【技术实现步骤摘要】
专利技术涉及用碳排放预测，尤其涉及一种基于能源数据的碳排放预测方法。
技术介绍
1、我国目前处于以降低碳排放为核心战略、推动经济社会全面绿色发展的重要时期，能源消耗是衡量经济增长的指标之一。通过将碳排放电力系数与电量数据相乘，可以得到碳排放量的估算数据。但由于碳排放系数固定，更新及时性无法得到保障，季节性波动、用电量预测的准确性也对碳排放评估产生影响，导致碳排放预测结果不够可靠。
2、相关研究表明，sarimax模型引入季节性因子，能够减少季节性波动对碳排放评估的影响，light gbm算法可以对用电量进行预测，实现用电量预测精确度的提高。
3、综上，如何在数据处理方面进行进一步优化，以提高数据的精确度，提高碳排放预测水平，便成为本领域人员亟待解决的技术问题。
技术实现思路
1、本专利技术的目的在于，解决现有技术的不足之处，提出一种基于能源数据的碳排放预测方法，该方法通过对重点行业的能源数据进行优化，能够提高碳排放预测结果的准确性，为后续的能源清洁低碳工作的优化提供优化依据，能够实时监测碳排放情况，掌握碳排放情况的整体发展趋势。
2、一种基于能源数据的碳排放预测方法，包括以下步骤：
3、步骤1，采集能源消耗数据和用电数据，获得重点行业历史碳排放量和用电量；
4、步骤2，基于历史碳排放量和用电量，获得历史碳排放电力系数；
5、步骤3，采用sarimax-xgboost模型优化碳排放电力系数；
6、步骤
7、步骤5，基于优化后的碳排放系数和预测的用电量，建立重点行业碳排放预测模型。
8、优选的，步骤1中，重点行业历史碳排放量和用电量包括：
9、每种能源的历史碳排放量：
10、
11、式中，adi表示第i种燃料的能源消费量，ki表示第i种化石燃料的折标准煤系数，fi表示第i种单位燃料的二氧化碳排放因子；其中，能源种类包含煤、油、气、电。
12、优选的，步骤2中的历史碳排放电力系数的表达式为：
13、
14、式中，j是年份，为重点行业当年的碳排放量，ej为重点行业的当年用电量。
15、优选的，步骤3中，采用sarimax-xgboost模型优化碳排放电力系数具体包括：
16、a、sarimax模型是一种差分自回归移动平均模型，考虑季节性的影响，由历史值可得到预测值；sarimax模型的表达式如下：
17、
18、式中：为预测变量，yt为原始值，c为常数，s为季节周期长度，pdq为季节性回归ar、差分i、移动平均ma的阶数，φi和θj为自回归和移动平均系数，l为滞后算子，la表示序列向后移动a个时间步，其中a取si和i，φi、θj为季节性自回归和移动平均系数，(1-ls)d、表示季节性自回归、差分和移动平均k为外生变量个数，βl表示外生变量的系数，xl,t为外生变量的观测值，εt为误差项；需要说明的是，本研究以年份和用电量作为自变量、碳排放电力系数作为因变量构建arimax时间序列模型；
19、b、xgboost梯度提升决策树算法模型的基本原理为：构建包含多个回归树的集成模型，通过损失函数的二阶泰勒展开近似模型的负梯度，并将其作为前一个模型的残差进行学习，对训练准确率较低的样本增加权重，以提升模型准确度，进而执行多个回归树的连续迭代，不断纠正偏差，直至损失函数达到收敛标准；
20、c、历史碳排放电力系数f与arimax-xgboost优化后得到的残差相加得到碳排放电力系数预测值
21、
22、优选的，步骤4中，采用改进的pso-lightgbm算法构建重点行业用电量预测模型具体为：
23、
24、式中，ep为重点行业历史用电量，ep，i为企业历史用电量之和，i为企业数量；
25、第一方面、改进的pso算法预测企业用电量
