多区域火电厂的碳排放联合预测方法和系统技术方案

本发明专利技术提供一种多区域火电厂的碳排放联合预测方法和系统

【技术实现步骤摘要】
多区域火电厂的碳排放联合预测方法和系统


[0001]本专利技术涉及数据处理
，具体涉及一种考虑多区域火电厂的碳排放联合预测方法和系统
。

技术介绍

[0002]随着科技的发展，人们的工作生活越发离不开电力的使用
。
目前，发电技术主要是靠火力发电厂进行发电，从而提供给人们使用
。
中国火电行业的碳排放占总量的
45
％
。
为此，对发电情况，例如碳排放量数据进行预测，对于火力发电厂具有重大意义
。
[0003]现有技术通过以能源碳排放量为对象，利用多变量灰色模型，通过利用碳排放区域的数据信息作为碳排放影响因素和能源消耗数据预测了目标区域的碳排放量
。
[0004]然而，现有技术仅仅研究单个区域的碳排放，不同区域工厂之间在达到碳达峰目标方面存在显着的区域差异，这在当前的研究中被忽视了
。
碳排放不仅与区域自身相关，还受到其周围区域的影响
。
因此，现有技术未考虑到其他区域的影响，预测碳排放量的准确性较差
。

技术实现思路

[0005](
一
)
解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种多区域火电厂的碳排放联合预测方法和系统，解决了现有技术中未考虑到区域之间空间相关性，预测碳排放量的准确性较差的技术问题
。
[0007](
二
)
技术方案
[0008]本专利技术解决其技术问题所提供的一种多区域火电厂的碳排放联合预测方法，包括以下步骤：
[0009]获取多个区域的碳排放量数据，所述碳排放量数据为每个区域的多个火力发电厂在预设时间内的碳排放量；对所述碳排放量数据进行数据分解处理，以获取多个区域的碳排放量趋势分量数据；对所述碳排放量趋势分量数据进行区域空间关联处理，以得到多个区域对应的碳排放量空间特征；对所述碳排放量空间特征进行时间关联处理，得到多个区域对应的碳排放量时间特征；基于所述碳排放量时间特征获取多个区域的碳排放量预测数据
。
[0010]优选的，所述获取多个区域的碳排放量数据，包括：
[0011][0012]其中，
X
A
表示
A
区域中所有火力发电厂对应的碳排放量数据，
A
区域共有
I
个火力发电厂；
C
i
表示第
i
个火力发电厂的电站容量；
T
i
表示第
i
个火力发电厂的机组在一天中的利用时间；
f
表示火力发电厂的燃料，
P
i,f
表示第
i
个火力发电厂的燃料
f
的燃料强度；
EF
f
表示燃料
f
的碳排放系数；
EC
i
表示第
i
个火力发电厂的节能参数；
PR
i
表示第
i
个火力发电厂的平均
渗透率
。
[0013]优选的，所述对所述碳排放量数据进行数据分解处理，包括：
[0014]基于所述碳排放量数据构建轨迹矩阵；对所述轨迹矩阵执行奇异值分解处理，以得到主成分；基于预设的迭代条件，对所述主成分进行分组重建处理，得到碳排放量趋势分量数据
。
[0015]优选的，所述基于所述碳排放量数据构建轨迹矩阵，包括：
[0016]获取所述碳排放量数据的功率谱，并基于所述功率谱获取最大频率和采样频率；计算所述最大频率和所述采样频率的频率比值并进行归一化处理；如果归一化处理结果小于预设阈值，将嵌入窗口的大小设置为所述碳排放量数据的长度的三分之一；如果归一化处理结果大于或等于预设阈值，将嵌入窗口的大小设置为所述频率比值的倒数的二倍大小；基于所述嵌入窗口的大小，构建轨迹矩阵；
[0017]所述基于预设的迭代条件，对所述主成分进行分组重建处理，包括：
[0018]对特征值最大的主成分进行重建处理，得到碳排放量趋势分量数据；
[0019]计算残差归一化均方误差，包括：
[0020][0021]其中，
