帮助各行业、企业等厘清综合能源数据、产量数据与碳排放关联关系,为碳排放预测提供依据,提升当前碳排放预测的精细化程度,从而支撑以能源结构变革为主的碳减排路径。
但是当前的碳排放预测方法大多基于年度数据和同频化数据开展碳排放量预测,预测精度、及时度与准确度均有所降低;同时,当前碳排放监测体系,主要依赖对区域煤炭、石油、天然气等一次能源消费量进行分析,存在周期长、更新慢、管控难、未数字化且数据之间关联度较低等问题,进而导致能源生产和消费体系朝着效率低、污染重、可持续性差的方向发展。
发明内容
为了解决现有的碳排放监测体系存在周期长、更新慢、管控难、未数字化且数据之间关联度较低等问题,本发明提出一种基于自回归分布滞后模型的电碳排放预测方法,包括:
获取待预测用能行业的含电综合能源数据和产量数据;
基于所述含电综合能源数据和产量数据,利用预先构建的该用能行业的碳排放预测模型,得到所述含电综合能源数据和所述产量数据对应的不同时间序列下的碳排放预测值;
其中,所述碳排放预测模型是以所述待预测用能行业的历史的含电综合能源数据和产量数据作为训练数据的输入,以所述待预测用能行业的历史的含电综合能源数据和产量数据对应的实际碳排放值作为训练数据的输出,对自回归分布滞后模型进行训练得到的。
可选的,所述碳排放预测模型包括如下的构建过程:
将选取的所述用能行业的历史的含电综合能源数据、产量数据以及对应的实际碳排放值划分为训练数据和验证数据;
基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型;
基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,并将符合预设要求的碳排放预测模型作为所述用能行业的碳排放预测模型。
可选的,所述基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型,包括:
将训练数据中历史的含电综合能源数据和产量数据作为所述用能行业的自回归分布滞后模型的输入;
将训练数据中所述历史的含电综合能源数据和产量数据对应的实际碳排放值作为所述自回归分布滞后模型的输出;
基于所述输入和输出,对所述用能行业的自回归分布滞后模型进行训练,得到所述用能行业的自回归分布滞后模型的自回归阶数和系数值;
根据所述自回归阶数和系数值,得到初步的碳排放预测模型。
可选的,所述基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,包括:
步骤S1:将验证数据中所述用能行业的含电综合能源数据和产量数据输入至所述初步的碳排放预测模型,得到所述含电综合能源数据和产量数据的碳排放预测值;
步骤S2:将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,判断所述初步的碳排放预测模型的自回归阶数和系数值是否满足要求,若是,执行步骤S3;若否,执行步骤S4;
步骤S3:根据所述自回归阶数和系数值,将所述初步的碳排放预测模型作为所述用能行业的碳排放预测模型,并停止执行;
步骤S4:基于所述训练数据,利用预设的分析软件,得到所述初步的碳排放预测模型对应的新的自回归阶数和系数值,根据所述新的自回归阶数和系数值,更新所述初步的碳排放预测模型,并执行步骤S2。
可选的,所述将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,判断所述初步的碳排放预测模型的自回归阶数和系数值是否满足要求,包括:
将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,并计算所述实际碳排放值与所述碳排放预测值之间的平均绝对误差;
若所述实际碳排放值与所述碳排放预测值之间的平均绝对误差小于设定的误差阈值,判定所述初步的碳排放预测模型的自回归阶数和系数满足要求。
可选的,所述实际碳排放值与所述碳排放预测值之间的平均绝对误差对应的计算式如下:
其中,MAE表示不同时间序列下的实际碳排放值与碳排放预测值之间的平均绝对误差;T表示总时间序列;t=1…T;n表示数据个数;表示t时刻下的实际碳排放值;表示t时间下的碳排放预测值。
可选的,所述自回归分布滞后模型的表达式如下:
其中,Yt表示所述含电综合能源数据和产量数据所属的用能行业t时刻的碳排放预测值;β0表示第一系数值;β1表示第二系数值;Xt表示t时刻的含电综合能源数据和产量数据的数据集合;δi表示第i阶的实际碳排放值对应的系数值;Yt-i表示所述含电综合能源数据和产量数据所属的用能行业在t-i时刻下实际碳排放值;i=1…p;p表示实际碳排放值的自回归阶数;γj表示第j阶含电综合能源数据和产量数据的系数值;Xt-j表示t-j时刻下含电综合能源数据和产量数据的数据集合;j=1…q;q表示含电综合能源数据的自回归阶数;εt表示t时刻的误差值。
可选的,所述含电综合能源数据至少包括:电力消费数据。
可选的,所述含电综合能源数据,还包括:可选能源消费数据;
所述可选能源消费数据包括下述的一种或多种:煤炭消费数据、石油消费数据和天然气消费数据。
基于同一发明构思,本发明还提供了一种基于自回归分布滞后模型的电碳排放预测系统,包括:
数据获取模块:用于获取待预测用能行业的含电综合能源数据和产量数据;
碳排放预测模块:用于基于所述含电综合能源数据和产量数据,利用预先构建的该用能行业的碳排放预测模型,得到所述含电综合能源数据和所述产量数据对应的不同时间序列下的碳排放预测值;
其中,所述碳排放预测模块中的碳排放预测模型是以所述待预测用能行业的历史的含电综合能源数据和产量数据作为训练数据的输入,以所述待预测用能行业的历史的含电综合能源数据和产量数据对应的实际碳排放值作为训练数据的输出,对自回归分布滞后模型进行训练得到的。
可选的,所述碳排放预测模块中的碳排放预测模型包括如下的构建过程:
将选取的所述用能行业的历史的含电综合能源数据、产量数据以及对应的实际碳排放值划分为训练数据和验证数据;
基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型;
基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,并将符合预设要求的碳排放预测模型作为所述用能行业的碳排放预测模型。
可选的,所述碳排放预测模块中基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型,包括:
