CN115034430B 碳排放量预测方法、装置、终端及存储介质 （国网河北省电力有限公司经济技术研究院）

的用能结构和待预测区域在待预测时间段的用得到待预测区域的其它能源在待预测时间段的测区域在待预测时间段的用电量和待预测区域发明能够实现通过用电量预测用能结构中的其2获取待预测区域的用能结构和所述待预测区域在待预测时间将所述待预测区域在待预测时间段的其他能源产生的电量输入到预先训练好的其它根据所述待预测区域在待预测时间段的电能和所述待预测区域的其它能源在所述待所述根据所述待预测区域在待预测时间段的电能和所述待预测区域的其它能源在所述待预测时间段的预测使用量，确定所述待预测区域在所述待预测时间段的预测碳排放根据所述待预测区域的其它能源在所述待预测时间段的预测使用将所述第一碳排放量和所述第二碳排放量求和，得到所述待预测根据计算第一碳排放量CO;e为所述待预测区域在待预测时间段的电能；n为所述待预测区域的煤电机组的Pi,c,t,s为所述待预测区域的第i个煤电机组在所述待根据计算第二碳排放量co:j为所述待预测区域的其它能源中的第j种能源在所述待预测时间段的预测使用′3采用K折交叉验证法，根据所述历史用能数据对所述其它能源使用量预测模型中的各将每轮训练后的各个基学习器对于验证集的预测结果进行拼根据所述元学习器的训练数据，对元学习器进行训练，得到训采用K折交叉验证法，根据所述预处理后的历史用能数据对所述其它能源使用量预测获取模块，用于获取待预测区域的用能结构和能源预测模块，用于将所述待预测区域在待预测时间段的其他源使用量预测模型为基于Stacking的预测模型；所述其它能源使用量预测模型包括以一层预测模型和以岭回归模型作为元学习器的第二碳排放预测模块，用于根据所述待预测区域在待预测时间段的电能和根据所述待预测区域的其它能源在所述待预测时间段的预测使用将所述第一碳排放量和所述第二碳排放量求和，得到所述待预测4在所述碳排放预测模块中，所述根据所述待预测区域根据计算第一碳排放量CO;e为所述待预测区域在待预测时间段的电能；n为所述待预测区域的煤电机组的Pi,c,t,s为所述待预测区域的第i个煤电机组在所述待7.一种计算机可读存储介质，所述计算机可读存储5有技术由于月度等更高分辨率的碳排放量数据缺失，使得短期碳排放量预测任务难以有[0007]将待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使用量预能源包括待预测区域的用能结构中除电能之外的能源；其它能源使用量预测模型采用待预测区域的历史用能数据进行训练，历史用能数据包括历史用电量和历史其它能源使用[0008]根据待预测区域在待预测时间段的用电量和待预测区域的其它能源在待预测时[0009]在一种可能的实现方式中，根据待预测区域在待预测时间段的用电量和待预测区域的其它能源在待预测时间段的预测使用量，确定待预测区域在待预测时间段的预测[0012]将第一碳排放量和第二碳排放量求和，得到待预测区域在待预测时间段的预测6i个煤电机组在待预测时间段中的第c天中的第t个小时中的第s次进行电力监测时的发电量，m为相邻两次进行电力[0016]在一种可能的实现方式中，根据待预测区域的其它能源在待预测时间段的预测[0019]在一种可能的实现方式中，其它能源使用量预测模型为基于Stacking的预测模模型和时域卷积网络模型作为基学习器的第一层预测模型和以岭回归模型作为元学习器[0021]在一种可能的实现方式中，在将待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使用量预测模型中，得到待预测区域的其它能源在待预测时间段的[0024]将每轮训练后的各个基学习器对于验证集的预测结果进行拼接，并将拼接后的[0031]获取模块，用于获取待预测区域的用能结构和待预测区域在待预测时间段的用7[0032]能源预测模块，用于将待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使用量预测模型中，得到待预测区域的其它能源在待预测时间段的预测使用用量预测模型采用待预测区域的历史用能数据进行训练，历史用能数据包括历史用电量[0033]碳排放预测模块，用于根据待预测区域在待预测时间段的用电量和待预测区域的其它能源在待预测时间段的预测使用量，确定待预测区域在待预测时间段的预测碳排上第一方面或第一方面的任一种可能的实现方式所述介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面将待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使用量预测模型区域在待预测时间段的用电量和待预测区域的其它能源在待预测时间段的预测使用量，确定待预测区域在待预测时间段的预测碳排放量，能够实现通过用电量预测用能结构中用量预测模型采用待预测区域的历史用能数据进行训练，历史用能数据包括历史用电量[0037]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描8明实施例还可以预测某个区域的某个行业的碳排放量，即可以获取待预测区域的待预测行业的用能结构和待预测区域的待预测行业在待预测时间段的用电量，后续用该用电量[0055]待预测区域的用能结构和待预测区域在待预测时间段的用电量可以采用现有手[0056]在S102中，将待预测区域在待预测时间段的用电量输入到预先训练好的其它能区域的其它能源包括待预测区域的用能结构中除电能之外的能源；其它能源使用量预测模型采用待预测区域的历史用能数据进行训练，历史用能数据包括历史用电量和历史其[0057]本实施例通过其它能源使用量预测模型构建用电量与其它能源使用量的映射关[0058]在本实施例中，待预测区域的其它能源可以是待预测区域的用能结构中除电能之外的能源，具体可以是待预测区域的用能结构中产生碳排放的所有能源中的除电能之[0060]当其它能源使用量预测模型为一个时，其输入为待预测区域在待预测时间段的9时间段的预测使用量以及待预测区域的天然气在待预测时间段的预测使用量等。