v
q+1
(t)
表示第
q+1
个主成分的残差，
q
表示迭代轮次，
x(t)
表示碳排放量数据；
[0022]如果所述残差归一化均方误差小于预设的误差阈值，则迭代终止，以输出碳排放量趋势分量数据
。
如果所述残差归一化均方误差大于或等于预设的误差阈值，则将所述碳排放量数据减去所述碳排放量趋势分量数据，以更新碳排放量数据；并基于更新后的碳排放量数据重新执行基于所述碳排放量数据构建轨迹矩阵的步骤，以进行下一轮迭代
。
[0023]优选的，对碳排放量趋势分量数据进行区域空间关联处理，包括：
[0024]基于注意力机制对多个区域的碳排放量趋势分量数据进行处理，以获取虚拟动态空间矩阵；所述虚拟动态空间矩阵包括：
[0025]A
＝
Softmax(Reshape(X
(q)
(t))(Reshape(X
(q)
(t+t')))
T
)
[0026]其中，
X
(q)
(t)
表示在时间
t
内的第
q
个碳排放量趋势分量数据，
X
(q)
(t+t')
表示在时间
t+t'
内的第
q
个碳排放量趋势分量数据；
[0027]基于预设的多个图神经网络对所述虚拟动态空间矩阵进行处理，得到多个空间特征结果；基于
NAS
策略对所述多个动态空间特征结果进行搜索筛选，得到最优的碳排放量空间特征
。
[0028]优选的，对所述碳排放量空间特征进行时间关联处理，包括：
[0029]对所述碳排放量空间特征和所述碳排放量趋势分量数据进行混淆处理，得到碳排放量混合特征；将所述碳排放量混合特征输入至预先构建的神经网络模型中，以使所述神经网络模型的多个特征提取模块依次对所述碳排放量混合特征进行处理，得到碳排放量时间特征
。
[0030]优选的，对所述碳排放量空间特征和所述碳排放量趋势分量数据进行混淆处理，包括：
[0031][0032]其中，
X
(q)
表示碳排放量趋势分量数据，
X
(q)
'
表示碳排放量空间特征；
λ
a
∈[0,1]，表示从
beta
分布中获取的随机数
。
[0033]优选的，所述特征提取模块包括第一变压器编码器和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种多区域火电厂的碳排放联合预测方法，所述多区域火电厂的碳排放联合预测方法由计算机执行，其特征在于，包括以下步骤：获取多个区域的碳排放量数据，所述碳排放量数据为每个区域的多个火力发电厂在预设时间内的碳排放量；对所述碳排放量数据进行数据分解处理，以获取多个区域的碳排放量趋势分量数据；对所述碳排放量趋势分量数据进行区域空间关联处理，以得到多个区域对应的碳排放量空间特征；对所述碳排放量空间特征进行时间关联处理，得到多个区域对应的碳排放量时间特征；基于所述碳排放量时间特征获取多个区域的碳排放量预测数据
。2.
根据权利要求1所述的多区域火电厂的碳排放联合预测方法，其特征在于，所述获取多个区域的碳排放量数据，包括：其中，
X
A
表示
A
区域中所有火力发电厂对应的碳排放量数据，
A
区域共有
I
个火力发电厂；
C
i
表示第
i
个火力发电厂的电站容量；
T
i
表示第
i
个火力发电厂的机组在一天中的利用时间；
f
表示火力发电厂的燃料，
P
i,f
表示第
i
个火力发电厂的燃料
f
的燃料强度；
EF
f
表示燃料
f
的碳排放系数；
EC
i
表示第
i
个火力发电厂的节能参数；
PR
i
表示第
i
个火力发电厂的平均渗透率
。3.
根据权利要求1所述的多区域火电厂的碳排放联合预测方法，其特征在于，所述对所述碳排放量数据进行数据分解处理，包括：基于所述碳排放量数据构建轨迹矩阵；对所述轨迹矩阵执行奇异值分解处理，以得到主成分；基于预设的迭代条件，对所述主成分进行分组重建处理，得到碳排放量趋势分量数据
。4.