将训练数据中历史的含电综合能源数据和产量数据作为所述用能行业的自回归分布滞后模型的输入;
将训练数据中所述历史的含电综合能源数据和产量数据对应的实际碳排放值作为所述自回归分布滞后模型的输出;
基于所述输入和输出,对所述用能行业的自回归分布滞后模型进行训练,得到所述用能行业的自回归分布滞后模型的自回归阶数和系数值;
根据所述自回归阶数和系数值,得到初步的碳排放预测模型。
可选的,所述碳排放预测模块中基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,包括:
步骤S1:将验证数据中所述用能行业的含电综合能源数据和产量数据输入至所述初步的碳排放预测模型,得到所述含电综合能源数据和产量数据的碳排放预测值;
步骤S2:将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,判断所述初步的碳排放预测模型的自回归阶数和系数值是否满足要求,若是,执行步骤S3;若否,执行步骤S4;
步骤S3:根据所述自回归阶数和系数值,将所述初步的碳排放预测模型作为所述用能行业的碳排放预测模型,并停止执行;
步骤S4:基于所述训练数据,利用预设的分析软件,得到所述初步的碳排放预测模型对应的新的自回归阶数和系数值,根据所述新的自回归阶数和系数值,更新所述初步的碳排放预测模型,并执行步骤S2。
可选的,所述碳排放预测模块中将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,判断所述初步的碳排放预测模型的自回归阶数和系数值是否满足要求,包括:
将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,并计算所述实际碳排放值与所述碳排放预测值之间的平均绝对误差;
若所述实际碳排放值与所述碳排放预测值之间的平均绝对误差小于设定的误差阈值,判定所述初步的碳排放预测模型的自回归阶数和系数满足要求。
可选的,所述碳排放预测模块中实际碳排放值与所述碳排放预测值之间的平均绝对误差对应的计算式如下:
其中,MAE表示不同时间序列下的实际碳排放值与碳排放预测值之间的平均绝对误差;T表示总时间序列;t=1…T;n表示数据个数;表示t时刻下的实际碳排放值;表示t时间下的碳排放预测值。
可选的,所述碳排放预测模块中的自回归分布滞后模型的表达式如下:
其中,Yt表示所述含电综合能源数据和产量数据所属的用能行业t时刻的碳排放预测值;β0表示第一系数值;β1表示第二系数值;Xt表示t时刻的含电综合能源数据和产量数据的数据集合;δi表示第i阶的实际碳排放值对应的系数值;Yt-i表示所述含电综合能源数据和产量数据所属的用能行业在t-i时刻下实际碳排放值;i=1…p;p表示实际碳排放值的自回归阶数;γj表示第j阶含电综合能源数据和产量数据的系数值;Xt-j表示t-j时刻下含电综合能源数据和产量数据的数据集合;j=1…q;q表示含电综合能源数据的自回归阶数;εt表示t时刻的误差值。
可选的,所述数据获取模块中的含电综合能源数据至少包括:电力消费数据。
可选的,所述数据获取模块中的含电综合能源数据,还包括:可选能源消费数据;
所述数据获取模块中的可选能源消费数据包括下述的一种或多种:煤炭消费数据、石油消费数据和天然气消费数据。
基于同一发明构思,本发明还提供一种计算机设备,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如前所述的一种基于自回归分布滞后模型的电碳排放预测方法。
基于同一发明构思,本发明还提供一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如前所述的一种基于自回归分布滞后模型的电碳排放预测方法。
与最接近的现有技术相比,本发明具有的有益效果如下:
本发明提供了一种基于自回归分布滞后模型的电碳排放预测方法和系统,包括:获取待预测用能行业的含电综合能源数据和产量数据;基于所述含电综合能源数据和产量数据,利用预先构建的该用能行业的碳排放预测模型,得到所述含电综合能源数据和所述产量数据对应的不同时间序列下的碳排放预测值;其中,所述碳排放预测模型是以所述待预测用能行业的历史的含电综合能源数据和产量数据作为训练数据的输入,以所述待预测用能行业的历史的含电综合能源数据和产量数据对应的碳排放数据作为训练数据的输出,对自回归分布滞后模型进行训练得到的;本发明利用电力数据准确性、实时性和全场景覆盖的特性,通过对待预测用能行业的含电综合能源数据进行碳排放预测,有利于提高该用能行业的碳排放预测精度、及时度与准确度,同时通过构建基于自回归分布滞后模型的碳排放预测模型,确定不同时间序列下的含电综合能源数据、产量数据与碳排放数据之间的关联关系,实现对不同用能行业的碳排放数据的准确预测,有利于优化能源生产和消费结构,从源头上减少化石燃料的使用。
附图说明
图1为本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法的流程示意图;
图2为本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法中碳排放预测模型构建示意图;
图3为本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法中电解铝行业的碳排放预测模型的拟合结果示意图;
图4为本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法中电解铝行业碳排放预测结果分布示意图;
图5为本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法中采集的部分水泥行业碳排放数据示意图;
图6为本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法中水泥行业的碳排放预测模型拟合结果示意图;
图7为本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法中以北京地区为例的水泥行业碳排放预测结果示意图;
图8为本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法中以上海地区为例的水泥行业碳排放预测结果示意图;