当对其gg[0061]当其它能源使用量预测模型为多个时，待预测区域的其它能源中的每种能源可[0062]对于待预测区域的其它能源中的每种能源，该种能源对应的其它能源使用量预测模型的输入为待预测区域在待预测时间段的用电量，输出为待预测区域的该种能源在[0063]本实施例可以通过待预测区域的历史用能数据对预先构建的其它能源使用量预时间段的用电量输入到预先训练好的其它能源使用量预测模型中，得到待预测区域的其[0064]在S103中，根据待预测区域在待预测时间段的用电量和待预测区域的其它能源[0065]在本实施例中，可以将待预测区域在待预测时间段的用电量和待预测区域的其它能源在待预测时间段的预测使用量折算成碳排放量，从而得到待预测区域在待预测时[0066]本实施例通过将待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使用量预测模型中，得到待预测区域的用能结构的其它能源在待预测时间段的预测使用量，并根据待预测区域在待预测时间段的用电量和待预测区域的其它能源在待预测电量预测用能结构中的其它能源使用量，并根据用电量和其它能源使用量来预测碳排放[0070]将第一碳排放量和第二碳排放量求和，得到待预测区域在待预测时间段的预测碳排放量为待预测区域的其它能源的各种能源在待预测时间段的预测使用量分别对应的段中的第c天中的第t个小时中的第s次进行电力监测时的发电量，m为相邻两次进行电力预测区域的第i个煤电机组生产单位电量对应的原煤煤耗；K1为原煤与标准煤的折算系[0075]在本实施例中，考虑煤电机组发电产生的碳排放量为电力生产和供应业的碳排细，通过对各个煤电机组的出力进行实时监测得到各个煤电机组在待预测时间段的发电标准煤的折算系数以及标准煤二氧化碳排放分子计算各个煤电机组生产电力的碳排放[0076]在一些实施例中，上述根据待预测区域的其它能源在待预测时间段的预测使用[0077]根据co=}-1(fxkzxkf),计算第二碳排放量co;j为待预测区域的其它能源中的第j种能源在待预测时间段的预测使用2为标准煤的二氧化碳排放因子；K/i为待预测区域的其它能源中的第j种能源[0079]由于碳排放量主要来源电力生产和化石能源的使用，因此，本发明实施例采用公式分别折算为碳排放量。(LongShort-TermMemory，LSTM)模型和时域卷积网络(TemporalConvolutional高精度的预测，要求所选择的基学习器的性能尽可能好并且基学习之间的差异度大。因样本集合。并且可知当满足时上式取得最优解，为g[0098]可以通过枚举所有的可能性去构建目标函数最小的CART树，然后通过对比结构g不拆分子树的增益。分割增益可以作为分割的增益，最终选择分割增益最大的方式作为[0103]在随机森林中bagging方法具体体现为有放回地从样本数据集中选取一部分作[0104]随机森林中在每颗决策回归树进行分支时从总特征集的子空间中选取最优特征通过sigmoid模块选取需要更新的信息it并通过tanh模块生成更新的内容gt，第二步就是[0119]输出门的作用主要是决定网络的输出，图4中标明了输出门对t和st-1分别表示状态单元上一时刻和当前时刻的状态。流函数，用作神经网络的激活函数；WeightNorm用于对权重归一化；DilatedCasual[0133]模型复杂度过高会造成深度过拟合，由于本发明实施例中的基学习器模型的复习器选择岭回归模型，岭回归是对不适定问题进行回归分析时最经常使用的一种正则化[0138]将每轮训练后的各个基学习器对于验证集的预测结果进行拼接，并将拼接后的层元学习器的训练数据。本模型使用验证集预测结果的原因是为了避免同类基学习器重n+1表示第n+1个样本的用电量。的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限[0153]图8示出了本发明实施例提供的碳排放量预测装置的结构示意图，为了便于说[0155]获取模块31，用于获取待预测区域的用能结构和待预测区域在待预测时间段的[0156]能源预测模块32，用于将待预测区域在待预测时间段的用电量输入到预先训练好的其它能源使用量预测模型中，得到待预测区域的其它能源在待预测时间段的预测使使用量预测模型采用待预测区域的历史用能数据进行训练，历史用能数据包括历史用电[0157]碳排放预测模块33，用于根据待预测区域在待预测时间段的用电量和待预测区域的其它能源在待预测时间段的预测使用量，确定待预测区域在待预测时间段的预测碳[0161]将第一碳排放量和第二碳排放量求和，得到待预测区域在待预测时间段的预测i个煤电机组在待预测时间段中的第c天中的第t个小时中的第s次进行电力监测时的发电量，m为相邻两次进行电力j为待预测区域的其它能源中的第j种能源在待预测时间段的预测使用2为标准煤的二氧化碳排放因子；K/j为待预测区域的其它能源中的第j种能源[0168]在一种可能的实现方式中，其它能源使用量预测模型为基于Stacking的预测模模型和时域卷积网络模型作为基学习器的第一层预测模型和以岭回归模型作为元学习器[0174]将每轮训练后的各个基学习器对于验证集的预测结果进行拼接，并将拼接后的例如图1所示的S101至S103。或者，所述处理器40用于调用并运行所述存储器41中存储的其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范[0188]本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认[0190]所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元