System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及碳排放预测,尤其涉及一种面向高耗能工业企业的碳排放量预测方法。
技术介绍
1、电力、钢铁、造纸、水泥等八大高耗能行业的碳排放占总碳排放的70%左右,我国已于2021年建立了全国碳排放权交易市场,并将火电行业纳入首批交易范围,将逐步纳入其他的高耗能行业,以期通过行政与市场相结合的方式达到降低碳排放量的目的,对于高耗能企业而言,由于其碳排放量很高,由于碳配额交易所带来的成本也很高,准确地预测碳排放量,有助于高耗能企业在碳市场中进行合理决策,降低碳配额购买成本,或通过在合理时段出售富余的碳配额获益。
2、当前的碳配额交易均价不高,较外部碳市场价格有多倍数的上涨空间,企业对于精准的碳预测,从而支撑碳交易决策、降低碳成本的需求将越来越高,目前,已有相关技术开展企业碳排放预测工作,大多采用神经网络模型,包括dbn深度学习模型、bp神经网络模型、issa-lstm模型,公开号为cn202211493787,提出了一种基于bp神经网络模型的能源企业碳排测算与预测方法,用于实现对能源企业的碳排放预测,然而,神经网络模型具有可解释性差、需要样本数据量大、模型稳定性差、数据预处理要求高等弊端,影响了企业碳排放预测的效果。
3、高耗能企业的碳排放量受到多个因素的综合影响,包括企业能源结构、能效水平、工艺特点、生产技术、生产经营状况等,电力是一种高效、便捷、灵活的能源,任何企业、任何建筑和生产设施都离不开电力,电力与企业生产过程有紧密的耦合关系,对于一种特定的工艺流程,其各种能源之间的消耗比例是大致确定的。
< ...【技术保护点】
1.一种面向高耗能工业企业的碳排放量预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种面向高耗能工业企业的碳排放量预测方法,其特征在于,所述S1中的历史各期的碳排放量计算如下:
3.根据权利要求2所述的一种面向高耗能工业企业的碳排放量预测方法,其特征在于,所述S1中的综合电-碳折算系数为时序数组EFa,i,基于不同时期的历史用电量F外购电,i与碳排放量关系式为:
4.根据权利要求3所述的一种面向高耗能工业企业的碳排放量预测方法,其特征在于,所述时间序列数据组通过计算机软件输入,计算EFa,i的自相关系数(ACF)ρi,和偏自相关系数(PACF)φi;
5.根据权利要求4所述的一种面向高耗能工业企业的碳排放量预测方法,其特征在于,所述电-碳折算系数预测模型基于自回归模型分析方法,基于自回归模型模型建立以EFa,i数据组迭代的EFf,t的预测模型,模型如下:
6.根据权利要求5所述的一种面向高耗能工业企业的碳排放量预测方法,其特征在于,所述S3中的灰色预测法具体包括:
7.根据权利要求6所述的一种
8.根据权利要求7所述的一种面向高耗能工业企业的碳排放量预测方法,其特征在于,所述构建方差-协方差组合模型具体包括:
9.根据权利要求8所述的一种面向高耗能工业企业的碳排放量预测方法,其特征在于,所述S4中预测的碳排放量的计算为:
...【技术特征摘要】
1.一种面向高耗能工业企业的碳排放量预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种面向高耗能工业企业的碳排放量预测方法,其特征在于,所述s1中的历史各期的碳排放量计算如下:
3.根据权利要求2所述的一种面向高耗能工业企业的碳排放量预测方法,其特征在于,所述s1中的综合电-碳折算系数为时序数组efa,i,基于不同时期的历史用电量f外购电,i与碳排放量关系式为:
4.根据权利要求3所述的一种面向高耗能工业企业的碳排放量预测方法,其特征在于,所述时间序列数据组通过计算机软件输入,计算efa,i的自相关系数(acf)ρi,和偏自相关系数(pacf)φi;
5.根据权利要求4所述的一种面向高耗能工...
【专利技术属性】
技术研发人员:于冰,张一弛,贾浩,徐新宇,郝城,马振宇,李修军,唐亮,李长军,刘敦楠,杜熠伯,郝红岩,毕素玲,施应玲,付忠广,
申请(专利权)人:国网新疆电力有限公司,
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。