图9为本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法中以广东地区为例的水泥行业碳排放预测结果示意图;
图10为本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法中以陕西地区为例的水泥行业碳排放预测结果示意图;
图11为本发明提供的一种基于自回归分布滞后模型的电碳排放预测系统的结构组成示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1:
本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法的流程示意图如图1所示,包括:
步骤1:获取待预测用能行业的含电综合能源数据和产量数据;
步骤2:基于所述含电综合能源数据和产量数据,利用预先构建的该用能行业的碳排放预测模型,得到所述含电综合能源数据和所述产量数据对应的不同时间序列下的碳排放预测值;
其中,所述碳排放预测模型是以所述待预测用能行业的历史的含电综合能源数据和产量数据作为训练数据的输入,以所述待预测用能行业的历史的含电综合能源数据和产量数据对应的实际碳排放值作为训练数据的输出,对自回归分布滞后模型进行训练得到的。
具体的,步骤1中的含电综合能源数据至少包括:电力消费数据;
本发明利用电力消费数据的准确性、实时性和全场景覆盖的特性,通过建立电力消费数据与碳排放数据之间耦合关系,有利于提高对碳排放量的估算和预测精度,尤其是在能源消耗与碳排放密切相关的领域。通过这种耦合分析,更好地确定电力消费数据如何直接影响碳排放,并能够实时追踪由于电力使用变化而导致的碳排放波动。
所述含电综合能源数据,还包括:可选能源消费数据;
所述可选能源消费数据包括下述的一种或多种:煤炭消费数据、石油消费数据和天然气消费数据。
步骤2中的碳排放预测模型包括如下的构建过程:
将选取的所述用能行业的历史的含电综合能源数据、产量数据以及对应的实际碳排放值划分为训练数据和验证数据;
基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型;
基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,并将符合预设要求的碳排放预测模型作为所述用能行业的碳排放预测模型。
所述基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型,包括:
将训练数据中历史的含电综合能源数据和产量数据作为所述用能行业的自回归分布滞后模型的输入;
将训练数据中所述历史的含电综合能源数据和产量数据对应的实际碳排放值作为所述自回归分布滞后模型的输出;
基于所述输入和输出,对所述用能行业的自回归分布滞后模型进行训练,得到所述用能行业的自回归分布滞后模型的自回归阶数和系数值;
根据所述自回归阶数和系数值,得到初步的碳排放预测模型。
本发明中基于电力消费数据、可选能源消费数据和碳排放数据等多源异构数据,挖掘不同用能行业的电力消费数据与碳排放数据之间的转换关系,构建碳排放预测模型,实现电力消费数据与碳排放数据的转换。通过本发明的方法能够实现对不同用能行业的工艺特征进行细分,对重点用能行业的能源消费进行分解,研究不同工艺特征能源消费与碳排放之间的关系,为实现重点用能行业电力数据-碳排放预测提供方法论支撑。
所述基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,包括:
步骤S1:将验证数据中所述用能行业的含电综合能源数据和产量数据输入至所述初步的碳排放预测模型,得到所述含电综合能源数据和产量数据的碳排放预测值;
步骤S2:将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,判断所述初步的碳排放预测模型的自回归阶数和系数值是否满足要求,若是,执行步骤S3;若否,执行步骤S4;
步骤S3:根据所述自回归阶数和系数值,将所述初步的碳排放预测模型作为所述用能行业的碳排放预测模型,并停止执行;
步骤S4:基于所述训练数据,利用预设的分析软件,得到所述初步的碳排放预测模型对应的新的自回归阶数和系数值,根据所述新的自回归阶数和系数值,更新所述初步的碳排放预测模型,并执行步骤S2。
所述将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,判断所述初步的碳排放预测模型的自回归阶数和系数值是否满足要求,包括:
将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,并计算所述实际碳排放值与所述碳排放预测值之间的平均绝对误差;
若所述实际碳排放值与所述碳排放预测值之间的平均绝对误差小于设定的误差阈值,判定所述初步的碳排放预测模型的自回归阶数和系数满足要求。
所述实际碳排放值与所述碳排放预测值之间的平均绝对误差对应的计算式如下:
其中,MAE表示不同时间序列下的实际碳排放值与碳排放预测值之间的平均绝对误差;T表示总时间序列;t=1…T;n表示数据个数;表示t时刻下的实际碳排放值;表示t时间下的碳排放预测值。
所述自回归分布滞后模型的表达式如下:
其中,Yt表示所述含电综合能源数据和产量数据所属的用能行业t时刻的碳排放预测值;β0表示第一系数值;β1表示第二系数值;Xt表示t时刻的含电综合能源数据和产量数据的数据集合;δi表示第i阶的实际碳排放值对应的系数值;Yt-i表示所述含电综合能源数据和产量数据所属的用能行业在t-i时刻下实际碳排放值;i=1…p;p表示实际碳排放值的自回归阶数;γj表示第j阶含电综合能源数据和产量数据的系数值;Xt-j表示t-j时刻下含电综合能源数据和产量数据的数据集合;j=1…q;q表示含电综合能源数据的自回归阶数;εt表示t时刻的误差值。
本发明中的自回归分布滞后(Auto-Regressive Distributed Lag,ARDL)模型是一种用于时间序列数据分析的经济计量模型,用于研究变量之间的长期关系和短期动态调整。
ARDL模型的核心思想是引入滞后项和差分项,以考虑变量之间的滞后关系和非平稳性。它适用于包含单个非平稳变量的回归模型,其中自变量和因变量可能存在长期均衡关系。ARDL模型允许在同一模型中同时考虑长期和短期动态调整过程。
