【技术实现步骤摘要】
本专利技术涉及碳排放，具体为一种基于电力大数据和机器学习的建筑碳排放测算方法。
技术介绍
1、
2、在建筑全生命周期中，becce占建筑全生命周期碳排放的70％，并且由于建筑能耗还在不断增长，该数值预计还将继续上升。为及时调整建筑节能减排政策，becce快速、精确测算逐渐受到人们的关注。如今，对于估算becce的方法可以分为“自下而上”以及“自上而下”两类，由于难以提取到单个建筑相关结构特征以及详细能源消耗数据。因此，前人大部分研究采用“自上而下”方法对becce进行估计。
3、对于碳排放测算的方法可以分为“自下而上”以及“自上而下”两类。一般来说，自下而上的方法是一种理想的地方尺度co2估算方法，它能提供准确的估算结果，是地方当局的首选方法，但是该方法对数据要求较高。因此，大部分研究者采用“自上而下”方法对becce进行估计，但是该方法所收集社会经济环境的数据具有时间滞后性，以及一定的误差，只能对becce进行估计，难以对becce进行快速、准确测算，到目前为止，还没有具有普适性的becce实时测算方法。
技术实现思路
1、针对现有技术中存在的没有具有普适性的becce实时测算方法问题，本专利技术提供了一种基于电力大数据和机器学习的建筑碳排放测算方法，包括以下步骤：
2、建立包含建筑类型、建筑运行能耗碳排放becce、建筑用电量、建筑面积、建筑楼层的建筑样本数据集；其中建筑类型包括3类：大型公共建筑、中小型公共建筑、政府机关以及住宅建筑；>
3、构建svm模型，确定svm模型中需要优化的对象，利用粒子群算法对svm模型进行优化，构建pso-svm模型；提取建筑用电量、建筑面积、建筑楼层3个指标作为影响因子，结合pso-svm模型分别建立3类建筑类型的“电-碳”模型；
4、将建筑样本数据集输入3类建筑类型的“电-碳”模型进行训练；
5、将待测算建筑的建筑用电量、建筑面积、建筑楼层输入训练后的符合待测算建筑类型的“电-碳”模型，输出待测算建筑的建筑碳排放量。
6、进一步的，本专利技术提供的一种基于电力大数据和机器学习的建筑碳排放测算方法，还包括：
7、并将建筑样本数据集分为训练集、验证集以及测试集；
8、将训练集输入3类建筑类型的“电-碳”模型进行训练，利用验证集分别验证3类建筑类型的“电-碳”模型的精度；并利用测试集测试3类建筑类型的电-碳模型的泛化能力。
9、进一步的，所述建筑样本数据集中的建筑运行能耗碳排放becce的计算，具体包括以下步骤：
10、分别收集大型公共建筑、中小型公共建筑、政府机关以及住宅建筑的煤炭、天然气、液化石油气、人工煤气、电力的消耗量，并根据各能源的碳排放因子计算每栋建筑的建筑运行能耗碳排放becce：
11、ctotal,i＝ccoal,i+cng,i+clpg,i+cag,i+cep,i；
12、其中，ctotal,i表示为某区第i种类型建筑的becce；ccoal,i、cng,i、clpg,i、cag,i和cep,i分别表示为由成都市某区第i种类型建筑利用煤炭、天然气、液化石油气、人工煤气和电力而产生的二氧化碳排放量；
13、各区使用能源产生的碳排放量具体计算如下：
14、cj,i＝nj,ifj,i；
15、式中：cj,i表示某区第i种类型建筑使用第j类能源在建筑运营阶段所产生的碳排放量；nj为第j类能源的消耗量；fj为第j类能源的碳排放系数。
16、进一步的，所述构建svm模型，具体包括：
17、设训练集由n个数据样本组成，svm中关联的回归模型描述为：
18、f(x)＝ωψ(x)+b；
19、其中，ψ(x)是映射函数，ω和b分别是权重和偏差；
20、svm模型的计算通过用ε不敏感损失函数求解以下凸优化方程模型来获得：
21、
22、其中，c是用于控制经验误差的正参数，ξi和是用于控制训练误差的松弛变量，xi和yi分别代表输入变量和输出变量，n为样本数；
