[發明專利]基于電力大腦中樞的用能數據與碳排放量關聯分析方法

有效

• 申請號: 202111024764.0
• 申請日: 2021-09-02
• 公開（公告）號: CN113469470B
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 方響;孫智卿;樊立波;朱炯;樂全明;李慶華;祝春捷;張杰;徐凱;毛偉;王渝李;粱展釗;黃建平;屠永偉;趙健
• 申請（專利權）人: 國網浙江省電力有限公司杭州供電公司;上海脈策數據科技有限公司;脈策（杭州）科技有限公司;國網浙江省電力有限公司;上海電力大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙) 33217
• 代理人: 黃麗

本發明提出了一種基于電力大腦中樞的用能數據與碳排放量關聯分析方法，包括：由常規關聯特征組成初始關聯體系；通過電力大腦中樞獲取用能數據和碳排放數據；生成三維特征圖像，通過比較三維特征圖像與碳排放數據生成附加關聯特征；計算各個常規關聯特征和附加關聯特征在當前采樣時刻的關聯系數；將關聯系數與最終訓練集相乘后的結果輸入LSTM模型，當輸出結果的誤差符合預設條件時，根據此時關聯系數的大小確定用能數據與碳排放量的關聯程度。本發明能夠生成不同的附加關聯特征，并結合了注意力機制，提高用能數據與碳排放量之間關聯結果的精確度，進而能夠更及時的針對關聯程度較高的影響因素，制定更具有針對性的碳排放調控策略。

技術領域

本發明屬于能源數據處理領域，尤其涉及一種基于電力大腦中樞的用能數據與碳排放量關聯分析方法。

背景技術

隨著人工智能技術的快速發展，為了有效控制碳排放，通常直接利用碳排放量的歷史時序數據進行機器學習模型的訓練，并利用訓練好的機器學習模型預測實時碳排放量，例如，在公開號為CN112906974A的專利中，提出了利用LSTM預測模型和GM預測模型，根據能源碳排放量和電力消耗量的歷史數據預測總碳排放量的技術方案。

上述傳統的碳排放監控方式雖然能夠實現碳排放量的實時監控，進而根據實時碳排放量的預測結果調整碳排放調控策略。但由于不同分析對象的能源類型、用能情況等對碳排放量的變化造成影響的因素復雜又多變，現有技術手段僅依靠預測碳排放量的方式，無法針對不同的分析對象及時并準確的分析出與碳排放量關聯程度較高的影響因素。一方面使得碳排放調控策略難以有效針對關鍵的影響因素進行調整，另一方面依賴碳排放量的預測結果將導致碳排放調控策略的調整存在滯后性。

發明內容

為了解決現有技術中存在的缺點和不足，本發明提出了一種基于電力大腦中樞的用能數據與碳排放量關聯分析方法，包括：

S100：將分析對象的用電量、用熱量、用氣量和新能源機組出力作為碳排放量的常規關聯特征，由常規關聯特征組成初始關聯體系；

S200：通過電力大腦中樞基于預設采樣頻率獲取各種類型的分析對象的用能數據和碳排放數據，將用能數據填充到初始關聯體系中形成初始訓練集；

S300：基于初始訓練集中用能數據的特征生成三維特征圖像，通過比較三維特征圖像與S200中獲取的碳排放數據生成附加關聯特征，將附加關聯特征加入初始關聯體系中，得到典型關聯體系；

S400：在LSTM模型的輸入層基于注意力機制建立多層感知機，將當前采樣時刻的用能數據填充到典型關聯體系中形成最終訓練集，結合LSTM模型在上一個采樣時刻的輸出結果輸入多層感知機中，計算典型關聯體系中各個常規關聯特征和附加關聯特征在當前采樣時刻的關聯系數；

S500：將關聯系數與最終訓練集相乘后的結果輸入LSTM模型，當LSTM模型的輸出結果與S200中獲取的碳排放數據之間的誤差符合預設條件時，根據此時關聯系數的大小確定用能數據與碳排放量的關聯程度，若不符合預設條件，則調整多層感知機后重復S400直至符合預設條件。

可選的，所述S200包括：

通過電力大腦中樞基于預設采樣頻率訪問電力系統，對新能源機組出力與分析對象的用電量進行采樣，得到用能數據中的新能源機組出力p和用電數據z；

通過電力大腦中樞基于預設采樣頻率訪問熱力系統，對分析對象的化石能源消耗量進行采樣，根據采樣結果得到用能數據中的用熱數據h和用氣數據g；

通過電力大腦中樞基于預設采樣頻率訪問政務系統，獲取分析對象的碳排放量數據；

將用電數據、用熱數據、用氣數據和新能源機組出力輸入初始關聯體系，生成初始訓練集X’=[ z，h，g，p]^T。

可選的，所述S300包括：