ARDL模型的关键是进行阶数选择,确定合适的滞后阶数p和q。常用的方法是通过信息准则(如AIC、BIC和HQIC等)来选择最优的滞后阶数。
ARDL模型具有以下特点和优势:
1.考虑长期均衡关系:ARDL模型能够在同一模型中同时考虑长期均衡关系和短期调整过程,适用于分析非平稳时间序列数据。
2.弥补误差修正模型的不足:ARDL模型可以看作是误差修正模型(ECM)的推广,能够处理自回归误差项和异方差性等问题。
3.灵活性:ARDL模型可以灵活地适应不同类型的时间序列数据,可以包含多个滞后项和多个自变量。
4.统计推断:ARDL模型提供了对系数估计的统计推断,包括显著性检验和置信区间估计。
ARDL模型在经济学、金融学和其他社会科学领域的时间序列分析中具有广泛应用,用于研究宏观经济变量、货币政策、投资和消费等方面的关系。
ARDL模型的优点,主要体现在以下几个方面:
(1)ARDL模型适用于时间序列数据:无论是电力消费数据、其他能源消费数据,还是碳排放量数据,都是按照恒定的时间间隔统计的时间序列。ARDL模型就是以时间序列为基础的数据预测方法,能够在同一模型中同时考虑长期均衡关系和短期调整过程,同时适用于分析平稳和非平稳时间序列数据。
(2)ARDL模型同时适用于大数据集和小数据集:与基于ANN或GBDT等基于机器学习的方法必须使用具有一定规模的大数据集不同,ARDL模型既适用于大数据集,也适用于中小数据集,这对电-碳预测具有不可替代的优势。由于电-碳排放预测是近年来随着双碳工程而崛起新兴研究方向,相关数据较为缺乏。这就使得ARDL方法在现阶段电-碳预测方面具有不可或缺的优势。
(3)ARDL模型能够给出指导性趋势:与ANN等深度学习方法缺乏解释性不同,ARDL能够给出模型自变量和因变量之间的长期指导性趋势,如下式所示:
其中,Y表示因变量;X表示自变量;表示自变量对因变量的影响程度;γ0表示第0阶自变量的系数值;γq表示第q阶自变量的系数值;η1表示第1阶因变量的系数值;ηp表示第p阶因变量的系数值;Y=limt→∞ Yt,X=limt→∞ Xt;t表示时刻;Yt表示t时刻下的因变量;Xt表示t时刻下的自变量。
基于ARDL模型构建碳排放预测模型的基本流程如图2所示,首先,通过手动收集和查询开源数据库方式,收集了电力等能源消耗数据和碳排放数据,构建了典型场景下的电-碳排放数据集。模型构建过程基本上可以分为数据准备、模型拟合和模型部署三个阶段。其中数据准备阶段包括数据获取、数据清洗和数据整理三个步骤;模型拟合包括变量确定、参数拟合和模型验证三个步骤;模型部署阶段为将建立好的模型部署在客户端上以备应用,具体包括:
数据准备:对所要预测的用能行业进行数据准备,包含企业用电数据、和其他能耗历史数据。将这些数据作为长短期记忆(LSTM)人工神经网络的输入,寻找用电量与其他能耗之间的关系,从而预测未来的其他能耗值,或者从该行业所属选取的公司年报或者环境报告中搜索相关数据,在进行数据清洗制成Excel表格。
模型拟合:对于经过处理的数据集,首先确定因变量,确定ARDL模型中N值。接下来,需要确定个因变量的自回归阶数p和系数,以及自变量的分布滞后的自回归阶数q和相应系数。对于此过程,一般通过计算机编程(Python、R等)或商业数据分析软件(如stata、SPSS等)或通用计算软件(如MATLAB等)实现。
模型拟合预测结果:基于所选取的相关行业碳排放的数据集,选取部分部门得到的拟合预测模型结果进行分析。
本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法能够基于重点用能行业工艺特征进行能源消费分解,识别不同行业工艺技术下能源消费结构效应和效率效应;并基于关联知识图谱技术,利用机器学习方法,综合考虑计量经济学模型、神经网络模型及决策树模型构建电力数据-碳排放预测模型,提出实现电力数据的碳排放预测方法,研究不同工艺特征的电力能源数据、产量数据与碳排放之间的关系,进而预测重点用能行业不同的减排潜力。
实施例2:
以电解铝行业作为具体的实施例说明本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法的实施过程,首先,通过某铝业集团采集电解铝数据,属于小数据集,共12组年度用电和碳排放数据(2011-2022年),其中2011年数据有缺失,具体数据如表1所示:
表1铝业电解铝电耗和碳排放数据
Year | CO2 | AL2O3 | AL | Electricity_for_Al2O3 | Electricity_for_Al | |
0 | 2022 | 2352.00 | 1764.00 | 688.0 | 21.168 | 92.88 |
1 | 2021 | 2245.60 | 1753.00 | 386.0 | 20.820 | 52.11 |
2 | 2020 | 2413.00 | 1453.00 | 369.0 | 17.430 | 49.81 |
3 | 2019 | 2144.00 | 1380.00 | 379.0 | 16.560 | 51.16 |
4 | 2018 | 1607.69 | 1351.00 | 417.0 | 16.210 | 56.30 |
5 | 2017 | 1834.00 | 1400.00 | 362.0 | 16.800 | 48.87 |
6 | 2016 | 1947.12 | 1596.00 | 295.0 | 19.150 | 39.82 |
7 | 2015 | 2228.80 | 1592.00 | 352.0 | 19.100 | 47.50 |
8 | 2014 | 1370.28 | 1202.00 | 320.0 | 14.420 | 43.20 |
9 | 2013 | 1626.76 | 1214.00 | 351.0 | 14.560 | 47.38 |
10 | 2012 | 1540.26 | 1194.00 | 394.0 | 14.320 | 53.19 |
11 | 2011 | 1769.28 | 1179.52 | 441.6 | NaN | 59.53 |
表1中各列含义如表2所示:
表2电解铝碳排放数据集各列含义
针对上述数据,首先去除含有缺失值的数据样本,即表1中的行编号为11的数据。其次,为了得到总耗电量-碳排放之间的关系,需要将三氧化二铝和电解铝两个生产环节耗电量相加,从而得到总的耗电量。经过上述处理的数据集如表3所示。其中增加的一列“Electricity_total”为年度总耗电量,单位108kWh。
