本申请提供一种基于大数据的碳排放测算方法及装置，所述方法包括：获取电网的负载功率信息、电网电压信息和电网电流信息；根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集；将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图；根据融合图计算碳排放。本申请采用卷积神经网络模型直接对电网电压、电流和负载数据进行碳排放的测算，数据获取简单，并且测算较为精准，适合性强。强。强。
【技术实现步骤摘要】
一种基于大数据的碳排放测算方法及装置
[0001]本申请请求保护一种大数据预测方法，尤其涉及一种基于大数据的碳排放测算方法。本申请还涉及一种基于大数据的碳排放测算装置。
技术介绍
[0002]电能的获取主要是火电，火电是通过矿物燃料燃烧转换的，这个过程中会排放二氧化碳等含碳气体，称为碳排放。
[0003]目前，绿色发展称为社会发展的主要方向，而控制碳排放则是绿色发展的重要内容之一，控制碳排放首先便是进行碳排放测算。
[0004]现有技术中，碳排放通过一系列检测测算出来的，需要极为精确的测量方法以及大量的计算才能获取，这对于普通企业来水是非常困难的，因此急需一种简易直接的方法进行碳排放的测算。
技术实现思路
[0005]为了解决上述技术方案中的一个或者多个技术问题，本申请提供一种基于大数据的碳排放测算方法。本申请还涉及一种基于大数据的碳排放测算方装置。
[0006]本申请提供一种基于大数据的碳排放测算方法，包括：
[0007]获取电网的负载功率信息、电网电压信息和电网电流信息；
[0008]根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集；
[0009]将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图；
[0010]根据融合图计算碳排放。
[0011]可选的，所述电网包括，公共电网、局域电网以及家庭电网；
[0012]可选的，所述卷积神经网络的训练方法包括：
[0013]提取所述电网负载功率、电网电压和电网电流的历史数据；
[0014]基于所述历史数据配置参数后生成样本集；
[0015]基于所述样本集的数据输入到所述卷积神经网络模型中，训练并获得融合图；
[0016]基于所述融合图调整所述卷积神经网络参数，并重复上述步骤，到所述融合图符合预期。
[0017]可选的，所述配置参数为所述电网中发电量与电量比值。
[0018]可选的，所述配置参数为所述电网中电量的化石能源电量和清洁能源电量的比值。
[0019]本申请还提供一种基于大数据的碳排放测算装置，包括：
[0020]获取模块，用于获取电网的负载功率信息、电网电压信息和电网电流信息；
[0021]预处理模块，用于根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集；
[0022]分析模块，用于将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图；
[0023]计算模块，用于根据融合图计算碳排放。
[0024]可选的，所述电网包括，公共电网、局域电网以及家庭电网；
[0025]可选的，还包括训练模块；
[0026]所述训练模块包括：
[0027]提取单元，用于提取所述电网负载功率、电网电压和电网电流的历史数据；
[0028]样本单元，用于基于所述历史数据配置参数后生成样本集；
[0029]训练单元，用于基于所述样本集的数据输入到所述卷积神经网络模型中，训练并获得融合图；
[0030]调整单元，用于基于所述融合图调整所述卷积神经网络参数，并重复上述步骤，到所述融合图符合预期。
[0031]可选的，所述配置参数为所述电网中发电量与电量比值。
[0032]可选的，所述配置参数为所述电网中电量的化石能源电量和清洁能源电量的比值。
[0033]本申请相较于现有技术的优点是：
[0034]本申请提供一种基于大数据的碳排放测算方法，包括：获取电网的负载功率信息、电网电压信息和电网电流信息；根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集；将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图；根据融合图计算碳排放。本申请采用卷积神经网络模型直接对电网电压、电流和负载数据进行碳排放的测算，数据获取简单，并且测算较为精准，适合性强。
附图说明
[0035]图1是本申请中基于大数据的碳排放测算流程图。
[0036]图2是本申请中卷积神经网络训练流程图。
[0037]图3是本申请中基于大数据的碳排放测算装置示意图。
具体实施方式
[0038]以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的
限制。
[0039]本申请提供一种基于大数据的碳排放测算方法，包括：获取电网的负载功率信息、电网电压信息和电网电流信息；根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集；将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图；根据融合图计算碳排放。本申请采用卷积神经网络模型直接对电网电压、电流和负载数据进行碳排放的测算，数据获取简单，并且测算较为精准，适合性强。
[0040]图1是本申请中基于大数据的碳排放测算流程图。
[0041]请参照图1所示，S101获取电网的负载功率信息、电网电压信息和电网电流信息。
[0042]所示负载功率信息、电网电压信息以及电网电流信息主要是数据的值。例如：所示负载功率的大小，电网电压的大小，电网电流的大小等。获取所述负载功率信息，电网电压信息和电网电流信息可以采用直接读取的方式，例如读取所述负载的功率信息，直接读取该负载的功率参数即可。读取所述电网电压信息和电网电流信息，可以通过电压互感器和电流互感器读取，并经过AD转换成为数字信息。
[0043]优选的，所述电网包括，公共电网、局域电网以及家庭电网。
[0044]请参照图1所示，S102根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集。
[0045]具体的，所述属性特征是指电网中电量的碳含量，具体而言，所述电网中的电量可能是由多种电源产生的，其中包含有火电、也可能还包含有新能本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于大数据的碳排放测算方法，其特征在于，包括：获取电网的负载功率信息、电网电压信息和电网电流信息；根据输入电量的属性特征，为所述功率信息、电网电压信息和电网电流信息设置配置参数，并生预测集；将所述预测集输入到卷积神经网络训练，包括将数据编码，将编码后的所述数据输入到卷积层，所述卷积层根据所述数据的时间段连续性提取特征数据，并根据所述特征数据生成时间电量图和时间负载图，将所述时间电量图和时间负载图输入到融合层进行融合，生成融合图；根据融合图计算碳排放。2.根据权利要求1所述基于大数据的碳排放测算方法，其特征在于，所述电网包括，公共电网、局域电网以及家庭电网。3.根据权利要求1所述基于大数据的碳排放测算方法，其特征在于，所述卷积神经网络的训练方法包括：提取所述电网负载功率、电网电压和电网电流的历史数据；基于所述历史数据配置参数后生成样本集；基于所述样本集的数据输入到所述卷积神经网络模型中，训练并获得融合图；基于所述融合图调整所述卷积神经网络参数，并重复上述步骤，到所述融合图符合预期。4.根据权利要求1所述基于大数据的碳排放测算方法，其特征在于，所述配置参数为所述电网中发电量与电量比值。5.根据权利要求1所述基于大数据的碳排放测算方法，其特征在于，所述配置参数为所述电网中电量的化石能源电量和清洁能源电量的比值。6.一种基于大数据的碳排放测算装置，其特征在于，包括：获取模块，用于获取...
【专利技术属性】
技术研发人员：黄宇腾，毛冬，张辰，陈可，
申请(专利权)人：国网浙江省电力有限公司信息通信分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。