根据权利要求3所述的多区域火电厂的碳排放联合预测方法，其特征在于，所述基于所述碳排放量数据构建轨迹矩阵，包括：获取所述碳排放量数据的功率谱，并基于所述功率谱获取最大频率和采样频率；计算所述最大频率和所述采样频率的频率比值并进行归一化处理；如果归一化处理结果小于预设阈值，将嵌入窗口的大小设置为所述碳排放量数据的长度的三分之一；如果归一化处理结果大于或等于预设阈值，将嵌入窗口的大小设置为所述频率比值的倒数的二倍大小；基于所述嵌入窗口的大小，构建轨迹矩阵；所述基于预设的迭代条件，对所述主成分进行分组重建处理，包括：对特征值最大的主成分进行重建处理，得到碳排放量趋势分量数据；计算残差归一化均方误差，包括：
其中，
v
q+1
(t)
表示第
q+1
个主成分的残差，
q
表示迭代轮次，
x(t)
表示碳排放量数据；如果所述残差归一化均方误差小于预设的误差阈值，则迭代终止，以输出碳排放量趋势分量数据；如果所述残差归一化均方误差大于或等于预设的误差阈值，则将所述碳排放量数据减去所述碳排放量趋势分量数据，以更新碳排放量数据；并基于更新后的碳排放量数据重新执行基于所述碳排放量数据构建轨迹矩阵的步骤，以进行下一轮迭代
。5.
根据权利要求1所述的多区域火电厂的碳排放联合预测方法，其特征在于，对所述碳排放量趋势分量数据进行区域空间关联处理，包括：基于注意力机制对多个区域的碳排放量趋势分量数据进行处理，以获取虚拟动态空间矩阵；所述虚拟动态空间矩阵包括：
A
＝
Softmax(Reshape(X
(q)
(t))(Reshape(X
(q)
(t+t')))
T
)
其中，
X
(q)
(t)
表示在时间
t
内的第
q
个碳排放量趋势分量数据，
X
(q)
(t+t')
表示在时间
t+t'
内的第
q
个碳排放量趋势分量数据；基于预设的多个图神经网络对所述虚拟动态空间矩阵进行处理，得到多个空间特征结果；基于
NAS
策略对所述多个动态空间特征结果进行搜索筛选，得到最优的碳排放量空间特征
。6.
根据权利要求1所述的多区域火电厂的碳排放联合预测方法，其特征在于，对所述碳排放量空间特征进行时间关联处理，包括：对所述碳排放量空间特征和所述碳排放量趋势分量数据进行混淆处理，得到碳排放量混合特征；将所述碳排放量混合特征输入至预先构建的神经网络模型中，以使所述神经网络模型的多个特征提取模块依次对所述碳排放量混合特征进行处理，得到碳排放量时间特征
。7.
根据权利要求6所述的多区域火电厂的碳排放联合预测方法，其特征在于，对所述碳排放量空间特征和所述碳排放量趋势分量数据进行混淆处理，包括：其中，
X
(q)
表示碳排放量趋势分量数据，
X
(q)
'
表示碳排放量空间特征；
λ
a
∈[0,1]
，表示从
beta
分布中获取的随机数
。8.
根据权利要求7所述的多区域火电厂的碳排放联合预测方法，其特征在于，所述特征提取模块包括第一变压器编码器和第二变压器编码器；一个特征提取模块对所述碳排放量混合特征进行处理的步骤，包括：将所述碳排放量混合特征输入至第一变压器编码器中；所述第一变压器编码器基于多头自我注意机制对所述碳排放量混合特征进行处理，包
括：括：其中，表示注意力输出；
i∈[1,h]
，
h
表示头数；是变换矩阵；
d
k
表示比例因子；
Qi
，
Ki
，
Vi
分别表示每个头的查询
、
键和值；基于所述注意力输出获取多头自我注意输出，包括：其中，
W
O
表示线性变换矩阵；所述第一变压器编码器对所述多头自我注意输出进行残差连接和层归一化处理，包括：其中，
X
Mid

【专利技术属性】
技术研发人员：邵臻，高士娜，杨善林，赵微，朱国伟，周开乐，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：