表3经过处理的数据集
/>
对于经过处理的数据集,首先确定因变量为二氧化碳排放量,即表3中的“CO2”列,自变量为三氧化二铝产量“AL2O3”列、电解铝产量“AL”列和总耗电量“Electricity_total”列。因此,在本实施例的ARDL模型中,N=3。
接下来,需要确定因变量的自回归阶数p和系数值,以及自变量的分布滞后的自回归阶数q和相应系数值。对于此过程,一般通过计算机编程(Python、R等)或商业数据分析软件(如stata、SPSS等)或通用计算软件(如MATLAB等)实现。电解铝数据模型算例采用基于Python的statsmodels开源扩展包实现。模型拟合结果如图3所示,电解铝的碳排放,与碳排放的历史数据无关,而与电力消耗、三氧化二铝产量、电解铝产量的当前时刻值和一阶滞后值有关,图中数据各列及其含义如表4所示:
表4水泥产业碳排放数据集各列含义
/>
用数学式表示如下所示:
其中,Yt表示t时刻下ARDL模型的碳排放预测值;表示t时刻下的电力消费数据;/>表示t时刻下的三氧化二铝产量;/>表示t时刻下的电解铝产量;εr表示t时刻的误差值。
基于该铝业集团的碳排放和能源消耗数据建立的ARDL模型拟合预测结果附图4所示,其中,蓝色曲线为实际碳排放数据,橙色曲线为预测碳排放曲线,灰色区域为预测值的95%置信区间。从图中的结果可以看出,基于ARDL模型的预测基本能反映实际数据的变化规律。而预测结果的平均绝对误差(MAE)为:
其中,MAE表示不同时间序列下的实际碳排放值与碳排放预测值之间的平均绝对误差;T表示总时间序列;t=1…T;n表示数据个数;表示t时刻下的实际碳排放值;表示t时间下的碳排放预测值;/>
本实施例中针对电解铝行业的电碳数据集,采用ARDL方法根据电力消耗、其他能耗以及其产量数据。结果显示,基于ARDL模型的预测方法,对于电解铝行业,能取得较好的预测效果。
其中,对电解铝行业进行碳排放预测的实现代码如下所示:
/>
/>
实施例3:
以水泥行业作为具体的实施例说明本发明提供的一种基于自回归分布滞后模型的电碳排放预测方法的实施过程,首先,通过中国碳核算数据库(CEADs)采集水泥行业数据,共21年651组数据,为小数据集。数据无缺失,数据集部分数据截图附图5所示。
数据各列及其含义如表5所示:
表5水泥产业碳排放数据集各列含义
/>
对于水泥产业碳排放数据集,不存在数据缺失,同时,已有的数据已包含拟合预测所需的全部数据,因此不需要在进行进一步的数据清洗或其他处理。
在进行模型拟合时,首先确定因变量为二氧化碳总排放量,即表5中的“total_CO2”列,自变量考虑如下变量:水泥产量、熟料产量、电力消耗、煤炭消耗。因此,在本实施例的ARDL模型中,N=4。
接下来,需要确定因变量的自回归阶数p和系数值,以及自变量的分布滞后的自回归阶数p和相应系数值。与电解铝数据拟合的算例相同,采用基于Python的statsmodels开源扩展包实现。模型拟合结果如附图6所示(附图6以北京市数据为例,其余各省数据得到的模型阶数和拟合系数等结果均与之相同)。
从附图6中可以看出,水泥产业的碳排放,与碳排放的历史数据无关,而与熟料产量、煤炭消耗量和电力消耗量的当前时刻值有关,用数学式表示如式所示。
其中,为碳排放数据;Pcement为水泥产量;Ccoal为煤炭消耗量;Welec为电力消耗。电力消耗单位为10kWh,其余单位为万吨。其中系数为k1=0.4964,k2=0.499,k3=1。各省拟合的模型系数均相同。
针对模型拟合进行结果预测,基于中国碳核算数据库(CEADs)的水泥产业碳排放的数据集,选取部分省份得到的拟合预测模型结果如附图7-图10所示,蓝色曲线为碳排放历史数据(historic),绿色曲线为碳排放预测数据(predicted),橙色曲线为碳排放实测曲线(real),灰色区域为预测值的95%置信区间(95%Conf int)。由于预测误差为0,因此绿色和橙色的曲线完全重合,且置信区间宽度也为0。
本实施例之所以水泥数据集的ARDL拟合模型出现预测误差为0的情况,可能是因为所采用的中国碳核算数据库(CEADs)水泥产业碳排放数据并非完全实测的碳排放数据,而是根据水泥熟料产量、耗煤量、耗电量三者数据乘以碳排放因子后相加计算得到的。
本实施例中针对水泥行业的电碳数据集,采用ARDL模型根据电力消耗、其他能耗以及其产量数据。结果显示,基于ARDL模型的预测方法,对于水泥行业,能取得较好的预测效果。
其中,对水泥行业进行碳排放预测的实现代码如下所示:
/>
/>
/>
/>
/>
/>
/>
实施例4:
基于同一发明构思,本发明还提供了一种基于自回归分布滞后模型的电碳排放预测系统,结构组成示意图如图11所示,包括:
数据获取模块:用于获取待预测用能行业的含电综合能源数据和产量数据;
碳排放预测模块:用于基于所述含电综合能源数据和产量数据,利用预先构建的该用能行业的碳排放预测模型,得到所述含电综合能源数据和所述产量数据对应的不同时间序列下的碳排放预测值;
其中,所述碳排放预测模块中的碳排放预测模型是以所述待预测用能行业的历史的含电综合能源数据和产量数据作为训练数据的输入,以所述待预测用能行业的历史的含电综合能源数据和产量数据对应的实际碳排放值作为训练数据的输出,对自回归分布滞后模型进行训练得到的。
所述碳排放预测模块中的碳排放预测模型包括如下的构建过程:
将选取的所述用能行业的历史的含电综合能源数据、产量数据以及对应的实际碳排放值划分为训练数据和验证数据;
基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型;
基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,并将符合预设要求的碳排放预测模型作为所述用能行业的碳排放预测模型。
所述碳排放预测模块中基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型,包括:
将训练数据中历史的含电综合能源数据和产量数据作为所述用能行业的自回归分布滞后模型的输入;
将训练数据中所述历史的含电综合能源数据和产量数据对应的实际碳排放值作为所述自回归分布滞后模型的输出;
基于所述输入和输出,对所述用能行业的自回归分布滞后模型进行训练,得到所述用能行业的自回归分布滞后模型的自回归阶数和系数值;