23、凸优化方程模型通过基于拉格朗日函数构造原始优化问题来解决，如下所示：
24、
25、其中，ai、βi、是拉格朗日倍数的值；
26、基于karush-kuhn-tucker理论，目标函数推导为：
27、
28、计算拉格朗日乘数后，最佳权重向量如下：
29、
30、其中，k(x,xi)表示满足mercer条件的核函数，选择径向基函数rbf作为核函数，如下所述：
31、
32、svm模型的回归函数描述如下:
33、
34、进一步的，所述确定svm模型中需要优化的对象，利用粒子群算法对svm模型进行优化，具体包括：
35、利用粒子群优化算法pso对svm最佳惩罚参数c、核函数参数g以及核函数进行优化；
36、采用粒子群优化算法pso，将每一个粒子都视为一个潜在解，每个粒子都由位置、速度和适应度值三个参数表征，粒子的速度决定了移动方向及距离，速度随自身及其他粒子的移动经验进行动态调整，从而实现个体在空间中的寻优；
37、其中第i个粒子的位置和速度分别为：
38、
39、
40、其中，ω、c1、c2分别代表惯性权重、加速因子1、加速因子2；r1、r2均为分布于[0,1]的随机数；k为当前迭代数；vi为第i个粒子的速度；是第k次更新时全局最优位置；gk为第k次更新时的全局最优位置。
41、进一步的，所述构建pso-svm模型，具体包括：
42、将pso优化得到的超参数输入svm模型中，对svm模型测算，构建pso-svm模型。
43、与现有技术相比，本专利技术提供的一种基于电力大数据和机器学习的建筑碳排放测算方法，其有益效果是：
44、本专利技术立足于建筑减排视角，为实时检测建筑运行阶段的碳排放状况，提出精准、快速测算becce的方法。首先，采用碳排放因子法，根据碳排放系数测算建筑碳排放量；其次，从电力数据和建筑特征两方面构建了建筑碳测算指标体系，结合机器学习方法，建立“电-碳”模型；最后，根据“电-碳”模型计算的becce，并对模型结果进行分析；“电碳模型”的提出能通过用电量快速对每栋建筑becce进行快速、精确测算，对建筑运行阶段的减排具有重要意义，可为建筑减排政策提供科学参考，同时具有较大的推广应用前景。
本文档来自技高网...【技术保护点】
1.一种基于电力大数据和机器学习的建筑碳排放测算方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于电力大数据和机器学习的建筑碳排放测算方法，其特征在于，还包括：
3.如权利要求1所述的一种基于电力大数据和机器学习的建筑碳排放测算方法，其特征在于，所述建筑样本数据集中的建筑运行能耗碳排放BECCE的计算，具体包括以下步骤：
4.如权利要求1所述的一种基于电力大数据和机器学习的建筑碳排放测算方法，其特征在于，所述构建SVM模型，具体包括：
5.如权利要求4所述的一种基于电力大数据和机器学习的建筑碳排放测算方法，其特征在于，所述确定SVM模型中需要优化的对象，利用粒子群算法对SVM模型进行优化，具体包括：
6.如权利要求5所述的一种基于电力大数据和机器学习的建筑碳排放测算方法，其特征在于，所述构建PSO-SVM模型，具体包括：
【技术特征摘要】
1.一种基于电力大数据和机器学习的建筑碳排放测算方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于电力大数据和机器学习的建筑碳排放测算方法，其特征在于，还包括：
3.如权利要求1所述的一种基于电力大数据和机器学习的建筑碳排放测算方法，其特征在于，所述建筑样本数据集中的建筑运行能耗碳排放becce的计算，具体包括以下步骤：
4.如权利要求1所述的一种基...
【专利技术属性】
技术研发人员：魏阳，常政威，张凌浩，张颉，邓创，吴杰，雷克刚，汪洋，廖萍，陈玉敏，
申请(专利权)人：国网四川省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。