26、pso算法将优化问题的解定义为在有限维度空间内搜索粒子，每个粒子由一个位置矢量和速度矢量构成，所有粒子共同合作择优，通过自身最优值和粒子群的最优值搜索更佳的位置；每个粒子利用适应度函数评估其位置的优劣，同时，粒子群中的所有粒子都会根据当前最优粒子在解空间中的位置进行搜索；为能够有效提升初始粒子群的全局寻优能力，并促使粒子群跳出局部最优解，引入一种动态惯性权重ω，帮助粒子个体跳出局部最优解；
27、第二方面、lightgbm集成学习算法预测企业用电量
28、lightgbm模型中根据直方图算法以及leaf－wise的生长策略，利用基于直方图的稀疏特征优化，降低更多误差，提高拟合精度，利用带深度限制的leaf-wise的叶子生长策略，进行决策树的搜索和分裂；通过单边梯度采样算法来最大限度地保留对计算信息增益有帮助的样本，加快模型的训练速度；
29、第三方面、改进的pso算法和light gbm算法加权组合
30、将改进的pso算法和light gbm算法进行组合，组合方式此处选择误差倒数法并更新权值，误差倒数法指的是通过将较小的权值赋予误差大的模型，以减小组合模型的误差；计算公式为：
31、fi＝ω1f1i+ω2f2i
32、
33、
34、式中，εi模型i的预测误差，ωk是赋予模型k的权值参数，fi即赋权后的目标组合模型对样本i的预测结果，fki是第k个模型的预测值；
35、第四方面、使用rmse均方根误差对评估预测模型进行准确率的考察，rmse反映了预测值y与真实值y偏差平方与样本数n的比值的平方根，可以有效地检测预测结果的准确程度，rmse的公式如下：
36、
37、优选的，步骤5中碳排放量预测模型如下：
38、碳排放量测算数据通过碳排放电力系数与电量数据相乘得到：
39、
40、式中，为重点行业的碳排放量预测值，为重点行业的碳排放系数，ep为重点行业的碳排放用电预测值。
41、本专利技术的优点及技术效果在于：
42、1、本专利技术通过sarimax模型引入外部变量，减少季节性波动对碳排放评估的影响，同时xgboost模型优化残差，提高碳排放系数的准确性；
43、2、本专利技术采用pso算法和light gbm算法组合的模型预测重点行业用电量，降低了计算误差，提高用电量预测能力。
本文档来自技高网...【技术保护点】
1.一种基于能源数据的碳排放预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于能源数据的碳排放预测方法，其特征在于：所述步骤1中，重点行业历史碳排放量和用电量包括：
3.根据权利要求1所述的一种基于能源数据的碳排放预测方法，其特征在于：所述步骤2中的历史碳排放电力系数的表达式为：
4.根据权利要求1所述的一种基于能源数据的碳排放预测方法，其特征在于，所述步骤3中，采用SARIMAX-XGBoost模型优化碳排放电力系数具体包括：
5.根据权利要求1所述的一种基于能源数据的碳排放预测方法，其特征在于：所述步骤4中，采用改进的PSO-LightGBM算法构建重点行业用电量预测模型具体为：
6.根据权利要求1所述的一种基于能源数据的碳排放预测方法，其特征在于：所述步骤5中碳排放量预测模型如下：
【技术特征摘要】
1.一种基于能源数据的碳排放预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于能源数据的碳排放预测方法，其特征在于：所述步骤1中，重点行业历史碳排放量和用电量包括：
3.根据权利要求1所述的一种基于能源数据的碳排放预测方法，其特征在于：所述步骤2中的历史碳排放电力系数的表达式为：
4.根据权利要求1所述的一种基于能源数据的碳排放预...
【专利技术属性】
技术研发人员：倪玮晨，李国栋，赵长伟，孔祥玉，项添春，李尚泽，王晓迪，
申请(专利权)人：国网天津市电力公司电力科学研究院，
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。