根据所述自回归阶数和系数值,得到初步的碳排放预测模型。
所述碳排放预测模块中基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,包括:
步骤S1:将验证数据中所述用能行业的含电综合能源数据和产量数据输入至所述初步的碳排放预测模型,得到所述含电综合能源数据和产量数据的碳排放预测值;
步骤S2:将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,判断所述初步的碳排放预测模型的自回归阶数和系数值是否满足要求,若是,执行步骤S3;若否,执行步骤S4;
步骤S3:根据所述自回归阶数和系数值,将所述初步的碳排放预测模型作为所述用能行业的碳排放预测模型,并停止执行;
步骤S4:基于所述训练数据,利用预设的分析软件,得到所述初步的碳排放预测模型对应的新的自回归阶数和系数值,根据所述新的自回归阶数和系数值,更新所述初步的碳排放预测模型,并执行步骤S2。
所述碳排放预测模块中将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,判断所述初步的碳排放预测模型的自回归阶数和系数值是否满足要求,包括:
将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,并计算所述实际碳排放值与所述碳排放预测值之间的平均绝对误差;
若所述实际碳排放值与所述碳排放预测值之间的平均绝对误差小于设定的误差阈值,判定所述初步的碳排放预测模型的自回归阶数和系数满足要求。
可选的,所述碳排放预测模块中实际碳排放值与所述碳排放预测值之间的平均绝对误差对应的计算式如下:
其中,MAE表示不同时间序列下的实际碳排放值与碳排放预测值之间的平均绝对误差;T表示总时间序列;t=1…T;n表示数据个数;表示t时刻下的实际碳排放值;表示t时间下的碳排放预测值。
所述碳排放预测模块中的自回归分布滞后模型的表达式如下:
其中,Yt表示所述含电综合能源数据和产量数据所属的用能行业t时刻的碳排放预测值;β0表示第一系数值;β1表示第二系数值;Xt表示t时刻的含电综合能源数据和产量数据的数据集合;δi表示第i阶的实际碳排放值对应的系数值;Yt-i表示所述含电综合能源数据和产量数据所属的用能行业在t-i时刻下实际碳排放值;i=1…p;p表示实际碳排放值的自回归阶数;γj表示第j阶含电综合能源数据和产量数据的系数值;Xt-j表示t-j时刻下含电综合能源数据和产量数据的数据集合;j=1…q;q表示含电综合能源数据的自回归阶数;εt表示t时刻的误差值。
所述数据获取模块中的含电综合能源数据至少包括:电力消费数据。
所述数据获取模块中的含电综合能源数据,还包括:可选能源消费数据;
所述数据获取模块中的可选能源消费数据包括下述的一种或多种:煤炭消费数据、石油消费数据和天然气消费数据。
实施例5:
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机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,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中一种基于自回归分布滞后模型的电碳排放预测方法的步骤。
实施例6:
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中一种基于自回归分布滞后模型的电碳排放预测方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产量。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产量的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产量的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,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:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (15)
1.一种基于自回归分布滞后模型的电碳排放预测方法,其特征在于,包括:
获取待预测用能行业的含电综合能源数据和产量数据;
基于所述含电综合能源数据和产量数据,利用预先构建的该用能行业的碳排放预测模型,得到所述含电综合能源数据和所述产量数据对应的不同时间序列下的碳排放预测值;
其中,所述碳排放预测模型是以所述待预测用能行业的历史的含电综合能源数据和产量数据作为训练数据的输入,以所述待预测用能行业的历史的含电综合能源数据和产量数据对应的实际碳排放值作为训练数据的输出,对自回归分布滞后模型进行训练得到的。
2.如权利要求1所述的方法,其特征在于,所述碳排放预测模型包括如下的构建过程:
将选取的所述用能行业的历史的含电综合能源数据、产量数据以及对应的实际碳排放值划分为训练数据和验证数据;
基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型;
基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,并将符合预设要求的碳排放预测模型作为所述用能行业的碳排放预测模型。
3.如权利要求2所述的方法,其特征在于,所述基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型,包括:
将训练数据中历史的含电综合能源数据和产量数据作为所述用能行业的自回归分布滞后模型的输入;
将训练数据中所述历史的含电综合能源数据和产量数据对应的实际碳排放值作为所述自回归分布滞后模型的输出;
基于所述输入和输出,对所述用能行业的自回归分布滞后模型进行训练,得到所述用能行业的自回归分布滞后模型的自回归阶数和系数值;
根据所述自回归阶数和系数值,得到初步的碳排放预测模型。
4.如权利要求3所述的方法,其特征在于,所述基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,包括:
步骤S1:将验证数据中所述用能行业的含电综合能源数据和产量数据输入至所述初步的碳排放预测模型,得到所述含电综合能源数据和产量数据的碳排放预测值;
