一种碳排放峰值预测方法及系统技术方案

公开了一种碳排放峰值预测方法及系统。其首先获取预定时间段内多个预定时间点的电力碳排放量，接着，对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵，最后，基于所述电力碳排放特征矩阵，确定碳排放峰值的预测值。这样，可以对碳排放峰值进行精准预测，从而有助于制定减排策略和措施，以便更有效地管理和减少碳排放，并在短时间内控制碳排放峰值。间内控制碳排放峰值。间内控制碳排放峰值。

【技术实现步骤摘要】
一种碳排放峰值预测方法及系统


[0001]本公开涉及智能预测领域，且更为具体地，涉及一种碳排放峰值预测方法及系统。

技术介绍

[0002]随着全球气候变化问题的日益严重，减少碳排放已经成为各国政府和企业的重要目标之一。为了实现减排目标，预测碳排放峰值成为一项关键任务。通过准确预测碳排放峰值，政府和企业可以制定相应的减排策略和措施，以便更有效地管理和减少碳排放，并在短时间内控制碳排放峰值。
[0003]然而，传统的碳排放峰值预测方案往往基于统计模型和历史数据进行分析。这种方法过分依赖人工操作，使得构建的模型在求解过程中受到不同因素影响，出现了较大预测偏差。也就是说，传统碳排放峰值预测方案往往无法考虑到各种复杂的因素和非线性关系，导致预测结果的准确性有限。
[0004]因此，期望一种优化的碳排放峰值预测方案。

