一种基于电网潮流的碳排放计算方法及装置制造方法及图纸

本发明专利技术公开了一种基于电网潮流的碳排放计算方法及装置，方法包括：获取历史碳排放计算事件数据；基于所述历史碳排放计算事件数据，对预构建的电网BP神经网络模型更新参数，直至模型输出的当前参数得到的碳排放量与期望碳排放量的方差E小于设定值，得到确定的参数和训练好的电网BP神经网络模型；其中所述参数包括各时间点的权重和逐点距离的放大指数；获取当前时间点的用电量及参照用电量，输入训练好的电网BP神经网络模型，根据所述网BP神经网络模型的输出，确定碳排放计算结果。确定碳排放计算结果。确定碳排放计算结果。

【技术实现步骤摘要】
一种基于电网潮流的碳排放计算方法及装置


[0001]本专利技术属于碳排放
，涉及一种基于电网潮流的碳排放计算方法及装置。

技术介绍

[0002]碳排放计算主要包含模型研究、算法验证、软件功能描述以及碳核算能力展示等几个环节。由于传统的碳排放计算指标较多，计算困难。这为碳排放计算的落地推广制造了一定的障碍。
[0003]此外，不同的碳排放计算项目，其目标各异。需要设计一种能够自适应不同碳排放计算场景的，用户接受度高的碳成分参数生成算法，对推动碳排放计算的落地和实施，大有好处。