步骤S2:将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,判断所述初步的碳排放预测模型的自回归阶数和系数值是否满足要求,若是,执行步骤S3;若否,执行步骤S4;
步骤S3:根据所述自回归阶数和系数值,将所述初步的碳排放预测模型作为所述用能行业的碳排放预测模型,并停止执行;
步骤S4:基于所述训练数据,利用预设的分析软件,得到所述初步的碳排放预测模型对应的新的自回归阶数和系数值,根据所述新的自回归阶数和系数值,更新所述初步的碳排放预测模型,并执行步骤S2。
5.如权利要求4所述的方法,其特征在于,所述将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,判断所述初步的碳排放预测模型的自回归阶数和系数值是否满足要求,包括:
将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,并计算所述实际碳排放值与所述碳排放预测值之间的平均绝对误差;
若所述实际碳排放值与所述碳排放预测值之间的平均绝对误差小于设定的误差阈值,判定所述初步的碳排放预测模型的自回归阶数和系数满足要求。
6.如权利要求5所述的方法,其特征在于,所述实际碳排放值与所述碳排放预测值之间的平均绝对误差对应的计算式如下:
其中,MAE表示不同时间序列下的实际碳排放值与碳排放预测值之间的平均绝对误差;T表示总时间序列;t=1...T;n表示数据个数;表示t时刻下的实际碳排放值;/>表示t时间下的碳排放预测值。
7.如权利要求1所述的方法,其特征在于,所述自回归分布滞后模型的表达式如下:
其中,Yt表示所述含电综合能源数据和产量数据所属的用能行业t时刻的碳排放预测值;β0表示第一系数值;β1表示第二系数值;Xt表示t时刻的含电综合能源数据和产量数据的数据集合;δi表示第i阶的实际碳排放值对应的系数值;Yt-i表示所述含电综合能源数据和产量数据所属的用能行业在t-i时刻下实际碳排放值;i=1...p;p表示实际碳排放值的自回归阶数;γj表示第j阶含电综合能源数据和产量数据的系数值;Xt-j表示t-j时刻下含电综合能源数据和产量数据的数据集合;j=1...q;q表示含电综合能源数据的自回归阶数;εt表示t时刻的误差值。
8.如权利要求1所述的方法,其特征在于,所述含电综合能源数据至少包括:电力消费数据。
9.如权利要求8所述的方法,其特征在于,所述含电综合能源数据,还包括:可选能源消费数据;
所述可选能源消费数据包括下述的一种或多种:煤炭消费数据、石油消费数据和天然气消费数据。
10.一种基于自回归分布滞后模型的电碳排放预测系统,其特征在于,包括:
数据获取模块:用于获取待预测用能行业的含电综合能源数据和产量数据;
碳排放预测模块:用于基于所述含电综合能源数据和产量数据,利用预先构建的该用能行业的碳排放预测模型,得到所述含电综合能源数据和所述产量数据对应的不同时间序列下的碳排放预测值;
其中,所述碳排放预测模块中的碳排放预测模型是以所述待预测用能行业的历史的含电综合能源数据和产量数据作为训练数据的输入,以所述待预测用能行业的历史的含电综合能源数据和产量数据对应的实际碳排放值作为训练数据的输出,对自回归分布滞后模型进行训练得到的。
11.如权利要求10所述的系统,其特征在于,所述碳排放预测模块中的碳排放预测模型包括如下的构建过程:
将选取的所述用能行业的历史的含电综合能源数据、产量数据以及对应的实际碳排放值划分为训练数据和验证数据;
基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型;
基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,并将符合预设要求的碳排放预测模型作为所述用能行业的碳排放预测模型。
12.如权利要求11所述的系统,其特征在于,所述碳排放预测模块中基于所述训练数据,对所述用能行业的自回归分布滞后模型进行训练,得到初步的碳排放预测模型,包括:
将训练数据中历史的含电综合能源数据和产量数据作为所述用能行业的自回归分布滞后模型的输入;
将训练数据中所述历史的含电综合能源数据和产量数据对应的实际碳排放值作为所述自回归分布滞后模型的输出;
基于所述输入和输出,对所述用能行业的自回归分布滞后模型进行训练,得到所述用能行业的自回归分布滞后模型的自回归阶数和系数值;
根据所述自回归阶数和系数值,得到初步的碳排放预测模型。
13.如权利要求11所述的系统,其特征在于,所述碳排放预测模块中基于所述验证数据,对所述初步的碳排放预测模型进行验证与调整,直到所述碳排放预测模型符合预设要求,包括:
步骤S1:将验证数据中所述用能行业的含电综合能源数据和产量数据输入至所述初步的碳排放预测模型,得到所述含电综合能源数据和产量数据的碳排放预测值;
步骤S2:将所述含电综合能源数据和产量数据对应的实际碳排放值与所述碳排放预测值进行比较,判断所述初步的碳排放预测模型的自回归阶数和系数值是否满足要求,若是,执行步骤S3;若否,执行步骤S4;
步骤S3:根据所述自回归阶数和系数值,将所述初步的碳排放预测模型作为所述用能行业的碳排放预测模型,并停止执行;
步骤S4:基于所述训练数据,利用预设的分析软件,得到所述初步的碳排放预测模型对应的新的自回归阶数和系数值,根据所述新的自回归阶数和系数值,更新所述初步的碳排放预测模型,并执行步骤S2。
14.一种计算机设备,其特征在于,包括:一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1至9中任一项所述的一种基于自回归分布滞后模型的电碳排放预测方法。
15.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1至9中任一项所述的一种基于自回归分布滞后模型的电碳排放预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156096.4A CN118195337A (zh) | 2024-02-04 | 2024-02-04 | 一种基于自回归分布滞后模型的电碳排放预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410156096.4A CN118195337A (zh) | 2024-02-04 | 2024-02-04 | 一种基于自回归分布滞后模型的电碳排放预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118195337A true CN118195337A (zh) | 2024-06-14 |