技术实现思路

[0005]有鉴于此，本公开提出了一种碳排放峰值预测方法及系统，其可以对碳排放峰值进行精准预测，从而有助于制定减排策略和措施，以便更有效地管理和减少碳排放，并在短时间内控制碳排放峰值。
[0006]根据本公开的一方面，提供了一种碳排放峰值预测方法，其包括：
[0007]获取预定时间段内多个预定时间点的电力碳排放量；
[0008]对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵；以及
[0009]基于所述电力碳排放特征矩阵，确定碳排放峰值的预测值。
[0010]根据本公开的另一方面，提供了一种碳排放峰值预测系统，其包括：
[0011]电力碳排放量获取模块，用于获取预定时间段内多个预定时间点的电力碳排放量；
[0012]时序分析模块，用于对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵；以及
[0013]预测值生成模块，用于基于所述电力碳排放特征矩阵，确定碳排放峰值的预测值。
[0014]根据本公开的实施例，其首先获取预定时间段内多个预定时间点的电力碳排放量，接着，对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵，最后，基于所述电力碳排放特征矩阵，确定碳排放峰值的预测值。这样，可以对碳排放峰值进行精准预测，从而有助于制定减排策略和措施，以便更有效地管理和减少碳排放，并在短时间内控制碳排放峰值。
[0015]根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
[0016]包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
[0017]图1示出根据本公开的实施例的碳排放峰值预测方法的流程图。
[0018]图2示出根据本公开的实施例的碳排放峰值预测方法的架构示意图。
[0019]图3示出根据本公开的实施例的碳排放峰值预测方法的子步骤S120的流程图。
[0020]图4示出根据本公开的实施例的碳排放峰值预测方法的子步骤S124的流程图。
[0021]图5示出根据本公开的实施例的碳排放峰值预测方法的子步骤S130的流程图。
[0022]图6示出根据本公开的实施例的碳排放峰值预测系统的框图。
[0023]图7示出根据本公开的实施例的碳排放峰值预测方法的应用场景图。
具体实施方式
[0024]下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。
[0025]如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0026]以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0027]另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
[0028]传统的碳排放峰值预测方案往往基于统计模型和历史数据进行分析。这种方法过分依赖人工操作，使得构建的模型在求解过程中受到不同因素影响，出现了较大预测偏差。也就是说，传统碳排放峰值预测方案往往无法考虑到各种复杂的因素和非线性关系，导致预测结果的准确性有限。因此，期望一种优化的碳排放峰值预测方案。
[0029]相应地，考虑到在实际进行碳排放峰值预测的过程中，需要对于电力碳排放量的历史数据进行分析，以评估电力碳排放量的时序变化趋势，进而基于电力碳排放量的变化趋势来更好地进行电力碳排放峰值的预测。基于此，在本申请的技术方案中，期望基于深度学习的人工智能技术来对于电力碳排放量进行时序变化的特征提取，以此再解码出电力碳排放峰值的预测值。这样，能够对碳排放峰值进行精准预测，从而有助于制定减排策略和措施，以便更有效地管理和减少碳排放，并在短时间内控制碳排放峰值。
[0030]图1示出根据本公开的实施例的碳排放峰值预测方法的流程图。图2示出根据本公开的实施例的碳排放峰值预测方法的架构示意图。如图1和图2所示，根据本公开实施例的碳排放峰值预测方法，包括步骤：S110，获取预定时间段内多个预定时间点的电力碳排放
量；S120，对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵；以及，S130，基于所述电力碳排放特征矩阵，确定碳排放峰值的预测值。
[0031]具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的电力碳排放量。应可以理解，通过对于所述多个预定时间点的电力碳排放量进行时序分析不仅可以观察提取有关于碳排放量的变化趋势信息，还能够找出与碳排放量相关的因素和影响因素。例如，在本申请的一个具体示例中，可以通过分析不同季节、工作日和节假日等因素对所述电力碳排放量的影响，以更准确地预测碳排放峰值。
[0032]然后，考虑到由于所述电力碳排放量在时间维度上有着动态性的变化规律，这种变化规律性对于后续的碳排放峰值的预测有着重要意义。因此，为了能够对于所述电力碳排放量的时序变化特征进行刻画，在本申请的技术方案中，首先，需要将所述多个预定时间点的电力碳排放量按照时间维度排列为电力碳排放量输入向量，以此来整合所述电力碳排放量在时序上的分布信息。
[0033]进一步地，还考虑到在实际进行电力碳排放峰值的预测时，需要对于所述电力碳排放量进行时序变化趋势的分析捕本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种碳排放峰值预测方法，其特征在于，包括：获取预定时间段内多个预定时间点的电力碳排放量；对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵；以及基于所述电力碳排放特征矩阵，确定碳排放峰值的预测值。2.根据权利要求1所述的碳排放峰值预测方法，其特征在于，对所述多个预定时间点的电力碳排放量进行时序分析以得到电力碳排放特征矩阵，包括：将所述多个预定时间点的电力碳排放量按照时间维度排列为电力碳排放量输入向量；对所述电力碳排放量输入向量进行趋势化处理以得到趋势化电力碳排放量输入向量；将所述电力碳排放量输入向量和所述趋势化电力碳排放量输入向量进行级联以得到碳排放量多维度输入向量；以及对所述碳排放量多维度输入向量进行特征提取以得到所述电力碳排放特征矩阵。3.根据权利要求2所述的碳排放峰值预测方法，其特征在于，所述趋势化电力碳排放量输入向量中各个位置的特征值是该位置之前的所有特征值之和。4.根据权利要求3所述的碳排放峰值预测方法，其特征在于，对所述碳排放量多维度输入向量进行特征提取以得到所述电力碳排放特征矩阵，包括：将所述碳排放量多维度输入向量通过包含第一卷积层和第二卷积层的多尺度时序特征提取器以得到碳排放量多维度多尺度特征向量；以及对所述碳排放量多维度多尺度特征向量进行特征增强以得到所述电力碳排放特征矩阵。5.根据权利要求4所述的碳排放峰值预测方法，其特征在于，所述多尺度时序特征提取器包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。6.根据权利要求5所述的碳排放峰值预测方法，其特征在于，对所述碳排放量多维度多尺度特征向量进行特征增强以得到所述电力碳排放特征矩阵，包括：使用高斯密度图对所述碳排放量多维度多尺度特征向量进行特征表达强化以得到电力碳排放特征矩...

【专利技术属性】
技术研发人员：周叶铤，王敏娜，陈涛，
申请(专利权)人：杭州超腾能源技术股份有限公司，
类型：发明
国别省市：