技术实现思路

[0004]目的：为了克服现有技术中存在的不足，解决传统分析算法普适性差，用户接受度低等问题，本专利技术提供一种基于电网潮流的碳排放计算方法及装置。
[0005]技术方案：为解决上述技术问题，本专利技术采用的技术方案为：
[0006]第一方面，提供一种基于电网潮流的碳排放计算方法，包括：
[0007]获取历史碳排放计算事件数据；
[0008]基于所述历史碳排放计算事件数据，对预构建的电网BP神经网络模型更新参数，直至模型输出的当前参数得到的碳排放量与期望碳排放量的方差E小于设定值，得到确定的参数和训练好的电网BP神经网络模型；其中所述参数包括各时间点的权重w
i
和逐点距离的放大指数m；
[0009]获取当前时间点的用电量及参照用电量，输入训练好的电网BP神经网络模型，根据所述网BP神经网络模型的输出，确定碳排放计算结果。
[0010]在一些实施例中，所述的基于电网潮流的碳排放计算方法，还包括：
[0011]基于所述参数和逐点距离计算公式，确定用电曲线与参照用电曲线的距离；
[0012]基于用电曲线与参照用电曲线的距离，计算电力与典型事件的用户的差异化得分。
[0013]在一些实施例中，逐点距离计算公式包括：
[0014][0015]其中p
i
、分别表示时间点
i
的用电量以及时间点
i
的参照用电量。
[0016]在一些实施例中，基于所述参数和逐点距离计算公式，确定用电曲线与参照用电曲线的距离包括：
[0017][0018]其中w
i
为各时间点的权重；为逐点距离计算公式，表示在时间点i用电量与参照用电量的距离；m是逐点距离的放大指数；l是量测的时间点数目。
[0019]在一些实施例中，用户的差异化得分s的计算方法包括：
[0020][0021]其中为用电曲线与参照用电曲线的距离。
[0022]根据所述用户的差异化得分s，可以判断用户的用电情况是否异常。
[0023]在一些实施例中，所述电网BP神经网络模型包括输入层、隐含层和输出层；
[0024]将历史碳排放计算事件数据输入电网BP神经网络模型；
[0025]经过所述输入层处理得到并送入隐含层，其中p
i
、分别表示时间点
i
的用电量以及参照用电量；
[0026]各隐含层的输出h
i
为m是逐点距离的放大指数；
[0027]所述输出层输出计算得出的碳排放量o
cal
：
[0028]其中n为隐含层的个数，w
i
为各时间点的权重。
[0029]在一些实施例中，当前参数得到的评价值与期望的方差E的计算方法：包括：
[0030][0031]其中，E表示当前参数得到的碳排放量与真实碳排放量的方差，o
real
表示真实的碳排放量，o
cal
表示计算得出的碳排放量。
[0032]在一些实施例中，对预构建的电网BP神经网络模型更新参数，包括：
[0033]w
i
按照下述公式更新：
[0034][0035]其中，为方差E关于各隐含层的权重w
i
的偏导，为更新后的权重；η
w
为学习速率；o
cal
表示计算得到的碳排放量，o
real
表示真实的碳排放量；h
i
表示各隐含层的输出，m是逐点距离的放大指数；
[0036]更新速度按照下述公式计算得到：
[0037][0038]逐点距离的放大指数m按照下列公式更新：
[0039][0040]其中m
+
为更新后的放大指数，η
m
为关于放大指数的学习速率。
[0041]进一步地，学习速率η
w
、η
m
默认为0.1。
[0042]第二方面，本专利技术提供了一种基于电网潮流的碳排放计算装置，包括处理器及存储介质；
[0043]所述存储介质用于存储指令；
[0044]所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
[0045]第三方面，本专利技术提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。
[0046]有益效果：本专利技术提供的基于电网潮流的碳排放计算方法及装置，具有以下优点：本专利技术利用改进思维进化算法优化后的初始权值和阀值，BP神经网络的泛化性能更高，预测误差更低。
附图说明
[0047]图1为根据本专利技术一实施例的基于电网潮流的碳排放计算方法流程图；
[0048]图2为根据本专利技术一实施例的电网网络示意图；
[0049]图3为根据本专利技术一实施例中权重优化前后示意图。
具体实施方式
[0050]下面结合附图和实施例对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0051]在本专利技术的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0052]本专利技术的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本专利技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0053]实施例1
[0054]一种基于电网潮流的碳排放计算方法，包括：
[0055]获取历史碳排放计算事件数据；
[0056]基于所述历史碳排放计算事件数据，对预构建的电网BP神经网络模型更新参数，直至模型输出的当前参数得到的碳排放量与期望碳排放量的方差E小于设定值，得到确定的参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电网潮流的碳排放计算方法，其特征在于，包括：获取历史碳排放计算事件数据；基于所述历史碳排放计算事件数据，对预构建的电网BP神经网络模型更新参数，直至模型输出的当前参数得到的碳排放量与期望碳排放量的方差E小于设定值，得到确定的参数和训练好的电网BP神经网络模型；其中所述参数包括各时间点的权重w
i
和逐点距离的放大指数m；获取当前时间点的用电量及参照用电量，输入训练好的电网BP神经网络模型，根据所述网BP神经网络模型的输出，确定碳排放计算结果。2.根据权利要求1所述的基于电网潮流的碳排放计算方法，其特征在于，还包括：基于所述参数和逐点距离计算公式，确定用电曲线与参照用电曲线的距离；基于用电曲线与参照用电曲线的距离，计算电力与典型事件的用户的差异化得分。3.根据权利要求2所述的基于电网潮流的碳排放计算方法，其特征在于，逐点距离计算公式包括：其中p
i
、分别表示时间点
i
的用电量以及时间点
i
的参照用电量。4.根据权利要求2所述的基于电网潮流的碳排放计算方法，其特征在于，基于所述参数和逐点距离计算公式，确定用电曲线与参照用电曲线的距离包括：其中w
i
为各时间点的权重；为逐点距离计算公式，表示在时间点i用电量与参照用电量的距离；m是逐点距离的放大指数；l是量测的时间点数目。5.根据权利要求2所述的基于电网潮流的碳排放计算方法，其特征在于，用户的差异化得分s的计算方法包括：其中为用电曲线与参照用电曲线的距离。6.根据权利要求1所述的基于电网潮流的碳排放计算方法，其特征在于，所述电网BP神经网络模型包括输入层、隐含层和输出层；将历史碳排放计算事件数据输入电网BP神经网络模型；经过所述输入层处理得到并送入隐含层，其中p
i
...

【专利技术属性】
技术研发人员：方超，杜先波，仲春林，王子涵，邵恩泽，张凡，
申请(专利权)人：江苏方天电力技术有限公司，
类型：发明
国别省市：