Family
ID=91405777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410156096.4A Pending CN118195337A (zh) | 2024-02-04 | 2024-02-04 | 一种基于自回归分布滞后模型的电碳排放预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118195337A (zh) |
-
2024
- 2024-02-04 CN CN202410156096.4A patent/CN118195337A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ramos et al. | Using decision tree to select forecasting algorithms in distinct electricity consumption context of an office building | |
CN113657661A (zh) | 一种企业碳排放预测方法、装置、计算机设备和存储介质 | |
Velasco et al. | Next day electric load forecasting using Artificial Neural Networks | |
Jochem et al. | An efficient two-stage algorithm for decentralized scheduling of micro-CHP units | |
Du et al. | The impact of producer services agglomeration on green economic development: Evidence from 278 Chinese cities | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
Hao et al. | Prediction of nitrogen oxide emission concentration in cement production process: a method of deep belief network with clustering and time series | |
Guo et al. | Power demand forecasting and application based on SVR | |
CN116187823A (zh) | 一种基于电力数据的区域碳排放计算方法及装置 | |
Liu et al. | An improved informer model for short-term load forecasting by considering periodic property of load profiles | |
CN111832785A (zh) | 一种电能替代潜力的预测方法和系统 | |
Qin et al. | Forecasting of China consumer price index based on EEMD and SVR method | |
CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
Xu et al. | Prediction of nitrous oxide emission of a municipal wastewater treatment plant using LSTM-based deep learning models | |
CN118195337A (zh) | 一种基于自回归分布滞后模型的电碳排放预测方法和系统 | |
CN112085257B (zh) | 一种基于时序分析的综合能源业务潜力预测模型 | |
Wu et al. | Compound Grey‐Logistic Model and Its Application | |
CN114331219A (zh) | 一种双碳目标下城市规模工业发展可行域评估方法 | |
Liang et al. | Forecasting tourist arrivals using dual decomposition strategy and an improved fuzzy time series method | |
George et al. | Forecast of foreign direct investment inflow (2019-2023) with reference to Indian economy | |
Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
Luchko et al. | Artificial Neural Networks in Export and Import Forecasting: An Analysis of Opportunities | |
Rathnayaka et al. | Grey system based novel forecasting and portfolio mechanism on CSE | |
Ma et al. | Nonparametric approaches for analyzing carbon emission: from statistical and machine learning perspectives | |
Shen et al. | Research of daily stock closing price prediction for new energy companies in China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |